CN104537360A - 车辆未让行违章检测方法及其检测系统 - Google Patents
车辆未让行违章检测方法及其检测系统 Download PDFInfo
- Publication number
- CN104537360A CN104537360A CN201510021398.1A CN201510021398A CN104537360A CN 104537360 A CN104537360 A CN 104537360A CN 201510021398 A CN201510021398 A CN 201510021398A CN 104537360 A CN104537360 A CN 104537360A
- Authority
- CN
- China
- Prior art keywords
- target
- vehicle
- pedestrian
- feature
- sorter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Abstract
一种车辆未让行违章检测方法,包括:视频图像采集;特征提取;显著性区域检测;目标分类;目标跟踪;违章判断。本发明通过使用摄像机对车辆和行人同时进行识别和跟踪,能够快速、高效、准确的检测到车辆未让行的违章行为,充分保障了行人和车辆行驶的安全,减少了交通事故,规范了交通;并且由于检测是在同一坐标系下,车辆和行人的位置关系和运动状态能很好的用于视频分析中,有效的避免了误检,同时减少取证不足引发的争议,节省了人力和物力成本。
Description
技术领域
本发明属于智能交通管理技术领域,尤其涉及一种车辆未让行违章检测方法及其检测系统。
背景技术
近年来,随着道路上行驶的车辆越来越多,由此引发的不按交通规则导致的交通事故也越来越多。其中,因车辆不按规定让行,遇行人在人行横道但强行通过发生事故的概率尤其高。而《中华人民共和国道路交通安全法》第四十七条第一款就有规定:机动车行经人行横道时,应当减速行驶;遇行人正在通过人行横道,应当停车让行。
由于车辆和行人是作为道路交通参与者的主体,为充分保障行人和车辆行驶的安全,尽量减少交通事故,有必要采取措施对车辆未礼让行人的违章行为进行识别,规范车辆交通出行。
发明内容
基于此,针对上述技术问题,提供一种车辆未让行违章检测方法及其检测系统。
为解决上述技术问题,本发明采用如下技术方案:
一种车辆未让行违章检测方法,包括:
视频图像采集:通过摄像机实时采集交通道路的视频图像;
特征提取:在所述视频图像中提取hog梯度特征以及Gabor纹理特征;
显著性区域检测:根据提取的特征,进行显著性目标检测,得到包含所述显著性目标的显著性区域;
目标分类:选择不同尺度的检测窗口,并通过预训练的structured SVM车辆分类器以及预训练的structured SVM行人分类器对所述显著性区域内的显著性目标进行分类,区分出车辆目标以及行人目标;将所述车辆目标的图像加入到所述车辆分类器的正样本集以及所述行人分类器的负样本集中,将所述行人目标的图像加入到所述行人分类器的正样本集以及所述车辆分类器的负样本集中,通过各自的正样本集以及负样本集更新所述车辆分类器以及行人分类器;
目标跟踪:分别建立车辆目标跟踪信息表以及行人目标跟踪信息表,所述车辆目标跟踪信息表以及行人目标跟踪信息表中均具有目标ID与目标特征的对应关系;每帧新出现的车辆目标或行人目标时,添加目标ID以及该目标ID与目标特征的对应关系至所述车辆目标跟踪信息表或行人目标跟踪信息表中;依据目标在上一帧视频图像中的位置,通过不同尺度的采样窗口在当前帧视频图像中的所述位置附近进行采样,在采样产生的多个子区域中提取该子区域的特征,与上一帧目标的特征进行匹配,将匹配相似度最高的子区域作为目标在当前帧的位置,利用目标在前后帧的位置关系,将视频图像中的相同目标串联起来,得到目标的运动轨迹。
违章判断:通过所述目标的运动轨迹,判断所述车辆目标是否即将行至人行横道区域,且行人目标是否在该人行横道区域横穿,若是,则检测所述车辆目标的运动状态是否为减速并停车,若否,则该车辆目标为违章车辆。
本方案还包括照片抓拍步骤:
当所述车辆目标的车头抵到停止线前时,抓拍照片;当所述车辆目标行驶到人行横道区域且行人目标在该人行横道区域横穿时,抓拍照片;当车辆目标行驶过所述行人目标所在的位置时,抓拍照片。
所述在所述视频图像中提取hog梯度特征以及Gabor纹理特征步骤包括:
通过hog梯度直方图提取hog梯度特征;
通过Gabor纹理描述子提取Gabor纹理特征;
为规范特征间的取值范围,对同种类型的特征进行归一化处理;
同种类型特征的匹配时,距离度量选用L2范数,梯度特征以及纹理特征各按50%的权重进行加权求和。
所述显著性区域检测步骤通过基于全局对比度的显著性目标检测算法进行显著性目标检测,得到包含所述显著性目标的显著性区域。
所述structured SVM车辆分类器的正样本集包括车辆,其负样本集包括行人、道路背景以及非机动车,所述structured SVM行人分类器的正样本集包括行人,其负样本集包括车辆、道路背景以及非机动车,通过hog梯度直方图以及Gabor纹理描述子提取上述样本集的特征,并通过该特征预训练所述structured SVM车辆分类器以及structured SVM行人分类器。
本方案还涉及一种车辆未让行违章检测系统,包括:
视频图像采集单元,用于通过摄像机实时采集交通道路的视频图像;
特征提取单元,用于在所述视频图像中提取hog梯度特征以及Gabor纹理特征;
显著性区域检测单元,用于根据提取的特征,进行显著性目标检测,得到包含所述显著性目标的显著性区域;
目标分类单元,用于选择不同尺度的检测窗口,并通过预训练的structured SVM车辆分类器以及预训练的structured SVM行人分类器对所述显著性区域内的显著性目标进行分类,区分出车辆目标以及行人目标;将所述车辆目标的图像加入到所述车辆分类器的正样本集以及所述行人分类器的负样本集中,将所述行人目标的图像加入到所述行人分类器的正样本集以及所述车辆分类器的负样本集中,通过各自的正样本集以及负样本集更新所述车辆分类器以及行人分类器;
目标跟踪单元,用于分别建立车辆目标跟踪信息表以及行人目标跟踪信息表,所述车辆目标跟踪信息表以及行人目标跟踪信息表中均具有目标ID与目标特征的对应关系;每帧新出现的车辆目标或行人目标时,添加目标ID以及该目标ID与目标特征的对应关系至所述车辆目标跟踪信息表或行人目标跟踪信息表中;依据目标在上一帧视频图像中的位置,通过不同尺度的采样窗口在当前帧视频图像中的所述位置附近进行采样,在采样产生的多个子区域中提取该子区域的特征,与上一帧目标的特征进行匹配,将匹配相似度最高的子区域作为目标在当前帧的位置,利用目标在前后帧的位置关系,将视频图像中的相同目标串联起来,得到目标的运动轨迹。
违章判断单元,用于通过所述目标的运动轨迹,判断所述车辆目标是否即将行至人行横道区域,且行人目标是否在该人行横道区域横穿,若是,则检测所述车辆目标的运动状态是否为减速并停车,若否,则该车辆目标为违章车辆。
本方案还包括照片抓拍单元,用于当所述车辆目标的车头抵到停止线前时,抓拍照片;当所述车辆目标行驶到人行横道区域且行人目标在该人行横道区域横穿时,抓拍照片;当车辆目标行驶过所述行人目标所在的位置时,抓拍照片。
所述在所述视频图像中提取hog梯度特征以及Gabor纹理特征步骤包括:
通过hog梯度直方图提取hog梯度特征;
通过Gabor纹理描述子提取Gabor纹理特征;
为规范特征间的取值范围,对同种类型的特征进行归一化处理;
同种类型特征的匹配时,距离度量选用L2范数,梯度特征以及纹理特征各按50%的权重进行加权求和。
所述显著性区域检测单元通过基于全局对比度的显著性目标检测算法进行显著性目标检测,得到包含所述显著性目标的显著性区域。
所述structured SVM车辆分类器的正样本集包括车辆,其负样本集包括行人、道路背景以及非机动车,所述structured SVM行人分类器的正样本集包括行人,其负样本集包括车辆、道路背景以及非机动车,通过hog梯度直方图以及Gabor纹理描述子提取上述样本集的特征,并通过该特征预训练所述structured SVM车辆分类器以及structured SVM行人分类器。
本发明通过使用摄像机对车辆和行人同时进行识别和跟踪,能够快速、高效、准确的检测到车辆未让行的违章行为,充分保障了行人和车辆行驶的安全,减少了交通事故,规范了交通;并且由于检测是在同一坐标系下,车辆和行人的位置关系和运动状态能很好的用于视频分析中,有效的避免了误检,同时减少取证不足引发的争议,节省了人力和物力成本。
附图说明
下面结合附图和具体实施方式本发明进行详细说明:
图1为本发明的一种车辆未让行违章检测方法的流程图;
图2为本发明的一种车辆未让行违章检测系统的结构示意图。
具体实施方式
如图1所示,一种车辆未让行违章检测方法,包括:
S101、视频图像采集:通过摄像机实时采集交通道路的视频图像,其中,摄像机采用单目智能摄像机。
S102、特征提取:在视频图像中提取hog梯度特征以及Gabor纹理特征。
具体地,先通过hog梯度直方图、Gabor纹理描述子进行特征联合提取,使得特征提取快速准确高效。
其中,通过hog梯度直方图提取hog梯度特征:将目标区域缩放为统一尺寸的大小图像,本实例中定为64*128的图像,每16*16的像素组成一个block,每个块分为2*2个cell,因为每个cell有9个特征,所以每个块内有4*9=36个特征,以8个像素为步长,那么,水平方向将有(64-8)/8=7个扫描窗口,垂直方向将有(128-8)/8=15个扫描窗口。因此,每个视频图像获取的梯度直方图总共有36*7*15=3780维特征。
通过Gabor纹理描述子提取Gabor纹理特征:先构造方向数为6、尺度数为4的Gabor滤波器组,对视频图像进行Gabor滤波,然后用滤波后图像大小的平均值和标准差来代表目标区域图像的纹理特征,这样就得到48维的纹理特征向量。
然后,为规范特征间的取值范围,对同种类型的特征进行归一化处理:先对相同的特征进行排序,然后根据特征的最大值和最小值重新计算特征值。
其中,同种类型特征的匹配时,距离度量选用L2范数,梯度特征以及纹理特征各按50%的权重进行加权求和。
S103、显著性区域检测:根据提取的特征,通过程明明的基于全局对比度的显著性目标检测算法进行显著性目标检测,得到包含显著性目标的显著性区域,使得检测快速准确高效。具体可参见论文Mingming Cheng,GlobalContrast based Salient Region Detection,CVPR2011。
S104、目标分类:选择不同尺度的检测窗口,并通过预训练的structuredSVM车辆分类器以及预训练的structured SVM行人分类器对显著性区域内的显著性目标进行分类,区分出车辆目标以及行人目标;将车辆目标的图像加入到车辆分类器的正样本集以及行人分类器的负样本集中,将行人目标的图像加入到行人分类器的正样本集以及车辆分类器的负样本集中,通过各自的正样本集以及负样本集更新车辆分类器以及行人分类器的参数,实现了分类器的在线更新,由于分类器的性能受样本影响很大,选用在线学习的方式,可以避免离线训练时的正负样本无法涵盖所有真实场景的情况,通过不断地学习和更新,调整分类器的参数,增强了分类器的性能,并且利用样本的多样性,使分类器的分类能力更加准确,并且更有鲁棒性。
SVM是通过不同的核函数将输入样本非线性变换到不同的高维特征空间,构建不同的SVM分类模型。本实例选用径向基核函数,分类器采用改进的SVM,即structured SVM,将输出的目标位置加入到SVM的优化函数中。
structured SVM行人分类器参数更新时,由于样本不断的添加进来,计算量和参数存储都会增多,当达到一定数目时,需要对支持向量也进行更新,在添加新的支持向量的同时,移除旧的支持向量,保证分类的性能和速度。支持向量的剔除原则是保证目标函数变化最小,然后对剩余的支持向量进行权重更新。
其中,structured SVM车辆分类器的正样本集包括车辆,其负样本集包括行人、道路背景以及非机动车,structured SVM行人分类器的正样本集包括行人,其负样本集包括车辆、道路背景以及非机动车,通过hog梯度直方图以及Gabor纹理描述子提取上述样本集的特征,并通过该特征预训练structured SVM车辆分类器以及structured SVM行人分类器。
S105、目标跟踪:分别建立车辆目标跟踪信息表以及行人目标跟踪信息表,车辆目标跟踪信息表以及行人目标跟踪信息表中均具有目标ID与目标特征的对应关系;每帧新出现的车辆目标或行人目标时,添加目标ID以及该目标ID与目标特征的对应关系至车辆目标跟踪信息表或行人目标跟踪信息表中;依据目标在上一帧视频图像中的位置,通过不同尺度的采样窗口在当前帧视频图像中的位置附近进行采样,在采样产生的多个子区域中提取该子区域的特征,与上一帧目标的特征进行匹配,将匹配相似度最高的子区域作为目标在当前帧的位置,利用目标在前后帧的位置关系,将视频图像中的相同目标串联起来,得到目标的运动轨迹。
S106、违章判断:通过目标的运动轨迹,判断车辆目标是否即将行至人行横道区域,且行人目标是否在该人行横道区域横穿,若是,则检测车辆目标的运动状态是否为减速并停车,若否,则该车辆目标为违章车辆。
S107、照片抓拍:当车辆目标的车头抵到停止线前时,抓拍照片;当车辆目标行驶到人行横道区域且行人目标在该人行横道区域横穿时,抓拍照片;当车辆目标行驶过行人目标所在的位置时,抓拍照片,抓拍的照片可以当作证据。
采用视频触发抓拍,而不是在设定的缓存区里往回找图片,可以节省编码的时间和内存,同时避免因缓存满时导致找不到图片。
如图2所示,本发明还涉及一种车辆未让行违章检测系统,包括视频图像采集单元11、特征提取单元12、显著性区域检测单元13、目标分类单元14、目标跟踪单元15以及违章判断单元16。
视频图像采集单元11用于通过摄像机2实时采集交通道路的视频图像。
特征提取单元12用于在所述视频图像中提取hog梯度特征以及Gabor纹理特征。
具体地,先通过hog梯度直方图、Gabor纹理描述子进行特征联合提取,使得特征提取快速准确高效。
其中,通过hog梯度直方图提取hog梯度特征:将目标区域缩放为统一尺寸的大小图像,本实例中定为64*128的图像,每16*16的像素组成一个block,每个块分为2*2个cell,因为每个cell有9个特征,所以每个块内有4*9=36个特征,以8个像素为步长,那么,水平方向将有(64-8)/8=7个扫描窗口,垂直方向将有(128-8)/8=15个扫描窗口。因此,每个视频图像获取的梯度直方图总共有36*7*15=3780维特征。
通过Gabor纹理描述子提取Gabor纹理特征:先构造方向数为6、尺度数为4的Gabor滤波器组,对视频图像进行Gabor滤波,然后用滤波后图像大小的平均值和标准差来代表目标区域图像的纹理特征,这样就得到48维的纹理特征向量。
然后,为规范特征间的取值范围,对同种类型的特征进行归一化处理:先对相同的特征进行排序,然后根据特征的最大值和最小值重新计算特征值。
其中,同种类型特征的匹配时,距离度量选用L2范数,梯度特征以及纹理特征各按50%的权重进行加权求和。
显著性区域检测单元13用于根据提取的特征,通过程明明的基于全局对比度的显著性目标检测算法进行显著性目标检测,得到包含显著性目标的显著性区域。具体可参见论文Mingming Cheng,Global Contrast basedSalient Region Detection,CVPR2011。
目标分类单元14用于选择不同尺度的检测窗口,并通过预训练的structured SVM车辆分类器以及预训练的structured SVM行人分类器对显著性区域内的显著性目标进行分类,区分出车辆目标以及行人目标;将车辆目标的图像加入到车辆分类器的正样本集以及行人分类器的负样本集中,将行人目标的图像加入到行人分类器的正样本集以及车辆分类器的负样本集中,通过各自的正样本集以及负样本集更新车辆分类器以及行人分类器的参数,实现了分类器的在线更新,由于分类器的性能受样本影响很大,选用在线学习的方式,可以避免离线训练时的正负样本无法涵盖所有真实场景的情况,通过不断地学习和更新,调整分类器的参数,增强了分类器的性能,并且利用样本的多样性,使分类器的分类能力更加准确,并且更有鲁棒性。
SVM是通过不同的核函数将输入样本非线性变换到不同的高维特征空间,构建不同的SVM分类模型。本实例选用径向基核函数,分类器采用改进的SVM,即structured SVM,将输出的目标位置加入到SVM的优化函数中。
structured SVM行人分类器参数更新时,由于样本不断的添加进来,计算量和参数存储都会增多,当达到一定数目时,需要对支持向量也进行更新,在添加新的支持向量的同时,移除旧的支持向量,保证分类的性能和速度。支持向量的剔除原则是保证目标函数变化最小,然后对剩余的支持向量进行权重更新。
其中,structured SVM车辆分类器的正样本集包括车辆,其负样本集包括行人、道路背景以及非机动车,structured SVM行人分类器的正样本集包括行人,其负样本集包括车辆、道路背景以及非机动车,通过hog梯度直方图以及Gabor纹理描述子提取上述样本集的特征,并通过该特征预训练structured SVM车辆分类器以及structured SVM行人分类器。
目标跟踪单元15用于分别建立车辆目标跟踪信息表以及行人目标跟踪信息表,车辆目标跟踪信息表以及行人目标跟踪信息表中均具有目标ID与目标特征的对应关系;每帧新出现的车辆目标或行人目标时,添加目标ID以及该目标ID与目标特征的对应关系至车辆目标跟踪信息表或行人目标跟踪信息表中;依据目标在上一帧视频图像中的位置,通过不同尺度的采样窗口在当前帧视频图像中的位置附近进行采样,在采样产生的多个子区域中提取该子区域的特征,与上一帧目标的特征进行匹配,将匹配相似度最高的子区域作为目标在当前帧的位置,利用目标在前后帧的位置关系,将视频图像中的相同目标串联起来,得到目标的运动轨迹。
违章判断单元16用于通过目标的运动轨迹,判断车辆目标是否即将行至人行横道区域,且行人目标是否在该人行横道区域横穿,若是,则检测车辆目标的运动状态是否为减速并停车,若否,则该车辆目标为违章车辆。
为了丰富违章证据,还可以设置照片抓拍单元17,用于当车辆目标的车头抵到停止线前时,抓拍照片;当车辆目标行驶到人行横道区域且行人目标在该人行横道区域横穿时,抓拍照片;当车辆目标行驶过行人目标所在的位置时,抓拍照片。
采用视频触发抓拍,而不是在设定的缓存区里往回找图片,可以节省编码的时间和内存,同时避免因缓存满时导致找不到图片。
本发明通过使用摄像机对车辆和行人同时进行识别和跟踪,能够快速、高效、准确的检测到车辆未让行的违章行为,充分保障了行人和车辆行驶的安全,减少了交通事故,规范了交通;并且由于检测是在同一坐标系下,车辆和行人的位置关系和运动状态能很好的用于视频分析中,有效的避免了误检,同时减少取证不足引发的争议,节省了人力和物力成本。
但是,本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,而并非用作为对本发明的限定,只要在本发明的实质精神范围内,对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。
Claims (10)
1.一种车辆未让行违章检测方法,其特征在于,包括:
视频图像采集:通过摄像机实时采集交通道路的视频图像;
特征提取:在所述视频图像中提取hog梯度特征以及Gabor纹理特征;
显著性区域检测:根据提取的特征,进行显著性目标检测,得到包含所述显著性目标的显著性区域;
目标分类:选择不同尺度的检测窗口,并通过预训练的structured SVM车辆分类器以及预训练的structured SVM行人分类器对所述显著性区域内的显著性目标进行分类,区分出车辆目标以及行人目标;将所述车辆目标的图像加入到所述车辆分类器的正样本集以及所述行人分类器的负样本集中,将所述行人目标的图像加入到所述行人分类器的正样本集以及所述车辆分类器的负样本集中,通过各自的正样本集以及负样本集更新所述车辆分类器以及行人分类器;
目标跟踪:分别建立车辆目标跟踪信息表以及行人目标跟踪信息表,所述车辆目标跟踪信息表以及行人目标跟踪信息表中均具有目标ID与目标特征的对应关系;每帧新出现的车辆目标或行人目标时,添加目标ID以及该目标ID与目标特征的对应关系至所述车辆目标跟踪信息表或行人目标跟踪信息表中;依据目标在上一帧视频图像中的位置,通过不同尺度的采样窗口在当前帧视频图像中的所述位置附近进行采样,在采样产生的多个子区域中提取该子区域的特征,与上一帧目标的特征进行匹配,将匹配相似度最高的子区域作为目标在当前帧的位置,利用目标在前后帧的位置关系,将视频图像中的相同目标串联起来,得到目标的运动轨迹。
违章判断:通过所述目标的运动轨迹,判断所述车辆目标是否即将行至人行横道区域,且行人目标是否在该人行横道区域横穿,若是,则检测所述车辆目标的运动状态是否为减速并停车,若否,则该车辆目标为违章车辆。
2.根据权利要求1所述的一种车辆未让行违章检测方法,其特征在于,还包括照片抓拍步骤:
当所述车辆目标的车头抵到停止线前时,抓拍照片;当所述车辆目标行驶到人行横道区域且行人目标在该人行横道区域横穿时,抓拍照片;当车辆目标行驶过所述行人目标所在的位置时,抓拍照片。
3.根据权利要求1或2所述的一种车辆未让行违章检测方法,其特征在于,所述在所述视频图像中提取hog梯度特征以及Gabor纹理特征步骤包括:
通过hog梯度直方图提取hog梯度特征;
通过Gabor纹理描述子提取Gabor纹理特征;
为规范特征间的取值范围,对同种类型的特征进行归一化处理;
同种类型特征的匹配时,距离度量选用L2范数,梯度特征以及纹理特征各按50%的权重进行加权求和。
4.根据权利要求3所述的一种车辆未让行违章检测方法,其特征在于,所述显著性区域检测步骤通过基于全局对比度的显著性目标检测算法进行显著性目标检测,得到包含所述显著性目标的显著性区域。
5.根据权利要求4所述的一种车辆未让行违章检测方法,其特征在于,所述structured SVM车辆分类器的正样本集包括车辆,其负样本集包括行人、道路背景以及非机动车,所述structured SVM行人分类器的正样本集包括行人,其负样本集包括车辆、道路背景以及非机动车,通过hog梯度直方图以及Gabor纹理描述子提取上述样本集的特征,并通过该特征预训练所述structured SVM车辆分类器以及structured SVM行人分类器。
6.一种车辆未让行违章检测系统,其特征在于,包括:
视频图像采集单元,用于通过摄像机实时采集道路交通的视频图像;
特征提取单元,用于在所述视频图像中提取hog梯度特征以及Gabor纹理特征;
显著性区域检测单元,用于根据提取的特征,进行显著性目标检测,得到包含所述显著性目标的显著性区域;
目标分类单元,用于选择不同尺度的检测窗口,并通过预训练的structured SVM车辆分类器以及预训练的structured SVM行人分类器对所述显著性区域内的显著性目标进行分类,区分出车辆目标以及行人目标;将所述车辆目标的图像加入到所述车辆分类器的正样本集以及所述行人分类器的负样本集中,将所述行人目标的图像加入到所述行人分类器的正样本集以及所述车辆分类器的负样本集中,通过各自的正样本集以及负样本集更新所述车辆分类器以及行人分类器;
目标跟踪单元,用于分别建立车辆目标跟踪信息表以及行人目标跟踪信息表,所述车辆目标跟踪信息表以及行人目标跟踪信息表中均具有目标ID与目标特征的对应关系;每帧新出现的车辆目标或行人目标时,添加目标ID以及该目标ID与目标特征的对应关系至所述车辆目标跟踪信息表或行人目标跟踪信息表中;依据目标在上一帧视频图像中的位置,通过不同尺度的采样窗口在当前帧视频图像中的所述位置附近进行采样,在采样产生的多个子区域中提取该子区域的特征,与上一帧目标的特征进行匹配,将匹配相似度最高的子区域作为目标在当前帧的位置,利用目标在前后帧的位置关系,将视频图像中的相同目标串联起来,得到目标的运动轨迹。
违章判断单元,用于通过所述目标的运动轨迹,判断所述车辆目标是否即将行至人行横道区域,且行人目标是否在该人行横道区域横穿,若是,则检测所述车辆目标的运动状态是否为减速并停车,若否,则该车辆目标为违章车辆。
7.根据权利要求6所述的一种车辆未让行违章检测系统,其特征在于,还包括照片抓拍单元,用于当所述车辆目标的车头抵到停止线前时,抓拍照片;当所述车辆目标行驶到人行横道区域且行人目标在该人行横道区域横穿时,抓拍照片;当车辆目标行驶过所述行人目标所在的位置时,抓拍照片。
8.根据权利要求9所述的一种车辆未让行违章检测系统,其特征在于,所述在所述视频图像中提取hog梯度特征以及Gabor纹理特征步骤包括:
通过hog梯度直方图提取hog梯度特征;
通过Gabor纹理描述子提取Gabor纹理特征;
为规范特征间的取值范围,对同种类型的特征进行归一化处理;
同种类型特征的匹配时,距离度量选用L2范数,梯度特征以及纹理特征各按50%的权重进行加权求和。
9.根据权利要求8所述的一种车辆未让行违章检测系统,其特征在于,所述显著性区域检测单元通过基于全局对比度的显著性目标检测算法进行显著性目标检测,得到包含所述显著性目标的显著性区域。
10.根据权利要求9所述的一种车辆未让行违章检测系统,其特征在于,所述structured SVM车辆分类器的正样本集包括车辆,其负样本集包括行人、道路背景以及非机动车,所述structured SVM行人分类器的正样本集包括行人,其负样本集包括车辆、道路背景以及非机动车,通过hog梯度直方图以及Gabor纹理描述子提取上述样本集的特征,并通过该特征预训练所述structured SVM车辆分类器以及structured SVM行人分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510021398.1A CN104537360B (zh) | 2015-01-15 | 2015-01-15 | 车辆未让行违章检测方法及其检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510021398.1A CN104537360B (zh) | 2015-01-15 | 2015-01-15 | 车辆未让行违章检测方法及其检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104537360A true CN104537360A (zh) | 2015-04-22 |
CN104537360B CN104537360B (zh) | 2018-01-02 |
Family
ID=52852880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510021398.1A Active CN104537360B (zh) | 2015-01-15 | 2015-01-15 | 车辆未让行违章检测方法及其检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104537360B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095869A (zh) * | 2015-07-24 | 2015-11-25 | 深圳市佳信捷技术股份有限公司 | 行人检测方法及装置 |
CN105260749A (zh) * | 2015-11-02 | 2016-01-20 | 中国电子科技集团公司第二十八研究所 | 基于方向梯度二值模式和软级联svm的实时目标检测方法 |
CN106503627A (zh) * | 2016-09-30 | 2017-03-15 | 西安翔迅科技有限责任公司 | 一种基于视频分析的车辆避让行人检测方法 |
CN106980814A (zh) * | 2016-01-15 | 2017-07-25 | 福特全球技术公司 | 用显著性地图的行人检测 |
CN109035800A (zh) * | 2018-09-30 | 2018-12-18 | 天津天地人和企业管理咨询有限公司 | 一种智能交通摄像机自动检测机动车不避让行人的方法 |
CN109409191A (zh) * | 2018-08-24 | 2019-03-01 | 广东智媒云图科技股份有限公司 | 一种基于机器学习的斑马线车辆避让检测方法及系统 |
CN109993056A (zh) * | 2019-02-25 | 2019-07-09 | 平安科技(深圳)有限公司 | 一种识别车辆违章行为的方法、服务器及存储介质 |
CN110414544A (zh) * | 2018-04-28 | 2019-11-05 | 杭州海康威视数字技术股份有限公司 | 一种目标状态分类方法、装置及系统 |
CN110610118A (zh) * | 2018-06-15 | 2019-12-24 | 杭州海康威视数字技术股份有限公司 | 交通参数采集方法及装置 |
CN110689724A (zh) * | 2018-12-31 | 2020-01-14 | 上海眼控科技股份有限公司 | 一种基于深度学习的机动车斑马线礼让行人自动审核方法 |
CN111344761A (zh) * | 2017-11-15 | 2020-06-26 | 三菱电机株式会社 | 车外交流装置、车外交流方法、信息处理装置和车外交流程序 |
CN111754781A (zh) * | 2019-03-27 | 2020-10-09 | 杭州海康威视数字技术股份有限公司 | 一种车辆违章检测的方法、装置、系统及摄像机 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6927694B1 (en) * | 2001-08-20 | 2005-08-09 | Research Foundation Of The University Of Central Florida | Algorithm for monitoring head/eye motion for driver alertness with one camera |
CN101739551A (zh) * | 2009-02-11 | 2010-06-16 | 北京智安邦科技有限公司 | 运动目标识别方法及系统 |
CN102902955A (zh) * | 2012-08-30 | 2013-01-30 | 中国科学技术大学 | 一种车辆行为的智能分析方法及系统 |
-
2015
- 2015-01-15 CN CN201510021398.1A patent/CN104537360B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6927694B1 (en) * | 2001-08-20 | 2005-08-09 | Research Foundation Of The University Of Central Florida | Algorithm for monitoring head/eye motion for driver alertness with one camera |
CN101739551A (zh) * | 2009-02-11 | 2010-06-16 | 北京智安邦科技有限公司 | 运动目标识别方法及系统 |
CN102902955A (zh) * | 2012-08-30 | 2013-01-30 | 中国科学技术大学 | 一种车辆行为的智能分析方法及系统 |
Non-Patent Citations (1)
Title |
---|
何雅琴: "城市干道信号交叉口行人交通组织方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技二辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095869A (zh) * | 2015-07-24 | 2015-11-25 | 深圳市佳信捷技术股份有限公司 | 行人检测方法及装置 |
CN105260749A (zh) * | 2015-11-02 | 2016-01-20 | 中国电子科技集团公司第二十八研究所 | 基于方向梯度二值模式和软级联svm的实时目标检测方法 |
CN105260749B (zh) * | 2015-11-02 | 2018-11-13 | 中国电子科技集团公司第二十八研究所 | 基于方向梯度二值模式和软级联svm的实时目标检测方法 |
CN106980814A (zh) * | 2016-01-15 | 2017-07-25 | 福特全球技术公司 | 用显著性地图的行人检测 |
CN106503627A (zh) * | 2016-09-30 | 2017-03-15 | 西安翔迅科技有限责任公司 | 一种基于视频分析的车辆避让行人检测方法 |
CN111344761A (zh) * | 2017-11-15 | 2020-06-26 | 三菱电机株式会社 | 车外交流装置、车外交流方法、信息处理装置和车外交流程序 |
CN110414544A (zh) * | 2018-04-28 | 2019-11-05 | 杭州海康威视数字技术股份有限公司 | 一种目标状态分类方法、装置及系统 |
CN110610118A (zh) * | 2018-06-15 | 2019-12-24 | 杭州海康威视数字技术股份有限公司 | 交通参数采集方法及装置 |
CN109409191A (zh) * | 2018-08-24 | 2019-03-01 | 广东智媒云图科技股份有限公司 | 一种基于机器学习的斑马线车辆避让检测方法及系统 |
CN109035800A (zh) * | 2018-09-30 | 2018-12-18 | 天津天地人和企业管理咨询有限公司 | 一种智能交通摄像机自动检测机动车不避让行人的方法 |
CN110689724A (zh) * | 2018-12-31 | 2020-01-14 | 上海眼控科技股份有限公司 | 一种基于深度学习的机动车斑马线礼让行人自动审核方法 |
CN110689724B (zh) * | 2018-12-31 | 2022-08-30 | 上海眼控科技股份有限公司 | 一种基于深度学习的机动车斑马线礼让行人自动审核方法 |
CN109993056A (zh) * | 2019-02-25 | 2019-07-09 | 平安科技(深圳)有限公司 | 一种识别车辆违章行为的方法、服务器及存储介质 |
CN111754781A (zh) * | 2019-03-27 | 2020-10-09 | 杭州海康威视数字技术股份有限公司 | 一种车辆违章检测的方法、装置、系统及摄像机 |
Also Published As
Publication number | Publication date |
---|---|
CN104537360B (zh) | 2018-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104537360A (zh) | 车辆未让行违章检测方法及其检测系统 | |
CN109460699B (zh) | 一种基于深度学习的驾驶员安全带佩戴识别方法 | |
CN103279756B (zh) | 基于集成分类器的车辆检测分析系统及其检测分析方法 | |
Abdullah et al. | YOLO-based three-stage network for Bangla license plate recognition in Dhaka metropolitan city | |
CN109871728B (zh) | 一种车型识别方法及装置 | |
CN102902957A (zh) | 一种基于视频流的自动车牌识别方法 | |
CN107016362B (zh) | 基于车辆前挡风玻璃粘贴标志的车辆重识别方法和系统 | |
CN102768726B (zh) | 一种预防行人碰撞的行人检测方法 | |
CN104933424A (zh) | 车辆及行人监测方法及装置 | |
CN103971097A (zh) | 一种基于多尺度笔画模型的车牌识别方法与系统 | |
CN103646544B (zh) | 基于云台和相机设备的车辆行为分析识别方法 | |
CN111292353B (zh) | 一种停车状态变化识别方法 | |
CN101221623A (zh) | 一种物体类型的在线训练和识别方法及其系统 | |
CN111274886B (zh) | 一种基于深度学习的行人闯红灯违法行为分析方法及系统 | |
Zhong et al. | Learning to tell brake lights with convolutional features | |
CN105095869A (zh) | 行人检测方法及装置 | |
CN105389561A (zh) | 一种基于视频的公交车道检测方法 | |
WO2014079058A1 (zh) | 一种视频图像处理方法及系统 | |
CN108108703A (zh) | 减速带缺失检测方法、装置及电子设备 | |
CN107358236A (zh) | 一种基于摄像装置的车牌号码识别系统及方法 | |
Biswas et al. | Detection and classification of speed limit traffic signs | |
CN111062319B (zh) | 一种基于主动红外图像的驾驶员打电话检测方法 | |
CN104794432A (zh) | 快速级联式车标视觉检测与识别方法和系统 | |
Onim et al. | Traffic surveillance using vehicle license plate detection and recognition in bangladesh | |
Helala et al. | Road boundary detection in challenging scenarios |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |