CN105741559A - 一种基于车道线模型的违法占用应急车道检测方法 - Google Patents

一种基于车道线模型的违法占用应急车道检测方法 Download PDF

Info

Publication number
CN105741559A
CN105741559A CN201610083127.3A CN201610083127A CN105741559A CN 105741559 A CN105741559 A CN 105741559A CN 201610083127 A CN201610083127 A CN 201610083127A CN 105741559 A CN105741559 A CN 105741559A
Authority
CN
China
Prior art keywords
lane
present frame
line
image
lane line
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
Application number
CN201610083127.3A
Other languages
English (en)
Other versions
CN105741559B (zh
Inventor
张卡
何佳
尼秀明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ANHUI QINGXIN INTERNET INFORMATION TECHNOLOGY Co Ltd
Original Assignee
ANHUI QINGXIN INTERNET INFORMATION TECHNOLOGY Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ANHUI QINGXIN INTERNET INFORMATION TECHNOLOGY Co Ltd filed Critical ANHUI QINGXIN INTERNET INFORMATION TECHNOLOGY Co Ltd
Priority to CN201610083127.3A priority Critical patent/CN105741559B/zh
Publication of CN105741559A publication Critical patent/CN105741559A/zh
Application granted granted Critical
Publication of CN105741559B publication Critical patent/CN105741559B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种基于车道线模型的违法占用应急车道检测方法，包括：构建车道线模型；获取当前帧道路图像；获取当前帧道路二值图像；检测车道线位置；确定车道线边缘直线的类型；确定候选应急车道线边缘直线位置；确定当前帧的应急车道线边缘直线位置；确定应急车道区域；检测违法占用应急车道的车辆；对检测的车辆进行车牌识别；保存抓拍数据。本发明采用视频图像分析技术，实时精确定位应急车道区域，自动抓拍出现在应急车道区域内的车辆，本发明具有全路段抓拍、抓拍实时高效、抓拍精确等特点。

Description

一种基于车道线模型的违法占用应急车道检测方法
技术领域
本发明涉及智能交通监控技术领域，具体是一种基于车道线模型的违法占用应急车道检测方法。
背景技术
高速公路应急车道是专门为公众设立的救援通道，在危急关头更是一条实施紧急救援的生命通道。按照《中华人民共和国道路交通安全法》及《中华人民共和国道路交通安全法实施条例》的有关规定：除执行紧急任务的警车、消防车、工程救险车、救护车外，其他机动车不得进入应急车道内行驶或者停车。然而，随着我国汽车保有量的快速增长，越来越多的驾驶员在高速公路出现拥堵时，喜欢非法占用应急车道行驶或等待，甚至一些驾驶员在交通畅通时也随意在应急车道内超车或临时停车，这是非常危险的行为，一旦前方出现交通事故，往往会导致警车和救援车辆无法快速到达现场，延长交通拥堵的时间，造成救援困难，加重了事故损害后果。
近年来，为了治理违法占用应急车道行为，交警部门开展了相应的整治行动，利用高速公路监控系统和民警配备的摄录机、照相机对违法占用应急车道的违法行为进行抓拍取证，然而这种方式却有极大的局限性，首先高速公路监控系统无法进行全路段监控，其次民警通过摄录机和照相机手动抓拍，虽然可以实现全路段抓拍，但是效率较低，因此，迫切需要一种全路段的、高效的新型抓拍技术手段。
发明内容
本发明的目的在于提供一种基于车道线模型的违法占用应急车道检测方法，能够实现全路段、实时高效、精确抓拍出现在应急车道内的车辆。
本发明的技术方案为：
一种基于车道线模型的违法占用应急车道检测方法，包括以下步骤：
(1)构建车道线模型；
(2)对当前帧高速公路视频图像进行处理,获取当前帧道路图像；
(3)对当前帧道路图像进行处理，获取当前帧道路二值图像；
(4)基于车道线模型，检测当前帧道路二值图像中的车道线位置，获取车道线边缘直线；
(5)判断获取的车道线边缘直线是实线还是虚线；
(6)若获取的车道线边缘直线只存在一条实线，则将其作为候选应急车道线边缘直线，若获取的车道线边缘直线存在多条实线，则将位于最右侧的一条作为候选应急车道线边缘直线；
(7)确定当前帧道路图像中的应急车道线边缘直线；
(8)基于应急车道线边缘直线，确定当前帧道路图像中的应急车道区域；
(9)基于车辆尾部分类器，在应急车道区域内进行车辆检测；
(10)对检测到的车辆进行车牌识别；
(11)保存车牌信息和相应的车辆视频图像。
所述的基于车道线模型的违法占用应急车道检测方法，步骤(1)中，所述车道线模型是一个宽度为5Ws、高度为Ws的矩形区域，该矩形区域由位于两侧的宽度为2Ws、高度为Ws的黑色矩形区域和位于中间的宽度为Ws、高度为Ws的白色正方形区域构成，两侧的黑色矩形区域代表路面区域，中间的白色正方形区域代表车道线区域，Ws的值等于当前帧高速公路视频图像中车道线的最大宽度按照一定的缩放因子缩放后的0.7倍。
所述的基于车道线模型的违法占用应急车道检测方法，步骤(2)中，所述对当前帧高速公路视频图像进行处理,获取当前帧道路图像，具体包括以下步骤：
a、将当前帧高速公路视频图像的上半部分去除，保留下半部分作为有效部分；
b、对有效部分按照一定的缩放因子进行缩放，并将缩放后得到的图像作为当前帧道路图像。
所述的基于车道线模型的违法占用应急车道检测方法，步骤(3)中，所述对当前帧道路图像进行处理，获取当前帧道路二值图像，具体包括以下步骤：
a、在当前帧道路图像中，按照以下公式获取道路路面矩形区域：
r e c t _ x = I W * 0.3 r e c t _ y = I H * 0.75 r e c t _ w i d t h = I W * 0.4 r e c t _ h e i g h t = I H * 0.15
其中，rect_x、rect_y分别表示道路路面矩形区域的左上角的横坐标和纵坐标，rect_width、rect_height分别表示道路路面矩形区域的宽度和高度，IW、IH分别表示当前帧道路图像的宽度和高度；
b、按照以下公式获取道路路面矩形区域的灰度直方图：
h i s t [ i ] = h i s t [ i ] + 1 g ( x , y ) = i h i s t [ i ] g ( x , y ) ≠ i
其中，g(x，y)表示道路路面矩形区域内像素(x，y)处的灰度值；
c、选择灰度直方图最大分量对应的维数作为当前帧道路路面矩形区域的灰度值；
d、将当前帧道路路面矩形区域灰度值的n倍作为二值化阈值，大于该阈值的设为255，否则设为0，获取当前帧道路二值图像；
e、去除当前帧道路二值图像中的干扰区域块，得到最终的当前帧道路二值图像。
所述的基于车道线模型的违法占用应急车道检测方法，步骤(4)中，所述基于车道线模型，检测当前帧道路二值图像中的车道线位置，获取车道线边缘直线，具体包括以下步骤：
a、根据以下公式对当前帧道路二值图像进行双线性插值，获得当前尺度因子下的道路二值图像：
f ( x , y ) = s 11 * f ( x 1 , y 1 ) + s 21 * f ( x 2 , y 1 ) + s 12 * f ( x 1 , x 2 ) + s 22 * f ( x 2 , y 2 ) s 11 = ( x 2 - x ) ( y 2 - y ) ( x 2 - x 1 ) ( y 2 - y 1 ) s 21 = ( x - x 1 ) ( y 2 - y ) ( x 2 - x 1 ) ( y 2 - y 1 ) s 12 = ( x 2 - x ) ( y - y 1 ) ( x 2 - x 1 ) ( y 2 - y 1 ) s 22 = ( x - x 1 ) ( y - y 1 ) ( x 2 - x 1 ) ( y 2 - y 1 )
其中，(x，y)表示待求灰度值f(x，y)的像素坐标，(x1，y1)、(x2，y1)、(x1，y2)、(x2，y2)分别表示距离像素坐标(x，y)最近的四个已知灰度值f(x1，y1)、f(x2，y1)、f(x1，y2)、f(x2，y2)的像素坐标；
b、将车道线模型按照一定步长在当前尺度下的道路二值图像上进行遍历，在遍历的每一个像素位置，按照以下公式计算相似度，相似度大于一定阈值的作为候选车道线位置，并按照当前尺度因子，将候选车道线位置逆向变换到原始尺度空间中：
c o n f = Σ D ( x , y ) N D ( x , y ) = | M ( x , y ) - T ( x + Δ x , y + Δ y ) |
其中，conf表示相似度，N表示车道线模型的像素数目，M(x，y)表示车道线模型上像素(x，y)处的灰度值，T(x+Δx，y+Δy)表示当前尺度因子下的道路二值图像上像素(x+Δx，y+Δy)处的灰度值，Δx、Δy分别表示当前遍历的像素位置相对于当前尺度因子下的道路二值图像左上角的偏移量；
c、改变尺度因子，重复步骤a～b，完成所有尺度因子下的道路二值图像的遍历搜索；
d、如果原始尺度空间下道路二值图像的某一个位置的候选车道线位置数目大于一定阈值，则将该位置确定为车道线位置；
e、获取每一个车道线位置区域的左边缘点集，再基于最小二乘法获取每一条车道线边缘直线；
f、对于两条不同的车道线边缘直线，依据二者的倾斜角度差值和最大间隔距离联合判断是否属于同一条直线，将属于同一条直线的进行合并。
所述的基于车道线模型的违法占用应急车道检测方法，步骤(5)中，所述判断获取的车道线边缘直线是实线还是虚线，具体包括以下步骤：
a、将当前车道线边缘直线分别向左平移5个像素、向右平移W+5个像素，W的大小取决于当前帧道路图像中车道线的最大宽度，获取共同围成的区域，即为车道线局部区域；
b、基于最大类间距算法，获取车道线局部区域的二值图像；
c、去除车道线局部区域的二值图像中面积小于一定阈值的连通区域；
d、统计车道线局部区域的二值图像中剩余连通区域的数目；
e、获取最大面积和次大面积连通区域的高度；
f、如果连通区域的数目、最大面积和次大面积连通区域的高度满足以下公式，则当前车道线边缘直线是实线，否则是虚线：
N ≤ 2 H F M ≥ H S M * 2 H F M ≥ I H * 0.7
其中，N表示连通区域的数目，HFM表示最大面积连通区域的高度，HSM表示次大面积连通区域的高度，IH表示当前帧道路图像的高度。
所述的基于车道线模型的违法占用应急车道检测方法，步骤(7)中，所述确定当前帧道路图像中的应急车道线边缘直线，具体包括以下步骤：
a、基于上一帧道路图像中的应急车道线边缘直线位置，采用kalman滤波器预测当前帧道路图像中的应急车道线边缘直线位置；
b、判断是否获取候选应急车道线边缘直线位置，如果获得，进入步骤c，如果没有获得，进入步骤e；
c、判断候选应急车道线边缘直线是否满足以下公式，若满足，则候选应急车道线边缘直线是真正的应急车道线边缘直线，进入步骤d，否则，则候选应急车道线边缘直线是错误的应急车道线边缘直线，予以丢弃，进入步骤e：
| α i - α p | ≤ 5 D ( L i , L p ) ≤ W * 2
其中，αi表示当前帧道路图像中候选应急车道线边缘直线的倾斜角度，αp表示预测得到的当前帧道路图像中应急车道线边缘直线的倾斜角度，D(Li，Lp)表示当前帧道路图像中候选应急车道线边缘直线与预测得到的应急车道线边缘直线之间的最大距离，W表示当前帧道路图像中车道线的最大宽度；
d、将候选应急车道线边缘直线作为最终的应急车道线边缘直线；
e、将预测得到的应急车道线边缘直线作为最终的应急车道线边缘直线；
f、基于获得的当前帧道路图像中的应急车道线边缘直线位置，更新kalman滤波器的模型参数。
所述的基于车道线模型的违法占用应急车道检测方法，步骤(8)中，所述基于应急车道线边缘直线，确定当前帧道路图像中的应急车道区域，具体按照以下公式获得四个点，所述四个点连线围成的图像区域即是当前帧道路图像中的应急车道区域：
( x 1 , y 1 ) = ( X 0 - Y 0 k , 0 ) ( x 2 , y 2 ) = ( W + X 0 - Y 0 k , 0 ) ( x 3 , y 3 ) = ( W + X 0 + I H - Y 0 k , I H ) ( x 4 , y 4 ) = ( X 0 + I H - Y 0 k , I H )
其中，(X0，Y0)表示应急车道线边缘直线上的已知点，W表示当前帧道路图像中车道线的最大宽度，k表示应急车道线边缘直线的斜率，IH表示当前帧道路图像的高度，(x1，y1)、(x2，y2)、(x3，y3)、(x4，y4)分别表示四个点的坐标。
本发明的有益效果为：
由上述技术方案可知，本发明采用视频图像分析技术，实时精确定位应急车道区域，自动抓拍出现在应急车道区域内的车辆，本发明具有全路段抓拍、抓拍实时高效、抓拍精确等特点。
附图说明
图1是本发明的方法流程图；
图2是构建车道线模型示意图；
图3是获取的道路图像；
图4是道路二值图像；
图5是所有的候选车道线位置；
图6是合并后的车道线边缘直线效果图；
图7是确定的应急车道区域图；
图8是车辆尾部检测效果图。
具体实施方式
下面结合附图和具体实施例进一步说明本发明。
本发明针对的是高速公路应急车道，其车道线符合国家的规范制式标准，且车道线区域和路面区域的亮度差别较大。
如图1所示，一种基于车道线模型的违法占用应急车道检测方法，包括以下顺序的步骤：
S1、构建车道线模型，方法是首先找到当前帧高速公路视频图像中车道线的最大宽度，按照缩放因子s进行缩放，参照图2构建车道线模型，其中，Ws的值等于缩放后车道线的最大宽度的0.7倍。
如图2所示，车道线模型是一个宽度为5Ws、高度为Ws的矩形区域，该矩形区域由位于两侧的宽度为2Ws、高度为Ws的黑色矩形区域和位于中间的宽度为Ws、高度为Ws的白色正方形区域构成，两侧的黑色矩形区域代表路面区域，中间的白色正方形区域代表车道线区域。
S2、获取当前帧道路图像，主要是对当前帧高速公路视频图像进行处理，获取包含应急车道的有效视频图像，效果如图3所示，具体步骤如下：
S21、通过安装在车顶的摄像机，实时抓拍高速公路视频图像；
S22、选择有效的道路图像，正常的道路图像，地平线以上的部分属于无效的部分，应该予以去除，本发明选择高速公路视频图像的下半部分作为有效的道路图像；
S23、为提高算法的运行速度，对有效的道路图像进行缩放，其中缩放因子和步骤S1相同，并将缩放后的图像作为当前帧道路图像用于后续处理。
S3、获取当前帧道路二值图像，基于当前帧道路图像的灰度值分布规律，自适应确定图像二值化的阈值，可以更好地适应各种光线环境，效果如图4所示，具体步骤如下：
S31、选取道路路面矩形区域，在当前帧道路图像中，按照公式(1)获取典型的道路路面矩形区域：
r e c t _ x = I W * 0.3 r e c t _ y = I H * 0.75 r e c t _ w i d t h = I W * 0.4 r e c t _ h e i g h t = I H * 0.15 - - - ( 1 )
其中，rect_x、rect_y分别表示道路路面矩形区域的左上角的横坐标和纵坐标，rect_width、rect_height分别表示道路路面矩形区域的宽度和高度，IW、IH分别表示当前帧道路图像的宽度和高度。
S32、获取道路路面矩形区域的灰度直方图，基于公式(2)完成：
h i s t [ i ] = h i s t [ i ] + 1 g ( x , y ) = i h i s t [ i ] g ( x , y ) ≠ i - - - ( 2 )
其中，g(x，y)表示道路路面矩形区域内像素(x，y)处的灰度值。
S33、获取当前帧道路路面矩形区域的灰度值，主要是选择灰度直方图最大分量对应的维数作为当前帧道路路面矩形区域的灰度值。
S34、获取当前帧道路二值图像，主要是基于当前帧道路路面矩形区域灰度值的n倍作为二值化阈值，大于该阈值的设为255，否则设为0。
S35、去除干扰区域块，主要是去除当前帧道路二值图像中面积较小、宽高较小的区域。
S4、检测车道线位置，由于视频场景下的车道线呈现近端宽、远端窄的特点，因此，本发明采用多尺度模板匹配搜索算法，可以快速地找到当前帧道路二值图像中的车道线位置，具体步骤如下：
S41、获取单尺度道路二值图像，主要是根据公式(3)进行双线性插值获得当前尺度因子下的道路二值图像：
{ f ( x , y ) = s 11 * f ( x 1 , y 1 ) + s 21 * f ( x 2 , y 1 ) + s 12 * f ( x 1 , x 2 ) + s 22 * f ( x 2 , y 2 ) s 11 = ( x 2 - x ) ( y 2 - y ) ( x 2 - x 1 ) ( y 2 - y 1 ) s 21 = ( x - x 1 ) ( y 2 - y ) ( x 2 - x 1 ) ( y 2 - y 1 ) s 12 = ( x 2 - x ) ( y - y 1 ) ( x 2 - x 1 ) ( y 2 - y 1 ) s 22 = ( x - x 1 ) ( y - y 1 ) ( x 2 - x 1 ) ( y 2 - y 1 ) - - - ( 3 )
其中，(x，y)表示待求灰度值f(x，y)的像素坐标，(x1，y1)、(x2，y1)、(x1，y2)、(x2，y2)分别表示距离像素坐标(x，y)最近的四个已知灰度值f(x1，y1)、f(x2，y1)、f(x1，y2)、f(x2，y2)的像素坐标。
S42、获取候选车道线位置，主要方法是基于车道线模型，按照一定步长在单尺度道路二值图像上进行遍历，在遍历的每一个像素位置，按照公式(4)计算相似度conf，相似度大于一定值的作为候选车道线位置，并按照当前的尺度因子，将候选车道线位置逆向变换到原始尺度空间中：
c o n f = Σ D ( x , y ) N D ( x , y ) = | M ( x , y ) - T ( x + Δ x , y + Δ y ) | - - - ( 4 )
其中，N表示车道线模型的像素数目，M(x，y)表示车道线模型上像素(x，y)处的灰度值，T(x+Δx，y+Δy)表示单尺度道路二值图像上像素(x+Δx，y+Δy)处的灰度值，Δx、Δy分别表示当前遍历的像素位置相对于单尺度道路二值图像左上角的偏移量。
S43、改变尺度因子，继续执行步骤S41至步骤S43，完成所有尺度因子下道路二值图像的遍历搜索，效果如图5所示。
S44、获取车道线位置，如果原始尺度空间下道路二值图像的某一个位置的候选车道线位置数目大于一定的值，即可确定当前位置就是车道线位置。
S45、获取车道线边缘直线，主要是获取每一个车道线位置区域的左边缘点集，基于最小二乘法获取每一条车道线边缘直线。
S46、合并车道线边缘直线，由于步骤S45获取的车道线边缘直线均是线段，可能存在一条车道线边缘直线被检测为多个线段，因此，需要对线段进行合并，获取完整的直线。具体方法是对于两个不同的线段，依据二者的倾斜角度差值和最大间隔距离联合判断是否属于同一条直线，其中，最大间隔距离是基于公式(5)完成，将属于同一条直线的线段进行合并，效果如图6所示：
{ max d i s = max { d i s ( 0 ) , d i s , ( 1 ) , d i s ( 2 ) } d i s ( i ) = | x i * k - y i + b | 1 + k 2 - - - ( 5 )
其中，k表示第一个线段的斜率，b表示第一个线段的截距，max{}函数表示选择所有元素的最大值，dis(0)表示第二个线段的上部端点到第一个线段的距离，dis(1)表示第二个线段的中点到第一个线段的距离，dis(2)表示第二个线段的下部端点到第一个线段的距离。
S5、确定车道线边缘直线的类型，主要是判断已获取的车道线边缘直线是属于实线还是虚线，具体步骤如下：
S51、获取车道线局部区域，主要方法是将当前车道线边缘直线分别向左平移5个像素、向右平移W+5个像素，W的大小取决于当前帧道路图像中车道线的最大宽度，获取共同围成的区域，即是车道线局部区域。
S52、获取车道线局部区域的二值图像，主要是基于最大类间距算法。
S53、去除面积较小的连通区域。
S54、统计剩余连通区域的数目。
S55、获取最大面积和次大面积连通区域的高度。
S56、判断当前车道线边缘直线的类型，如果满足公式(6)，则当前车道线边缘直线属于实线：
N ≤ 2 H F M ≥ H S M * 2 H F M ≥ I H * 0.7 - - - ( 6 )
其中，N表示所有连通区域的数目，HFM表示最大面积连通区域的高度，HSM表示次大面积连通区域的高度，IH表示当前帧道路图像的高度。
S6、确定候选应急车道线边缘直线位置，如果只存在一条实线，那么它就是候选应急车道线边缘直线位置，如果存在多条实线，那么选择最右侧的一条作为候选应急车道线边缘直线位置。
S7、确定当前帧道路图像中的应急车道线边缘直线位置，具体步骤如下：
S71、基于上一帧道路图像中的应急车道线边缘直线位置，采用kalman滤波器预测当前帧道路图像中的应急车道线边缘直线位置。
S72、判断是否获取候选应急车道线边缘直线位置，如果获得，进入步骤S73，如果没有获得，进入步骤S75。
S73、判断候选应急车道线边缘直线是否是真正的应急车道线边缘直线，如果满足公式(7)，说明候选应急车道线边缘直线是真正的应急车道线边缘直线，进入步骤S74，否则，说明候选应急车道线边缘直线是错误的应急车道线边缘直线，予以丢弃，进入步骤S75：
| α i - α p | ≤ 5 D ( L i , L p ) ≤ W * 2 - - - ( 7 )
其中，αi表示当前帧道路图像中候选应急车道线边缘直线的倾斜角度，αp表示预测得到的当前帧道路图像中应急车道线边缘直线的倾斜角度，D(Li，Lp)表示当前帧道路图像中候选应急车道线边缘直线与预测得到的应急车道线边缘直线之间的最大距离，W表示当前帧道路图像中车道线的最大宽度。
S74、将候选应急车道线边缘直线作为最终的应急车道线边缘直线。
S75、将预测得到的应急车道线边缘直线作为最终的应急车道线边缘直线。
S76、更新跟踪模型参数，主要是基于获得的当前帧道路图像中的应急车道线边缘直线位置，更新kalman滤波器的模型参数，为预测下一帧道路图像中的应急车道线边缘直线做准备。
S8、确定应急车道区域，按照公式(8)获得四个点，它们围成的图像区域即是当前帧道路图像中的应急车道区域，效果如图7所示：
( x 1 , y 1 ) = ( X 0 - Y 0 k , 0 ) ( x 2 , y 2 ) = ( W + X 0 - Y 0 k , 0 ) ( x 3 , y 3 ) = ( W + X 0 + I H - Y 0 k , I H ) ( x 4 , y 4 ) = ( X 0 + I H - Y 0 k , I H ) - - - ( 8 )
其中，(X0，Y0)表示应急车道线边缘直线上的已知点，W表示当前帧道路图像中车道线的最大宽度，k表示应急车道线边缘直线的斜率，IH表示当前帧道路图像的高度。
S9、检测违法占用应急车道的车辆，主要是判断在应急车道区域内是否出现车辆，方法是在应急车道区域内，基于训练好的车辆尾部分类器，进行车辆尾部检测，检测效果如图8所示，其中，车辆尾部分类器是基于HOG特征和adaboost理论训练得到的。
S10、对检测到的车辆进行车牌识别。
S11、保存抓拍数据，包括车牌信息和相应的车辆视频图像。
以上所述实施方式仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。

Claims (8)

1.一种基于车道线模型的违法占用应急车道检测方法，其特征在于，包括以下步骤：
(1)构建车道线模型；
(2)对当前帧高速公路视频图像进行处理,获取当前帧道路图像；
(3)对当前帧道路图像进行处理，获取当前帧道路二值图像；
(4)基于车道线模型，检测当前帧道路二值图像中的车道线位置，获取车道线边缘直线；
(5)判断获取的车道线边缘直线是实线还是虚线；
(6)若获取的车道线边缘直线只存在一条实线，则将其作为候选应急车道线边缘直线，若获取的车道线边缘直线存在多条实线，则将位于最右侧的一条作为候选应急车道线边缘直线；
(7)确定当前帧道路图像中的应急车道线边缘直线；
(8)基于应急车道线边缘直线，确定当前帧道路图像中的应急车道区域；
(9)基于车辆尾部分类器，在应急车道区域内进行车辆检测；
(10)对检测到的车辆进行车牌识别；
(11)保存车牌信息和相应的车辆视频图像。
2.根据权利要求1所述的基于车道线模型的违法占用应急车道检测方法，其特征在于，步骤(1)中，所述车道线模型是一个宽度为5Ws、高度为Ws的矩形区域，该矩形区域由位于两侧的宽度为2Ws、高度为Ws的黑色矩形区域和位于中间的宽度为Ws、高度为Ws的白色正方形区域构成，两侧的黑色矩形区域代表路面区域，中间的白色正方形区域代表车道线区域，Ws的值等于当前帧高速公路视频图像中车道线的最大宽度按照一定的缩放因子缩放后的0.7倍。
3.根据权利要求1所述的基于车道线模型的违法占用应急车道检测方法，其特征在于，步骤(2)中，所述对当前帧高速公路视频图像进行处理,获取当前帧道路图像，具体包括以下步骤：
a、将当前帧高速公路视频图像的上半部分去除，保留下半部分作为有效部分；
b、对有效部分按照一定的缩放因子进行缩放，并将缩放后得到的图像作为当前帧道路图像。
4.根据权利要求1所述的基于车道线模型的违法占用应急车道检测方法，其特征在于，步骤(3)中，所述对当前帧道路图像进行处理，获取当前帧道路二值图像，具体包括以下步骤：
a、在当前帧道路图像中，按照以下公式获取道路路面矩形区域：
r e c t _ x = I W * 0.3 r e c t _ y = I H * 0.75 r e c t _ w i d t h = I W * 0.4 r e c t _ h e i g h t = I H * 0.15
其中，rect_x、rect_y分别表示道路路面矩形区域的左上角的横坐标和纵坐标，rect_width、rect_height分别表示道路路面矩形区域的宽度和高度，IW、IH分别表示当前帧道路图像的宽度和高度；
b、按照以下公式获取道路路面矩形区域的灰度直方图：
h i s t [ i ] = h i s t [ i ] + 1 g ( x , y ) = i h i s t [ i ] g ( x , y ) ≠ i
其中，g(x，y)表示道路路面矩形区域内像素(x，y)处的灰度值；
c、选择灰度直方图最大分量对应的维数作为当前帧道路路面矩形区域的灰度值；
d、将当前帧道路路面矩形区域灰度值的n倍作为二值化阈值，大于该阈值的设为255，否则设为0，获取当前帧道路二值图像；
e、去除当前帧道路二值图像中的干扰区域块，得到最终的当前帧道路二值图像。
5.根据权利要求1所述的基于车道线模型的违法占用应急车道检测方法，其特征在于，步骤(4)中，所述基于车道线模型，检测当前帧道路二值图像中的车道线位置，获取车道线边缘直线，具体包括以下步骤：
a、根据以下公式对当前帧道路二值图像进行双线性插值，获得当前尺度因子下的道路二值图像：
f ( x , y ) = s 11 * f ( x 1 , y 1 ) + s 21 * f ( x 2 , y 1 ) + s 12 * f ( x 1 , y 2 ) + s 22 * f ( x 2 , y 2 ) s 11 = ( x 2 - x ) ( y 2 - y ) ( x 2 - x 1 ) ( y 2 - y 1 ) s 21 = ( x - x 1 ) ( y 2 - y ) ( x 2 - x 1 ) ( y 2 - y 1 ) s 12 = ( x 2 - x ) ( y - y 1 ) ( x 2 - x 1 ) ( y 2 - y 1 ) s 22 = ( x - x 1 ) ( y - y 1 ) ( x 2 - x 1 ) ( y 2 - y 1 )
其中，(x，y)表示待求灰度值f(x，y)的像素坐标，(x1，y1)、(x2，y1)、(x1，y2)、(x2，y2)分别表示距离像素坐标(x，y)最近的四个已知灰度值f(x1，y1)、f(x2，y1)、f(x1，y2)、f(x2，y2)的像素坐标；
b、将车道线模型按照一定步长在当前尺度下的道路二值图像上进行遍历，在遍历的每一个像素位置，按照以下公式计算相似度，相似度大于一定阈值的作为候选车道线位置，并按照当前尺度因子，将候选车道线位置逆向变换到原始尺度空间中：
c o n f = Σ D ( x , y ) N D ( x , y ) = | M ( x , y ) - T ( x + Δ x , y + Δ y ) |
其中，conf表示相似度，N表示车道线模型的像素数目，M(x，y)表示车道线模型上像素(x，y)处的灰度值，T(x+Δx，y+Δy)表示当前尺度因子下的道路二值图像上像素(x+Δx，y+Δy)处的灰度值，Δx、Δy分别表示当前遍历的像素位置相对于当前尺度因子下的道路二值图像左上角的偏移量；
c、改变尺度因子，重复步骤a～b，完成所有尺度因子下的道路二值图像的遍历搜索；
d、如果原始尺度空间下道路二值图像的某一个位置的候选车道线位置数目大于一定阈值，则将该位置确定为车道线位置；
e、获取每一个车道线位置区域的左边缘点集，再基于最小二乘法获取每一条车道线边缘直线；
f、对于两条不同的车道线边缘直线，依据二者的倾斜角度差值和最大间隔距离联合判断是否属于同一条直线，将属于同一条直线的进行合并。
6.根据权利要求1所述的基于车道线模型的违法占用应急车道检测方法，其特征在于，步骤(5)中，所述判断获取的车道线边缘直线是实线还是虚线，具体包括以下步骤：
a、将当前车道线边缘直线分别向左平移5个像素、向右平移W+5个像素，W的大小取决于当前帧道路图像中车道线的最大宽度，获取共同围成的区域，即为车道线局部区域；
b、基于最大类间距算法，获取车道线局部区域的二值图像；
c、去除车道线局部区域的二值图像中面积小于一定阈值的连通区域；
d、统计车道线局部区域的二值图像中剩余连通区域的数目；
e、获取最大面积和次大面积连通区域的高度；
f、如果连通区域的数目、最大面积和次大面积连通区域的高度满足以下公式，则当前车道线边缘直线是实线，否则是虚线：
N ≤ 2 H FM ≥ H S M * 2 H F M ≥ I H * 0.7
其中，N表示连通区域的数目，HFM表示最大面积连通区域的高度，HSM表示次大面积连通区域的高度，IH表示当前帧道路图像的高度。
7.根据权利要求1所述的基于车道线模型的违法占用应急车道检测方法，其特征在于，步骤(7)中，所述确定当前帧道路图像中的应急车道线边缘直线，具体包括以下步骤：
a、基于上一帧道路图像中的应急车道线边缘直线位置，采用kalman滤波器预测当前帧道路图像中的应急车道线边缘直线位置；
b、判断是否获取候选应急车道线边缘直线位置，如果获得，进入步骤c，如果没有获得，进入步骤e；
c、判断候选应急车道线边缘直线是否满足以下公式，若满足，则候选应急车道线边缘直线是真正的应急车道线边缘直线，进入步骤d，否则，则候选应急车道线边缘直线是错误的应急车道线边缘直线，予以丢弃，进入步骤e：
| α i - α p | ≤ 5 D ( L i , L p ) ≤ W * 2
其中，αi表示当前帧道路图像中候选应急车道线边缘直线的倾斜角度，αp表示预测得到的当前帧道路图像中应急车道线边缘直线的倾斜角度，D(Li，Lp)表示当前帧道路图像中候选应急车道线边缘直线与预测得到的应急车道线边缘直线之间的最大距离，W表示当前帧道路图像中车道线的最大宽度；
d、将候选应急车道线边缘直线作为最终的应急车道线边缘直线；
e、将预测得到的应急车道线边缘直线作为最终的应急车道线边缘直线；
f、基于获得的当前帧道路图像中的应急车道线边缘直线位置，更新kalman滤波器的模型参数。
8.根据权利要求1所述的基于车道线模型的违法占用应急车道检测方法，其特征在于，步骤(8)中，所述基于应急车道线边缘直线，确定当前帧道路图像中的应急车道区域，具体按照以下公式获得四个点，所述四个点连线围成的图像区域即是当前帧道路图像中的应急车道区域：
( x 1 , y 1 ) = ( X 0 - Y 0 k , 0 ) ( x 2 , y 2 ) = ( W + X 0 - Y 0 k , 0 ) ( x 3 , y 3 ) = ( W + X 0 + I H - Y 0 k , I H ) ( x 4 , y 4 ) = ( X 0 + I H - Y 0 k , I H )
其中，(X0，Y0)表示应急车道线边缘直线上的已知点，W表示当前帧道路图像中车道线的最大宽度，k表示应急车道线边缘直线的斜率，IH表示当前帧道路图像的高度，(x1，y1)、(x2，y2)、(x3，y3)、(x4，y4)分别表示四个点的坐标。
CN201610083127.3A 2016-02-03 2016-02-03 一种基于车道线模型的违法占用应急车道检测方法 Active CN105741559B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610083127.3A CN105741559B (zh) 2016-02-03 2016-02-03 一种基于车道线模型的违法占用应急车道检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610083127.3A CN105741559B (zh) 2016-02-03 2016-02-03 一种基于车道线模型的违法占用应急车道检测方法

Publications (2)

Publication Number Publication Date
CN105741559A true CN105741559A (zh) 2016-07-06
CN105741559B CN105741559B (zh) 2018-08-31

Family

ID=56245029

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610083127.3A Active CN105741559B (zh) 2016-02-03 2016-02-03 一种基于车道线模型的违法占用应急车道检测方法

Country Status (1)

Country Link
CN (1) CN105741559B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106781520A (zh) * 2016-12-26 2017-05-31 无锡高新兴智能交通技术有限公司 一种基于车辆跟踪的交通违法检测方法及系统
CN107886030A (zh) * 2016-09-30 2018-04-06 比亚迪股份有限公司 车辆识别方法、装置及车辆
CN108830182A (zh) * 2018-05-28 2018-11-16 浙江工商大学 一种基于级联卷积神经网络的道线检测方法
CN109427191A (zh) * 2017-09-01 2019-03-05 中移物联网有限公司 一种行驶检测方法及装置
CN110088807A (zh) * 2016-12-16 2019-08-02 歌乐株式会社 分隔线识别装置
CN110677814A (zh) * 2019-05-09 2020-01-10 岳文伟 基于密度分析的无线通信方法
CN111696142A (zh) * 2020-06-12 2020-09-22 广东联通通信建设有限公司 一种快速人脸检测方法及系统
CN112258843A (zh) * 2020-11-05 2021-01-22 浙江点辰航空科技有限公司 一种应用于高速公路应急车道无人机巡检的图像识别方法
CN112735187A (zh) * 2021-01-29 2021-04-30 重庆长安汽车股份有限公司 一种自动识别应急车道的系统和方法
CN113793356A (zh) * 2018-09-30 2021-12-14 百度在线网络技术（北京）有限公司 车道线检测方法和装置
CN113807125A (zh) * 2020-06-12 2021-12-17 深圳市丰驰顺行信息技术有限公司 应急车道占用检测方法、装置、计算机设备和存储介质
CN114255597A (zh) * 2020-09-23 2022-03-29 顺丰科技有限公司 应急车道占用行为检测方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102008019375A1 (de) * 2008-04-17 2009-12-03 Siemens Aktiengesellschaft Detektorsystem und Verfahren zur Ermittlung eines Belegungsstatus eines Fahrbahn-Seitenstreifens, Verkehrssteuerungssystem und Verkehrssteuerungsverfahren
CN103268471A (zh) * 2013-04-17 2013-08-28 深圳市锐明视讯技术有限公司 一种车辆非法占道检测方法及装置
CN103886745A (zh) * 2013-11-25 2014-06-25 天津思博科科技发展有限公司 一种汽车专用车道预警系统
CN105069415A (zh) * 2015-07-24 2015-11-18 深圳市佳信捷技术股份有限公司 车道线检测方法和装置
CN105224909A (zh) * 2015-08-19 2016-01-06 奇瑞汽车股份有限公司 车道线检测系统中的车道线确认方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102008019375A1 (de) * 2008-04-17 2009-12-03 Siemens Aktiengesellschaft Detektorsystem und Verfahren zur Ermittlung eines Belegungsstatus eines Fahrbahn-Seitenstreifens, Verkehrssteuerungssystem und Verkehrssteuerungsverfahren
CN103268471A (zh) * 2013-04-17 2013-08-28 深圳市锐明视讯技术有限公司 一种车辆非法占道检测方法及装置
CN103886745A (zh) * 2013-11-25 2014-06-25 天津思博科科技发展有限公司 一种汽车专用车道预警系统
CN105069415A (zh) * 2015-07-24 2015-11-18 深圳市佳信捷技术股份有限公司 车道线检测方法和装置
CN105224909A (zh) * 2015-08-19 2016-01-06 奇瑞汽车股份有限公司 车道线检测系统中的车道线确认方法

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107886030A (zh) * 2016-09-30 2018-04-06 比亚迪股份有限公司 车辆识别方法、装置及车辆
CN110088807A (zh) * 2016-12-16 2019-08-02 歌乐株式会社 分隔线识别装置
CN110088807B (zh) * 2016-12-16 2023-08-08 歌乐株式会社 分隔线识别装置
CN106781520A (zh) * 2016-12-26 2017-05-31 无锡高新兴智能交通技术有限公司 一种基于车辆跟踪的交通违法检测方法及系统
CN109427191A (zh) * 2017-09-01 2019-03-05 中移物联网有限公司 一种行驶检测方法及装置
CN109427191B (zh) * 2017-09-01 2021-07-09 中移物联网有限公司 一种行驶检测方法及装置
CN108830182A (zh) * 2018-05-28 2018-11-16 浙江工商大学 一种基于级联卷积神经网络的道线检测方法
CN108830182B (zh) * 2018-05-28 2020-08-07 浙江工商大学 一种基于级联卷积神经网络的道线检测方法
CN113793356A (zh) * 2018-09-30 2021-12-14 百度在线网络技术（北京）有限公司 车道线检测方法和装置
CN113793356B (zh) * 2018-09-30 2023-06-23 百度在线网络技术（北京）有限公司 车道线检测方法和装置
CN110677814A (zh) * 2019-05-09 2020-01-10 岳文伟 基于密度分析的无线通信方法
CN113807125A (zh) * 2020-06-12 2021-12-17 深圳市丰驰顺行信息技术有限公司 应急车道占用检测方法、装置、计算机设备和存储介质
CN111696142A (zh) * 2020-06-12 2020-09-22 广东联通通信建设有限公司 一种快速人脸检测方法及系统
CN114255597A (zh) * 2020-09-23 2022-03-29 顺丰科技有限公司 应急车道占用行为检测方法、装置、电子设备及存储介质
CN112258843A (zh) * 2020-11-05 2021-01-22 浙江点辰航空科技有限公司 一种应用于高速公路应急车道无人机巡检的图像识别方法
CN112735187A (zh) * 2021-01-29 2021-04-30 重庆长安汽车股份有限公司 一种自动识别应急车道的系统和方法

Also Published As

Publication number Publication date
CN105741559B (zh) 2018-08-31

Similar Documents

Publication Publication Date Title
CN105741559A (zh) 一种基于车道线模型的违法占用应急车道检测方法
CN110659539B (zh) 一种信息处理方法、装置及机器可读存储介质
CN104537841B (zh) 无牌车辆违章检测方法及其检测系统
CN109299674B (zh) 一种基于车灯的隧道违章变道检测方法
CN103235938B (zh) 车牌检测与识别的方法及系统
CN102862574B (zh) 基于智能手机实现车辆主动安全的方法
CN101630360B (zh) 一种在高清晰图像中识别车牌的方法
CN105740836A (zh) 一种违法占用应急车道的检测方法
CN111815959B (zh) 一种车辆违章的检测方法、装置以及计算机可读存储介质
CN103824066A (zh) 一种基于视频流的车牌识别方法
CN111161543A (zh) 一种基于图像识别的公交前车违章行为自动抓拍方法及系统
CN101739566B (zh) 基于自适应投影模板法的车牌定位方法
CN110298300B (zh) 一种检测车辆违章压线的方法
CN106600977A (zh) 基于多特征识别的违停检测方法及系统
KR101756848B1 (ko) 불법 주정차 관리 시스템
CN104700072A (zh) 基于车道线历史帧的识别方法
CN109241920B (zh) 一种用于车载道路监控取证系统的车道线检测方法
CN106022243A (zh) 一种基于图像处理的机动车道车辆逆行识别方法
CN112084822A (zh) 车道检测装置及方法、电子设备
CN111695565A (zh) 基于道路关卡模糊图像的汽车标志精准定位方法
Wu et al. Adjacent lane detection and lateral vehicle distance measurement using vision-based neuro-fuzzy approaches
CN111783666A (zh) 一种基于连续视频帧角点特征匹配的快速车道线检测方法
CN111652033A (zh) 基于OpenCV的车道线检测方法
Nguwi et al. Number plate recognition in noisy image
CN113076852A (zh) 一种基于5g通信的占用公交车道车载抓拍处理系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant