国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種基于顯著車輛部件模型的交通違章檢測方法

      文檔序號:6524399閱讀:137來源:國知局
      一種基于顯著車輛部件模型的交通違章檢測方法
      【專利摘要】本發(fā)明涉及交通監(jiān)控【技術(shù)領(lǐng)域】,尤其是一種基于顯著車輛部件模型的交通違章檢測方法。本發(fā)明首先通過判別性特征定位車輛的顯著部件,包括車輛號牌和車輛尾燈,并用它們表示車輛,然后根據(jù)多個顯著部件,用卡爾曼濾波器完成車輛跟蹤,最后通過軌跡分析和設(shè)置違章檢測區(qū)域,檢測車輛違章行為。本發(fā)明解決了光照變化、檢測噪聲等實(shí)際工程應(yīng)用的復(fù)雜環(huán)境下車輛違章檢測等問題,可以用于城市復(fù)雜環(huán)境下的交通監(jiān)控。
      【專利說明】一種基于顯著車輛部件模型的交通違章檢測方法
      【技術(shù)領(lǐng)域】
      [0001]本發(fā)明涉及交通監(jiān)控【技術(shù)領(lǐng)域】,尤其是一種基于顯著車輛部件模型的交通違章檢測方法。
      【背景技術(shù)】
      [0002]在大中型城市,隨著城市化的發(fā)展,交通阻塞、交通違章和交通事故的情況也越來越多。為了對交通進(jìn)行更有效的控制和管理,智能交通已經(jīng)引起了廣泛的重視。交通信息服務(wù)是智能交通系統(tǒng)功能的一個重要部分,這一功能的實(shí)現(xiàn)必須首先對交通路況進(jìn)行監(jiān)控,快速、準(zhǔn)確地獲取各種交通參數(shù)。隨著視頻傳感器數(shù)量的急劇增加,傳統(tǒng)的人工被動監(jiān)控已經(jīng)遠(yuǎn)遠(yuǎn)無法滿足監(jiān)控任務(wù)的需要。因此,實(shí)現(xiàn)可以代替人眼的智能自動監(jiān)控功能成為視頻監(jiān)控研究的目標(biāo)。尤其是,基于監(jiān)控視頻的交通違章檢測系統(tǒng),可以監(jiān)控車輛的違章行為并完成車輛號牌識別。
      [0003]基于視頻的交通違章檢測系統(tǒng)可以通過規(guī)范駕駛員的駕駛行為來減少交通事故,緩解交通違章帶來的交通問題。目前在視頻中檢測交通違章的技術(shù)主要包括:車輛定位、車輛跟蹤和號牌識別。在現(xiàn)有的智能交通系統(tǒng)中,車輛定位技術(shù)在交通監(jiān)控中廣泛應(yīng)用,其主要分為基于運(yùn)動目標(biāo)和靜態(tài)目標(biāo)的定位方法。基于運(yùn)動目標(biāo)的定位方法將道路上的車輛看作運(yùn)動目標(biāo),可以處理光照變化、適用于多模態(tài)以及緩慢變化的背景。然而運(yùn)動的目標(biāo)未必是車輛,因此許多研究人員利用車輛表面的視覺信息來定位車輛。這些方法利用顏色、邊緣及角點(diǎn)特征來學(xué)習(xí)車輛或車輛部件模型,然后利用分類器以及生成式模型來定位車輛。車輛跟蹤方法主要使用基于均值漂移、卡爾曼濾波器和粒子濾波器等技術(shù)來實(shí)現(xiàn)。在最簡單的情況下,歐氏距離、尺寸和角度約束用來匹配相鄰幀之間的目標(biāo)。進(jìn)一步,卡爾曼濾波器和粒子濾波器可以用來估計(jì)下一幀的目標(biāo)位置,從而更好的完成跟蹤過程?;诰灯频哪繕?biāo)跟蹤是一種目標(biāo)外觀模型跟蹤方法,即使在擁堵交通環(huán)境下效果也比較好??偨Y(jié)現(xiàn)有的交通視頻監(jiān)控系統(tǒng),在工程應(yīng)用中依然存在以下挑戰(zhàn):
      [0004]1、全天候監(jiān)控:一天中的不同時間段內(nèi),光照條件變化大,尤其是白天和夜間的光照差異;在夜間條件下,通常采用頻閃補(bǔ)光燈,可以看清補(bǔ)光范圍內(nèi)的車輛信息,但補(bǔ)光范圍通常在幾十米內(nèi),難以完成車輛跟蹤、進(jìn)而判斷車輛違章等行為。
      [0005]2、車輛遮擋:圖像中的車輛被其他車輛遮擋,或者被非車輛目標(biāo)(行人、自行車、樹木、建筑等)遮擋。比如,監(jiān)控?cái)z像機(jī)布設(shè)在交通路口,排隊(duì)等候信號燈的車輛易產(chǎn)生互相遮擋;再如,小車容易被大車遮擋,造成短時間的丟失檢測。
      [0006]3、姿態(tài)變換:車輛在轉(zhuǎn)彎、變道等姿態(tài)變換時,在圖像中呈現(xiàn)的表面特征變化很大。
      [0007]4、類內(nèi)差異大,背景多樣性:車輛具有不同形狀、尺寸、顏色;在復(fù)雜場景中,有非機(jī)動車、行人、道路交通設(shè)施等背景目標(biāo),與車輛目標(biāo)混雜在一起。
      [0008]5、不同分辨率:當(dāng)車輛駛過攝像機(jī)視野的過程中,其在圖像中的像素?cái)?shù)變化很大。
      [0009]經(jīng)對現(xiàn)有技術(shù)文獻(xiàn)的檢索發(fā)現(xiàn),在第201310251206.7號中國專利申請中,使用基于背景建模的方法,提取運(yùn)動車輛目標(biāo),通過運(yùn)動前景的位置判斷車輛的違章行為,但是,在車輛檢測過程中,運(yùn)動目標(biāo)未必是車輛,并且基于背景建模的方法難以處理車輛遮擋問題。在第200810240499.8號中國專利申請中,公開了一種車輛違章檢測系統(tǒng),可以檢測闖紅燈、超速行駛等違章行為,但該系統(tǒng)除了使用攝像頭,還需要增加壓力傳感設(shè)備和測速裝置,輔助抓拍過程,成本較高。綜上所述,現(xiàn)有的交通違章檢測系統(tǒng),通常利用運(yùn)動信息進(jìn)行檢測,監(jiān)控精度較低,無法滿足日益增長的交通監(jiān)控需求。很多系統(tǒng)需結(jié)合視頻攝像機(jī)和線圈等輔助設(shè)備進(jìn)行檢測,成本較高,同時,在維修和安裝時需要中斷交通,破壞路面,因此維護(hù)難度大,維護(hù)成本高。

      【發(fā)明內(nèi)容】

      [0010]本發(fā)明解決的技術(shù)問題在于提供克服現(xiàn)有技術(shù)中的不足,為城市交通監(jiān)控提供一種基于顯著車輛部件模型的交通違章檢測方法。能在光照變化、檢測噪聲等實(shí)際工程應(yīng)用的復(fù)雜環(huán)境下,實(shí)時準(zhǔn)確地定位、跟蹤車輛目標(biāo),通過軌跡分析完成車輛違章檢測,為城市交通管理提供一種可靠而有效的途徑。
      [0011]本發(fā)明解決上述技術(shù)問題的技術(shù)方案是:
      [0012]包括以下步驟:
      [0013]步驟SI,對道路交通場景進(jìn)行圖像標(biāo)定;
      [0014]步驟S2,定位視頻序列中的所有車牌位置:
      [0015]步驟S3,定位視頻序列中的所有車輛尾燈位置:
      [0016]步驟S4,基于車輛的多個顯著部件,對車輛進(jìn)行跟蹤從而獲取車輛的運(yùn)動軌跡:
      [0017]根據(jù)前一幀圖像中的車輛定位結(jié)果,預(yù)測當(dāng)前幀的車輛位置;將當(dāng)前幀中的車輛定位結(jié)果作為測量值,對于每一個跟蹤車輛,通過判斷其預(yù)測位置與測量值之間的歐式距離,搜索其觀察值;通過加權(quán)計(jì)算預(yù)測值與觀察值,更新預(yù)測值,作為目標(biāo)的當(dāng)前位置;
      [0018]步驟S5,分析車輛的運(yùn)動軌跡,設(shè)置各種違章類型的檢測區(qū)域,完成車輛違章檢測。
      [0019]所述步驟S4中,基于車輛的多個顯著部件、采用擴(kuò)展卡爾曼濾波方法對車輛進(jìn)行跟蹤從而獲取車輛的運(yùn)動軌跡;在擴(kuò)展卡爾曼濾波方法中,將車牌的中心位置及速度信息作為系統(tǒng)狀態(tài)變量;
      [0020]該步驟中,定義如果一個車輛部件連續(xù)跟蹤3幀以上,即認(rèn)為該部件為穩(wěn)定狀態(tài);
      [0021]在預(yù)測位置搜索車輛目標(biāo)位置觀察值采用如下規(guī)則:
      [0022]RULEl:如果預(yù)測位置附近檢測到穩(wěn)定狀態(tài)的車牌,但車燈狀態(tài)不穩(wěn)定,則用車牌表示車輛,并作為觀察值;同時,更新車不的穩(wěn)定狀態(tài)及其與車牌的相對位置;
      [0023]RULE2:如果預(yù)測位置附近沒有檢測到車牌,或者檢測到車牌但是該車牌為不穩(wěn)定狀態(tài),則進(jìn)一步搜索車燈,如果有穩(wěn)定的車燈,用車燈表示車輛,并作為觀察值;
      [0024]RULE3:如果預(yù)測位置檢測到穩(wěn)定車牌,同時搜索到穩(wěn)定車燈,則判斷它們與預(yù)測位置的距離,取距離近者作為觀察值;同時更新車牌與車燈之間的相對位置。
      [0025]RULE4:如果預(yù)測位置附近搜索到不穩(wěn)定的車牌,且沒有穩(wěn)定車燈,則取車牌位置作為觀察值;
      [0026]RULE5:如果預(yù)測位置附近既沒有穩(wěn)定車牌,也沒有穩(wěn)定車燈,認(rèn)為當(dāng)前目標(biāo)丟失跟蹤;如果某個目標(biāo)連續(xù)三幀丟失跟蹤,即認(rèn)為該目標(biāo)退出場景。
      [0027]所述步驟S5中,為不同的違章類型設(shè)置特定的檢測區(qū)域,同時,保存多張取證圖片和違章信息;
      [0028]各種違章類型的檢測區(qū)域設(shè)置和軌跡分析方法如下:
      [0029](I)闖紅燈:在每條車道的停車線前后各設(shè)置一個檢測區(qū)域,記錄并分析每輛車的運(yùn)動軌跡,如果當(dāng)前車道的信號燈狀態(tài)為紅燈,并且車輛軌跡依次穿過設(shè)置的兩個檢測區(qū)域,則認(rèn)為該車輛闖紅燈;提取車輛在停止線前、壓停止線和駛過停止線的三張全景圖片,以及車輛的一張?zhí)貙憟D片,并調(diào)用車牌識別程序進(jìn)行車牌識別,最后將四張圖片進(jìn)行拼接并標(biāo)注違章信息,包括違章時間、路口位置、車道、車牌號碼等,供交通管理部門做后續(xù)處理;
      [0030](2)壓線行駛:在圖像中,標(biāo)記禁止壓線行駛的車道線區(qū)域,記錄并分析車輛的運(yùn)動軌跡,如果車輛軌跡經(jīng)過該檢測區(qū)域,則認(rèn)為該車輛壓線行駛;提取車輛壓線狀態(tài)下的全景圖片,以及一張?zhí)貙憟D片,并調(diào)用車牌識別程序進(jìn)行車牌識別,最后將兩張圖片進(jìn)行拼接并標(biāo)注違章信息,供交通管理部門做后續(xù)處理;
      [0031](3)不按規(guī)定車道行駛:在圖像中的兩條車道標(biāo)記兩個檢測區(qū)域,如果車輛的運(yùn)行軌跡,依次經(jīng)過兩個檢測區(qū)域,則認(rèn)為該車輛不按規(guī)定車道行駛;提取車輛變換車道前、變換車道中、變換車道后的三張全景圖片,以及車輛的一張?zhí)貙憟D片,并調(diào)用車牌識別程序進(jìn)行車牌識別,最后將四張圖片進(jìn)行拼接并標(biāo)注違章信息,供交通管理部門做后續(xù)處理;
      [0032]由此完成基于顯著部 件模型的交通違章檢測過程。
      [0033]步驟SI,對道路交通場景進(jìn)行圖像標(biāo)定是選取一段監(jiān)控?cái)z像機(jī)拍攝的高清視頻片段,分辨率為2592核1936,視頻場景為覆蓋三車道的交通路口,為了獲取圖像相關(guān)的物理坐標(biāo)參數(shù),使用OpenCV自帶的攝像機(jī)標(biāo)定功能函數(shù)對交通場景進(jìn)行標(biāo)定,根據(jù)圖像中已知尺寸的道路標(biāo)線,標(biāo)記圖像區(qū)域,進(jìn)而實(shí)現(xiàn)圖像坐標(biāo)系和物理坐標(biāo)系的相互轉(zhuǎn)換,由此可以獲取圖像中每個位置的物理坐標(biāo);另外,采用OpenCV中的功能函數(shù)進(jìn)行視頻讀取,把視頻讀入計(jì)算機(jī);
      [0034]步驟S2,定位視頻序列中的所有車牌位置是對于黑底白字和白底黑字車牌,直接采用其灰度圖作為顏色灰度圖像;對于藍(lán)底、黃底車牌,首先,利用如下公式將圖像空間轉(zhuǎn)換至一個特定的顏色空間;
      [0035]Cx;y= Il Bx,y-min{Rx,y, Gx,y} 11.[0036]然后,使用Sobel算子計(jì)算車牌顏色圖像中的圖像梯度;接著,使用滑動窗口掃描梯度圖像,獲得窗口內(nèi)的平均梯度;滑動窗口大小與車牌大小一致,通過使用OpenCV的標(biāo)定結(jié)果,即可以獲得車牌尺寸;
      [0037]最后,在所述得分圖像中確定車輛的區(qū)域大小,利用非極大值抑制方法在車輛區(qū)域范圍內(nèi)求得局部極大值,如果該局部極大值大于設(shè)定的得分閾值,則以所述局部極大值為中心點(diǎn),根據(jù)國標(biāo)車牌的尺寸信息得到車牌區(qū)域,將該車牌區(qū)域作為候選車牌區(qū)域;
      [0038]步驟S3,定位視頻序列中的所有車輛尾燈位置是根據(jù)車輛尾燈的顏色,即紅色,獲取視頻序列每一幀圖像的顏色灰度圖像;圖像中某一像素X的顏色灰度值按照下式來計(jì)算:
      [0039]Cx’y=Rx’y-max{Gx’y, Bx’y}_ 11 Gx’y_Bx’y 11 *2.[0040]然后,利用多閾值方法將所述顏色灰度圖像分割為多幅二值化圖像;
      [0041]接著,對所述多幅二值化圖像分別做連通域分析,取長寬比、面積大小在一定范圍內(nèi)的連通域作為候選車輛尾燈區(qū)域;
      [0042]最后,對于出現(xiàn)重疊的候選車輛尾燈區(qū)域,保留其中面積最大的那個區(qū)域,最終得到檢測出來的車輛尾燈區(qū)域;
      [0043]上述公式中,Rx,y、Gx,y、Bx y分別是像素X的紅、綠、藍(lán)通道的像素值,Cx y為像素X變換后的灰度值。
      [0044]有益效果:
      [0045]本發(fā)明相比于現(xiàn)有技術(shù)可以自動檢測視頻序列中的車輛部件位置,并通過跟蹤車輛部件獲取車輛運(yùn)動軌跡,最后通過車輛軌跡分析,檢測車輛違章行為,不需要對原始視頻信號進(jìn)行任何的預(yù)處理,而且對實(shí)際監(jiān)控視頻中所出現(xiàn)的車輛遮擋、車輛在強(qiáng)光條件下的陰影、光照變化、攝像機(jī)抖動、檢測噪聲等干擾同時具有較高的魯棒性。由于克服了這些現(xiàn)有技術(shù)在實(shí)際工程應(yīng)用方面難以解決的困難,因此本發(fā)明真正實(shí)現(xiàn)了交通監(jiān)控視頻中的交通違章檢測。
      [0046]本發(fā)明針對智能視頻監(jiān)控中交通違章檢測的需要,利用圖像處理、特征提取、目標(biāo)跟蹤技術(shù),實(shí)時檢測車輛的違章行為,具有算法簡單、精確度高、魯棒性強(qiáng)等優(yōu)點(diǎn)。特別是不需要對原始視頻信號進(jìn)行任何的預(yù)處理,自動實(shí)現(xiàn)了車輛違章檢測,克服了現(xiàn)有技術(shù)難以克服的難點(diǎn),也消除了實(shí)現(xiàn)真正工程應(yīng)用的主要障礙。本發(fā)明使用圖像處理、特征提取、目標(biāo)跟蹤技術(shù),實(shí)時準(zhǔn)確地定位、跟蹤車輛目標(biāo),通過軌跡分析完成車輛違章檢測,為城市交通管理提供一種可靠而有效的途徑。
      【專利附圖】

      【附圖說明】
      [0047]下面結(jié)合附圖對本發(fā)明進(jìn)一步說明:
      [0048]圖1是本發(fā)明基于顯著車輛部件模型的交通違章檢測方法流程圖;
      [0049]圖2是本發(fā)明基于顯著部件的跟蹤算法流程圖;
      [0050]圖3是本發(fā)明工控機(jī)上的配置軟件界面;
      [0051]圖4是根據(jù)本發(fā)明實(shí)施例的車輛闖紅燈的檢測結(jié)果圖;
      [0052]圖5是根據(jù)本發(fā)明實(shí)施例的車輛壓線行駛的檢測結(jié)果圖;
      [0053]圖6是根據(jù)本發(fā)明實(shí)施例的車輛不按規(guī)定車道行駛的檢測結(jié)果圖。
      【具體實(shí)施方式】
      [0054]為使本發(fā)明解決技術(shù)問題的技術(shù)方案更清楚,以下結(jié)合具體實(shí)施例,并參照附圖,對本發(fā)明進(jìn)一步詳細(xì)說明。
      [0055]圖1是本發(fā)明基于顯著車輛部件模型的交通違章檢測方法流程圖,如圖1所示,本發(fā)明基于顯著車輛部件模型的交通違章檢測方法包括以下步驟:
      [0056]步驟SI,對道路交通場景進(jìn)行圖像標(biāo)定:
      [0057]本發(fā)明的實(shí)施例中,選取一段監(jiān)控?cái)z像機(jī)拍攝的高清視頻片段,分辨率為2592核1936,視頻場景為覆蓋三車道的交通路口,為了獲取圖像相關(guān)的物理坐標(biāo)參數(shù),本發(fā)明使用OpenCVdntel開源計(jì)算機(jī)視覺庫)自帶的攝像機(jī)標(biāo)定功能函數(shù)對交通場景進(jìn)行標(biāo)定,根據(jù)圖像中已知尺寸的道路標(biāo)線,標(biāo)記圖像區(qū)域,進(jìn)而實(shí)現(xiàn)圖像坐標(biāo)系和物理坐標(biāo)系的相互轉(zhuǎn)換,由此可以獲取圖像中每個位置的物理坐標(biāo)。另外,采用OpenCV中的功能函數(shù)進(jìn)行視頻讀取,把視頻讀入計(jì)算機(jī)。
      [0058]步驟S2,定位視頻序列中的所有車牌位置:
      [0059]該部分內(nèi)容不作為本發(fā)明的重點(diǎn),可以采用通用的技術(shù)實(shí)現(xiàn),在此僅簡要描述計(jì)算過程。中國國標(biāo)車牌的底色包括藍(lán)色、黃色、白色、黑色,本發(fā)明實(shí)施例以藍(lán)底白字和黃底黑字車牌為例進(jìn)行說明,類似地,對于黑底白字和白底黑字車牌,直接采用其灰度圖作為顏色灰度圖像。根據(jù)統(tǒng)計(jì)結(jié)果,對于藍(lán)底車牌來說,車牌底色像素的藍(lán)色通道值Bx,y遠(yuǎn)遠(yuǎn)大于其他兩個通道,紅色Rx,y和綠色Gx,y通道的值均比較小,并且相差不大。黃色與藍(lán)色在顏色上互補(bǔ),對于黃底車牌來說,車牌底色像素的藍(lán)色通道值Bx,y遠(yuǎn)遠(yuǎn)小于其他兩個通道,紅色Rx,y和綠色Gx,y通道的值均比較大,并且相差不大。首先,根據(jù)以上觀察結(jié)果,利用公式(I)將圖像空間轉(zhuǎn)換至一個特定的顏色空間。
      [0060]Cx’y= Il Bx’y-min{Rx’y,Gx’y} Il.(I)
      [0061]然后,使用Sobel算子計(jì)算車牌顏色圖像中的圖像梯度。接著,我們使用滑動窗口掃描梯度圖像,獲得窗口內(nèi)的平均梯度?;瑒哟翱诖笮∨c車牌大小一致,通過使用OpenCV的標(biāo)定結(jié)果,我們可以獲得車牌尺寸。
      [0062]最后,在所述得分圖像中確定車輛的區(qū)域大小,利用非極大值抑制方法在車輛區(qū)域范圍內(nèi)求得局部極大值,如果該局部極大值大于設(shè)定的得分閾值,則以所述局部極大值為中心點(diǎn),根據(jù)國標(biāo)車牌的尺寸信息得到車牌區(qū)域,將該車牌區(qū)域作為候選車牌區(qū)域。
      [0063]步驟S3,定位視頻序列中的所有車輛尾燈位置:
      [0064]該部分內(nèi)容不作為本發(fā)明的重點(diǎn),可以采用通用的技術(shù)實(shí)現(xiàn),在此僅簡要描述計(jì)算過程。根據(jù)車輛尾燈的顏色,即紅色,獲取視頻序列每一幀圖像的顏色灰度圖像;圖像中某一像素X的顏色灰度值按照下式來計(jì)算:
      [0065]Cx,y=Rx,y-max{Gx,y, Bx,y}_ 11 Gx,y_Bx,y 11 *2.(2)
      [0066]其中,Rx y、Gx,y、Bx;y分別是像素X的紅、綠、藍(lán)通道的像素值,Cx,y為像素x變換后的灰度值。
      [0067]然后,利用多閾值方法將所述顏色灰度圖像分割為多幅二值化圖像;本發(fā)明中分別選取了三個閾值對所述顏色灰度圖像進(jìn)行閾值分割,所述三個閾值分別為20、60、80。
      [0068]接著,對所述多幅二值化圖像分別做連通域分析,取長寬比、面積大小在一定范圍內(nèi)的連通域作為候選車輛尾燈區(qū)域;
      [0069]最后,對于出現(xiàn)重疊的候選車輛尾燈區(qū)域,保留其中面積最大的那個區(qū)域,最終得到檢測出來的車輛尾燈區(qū)域。
      [0070]步驟S4,基于車輛的多個顯著部件,對車輛進(jìn)行跟蹤從而獲取車輛的運(yùn)動軌跡:
      [0071]在本發(fā)明的實(shí)施例中,使用擴(kuò)展卡爾曼濾波方法進(jìn)行車輛的跟蹤,進(jìn)而得到車輛的運(yùn)動軌跡,在擴(kuò)展卡爾曼濾波方法中,將車牌的中心位置及速度信息作為系統(tǒng)狀態(tài)變量。
      [0072]圖2是本發(fā)明基于顯著部件的跟蹤算法流程圖,如圖2所示,所述步驟S4進(jìn)一步包括以下步驟:
      [0073]步驟S41,根據(jù)前一幀圖像中的車輛定位結(jié)果,預(yù)測當(dāng)前幀的車輛位置;
      [0074]步驟S42,將當(dāng)前幀中的車輛部件定位結(jié)果作為測量值,對于每一個跟蹤車輛,通過判斷其預(yù)測位置與測量值之間的歐式距離,以及車輛部件的穩(wěn)定狀態(tài),搜索其觀察值。
      [0075]有關(guān)車輛部件的穩(wěn)定狀態(tài)定義如下:如果一個車輛部件連續(xù)跟蹤3幀以上,即認(rèn)為該部件為穩(wěn)定狀態(tài)。
      [0076]在該步驟中,采用如下規(guī)則(RULE)在預(yù)測位置搜索車輛目標(biāo)位置的觀察值:
      [0077]RULEl:如果預(yù)測位置附近檢測到穩(wěn)定狀態(tài)的車牌,但車燈狀態(tài)不穩(wěn)定,則用車牌表示車輛,并作為觀察值。同時,更新車燈的穩(wěn)定狀態(tài)及其與車牌的相對位置;
      [0078]RULE2:如果預(yù)測位置附近沒有檢測到車牌,或者檢測到車牌但是該車牌為不穩(wěn)定狀態(tài),則進(jìn)一步搜索車燈,如果有穩(wěn)定的車燈,用車燈表示車輛,并作為觀察值;
      [0079]RULE3:如果預(yù)測位置檢測到穩(wěn)定車牌,同時搜索到穩(wěn)定車燈,則判斷它們與預(yù)測位置的距離,取距離近者作為觀察值;同時更新車牌與車燈之間的相對位置。
      [0080]RULE4:如果預(yù)測位置附近搜索到不穩(wěn)定的車牌,且沒有穩(wěn)定車燈,則取車牌位置作為觀察值;
      [0081]RULE5:如果預(yù)測位置附近既沒有穩(wěn)定車牌,也沒有穩(wěn)定車燈,認(rèn)為當(dāng)前目標(biāo)丟失跟蹤。如果某個目標(biāo)連續(xù)三幀丟失跟蹤,即認(rèn)為該目標(biāo)退出場景。
      [0082]步驟S43,通過上一步驟獲得的車輛位置觀察值,加權(quán)計(jì)算預(yù)測值與觀察值,進(jìn)而更新預(yù)測值,作為目標(biāo)的當(dāng)前位置。
      [0083]步驟S5,設(shè)置各種違章檢測區(qū)域,分析車輛的運(yùn)動軌跡,完成車輛違章檢測;
      [0084]本實(shí)施例的交通違`章檢測系統(tǒng)硬件平臺包括一臺500萬像素的高清攝像機(jī),一臺工控機(jī),以及兩盞補(bǔ)光燈。其中高清相機(jī)的分辨率為2592*1936,幀速為每秒8.3幀,工控機(jī)的處理器為Core (?) ?5-3210Μ CPU?2.50GHZ和4G內(nèi)存,補(bǔ)光燈在夜間或光照不足條件下開啟,其補(bǔ)光范圍可以達(dá)到三車道。工控機(jī)與攝像機(jī)之間的數(shù)據(jù)傳輸采用網(wǎng)線方式。下面,進(jìn)一步描述交通違章檢測的詳細(xì)步驟:
      [0085]本發(fā)明的實(shí)施例檢測三種交通違章,包括闖紅燈、壓線行駛和不按規(guī)定車道行駛,運(yùn)行在工控機(jī)上的配置軟件如圖3所示,各種違章類型的檢測區(qū)域設(shè)置和軌跡分析方法如下:
      [0086](I)闖紅燈:在每條車道的停車線前后各設(shè)置一個檢測區(qū)域,如圖4(a)中的黃色四邊形所示。記錄并分析每輛車的運(yùn)動軌跡,如果當(dāng)前車道的信號燈狀態(tài)為紅燈,并且車輛軌跡依次穿過設(shè)置的兩個檢測區(qū)域,則認(rèn)為該車輛闖紅燈。提取車輛在停止線前、壓停止線和駛過停止線的三張全景圖片,以及車輛的一張?zhí)貙憟D片,并調(diào)用車牌識別程序進(jìn)行車牌識別,最后將四張圖片進(jìn)行拼接并標(biāo)注違章信息,包括違章時間、路口位置、車道、車牌號碼等,供交通管理部門做后續(xù)處理,如圖4(b)所示。車牌識別過程不作為本發(fā)明的核心內(nèi)容,在此不再贅述。
      [0087](2)壓線行駛:在圖像中,標(biāo)記禁止壓線行駛的車道線區(qū)域,如圖5(a)中的黃色四邊形所示。記錄并分析車輛的運(yùn)動軌跡,如果車輛軌跡經(jīng)過該檢測區(qū)域,則認(rèn)為該車輛壓線行駛。提取車輛壓線狀態(tài)下的全景圖片,以及一張?zhí)貙憟D片,并調(diào)用車牌識別程序進(jìn)行車牌識別,最后將兩張圖片進(jìn)行拼接并標(biāo)注違章信息,供交通管理部門做后續(xù)處理,如圖5(b)所示。
      [0088](3)不按規(guī)定車道行駛:在交通圖像中進(jìn)行車輛非法左右轉(zhuǎn)、非法直行檢測,本質(zhì)上,是檢測車輛由一條車道區(qū)域駛?cè)肓硪粭l車道區(qū)域,如車輛在左轉(zhuǎn)車道駛?cè)胫毙熊嚨?,即認(rèn)定為非法直行。在圖像中的兩條車道標(biāo)記兩個檢測區(qū)域,如圖6(a)中的黃色四邊形所示。如果車輛的運(yùn)行軌跡,依次經(jīng)過兩個檢測區(qū)域,則認(rèn)為該車輛不按規(guī)定車道行駛。提取車輛變換車道前、變換車道中、變換車道后的三張全景圖片,以及車輛的一張?zhí)貙憟D片,并調(diào)用車牌識別程序進(jìn)行車牌識別,最后將四張圖片進(jìn)行拼接并標(biāo)注違章信息,供交通管理部門做后續(xù)處理,如圖6(b)所示。
      [0089]由此完成基于顯著部件模型的交通違章檢測過程。
      [0090]以上所述是對本發(fā)明具體實(shí)施例的描述,并不用于限制本發(fā)明,凡在本發(fā)明的精神和原則之內(nèi),所做的任何等同替換等,均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
      【權(quán)利要求】
      1.一種基于顯著部件模型的交通違章檢測方法,其特征在于:包括以下步驟: 步驟SI,對道路交通場景進(jìn)行圖像標(biāo)定; 步驟S2,定位視頻序列中的所有車牌位置: 步驟S3,定位視頻序列中的所有車輛尾燈位置: 步驟S4,基于車輛的多個顯著部件,對車輛進(jìn)行跟蹤從而獲取車輛的運(yùn)動軌跡: 根據(jù)前一幀圖像中的車輛定位結(jié)果,預(yù)測當(dāng)前幀的車輛位置;將當(dāng)前幀中的車輛定位結(jié)果作為測量值,對于每一個跟蹤車輛,通過判斷其預(yù)測位置與測量值之間的歐式距離,搜索其觀察值;通過加權(quán)計(jì)算預(yù)測值與觀察值,更新預(yù)測值,作為目標(biāo)的當(dāng)前位置; 步驟S5,分析車輛的運(yùn)動軌跡,設(shè)置各種違章類型的檢測區(qū)域,完成車輛違章檢測。
      2.根據(jù)權(quán)利要求1所述的交通違章檢測方法,其特征在于:所述步驟S4中,基于車輛的多個顯著部件、采用擴(kuò)展卡爾曼濾波方法對車輛進(jìn)行跟蹤從而獲取車輛的運(yùn)動軌跡;在擴(kuò)展卡爾曼濾波方法中,將車牌的中心位置及速度信息作為系統(tǒng)狀態(tài)變量; 該步驟中,定義如果一個車輛部件連續(xù)跟蹤3幀以上,即認(rèn)為該部件為穩(wěn)定狀態(tài); 在預(yù)測位置搜索車輛目標(biāo)位置觀察值采用如下規(guī)則: RULEl:如果預(yù)測位置附近檢測到穩(wěn)定狀態(tài)的車牌,但車燈狀態(tài)不穩(wěn)定,則用車牌表示車輛,并作為觀察值;同時,更新車燈的穩(wěn)定狀態(tài)及其與車牌的相對位置; RULE2:如果預(yù)測位置附近`沒有檢測到車牌,或者檢測到車牌但是該車牌為不穩(wěn)定狀態(tài),則進(jìn)一步搜索車燈,如果有穩(wěn)定的車燈,用車燈表示車輛,并作為觀察值; RULE3:如果預(yù)測位置檢測到穩(wěn)定車牌,同時搜索到穩(wěn)定車燈,則判斷它們與預(yù)測位置的距離,取距離近者作為觀察值;同時更新車牌與車燈之間的相對位置。 RULE4:如果預(yù)測位置附近搜索到不穩(wěn)定的車牌,且沒有穩(wěn)定車燈,則取車牌位置作為觀察值; RULE5:如果預(yù)測位置附近既沒有穩(wěn)定車牌,也沒有穩(wěn)定車燈,認(rèn)為當(dāng)前目標(biāo)丟失跟蹤;如果某個目標(biāo)連續(xù)三幀丟失跟蹤,即認(rèn)為該目標(biāo)退出場景。
      3.根據(jù)權(quán)利要求1或2所述的交通違章檢測方法,其特征在于:所述步驟S5中,為不同的違章類型設(shè)置特定的檢測區(qū)域,同時,保存多張取證圖片和違章信息; 各種違章類型的檢測區(qū)域設(shè)置和軌跡分析方法如下: (1)闖紅燈:在每條車道的停車線前后各設(shè)置一個檢測區(qū)域,記錄并分析每輛車的運(yùn)動軌跡,如果當(dāng)前車道的信號燈狀態(tài)為紅燈,并且車輛軌跡依次穿過設(shè)置的兩個檢測區(qū)域,則認(rèn)為該車輛闖紅燈;提取車輛在停止線前、壓停止線和駛過停止線的三張全景圖片,以及車輛的一張?zhí)貙憟D片,并調(diào)用車牌識別程序進(jìn)行車牌識別,最后將四張圖片進(jìn)行拼接并標(biāo)注違章信息,包括違章時間、路口位置、車道、車牌號碼等,供交通管理部門做后續(xù)處理; (2)壓線行駛:在圖像中,標(biāo)記禁止壓線行駛的車道線區(qū)域,記錄并分析車輛的運(yùn)動軌跡,如果車輛軌跡經(jīng)過該檢測區(qū)域,則認(rèn)為該車輛壓線行駛;提取車輛壓線狀態(tài)下的全景圖片,以及一張?zhí)貙憟D片,并調(diào)用車牌識別程序進(jìn)行車牌識別,最后將兩張圖片進(jìn)行拼接并標(biāo)注違章信息,供交通管理部門做后續(xù)處理; (3)不按規(guī)定車道行駛:在圖像中的兩條車道標(biāo)記兩個檢測區(qū)域,如果車輛的運(yùn)行軌跡,依次經(jīng)過兩個檢測區(qū)域,則認(rèn)為該車輛不按規(guī)定車道行駛;提取車輛變換車道前、變換車道中、變換車道后的三張全景圖片,以及車輛的一張?zhí)貙憟D片,并調(diào)用車牌識別程序進(jìn)行車牌識別,最后將四張圖片進(jìn)行拼接并標(biāo)注違章信息,供交通管理部門做后續(xù)處理; 由此完成基于顯著部件模型的交通違章檢測過程。
      4.根據(jù)權(quán)利要求1或2所述的的交通違章檢測方法,其特征在于: 步驟SI,對道路交通場景進(jìn)行圖像標(biāo)定是選取一段監(jiān)控?cái)z像機(jī)拍攝的高清視頻片段,分辨率為2592X 1936,視頻場景為覆蓋三車道的交通路口,為了獲取圖像相關(guān)的物理坐標(biāo)參數(shù),使用OpenCV自帶的攝像機(jī)標(biāo)定功能函數(shù)對交通場景進(jìn)行標(biāo)定,根據(jù)圖像中已知尺寸的道路標(biāo)線,標(biāo)記圖像區(qū)域,進(jìn)而實(shí)現(xiàn)圖像坐標(biāo)系和物理坐標(biāo)系的相互轉(zhuǎn)換,由此可以獲取圖像中每個位置的物理坐標(biāo);另外,采用OpenCV中的功能函數(shù)進(jìn)行視頻讀取,把視頻讀入計(jì)算機(jī); 步驟S2,定位視頻序列中的所有車牌位置是對于黑底白字和白底黑字車牌,直接采用其灰度圖作為顏色灰度圖像;對于藍(lán)底、黃底車牌,首先,利用如下公式將圖像空間轉(zhuǎn)換至一個特定的顏色空間;
      Cx;y= Il Bx’y-min{Rx’y, Gx’y} I1.然后,使用Sobel算子計(jì)算車牌顏色圖像中的圖像梯度;接著,使用滑動窗口掃描梯度圖像,獲得窗口內(nèi)的平均梯度;滑動窗口大小與車牌大小一致,通過使用OpenCV的標(biāo)定結(jié)果,即可以獲得車牌尺寸; 最后,在所述得分圖像中確定車輛的區(qū)域大小,利用非極大值抑制方法在車輛區(qū)域范圍內(nèi)求得局部極大值,如果該局部極大值大于設(shè)定的得分閾值,則以所述局部極大值為中心點(diǎn),根據(jù)國標(biāo)車牌的尺寸信息得到車牌區(qū)域,將該車牌區(qū)域作為候選車牌區(qū)域; 步驟S3,定位視頻序列中的所有車輛尾燈位置是根據(jù)車輛尾燈的顏色,即紅色,獲取視頻序列每一幀圖像的顏色灰度圖像;圖像中某一像素X的顏色灰度值按照下式來計(jì)算:Cx,y=Rx,y-max{Gx;y, Bx’y}_ II Gx’y_Bx’y II *2.然后,利用多閾值方法將所述顏色灰度圖像分割為多幅二值化圖像;` 接著,對所述多幅二值化圖像分別做連通域分析,取長寬比、面積大小在一定范圍內(nèi)的連通域作為候選車輛尾燈區(qū)域; 最后,對于出現(xiàn)重疊的候選車輛尾燈區(qū)域,保留其中面積最大的那個區(qū)域,最終得到檢測出來的車輛尾燈區(qū)域; 上述公式中,Rx,y、Gx,y、Bx y分別是像素X的紅、綠、藍(lán)通道的像素值,Cx y為像素X變換后的灰度值。
      5.根據(jù)權(quán)利要求3所述的的交通違章檢測方法,其特征在于: 步驟SI,對道路交通場景進(jìn)行圖像標(biāo)定是選取一段監(jiān)控?cái)z像機(jī)拍攝的高清視頻片段,分辨率為2592X 1936,視頻場景為覆蓋三車道的交通路口,為了獲取圖像相關(guān)的物理坐標(biāo)參數(shù),使用OpenCV自帶的攝像機(jī)標(biāo)定功能函數(shù)對交通場景進(jìn)行標(biāo)定,根據(jù)圖像中已知尺寸的道路標(biāo)線,標(biāo)記圖像區(qū)域,進(jìn)而實(shí)現(xiàn)圖像坐標(biāo)系和物理坐標(biāo)系的相互轉(zhuǎn)換,由此可以獲取圖像中每個位置的物理坐標(biāo);另外,采用OpenCV中的功能函數(shù)進(jìn)行視頻讀取,把視頻讀入計(jì)算機(jī); 步驟S2,定位視頻序列中的所有車牌位置是對于黑底白字和白底黑字車牌,直接采用其灰度圖作為顏色灰度圖像;對于藍(lán)底、黃底車牌,首先,利用如下公式將圖像空間轉(zhuǎn)換至一個特定的顏色空間;cx;y= Il Bx’y-min{Rx’y, Gx’y} Il.然后,使用Sobel算子計(jì)算車牌顏色圖像中的圖像梯度;接著,使用滑動窗口掃描梯度圖像,獲得窗口內(nèi)的平均梯度;滑動窗口大小與車牌大小一致,通過使用OpenCV的標(biāo)定結(jié)果,即可以獲得車牌尺寸; 最后,在所述得分圖像中確定車輛的區(qū)域大小,利用非極大值抑制方法在車輛區(qū)域范圍內(nèi)求得局部極大值,如果該局部極大值大于設(shè)定的得分閾值,則以所述局部極大值為中心點(diǎn),根據(jù)國標(biāo)車牌的尺寸信息得到車牌區(qū)域,將該車牌區(qū)域作為候選車牌區(qū)域; 步驟S3,定位視頻序列中的所有車輛尾燈位置是根據(jù)車輛尾燈的顏色,即紅色,獲取視頻序列每一幀圖像的顏色灰度圖像;圖像中某一像素X的顏色灰度值按照下式來計(jì)算:Cx,y=Rx,y-max{Gx;y, Bx’y}_ II Gx’y_Bx’y II *2.然后,利用多閾值方法將所述顏色灰度圖像分割為多幅二值化圖像; 接著,對所述多幅二值化圖像分別做連通域分析,取長寬比、面積大小在一定范圍內(nèi)的連通域作為候選車輛尾燈區(qū)域; 最后,對于出現(xiàn)重疊的候選車輛尾燈區(qū)域,保留其中面積最大的那個區(qū)域,最終得到檢測出來的車輛尾燈區(qū)域; 上述公式中,Rx,y、Gx,y、Bx y分別是像素X的紅、綠、藍(lán)通道的像素值,Cx y為像素X變換后的灰度值。`
      【文檔編號】G06K9/00GK103778786SQ201310700175
      【公開日】2014年5月7日 申請日期:2013年12月17日 優(yōu)先權(quán)日:2013年12月17日
      【發(fā)明者】王飛躍, 田濱, 李葉, 李泊, 王坤峰, 熊剛, 朱鳳華, 胡斌 申請人:東莞中國科學(xué)院云計(jì)算產(chǎn)業(yè)技術(shù)創(chuàng)新與育成中心, 中國科學(xué)院自動化研究所
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點(diǎn)贊!
      1