CN104809470B - 一种基于svm的车辆逆行检测装置和检测方法 - Google Patents

Abstract

本发明提出一种基于SVM的车辆逆行检测装置和检测方法，创新性地把分类器用于检测车辆逆行；结合轨迹上车辆的多种特征进行分类，包括重心、速度、加速度、面积、周长、最小外接矩形等，能有效的提高分类的准确率；考虑一般道路上逆行发生的概率比较低，为了获取更多的逆行样本，创新性的将正向行驶的样本逆序后作为逆行样本，再与原始样本结合，有效的补充了逆行样本，能够有效调节正负样本数量不均的问题。

Description

一种基于SVM的车辆逆行检测装置和检测方法

技术领域

本发明涉及智能交通监控领域的异常行为分析技术，尤其涉及一种基于SVM的车辆逆行检测装置和检测方法。

背景技术

近年来，我国经济飞速发展，随之带动了基础设施建设的飞跃式进步，尤其是交通运输技术的长足发展更进一步促进了我国经济的腾飞。但是传统的视频监控系统主要是对城市主要交通干道、桥梁、隧道口等特殊位置进行监控，往往只能看到一小部分道路的情况，无法很好的预测道路上突发性较强的异常交通事件，很容易导致二次交通事故，如连环车相撞等。从而成为制约我国交通运输技术发展的瓶颈。智能视频监控技术作为一种简单、便捷、高效、低成本、无接触式的监控技术，采用识别技术对图像进行分析，当检测到道路上发生异常时，就会自动通知工作人员，一方面可以使他们从枯燥的人为监控中解脱出来，另一方面可以让工作人员及时掌握车辆拥堵、逆行、交通事故等异常情况，从而能够及时采取有效措施，减小交通异常事件造成的影响，减小损失。智能交通监控技术主要具有以下优势：

1、安装简便，可以架在桥梁、横杆、过街天桥、红绿灯上，无需进行路面的破坏性施工，不会对交通产生干扰，易于移动、调整和维护，总体成本较低。

2、可监控范围大。传统的交通监控需要人为值守，一个人只能监控较少的几个场景，而智能交通监控技术不需要专人值守，只需要在发生异常警报时，人为进行干预即可，因此，在正常情况下，一个人可以监控的场景多，范围更广。

3、可以将现场监控录像保存在大容量硬盘上，方便工作人员随时调用，作为研究的资料和交通违规的证据。

4、安全、环保，不会对过往车辆产生影响，不会对周围环境造成污染，相同的相机之间也不会产生相互干扰，可以多个摄像头同时监控、采集图像。

发明内容

针对上述技术缺陷，本发明提出一种基于SVM的车辆逆行检测装置和检测方法。

为了解决上述问题，本发明的技术方案如下：

一种基于SVM的车辆逆行检测装置，包括控制模块，与控制模块连接的图像采集模块和DSP处理模块，所述DSP处理模块包含逆行检测电路。

进一步的，还包括照明电路，所示照明电路受控制模块控制，在环境中亮度较低时，打开照明。

进一步的，所述图像采集模块：用于实时采集车辆图像数据；

控制模块：将图像采集模块采集到的图像数据传输给DSP处理模块处理，并处理DSP处理模块返回的结果；

DSP处理模块：从控制模块接收图像数据，将图像数据在逆行检测电路进行处理，并将返回结果传回控制模块。

进一步的，所述控制模块采用ARM控制模块；所述图像采集模块采用CCD图像采集模块；

所述逆行检测电路采用基于SVM的车辆的检测电路。

一种基于SVM的车辆逆行检测方法，包括如下步骤：

5.1)车辆及轨迹标记：用矩形框将进行车辆标记，标记出每一辆出现的车辆的轨迹，以及车辆的每段轨迹属性，即属于正向行驶还是逆行；将所有标记过的车辆轨迹倒叙排列，并且将轨迹的属性进行转换，即正向行驶的转换为逆行，逆行的转换为正向行驶；

5.2)车辆特征提取及轨迹学习：

所述车辆特征包括：重心、速度、加速度、面积、周长、最小外接矩形；其中重心是二维坐标，速度和加速度是二维矢量；

设定一段能检测出车辆逆行的最小轨迹长度为N，删除所有长度小于N的轨迹；

将设某条轨迹为(1,2,…,M)(M≥N)，则将其拆分为M-N+1条长度为N的轨迹(1,2,…,N)，…，(M-N+1，M-N+2，…，M)；

将轨迹上的车辆特征组成一个N维向量，其中向量元素由车辆的所有特征向量组成，并将所有的轨迹及其对应的标记作为训练样本，使用SVM方法进行训练，得到车辆逆行和正向行驶检测的分类器；

5.3)车辆检测：基于背景建模的运动车辆检测方法对图像采集模块采集是图片数据进行检测；

5.4)轨迹提取及分类：

计算当前帧车辆与前一帧车辆的相似度，将当前帧的车辆加入到对应的跟踪轨迹中；

对于某一车辆，如果其跟踪轨迹长度大于等于N，则提取轨迹上最近N个车辆的特征，组成N维向量；

将该N维向量放入上述的车辆逆行分类器中，得到检测结果，将结果传回控制模块。

本发明的有益效果在于：本发明提出的基于SVM的车辆逆行检测方法与装置是一个一体化的解决方案，创新性地把分类器用于检测车辆逆行；结合轨迹上车辆的多种特征进行分类，包括重心、速度、加速度、面积、周长、最小外接矩形等，能有效的提高分类的准确率；考虑一般道路上逆行发生的概率比较低，为了获取更多的逆行样本，创新性的将正向行驶的样本逆序后作为逆行样本，再与原始样本结合，有效的补充了逆行样本，能够有效调节正负样本数量不均的问题。

附图说明

图1是本发明基于SVM的车辆逆行检测方法流程图；

图2是本发明基于SVM的车辆逆行检测装置的结构示意图。

具体实施方式

下面将结合附图和具体实施例对本发明做进一步的说明。

如图2所示，本发明基于SVM的车辆逆行检测装置的结构示意图。

车辆逆行检测装置包含：相机、照明模块。

相机包含：

1、CCD图像采集模块；

2、ARM控制模块，将CCD图像采集模块采集到的图像传输给DSP处理模块处理，并处理DSP模块的返回结果；

3、DSP处理模块：从ARM控制模块接收图像，传入基于SVM的车辆逆行检测电路中进行车辆逆行检测，或采用传统逆行检测电路进行检测，并将返回结果传回ARM控制模块。

照明模块采用LED灯，当环境中亮度较低时，在ARM控制模块控制下，打开LED灯补光。

如图1所示，是本发明基于SVM的车辆逆行检测方法流程图，具体包括如下步骤：

车辆及轨迹标记：

用红色矩形框将车辆标记出来；标记出每一辆出现的车辆的轨迹，以及车辆的每段轨迹属性，即属于正向行驶还是逆行；由于在视频中往往正向行驶的车辆远远多于逆行车辆，因此，将所有标记过的车辆轨迹倒叙排列，并且将轨迹的属性进行转换，即正向行驶的转换为逆行，逆行的转换为正向行驶。

车辆特征提取及轨迹学习包括：

1、车辆特征包括：重心G(Gx,Gy)、速度V(Vx，Vy)、加速度a(ax，ay)、面积S、周长P、最小外接矩形面积MinM；

其中，车辆的重心为所有属于车辆的像素坐标的均值；车辆面积为所有属于车辆的像素个数；车辆的周长为车辆边界像素个数；最小外接矩形面积为车辆最小外接矩形包含的像素个数。

车辆速度为：

Vx(t)＝Gx(t)-Gx(t-1)

Vy(t)＝Gy(t)-Gy(t-1)

加速度为：

ax(t)＝Vx(t)-Vx(t-1)

ay(t)＝Vy(t)-Vy(t-1)

2、设定一段能检测出实际车辆逆行的最小轨迹长度，例如为10，删除所有长度小于10的轨迹；

3、将设某条轨迹为(1,2,…,M)(M≥10)，则将其拆分为M-10+1条长度为10的轨迹(1,2,…,10)，…，(M-10+1，M-10+2，…，M)；

4、将轨迹上的车辆特征组成一个10维向量，其中向量元素由车辆的所有特征向量组成，并将所有的轨迹及其对应的标记作为训练样本，使用SVM方法，其中核函数为径向基核函数，进行训练，得到车辆逆行和正向行驶检测的分类器。

车辆检测是基于背景建模的运动车辆检测方法，包括如下步骤：

1、建立基于混合高斯模型的背景模型；

2、将符合混合高斯模型分布的像素标记为背景，否则标记为前景；

3、使用中值滤波去噪，提取运动车辆。

上述常规的步骤，为建立SVM打基础，其主要用于SVM对逆行进行分类车辆轨迹提取和逆行分类器训练包括：

1、计算当前帧车辆与前一帧车辆的直方图相似度，将当前帧的车辆加入到对应的跟踪轨迹中；

2、对于某一车辆，如果其跟踪轨迹长度大于等于10，则提取轨迹上最近10个车辆的特征，组成10维向量；

3、将该10维向量放入上述的车辆逆行分类器中，得到结果。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明构思的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明保护范围内。

Claims (1)

1.一种基于SVM的车辆逆行检测方法，其特征在于，包括如下步骤：

1.1）车辆及轨迹标记：用矩形框将进行车辆标记，标记出每一辆出现的车辆的轨迹，以及车辆的每段轨迹属性，即属于正向行驶还是逆行；将所有标记过的车辆轨迹倒序排列，并且将轨迹的属性进行转换，即正向行驶的转换为逆行，逆行的转换为正向行驶；

1.2）车辆特征提取及轨迹学习：所述车辆特征包括：重心、速度、加速度、面积、周长、最小外接矩形；其中重心是二维坐标，速度和加速度是二维矢量；设定一段能检测出车辆逆行的最小轨迹长度为N，删除所有长度小于N的轨迹；将某条轨迹设为（1,2,…,M）（M≥N），则将其拆分为M-N+1条长度为N的轨迹（1,2,…,N），…，（M-N+1，M-N+2，…，M）；将轨迹上的车辆特征组成一个N维向量，其中向量元素由车辆的所有特征向量组成，并将所有的轨迹及其对应的标记作为训练样本，使用SVM方法进行训练，得到车辆逆行和正向行驶检测的分类器；

1.3）车辆检测：基于背景建模的运动车辆检测方法对图像采集模块采集是图片数据进行检测；

1.4）轨迹提取及分类：计算当前帧车辆与前一帧车辆的相似度，将当前帧的车辆加入到对应的跟踪轨迹中；对于某一车辆，如果其跟踪轨迹长度大于等于N，则提取轨迹上最近N个车辆的特征，组成N维向量；

将该N维向量放入上述的车辆逆行分类器中，得到检测结果，将结果传回控制模块。