CN105632186B - 检测车辆加塞行为的方法和装置 - Google Patents

Abstract

本发明公开了一种检测车辆加塞行为的方法和装置，包括采集实时视频流，对图像中出现的车辆进行全局和局部的实时跟踪；判断图像中的车道是否出现拥堵状况；当车道处于拥堵状况时，实时更新每辆车的运动轨迹，判断是否有车辆变道行驶到拥堵车道中前、后两车预留车距的空间内，若有，则车辆判断该辆车实施加塞行为。本发明实时获取道路的拥堵状况，对多目标进行有效的跟踪，可避免对正常变道的误抓，节省人力。

Description

检测车辆加塞行为的方法和装置

技术领域

本发明属于智能交通技术领域，具体涉及到一种检测车辆是否违章加塞行为的方法和装置。

背景技术

加塞是指道路堵塞严重路段少数车辆驾驶员遇前方车辆停车排队等候或缓慢行驶时，穿插等候车辆扰乱正常行驶车秩序的恶意违法行为。

加塞行为影响道路上车辆的正常行驶，扰乱各车道间车辆的排队秩序，容易造成车辆碰擦和驾驶员纠纷，对道路交通安全造成较恶劣的影响。根据《中华人民共和国道路交通安全法》相关规定：机动车遇前方车辆停车排队等候或缓慢行驶时，不得借道超车或者占用对面车道，不得穿插等候的车辆。

但是，现有技术中，对加塞行为进行描述较少，缺少行之有效的解决办法。例如常用的手段是人工执法，耗时费力，而且目前的专利中没有专门针对加塞行为的建模描述，导致对于变道后的加塞检测不足，很难描述违章加塞运动的过程。

发明内容

针对现有技术的不足，本发明的目的在于提出一种基于全局和局部跟踪结合的检测车辆加塞行为的方法和装置，以利用视频分析对加塞行为进行有效地描述和准确抓拍，以提高对加塞行为的智能化检测水平。

为实现上述目的，本发明提供的检测车辆加塞行为的方法，包括：

采集实时视频流，对图像中出现的车辆进行全局和局部的实时跟踪；

判断图像中的车道是否出现拥堵状况；

当车道处于拥堵状况时，实时更新每辆车的运动轨迹，判断是否有车辆变道行驶到拥堵车道中前、后两车预留车距的空间内，若有，则车辆判断该辆车实施加塞行为。

在一些实施例中，所述对图像中出现的车辆进行全局和局部的实时跟踪的步骤，包括：

在图像中的道路区域内进行显著性目标提取，得到图像中显著性目标的区域；

对所述显著性目标区域进行车辆检测，过滤掉非车辆目标，并定位车辆目标的位置；

采用全局及局部跟踪的方法对所述车辆目标逐帧实时跟踪。

在一些实施例中，所述采用全局及局部跟踪的方法对所述车辆目标逐帧实时跟踪的步骤，包括：

采用全局跟踪的方法获得车辆目标在后续帧中的车辆矩形框位置；

采用局部跟踪的方法获得车辆目标的运行轨迹。

在一些实施例中，所述采用局部跟踪的方法获得车辆目标的运行轨迹的步骤，包括：

在当前帧提取车辆区域内的surf角点，计算角点的orb特征描述子，在预估的下一帧目标区域内提取角点并计算角点的orb特征描述子；

对当前帧中每个角点通过遍历的方式，利用提取的orb特征，与下一帧中的每个角点的特征进行比较，选择特征最接近的角点，作为在下一帧中匹配到的角点，前后帧匹配上的角点形成同一条轨迹，未匹配上的角点在下一帧形成新的轨迹。

在一些实施例中，所述判断图像中的车道是否出现拥堵状况的步骤，包括：

获取每个车道内车辆的个数和所有车辆的实际长度；

获取车辆的运动速度，实时更新车辆的运动状态；

根据所有车辆的实际长度和每个车道内的车辆个数，计算得到每个车道的道路空间占有率，当所述道路空间占有率超过阈值、并且所述车道内的车辆都处于停止或者缓慢行驶状态时，则判断所述车道处于拥堵状况。

本发明还提供一种检测车辆加塞行为的装置，包括：

跟踪模块，用于采集实时视频流，对图像中出现的车辆进行全局和局部的实时跟踪；

拥堵判断模块，用于判断图像中的车道是否出现拥堵状况；

加塞判断模块，用于当车道处于拥堵状况时，实时更新每辆车的运动轨迹，判断是否有车辆变道行驶到拥堵车道中前、后两车预留车距的空间内，若有，则车辆判断该辆车实施加塞行为。

在一些实施例中，所述跟踪模块包括：

采集模块，用于采集实时视频流；

提取模块，用于在图像中的道路区域内进行显著性目标提取，得到图像中显著性目标的区域；

车辆定位模块，用于对所述显著性目标区域进行车辆检测，过滤掉非车辆目标，并定位车辆目标的位置；

实时跟踪模块，用于采用全局及局部跟踪的方法对所述车辆目标逐帧实时跟踪。

在一些实施例中，所述实时跟踪模块用于：

采用全局跟踪的方法获得车辆目标在后续帧中的车辆矩形框位置；

采用局部跟踪的方法获得车辆目标的运行轨迹。

在一些实施例中，所述采用局部跟踪的方法获得车辆目标的运行轨迹，包括：

在当前帧提取车辆区域内的surf角点，计算角点的orb特征描述子，在预估的下一帧目标区域内提取角点并计算角点的orb特征描述子；

对当前帧中每个角点通过遍历的方式，利用提取的orb特征，与下一帧中的每个角点的特征进行比较，选择特征最接近的角点，作为在下一帧中匹配到的角点，前后帧匹配上的角点形成同一条轨迹，未匹配上的角点在下一帧形成新的轨迹。

在一些实施例中，所述拥堵判断模块包括：

计算模块，用于获取每个车道内车辆的个数和每个车道内所有车辆的实际长度之和；

状态模块，用于获取车辆的运动速度，实时更新车辆的运动状态；

比较模块，用于根据所有车辆的实际长度之和和每个车道内的车辆个数，计算得到每个车道的道路空间占有率，当所述道路空间占有率超过阈值、并且所述车道内的车辆都处于停止或者缓慢行驶状态时，则判断所述车道处于拥堵状况。

本发明提出了一种基于全局和局部跟踪结合的检测车辆加塞行为的方法和装置，对道路交通状况和车辆运行轨迹进行建模描述，进而实现对车辆违章加塞行为的准确描述，本发明实时获取道路的拥堵状况，对多车辆目标进行有效地跟踪，可避免对正常变道的误抓，节省人力。而且，本发明基于全局和局部跟踪的方法对车辆运动情况进行有效的建模，全局跟踪方法采用tracking by detection的判别式方法，描述目标外观模型的变化，得到车辆在每帧的矩形位置。局部跟踪采用特征点匹配的方法，得到车辆若干条轨迹，两者结合用于对加塞行为的检测描述。

附图说明

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明，其中：

图1为本发明一个实施例的检测车辆加塞行为的方法的流程示意图；

图2为本发明一个实施例的采用全局及局部跟踪的方法对车辆加塞行为进行检测的流程示意图；

图3为本发明一个实施例的检测车辆加塞行为的装置的功能模块示意图。

具体实施方式

以下结合附图和具体实施例对本发明作进一步详细说明。

参考图1，示出了本发明一个实施例的检测车辆加塞行为的方法的流程示意图，具体可以包括以下步骤：

步骤101，采集实时视频流，对图像中出现的车辆进行全局和局部的实时跟踪。

在该步骤中，通过高清摄像机实时采集视频流，获取当前帧图像，对图像中出现的车辆进行实时跟踪，从而可以获取图像中每辆车的运动轨迹。

在本发明的一个较佳实施例中，所述对图像中出现的车辆进行实时跟踪的步骤可以包括以下步骤：

步骤201，在图像中的道路区域内进行显著性目标提取，得到图像中显著性目标的区域。需要说明的是，在本发明中，显著性目标是指除道路背景以外的目标，包括车辆、行人等。具体地，计算图像中每个像素的显著性值，得到整幅图像的显著图，将显著图中的显著性区域映射到原图像的位置，就得到了在原图像上的显著性目标区域。其中显著性值是由像素点邻域的多种特征的加权组合而成，可选地，多种特征可以包括中央-周围对比度，多尺度对比度，颜色空间分布中的至少一种。优选地，三种特征的权重各取平均，可以为1/3。

步骤202，对所述显著性目标区域进行车辆检测，过滤掉非车辆目标，定位得到车辆目标的位置，并且确认车辆目标的所属车辆类别。

该步骤可以过滤掉非车辆目标，并定位得到更加准确的车辆目标的位置。在获得图中的显著性目标区域后，筛选车辆目标作为后续步骤的跟踪对象，对其进行定位以及实时跟踪。

举例来说，可以采用以下方式进行车辆的定位：

第一步，离线训练车辆分类器得到车辆模型，具体的是预先采集图像内出现的车辆区域作为正样本，非车辆的作为负样本，利用卷积神经网络无监督的进行特征提取，采用线性支持向量机作为分类器进行训练；

第二步，利用训练好的分类器在区域内进行滑动窗口的扫描，得分响应最大的窗口就是检测得到的车辆区域，然后进行窗口合并，定位得到车辆位置。

需要说明的是，未通过车辆模型确认的区域，作为非车辆区域，将其排除，不再进行后续的跟踪、定位。车辆类别是通过上述步骤中训练的车辆分类器进行确认和车辆定位的，非车辆区域是得不到响应，只有与训练模型匹配的类别才能检测出来。

步骤203，采用全局及局部跟踪的方法对所述车辆目标逐帧实时跟踪。在确认图像中的车辆目标后，采用全局及局部跟踪的方法对其进行实时跟踪，具体地，可以包括以下步骤：

全局跟踪的方式包括：在后续帧中，鉴于车辆在前后帧的运动变化不大，可在上一帧检测出的车辆目标位置附近进行采样扫描，对采样得到的众多窗口区域内，利用卷积神经网络提取特征，用训练好的检测器进行窗口扫描，取得分数最大的窗口，就认为其是车辆在当前帧的车辆矩形框位置。

局部跟踪的方式包括：提取所述车辆目标的角点，利用所述角点匹配的方式获取车辆在下一帧中的位置，从而获得车辆目标的运行轨迹。在检测到的车辆目标区域内，利用surf算法提取车辆目标的角点。为加快角点的匹配，同时保证旋转不变性，利用带方向的brief描述子(即orb特征)进行角点的匹配。

在当前帧提取车辆区域内的surf角点，计算角点的orb特征描述子，在预估的下一帧目标区域内，进行同样的操作(即计算角点的orb特征描述子)。对当前帧中每个角点通过遍历的方式，利用提取的orb特征，与下一帧中的每个角点的特征进行比较，选择特征最接近的角点，作为在下一帧中匹配到的角点，前后帧匹配上的角点形成同一条轨迹，未匹配上的角点在下一帧形成新的轨迹。

通过目标检测得到车辆目标的初始位置后，全局的跟踪和局部的跟踪同时进行，当两者都有结果时，可以得到车辆在当前帧较准确的矩形框位置，同时轨迹的位置也得到更新。由于加塞时车辆间的遮挡，可能导致全局的跟踪失效，此时可以由局部跟踪继续跟踪车辆的位置，两者结合实现对所述车辆的逐帧实时跟踪。

步骤102，判断图像中的车道是否出现拥堵状况。

作为本发明的一个优选实施例，所述判断图像中的车道是否出现拥堵状况的步骤可以具体包括：

步骤401，获取每个车道内车辆的个数和每个车道内所有车辆的实际长度之和。在该步骤中，对每个车道分别进行数量和长度的统计。

在该步骤中，可以根据摄像机标定计算所有车辆的实际长度之和。摄像机标定用于建立图像坐标和世界坐标的对应关系，设置图像中远处的两个水平点和近处的两个水平点，利用先验知识估计远处两个点水平方向的实际距离和近处两个点水平方向的实际距离，结合在图像中的像素距离，换算出场景中图像像素距离和实际距离的映射关系，根据计算出的映射关系，由车辆目标在图像中的像素长度换算得到其在场景中的实际长度之和。

在该步骤中，对跟踪得到的每辆车进行累加，就得到车道内车辆的个数。

步骤402，获取车辆的运动速度，实时更新车辆的运动状态。同样地，在该步骤中，利用计算出的映射关系可以计算车辆的运动速度。具体地，由跟踪中轨迹在一段时间内的运动距离，根据映射关系换算出在世界坐标下的距离，再除以该段时间，就计算得到车辆的运动速度，从而能够实时更新车辆的运动状态。若所述车辆速度小于等于预设的速度阈值时，即认为该辆车处于停止或者缓慢行驶状态，若所述车辆速度大于预设的速度阈值时，即认为该辆车处于正常行驶状态。

步骤403，根据所有车辆的实际长度之和和每个车道内的车辆个数，计算得到每个车道的道路空间占有率，当所述道路空间占有率超过阈值、并且所述车道内的车辆都处于停止或者缓慢行驶状态时，则判断所述车道处于拥堵状况。

步骤103，当车道处于拥堵状况时，实时更新每辆车的运动轨迹，判断是否有车辆变道且行驶到拥堵车道中前、后两车预留车距的空间内，若有，则车辆判断该辆车发生加塞行为。

在该步骤中，根据局部跟踪方法实时更新每辆车的运动轨迹，若检测到有车辆出现变道行为，并且是行驶到拥堵的车道中，同时根据全局跟踪得到的车辆的矩形框，判断车辆是否行驶到该车道中前、后两车预留车距的空间内，若该车辆的后面位置确实存在被加塞的车辆，则认定该辆车产生违章加塞行为。

对车辆变道行为的检测方法是：当车辆轨迹与相邻两车道间的车道线发生相交时，则认为车辆出现从起始车道到邻近车道的变道行为。变道线的提取一般采用Hough变换，用于提取车道内的车道线，选取居于图像中间位置的车道线作为变道依据线。

优选地，利用车辆区域内跟踪到的若干条轨迹线，判断与变道线是否相交。首先轨迹线与变道线要在各自围成的矩形内同时在水平和垂直方向上有交集，而且在两者围成的平行四边形内，以各自起始点构成的相邻矢量的叉乘的方向要一致，或者同时顺时针或逆时针。

在发生变道行为后，根据全局跟踪得到的车辆矩形框，若有车辆进入到拥堵车道内的前后两个车辆矩形框的中间，即这两个矩形框中间的空白区域，就认为该车辆发生加塞行为。

如图2所示，本发明基于全局和局部跟踪的方法对车辆运动情况进行有效的建模，全局跟踪方法采用tracking by detection的判别式方法，通过描述目标外观模型的变化，获得车辆在每帧的矩形框位置。同时，局部跟踪采用特征点匹配的方法，得到车辆若干条运行轨迹，并进一步结合检测道路拥堵状况、车辆是否出现变道，用于对车辆违章加塞行为进行准确地检测。

在本发明的另一个实施例中，所述检测车辆加塞行为的方法还包括：

步骤104，获取含有该辆车的加塞行为的视频或者图片，将所述视频或者图片存储。优选地，还可以进一步将所述存储的视频或者图片上传执法中心平台，以使执法中心迅速地对违章加塞行为进行执法。

本发明还提供一种检测车辆加塞行为的装置，参见图3，示出了本发明一个实施例的检测车辆加塞行为的装置的功能模块示意图，包括：

跟踪模块501，用于采集实时视频流，对图像中出现的车辆进行全局和局部的实时跟踪；

拥堵判断模块502，用于判断图像中的车道是否出现拥堵状况；

加塞判断模块503，用于当车道处于拥堵状况时，实时更新每辆车的运动轨迹，判断是否有车辆变道行驶到拥堵车道中前、后两车预留车距的空间内，若有，则车辆判断该辆车实施加塞行为。

所述跟踪模块501可以通过高清摄像机实时采集视频流，获取当前帧图像，并对图像中出现的车辆进行实时跟踪，从而可以获取图像中每辆车的运动轨迹。在本发明的又一个实施例中，所述跟踪模块501可以包括：

采集模块，用于采集实时视频流；

提取模块，用于在图像中的道路区域内进行显著性目标提取，得到图像中显著性目标的区域；

车辆定位模块，用于对所述显著性目标区域进行车辆检测，过滤掉非车辆目标，并定位车辆目标的位置；

实时跟踪模块，用于采用全局及局部跟踪的方法对所述车辆目标逐帧实时跟踪。

需要说明的是，在本发明中，显著性目标是指除道路背景以外的目标，包括车辆、行人等。具体的提取方法可以为：计算图像中每个像素的显著性值，得到整幅图像的显著图，将显著图中的显著性区域映射到原图像的位置，即得到了在原图像上的显著性目标区域。其中显著性值是由像素点邻域的多种特征的加权组合而成，可选地，多种特征可以包括中央-周围对比度，多尺度对比度，颜色空间分布中的至少一种。优选地，三种特征的权重各取平均，即为1/3。

在获得图中的显著性目标区域后，筛选车辆目标作为后续步骤的跟踪对象，对其进行定位以及实时跟踪。

举例来说，可以采用以下方式进行车辆的定位：

第一步，离线训练车辆分类器得到车辆模型，具体的是预先采集图像内出现的车辆区域作为正样本，非车辆的作为负样本，利用卷积神经网络无监督的进行特征提取，采用线性支持向量机作为分类器进行训练；

第二步，利用训练好的分类器在区域内进行滑动窗口的扫描，得分响应最大的窗口就是检测得到的车辆区域，然后进行窗口合并，定位得到车辆位置。

需要说明的是，未通过车辆模型确认的区域，作为非车辆区域，将其排除，不再进行后续的跟踪、定位。

在确认图像中的车辆目标后，采用全局及局部跟踪的方法对其进行实时跟踪，具体地，所述实时跟踪模块用于：

采用全局跟踪的方法获得车辆目标在后续帧中的车辆矩形框位置；

采用局部跟踪的方法获得车辆目标的运行轨迹。

在本发明的一个实施例中，全局跟踪的方式包括：在后续帧中，鉴于车辆在前后帧的运动变化不大，可在上一帧检测出的车辆目标位置附近进行采样扫描，对采样得到的众多窗口区域内，利用卷积神经网络提取特征，用训练好的检测器进行窗口扫描，取得分数最大的窗口，即为车辆在当前帧的车辆矩形框位置。

在本发明的又一个实施例中，局部跟踪的方式包括：提取所述车辆目标的角点，利用所述角点匹配的方式获取车辆在下一帧中的位置，从而获得车辆目标的运行轨迹。在检测到的车辆目标区域内，利用surf算法提取车辆目标的角点。为加快角点的匹配，同时保证旋转不变性，利用带方向的brief描述子(即orb特征)进行角点的匹配。

优选地，在当前帧提取车辆区域内的surf角点，计算角点的orb特征描述子，在预估的下一帧目标区域内，进行同样的操作(即计算角点的orb特征描述子)。对当前帧中每个角点通过遍历的方式，利用提取的orb特征，与下一帧中的每个角点的特征进行比较，选择特征最接近的角点，作为在下一帧中匹配到的角点，前后帧匹配上的角点形成同一条轨迹，未匹配上的角点在下一帧形成新的轨迹。

通过目标检测得到车辆目标的初始位置后，全局的跟踪和局部的跟踪同时进行，当两者都有结果时，可以得到车辆在当前帧较准确的矩形框位置，同时轨迹的位置也得到更新。由于加塞时车辆间的遮挡，可能导致全局的跟踪失效，此时可以由局部跟踪继续跟踪车辆的位置，两者结合实现对所述车辆的逐帧实时跟踪。

在本发明的一个较佳实施例中，所述拥堵判断模块502包括：

计算模块，用于获取每个车道内车辆的个数和每个车道内所有车辆的实际长度之和；

状态模块，用于获取车辆的运动速度，实时更新车辆的运动状态；

比较模块，用于根据所有车辆的实际长度之和和每个车道内的车辆个数，计算得到每个车道的道路空间占有率，当所述道路空间占有率超过阈值、并且所述车道内的车辆都处于停止或者缓慢行驶状态时，则判断所述车道处于拥堵状况。

所述计算模块可以根据摄像机标定计算所有车辆的实际长度之和。摄像机标定用于建立图像坐标和世界坐标的对应关系，设置图像中远处的两个水平点和近处的两个水平点，利用先验知识估计远处两个点水平方向的实际距离和近处两个点水平方向的实际距离，结合在图像中的像素距离，换算出场景中图像像素距离和实际距离的映射关系，根据计算出的映射关系，由车辆目标在图像中的像素长度换算得到其在场景中的实际长度之和。同时，对跟踪得到的每辆车进行累加，就得到车道内车辆的个数。

所述状态模块利用计算出的映射关系可以进一步计算车辆的运动速度。具体地，由跟踪中轨迹在一段时间内的运动距离，根据映射关系换算出在世界坐标下的距离，再除以该段时间，就计算得到车辆的运动速度，从而能够实时更新车辆的运动状态。若所述车辆速度小于等于预设的速度阈值时，即认为该辆车处于停止或者缓慢行驶状态，若所述车辆速度大于预设的速度阈值时，即认为该辆车处于正常行驶状态。

所述加塞判断模块503根据局部跟踪方法实时更新每辆车的运动轨迹，若检测到有车辆出现变道行为，并且是行驶到拥堵的车道中，同时根据全局跟踪得到的车辆的矩形框，判断车辆是否行驶到该车道中前、后两车预留车距的空间内，若该车辆的后面位置确实存在被加塞的车辆，则认定该辆车产生违章加塞行为。

对车辆变道行为的检测方法是：当车辆轨迹与相邻两车道间的车道线发生相交时，则认为车辆出现从起始车道到邻近车道的变道行为。变道线的提取一般采用Hough变换，用于提取车道内的车道线，选取居于图像中间位置的车道线作为变道依据线。

优选地，利用车辆区域内跟踪到的若干条轨迹线，判断与变道线是否相交。首先轨迹线与变道线要在各自围成的矩形内同时在水平和垂直方向上有交集，而且在两者围成的平行四边形内，以各自起始点构成的相邻矢量的叉乘的方向要一致，或者同时顺时针或逆时针。

在发生变道行为后，根据全局跟踪得到的车辆矩形框，若有车辆进入到拥堵车道内的前后两个车辆矩形框的中间，即这两个矩形框中间的空白区域，就认为该车辆发生加塞行为。

在本发明的另一个实施例中，所述检测车辆加塞行为的装置还包括：

存储模块，用于获取含有该辆车的加塞行为的视频或者图片，将所述视频或者图片存储。优选地，所述存储模块还可以进一步将所述存储的视频或者图片上传执法中心平台，以使执法中心迅速地对违章加塞行为进行执法。

由此可见，本发明提出了一种基于全局和局部跟踪结合的检测车辆加塞行为的方法和装置，对道路交通状况和车辆运行轨迹进行建模描述，进而实现对车辆违章加塞行为的准确描述，本发明实时获取道路的拥堵状况，对多车辆目标进行有效地跟踪，可避免对正常变道的误抓，节省人力。而且，本发明基于全局和局部跟踪的方法对车辆运动情况进行有效的建模，全局跟踪方法采用tracking by detection的判别式方法，描述目标外观模型的变化，得到车辆在每帧的矩形位置。局部跟踪采用特征点匹配的方法，得到车辆若干条轨迹，两者结合用于对加塞行为的检测描述。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (7)

1.一种检测车辆加塞行为的方法，其特征在于，包括：

采集实时视频流，对图像中出现的车辆进行全局和局部的实时跟踪；

判断图像中的车道是否出现拥堵状况；

当车道处于拥堵状况时，实时更新每辆车的运动轨迹，判断是否有车辆变道行驶到拥堵车道中前、后两车预留车距的空间内，若有，则车辆判断该辆车实施加塞行为；

所述对图像中出现的车辆进行全局和局部的实时跟踪的步骤，包括：

在图像中的道路区域内进行显著性目标提取，得到图像中显著性目标的区域；

对所述显著性目标区域进行车辆检测，过滤掉非车辆目标，并定位车辆目标的位置；

采用全局及局部跟踪的方法对所述车辆目标逐帧实时跟踪；所述采用全局及局部跟踪的方法对所述车辆目标逐帧实时跟踪的步骤，包括：采用全局跟踪的方法获得车辆目标在后续帧中的车辆矩形框位置；采用局部跟踪的方法获得车辆目标的运行轨迹；

所述采用局部跟踪的方法获得车辆目标的运行轨迹的步骤，包括：

在当前帧提取车辆区域内的surf角点，计算角点的orb特征描述子，在预估的下一帧目标区域内计算角点的orb特征描述子；

对当前帧中每个角点通过遍历的方式，利用提取的orb特征，与下一帧中的每个角点的特征进行比较，选择特征最接近的角点，作为在下一帧中匹配到的角点，前后帧匹配上的角点形成同一条轨迹，未匹配上的角点在下一帧形成新的轨迹。

2.根据权利要求1所述的检测车辆加塞行为的方法，其特征在于，所述判断图像中的车道是否出现拥堵状况的步骤，包括：

获取每个车道内车辆的个数和每个车道内所有车辆的实际长度之和；

获取车辆的运动速度，实时更新车辆的运动状态；

根据所有车辆的实际长度之和和每个车道内的车辆个数，计算得到每个车道的道路空间占有率，当所述道路空间占有率超过阈值、并且所述车道内的车辆都处于停止或者缓慢行驶状态时，则判断所述车道处于拥堵状况。

3.一种实现权利要求1-2中任意一项所述检测车辆加塞行为方法的装置，其特征在于，包括：

跟踪模块，用于采集实时视频流，对图像中出现的车辆进行全局和局部的实时跟踪；

拥堵判断模块，用于判断图像中的车道是否出现拥堵状况；

加塞判断模块，用于当车道处于拥堵状况时，实时更新每辆车的运动轨迹，判断是否有车辆变道行驶到拥堵车道中前、后两车预留车距的空间内，若有，则车辆判断该辆车实施加塞行为。

4.根据权利要求3所述的装置，其特征在于，所述跟踪模块包括：

采集模块，用于采集实时视频流；

提取模块，用于在图像中的道路区域内进行显著性目标提取，得到图像中显著性目标的区域；

车辆定位模块，用于对所述显著性目标区域进行车辆检测，过滤掉非车辆目标，并定位车辆目标的位置；

实时跟踪模块，用于采用全局及局部跟踪的方法对所述车辆目标逐帧实时跟踪。

5.根据权利要求4所述的装置，其特征在于，所述实时跟踪模块用于：

采用全局跟踪的方法获得车辆目标在后续帧中的车辆矩形框位置；

采用局部跟踪的方法获得车辆目标的运行轨迹。

6.根据权利要求5所述的装置，其特征在于，所述采用局部跟踪的方法获得车辆目标的运行轨迹，包括：

在当前帧提取车辆区域内的surf角点，计算角点的orb特征描述子，在预估的下一帧目标区域内计算角点的orb特征描述子；

对当前帧中每个角点通过遍历的方式，利用提取的orb特征，与下一帧中的每个角点的特征进行比较，选择特征最接近的角点，作为在下一帧中匹配到的角点，前后帧匹配上的角点形成同一条轨迹，未匹配上的角点在下一帧形成新的轨迹。

7.根据权利要求5所述的装置，其特征在于，所述拥堵判断模块包括：

计算模块，用于获取每个车道内车辆的个数和每个车道内所有车辆的实际长度之和；

状态模块，用于获取车辆的运动速度，实时更新车辆的运动状态；

比较模块，用于根据所有车辆的实际长度之和和每个车道内的车辆个数，计算得到每个车道的道路空间占有率，当所述道路空间占有率超过阈值、并且所述车道内的车辆都处于停止或者缓慢行驶状态时，则判断所述车道处于拥堵状况。