車輛未讓行違章檢測方法及其檢測系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于智能交通管理技術(shù)領(lǐng)域，尤其涉及一種車輛未讓行違章檢測方法及其檢測系統(tǒng)。
【背景技術(shù)】
[0002]近年來，隨著道路上行駛的車輛越來越多，由此引發(fā)的不按交通規(guī)則導(dǎo)致的交通事故也越來越多。其中，因車輛不按規(guī)定讓行，遇行人在人行橫道但強行通過發(fā)生事故的概率尤其高。而《中華人民共和國道路交通安全法》第四十七條第一款就有規(guī)定:機動車行經(jīng)人行橫道時，應(yīng)當減速行駛；遇行人正在通過人行橫道，應(yīng)當停車讓行。
[0003]由于車輛和行人是作為道路交通參與者的主體，為充分保障行人和車輛行駛的安全，盡量減少交通事故，有必要采取措施對車輛未禮讓行人的違章行為進行識別，規(guī)范車輛交通出行。

【發(fā)明內(nèi)容】

[0004]基于此，針對上述技術(shù)問題，提供一種車輛未讓行違章檢測方法及其檢測系統(tǒng)。
[0005]為解決上述技術(shù)問題，本發(fā)明采用如下技術(shù)方案:
[0006]一種車輛未讓行違章檢測方法，包括:
[0007]視頻圖像采集:通過攝像機實時采集交通道路的視頻圖像；
[0008]特征提取:在所述視頻圖像中提取hog梯度特征以及Gabor紋理特征；
[0009]顯著性區(qū)域檢測:根據(jù)提取的特征，進行顯著性目標檢測，得到包含所述顯著性目標的顯著性區(qū)域；
[0010]目標分類:選擇不同尺度的檢測窗口，并通過預(yù)訓(xùn)練的structured SVM車輛分類器以及預(yù)訓(xùn)練的structured SVM行人分類器對所述顯著性區(qū)域內(nèi)的顯著性目標進行分類，區(qū)分出車輛目標以及行人目標；將所述車輛目標的圖像加入到所述車輛分類器的正樣本集以及所述行人分類器的負樣本集中，將所述行人目標的圖像加入到所述行人分類器的正樣本集以及所述車輛分類器的負樣本集中，通過各自的正樣本集以及負樣本集更新所述車輛分類器以及行人分類器；
[0011]目標跟蹤:分別建立車輛目標跟蹤信息表以及行人目標跟蹤信息表，所述車輛目標跟蹤信息表以及行人目標跟蹤信息表中均具有目標ID與目標特征的對應(yīng)關(guān)系；每幀新出現(xiàn)的車輛目標或行人目標時，添加目標ID以及該目標ID與目標特征的對應(yīng)關(guān)系至所述車輛目標跟蹤信息表或行人目標跟蹤信息表中；依據(jù)目標在上一幀視頻圖像中的位置，通過不同尺度的采樣窗口在當前幀視頻圖像中的所述位置附近進行采樣，在采樣產(chǎn)生的多個子區(qū)域中提取該子區(qū)域的特征，與上一幀目標的特征進行匹配，將匹配相似度最高的子區(qū)域作為目標在當前幀的位置，利用目標在前后幀的位置關(guān)系，將視頻圖像中的相同目標串聯(lián)起來，得到目標的運動軌跡。
[0012]違章判斷:通過所述目標的運動軌跡，判斷所述車輛目標是否即將行至人行橫道區(qū)域，且行人目標是否在該人行橫道區(qū)域橫穿，若是，則檢測所述車輛目標的運動狀態(tài)是否為減速并停車，若否，則該車輛目標為違章車輛。
[0013]本方案還包括照片抓拍步驟:
[0014]當所述車輛目標的車頭抵到停止線前時，抓拍照片；當所述車輛目標行駛到人行橫道區(qū)域且行人目標在該人行橫道區(qū)域橫穿時，抓拍照片；當車輛目標行駛過所述行人目標所在的位置時，抓拍照片。
[0015]所述在所述視頻圖像中提取hog梯度特征以及Gabor紋理特征步驟包括:
[0016]通過hog梯度直方圖提取hog梯度特征；
[0017]通過Gabor紋理描述子提取Gabor紋理特征；
[0018]為規(guī)范特征間的取值范圍，對同種類型的特征進行歸一化處理；
[0019]同種類型特征的匹配時，距離度量選用L2范數(shù)，梯度特征以及紋理特征各按50%的權(quán)重進行加權(quán)求和。
[0020]所述顯著性區(qū)域檢測步驟通過基于全局對比度的顯著性目標檢測算法進行顯著性目標檢測，得到包含所述顯著性目標的顯著性區(qū)域。
[0021]所述structured SVM車輛分類器的正樣本集包括車輛，其負樣本集包括行人、道路背景以及非機動車，所述structured SVM行人分類器的正樣本集包括行人，其負樣本集包括車輛、道路背景以及非機動車，通過hog梯度直方圖以及Gabor紋理描述子提取上述樣本集的特征，并通過該特征預(yù)訓(xùn)練所述structured SVM車輛分類器以及structured SVM行人分類器。
[0022]本方案還涉及一種車輛未讓行違章檢測系統(tǒng)，包括:
[0023]視頻圖像采集單元，用于通過攝像機實時采集交通道路的視頻圖像；
[0024]特征提取單元，用于在所述視頻圖像中提取hog梯度特征以及Gabor紋理特征；
[0025]顯著性區(qū)域檢測單元，用于根據(jù)提取的特征，進行顯著性目標檢測，得到包含所述顯著性目標的顯著性區(qū)域；
[0026]目標分類單元，用于選擇不同尺度的檢測窗口，并通過預(yù)訓(xùn)練的structured SVM車輛分類器以及預(yù)訓(xùn)練的structured SVM行人分類器對所述顯著性區(qū)域內(nèi)的顯著性目標進行分類，區(qū)分出車輛目標以及行人目標；將所述車輛目標的圖像加入到所述車輛分類器的正樣本集以及所述行人分類器的負樣本集中，將所述行人目標的圖像加入到所述行人分類器的正樣本集以及所述車輛分類器的負樣本集中，通過各自的正樣本集以及負樣本集更新所述車輛分類器以及行人分類器；
[0027]目標跟蹤單元，用于分別建立車輛目標跟蹤信息表以及行人目標跟蹤信息表，所述車輛目標跟蹤信息表以及行人目標跟蹤信息表中均具有目標ID與目標特征的對應(yīng)關(guān)系；每幀新出現(xiàn)的車輛目標或行人目標時，添加目標ID以及該目標ID與目標特征的對應(yīng)關(guān)系至所述車輛目標跟蹤信息表或行人目標跟蹤信息表中；依據(jù)目標在上一幀視頻圖像中的位置，通過不同尺度的采樣窗口在當前幀視頻圖像中的所述位置附近進行采樣，在采樣產(chǎn)生的多個子區(qū)域中提取該子區(qū)域的特征，與上一幀目標的特征進行匹配，將匹配相似度最高的子區(qū)域作為目標在當前幀的位置，利用目標在前后幀的位置關(guān)系，將視頻圖像中的相同目標串聯(lián)起來，得到目標的運動軌跡。
[0028]違章判斷單元，用于通過所述目標的運動軌跡，判斷所述車輛目標是否即將行至人行橫道區(qū)域，且行人目標是否在該人行橫道區(qū)域橫穿，若是，則檢測所述車輛目標的運動狀態(tài)是否為減速并停車，若否，則該車輛目標為違章車輛。
[0029]本方案還包括照片抓拍單元，用于當所述車輛目標的車頭抵到停止線前時，抓拍照片；當所述車輛目標行駛到人行橫道區(qū)域且行人目標在該人行橫道區(qū)域橫穿時，抓拍照片；當車輛目標行駛過所述行人目標所在的位置時，抓拍照片。
[0030]所述在所述視頻圖像中提取hog梯度特征以及Gabor紋理特征步驟包括:
[0031]通過hog梯度直方圖提取hog梯度特征；
[0032]通過Gabor紋理描述子提取Gabor紋理特征；
[0033]為規(guī)范特征間的取值范圍，對同種類型的特征進行歸一化處理；
[0034]同種類型特征的匹配時，距離度量選用L2范數(shù)，梯度特征以及紋理特征各按50%的權(quán)重進行加權(quán)求和。
[0035]所述顯著性區(qū)域檢測單元通過基于全局對比度的顯著性目標檢測算法進行顯著性目標檢測，得到包含所述顯著性目標的顯著性區(qū)域。
[0036]所述structured SVM車輛分類器的正樣本集包括車輛，其負樣本集包括行人、道路背景以及非機動車，所述structured SVM行人分類器的正樣本集包括行人，其負樣本集包括車輛、道路背景以及非機動車，通過hog梯度直方圖以及Gabor紋理描述子提取上述樣本集的特征，并通過該特征預(yù)訓(xùn)練所述structured SVM車輛分類器以及structured SVM行人分類器。
[0037]本發(fā)明通過使用攝像機對車輛和行人同時進行識別和跟蹤，能夠快速、高效、準確的檢測到車輛未讓行的違章行為，充分保障了行人和車輛行駛的安全，減少了交通事故，規(guī)范了交通；并且由于檢測是在同一坐標系下，車輛和行人的位置關(guān)系和運動狀態(tài)能很好的用于視頻分析中，有效的避免了誤檢，同時減少取證不足引發(fā)的爭議，節(jié)省了人力和物力成本。
【附圖說明】
[0038]下面結(jié)合附圖和【具體實施方式】本發(fā)明進行詳細說明:
[0039]圖1為本發(fā)明的一種車輛未讓行違章檢測方法的流程圖；
[0040]圖2為本發(fā)明的一種車輛未讓行違章檢測系統(tǒng)的結(jié)構(gòu)示意圖。
【具體實施方式】
[0041]如圖1所示，一種車輛未讓行違章檢測方法，包括:
[0042]S101、視頻圖像采集:通過攝像機實時采集交通道路的視頻圖像，其中，攝像機采用單目智能攝像機。
[0043]S102、特征提取:在視頻圖像中提取hog梯度特征以及Gabor紋理特征。
[0044]具體地，先通過hog梯度直方圖、Gabor紋理描述子進行特征聯(lián)合提取，使得特征提取快速準確高效。
[0045]其中，通過hog梯度直方圖提取hog梯度特征:將目標區(qū)域縮放為統(tǒng)一尺寸的大小圖像，本實例中定為64*128的圖像，每16*16的像素組成一個block，每個塊分為2*2個cell,因為每個cell有9個特征