CN105788286A - 智能识别闯红灯系统以及车辆行为检测抓拍方法 - Google Patents

Abstract

本发明属于视频监控技术领域，它公开了一种智能识别闯红灯系统，其特征在于，包括数据采集子系统，用于视频流采集、红绿灯状态检测、机动车违章行为检测、违章图片抓拍、补光灯控制、违章记录本地储存、相关信息网络上传任务；通信网络子系统；中心管理子系统。本发明还公开了一种车辆行为检测抓拍方法，其特征在于，步骤包括：获取摄像视频序列；前景区域检测；车辆检测；车辆跟踪；判断车辆是否到达触发线位置，如果到达则发出触发信号；本发明即提高了电子交通管理智能化水平，又提高了对交通违章车辆检测、识别、抓拍的效率，可实现电子交通管理中采集、识别、记录智能一体化。

Description

智能识别闯红灯系统以及车辆行为检测抓拍方法

技术领域

本发明涉及视频监控技术领域，具体涉及智能识别闯红灯系统以及车辆行为检测抓拍方法。

背景技术

在“向科技要警力、向科技要效率”的今天，随着城市机动车数量的不断增长，带来诸多便利的同时，也存在着一些问题，城市道路交通事故频频发生，给城市交通管理造成了一定的难度。

利用科技手段实现对道路交通进行有力的治理，既能有效的防止此类交通违章行为，减少由此引起的事故，又能对违章的驾驶员起到威慑作用，促进交通秩序良性循环，同时能将部分交警解放下来，在一定程度上缓解警力不足，真正体现向科技要警力的无穷力量。

近年来孕育而生的电子化交通管理等已得到了广泛的应用，例如：闯红灯抓拍、超速抓拍等；但其多数系统停留在对违章等车辆的抓拍上，后续需经过较多的人工成本和时间对车辆进行识别，这也产生了工作量大，效率不高，智能化程度低的问题。

发明内容

本发明针对现有技术的上述问题，提供智能识别闯红灯系统以及车辆行为检测抓拍方法，即提高了电子交通管理智能化水平，又提高了对交通违章检测、车辆识别、违章抓拍等的效率，可实现交通违章等行为管理中采集、识别、记录智能一体化。

为了达到上述目的，本发明采用的技术方案为：

本发明智能识别闯红灯系统，它包括：

数据采集子系统，用于视频流采集、红绿灯状态检测、机动车违章行为检测、违章图片抓拍、补光灯控制、违章记录本地储存、相关信息网络上传任务；

通信网络子系统，用于承担将数据采集子系统的记录信息传输到中心管理子系统的任务，并且承担中心管理子系统对数据采集子系统进行远程管理、状态监测及设备参数设置的网络传输任务；

中心管理子系统，用于实现对数据采集子系统进行远程管理、网络监控、抓拍图像和数据的存储与处理，以及违章车辆的处罚管理的任务。

本发明进一步改进，所述数据采集子系统包括：

检测单元，用于采集实时视频图像以及进行红绿灯、车辆行为进行检测；

控制单元，用于分析处理接收的信息，控制抓拍和补光的触发以及控制网络传输。

进一步的，所述检测单元包括：

高清摄像模块，用于采集红绿灯以及现场的实时图像数据；

车辆检测模块，用于车辆、牌照的识别，以及检测行为动态；

红灯信号检测模块，用于红绿灯信号的检测与识别；

车辆行为判别模块，在红绿灯检测模块以及车辆检测模块共同的检测数据的基础上，实时的对车辆行为进行判别。

进一步的，所述控制单元包括：

嵌入式主控模块，用于获取处理信息指令，根据分析信息指令控制分发到不同模块处理；

嵌入式抓拍模块，用于根据嵌入式主控模块的指令对车辆进行实时抓拍处理；

同步补光模块，用于根据嵌入式抓拍模块的指令，在抓拍同时进行同步的灯光补偿处理；

网络传输模块，在嵌入式主控模块的控制下将视频流数据或信息指令数据打包通过通信网络传输给中心管理子系统。

本发明车辆行为检测抓拍方法，包括如下步骤：

获取摄像视频序列，获取实时的视频流并进行序列化；

前景区域检测，利用背景差分算法检测运动前景；

车辆检测，过滤噪声，并获取准确的车辆位置；

车辆跟踪，采用时空信息、匹配和预测方法，对车辆进行准确的跟踪，得到车辆对象的运动轨迹，并保存车辆对象的轨迹信息；

判断车辆是否到达触发线位置，如是没有到达，则进行下一帧的检测，如果到达则发出触发信号。

本发明进一步的，所述步骤前景区域检测中包括如下步骤：

首先通过初始多帧视频图像的自学习建立一个背景模型；

然后对当前帧图像与背景模型进行差分计算，消除背景的影响，从而获取运动目标的前景区域。

进一步的，本发明车辆行为检测抓拍方法步骤还包括：

背景更新，根据步骤前景区域检测中，背景差分计算中运动目标检测的结果，有选择性地更新背景模型，并保存背景模型用于下一次的前景区域检测。

进一步的，本发明车辆行为检测抓拍方法步骤还包括：

采用车牌识别方法，在车辆到达触发线的时刻，若检测到图像中的车辆存在车牌，则进行车牌识别，并触发抓拍；

对于无后车牌或后车牌遮挡的车辆，无法检测到车牌，此时将检测运动对象与系统内建的车辆模型相是否匹配，是则触发抓拍，并记录为无牌车辆。

进一步的，车辆行为检测抓拍方法步骤还包括：

抓拍将分两次进行，第一次在车辆到达红灯触发线时进行一次抓拍；第二次在车辆离开红灯触发线进行一次抓拍。

本发明具有下述优点：

1、本发明通过图像采集并对图像中的车辆进行智能分析自动检测红绿灯和车辆闯红灯行为，实时触发违章拍照，智能识别车辆，减轻了人工成本，提高了电子化交通管理的智能化水平和工作效率；

2、本发明与视频监控、智能分析识别、电子抓拍形成一体，具有很好的兼容性和通用性；

3、本发明方法流程简洁，系统实现效率高，车辆行为检测和抓拍准确率高；

4、本发明具有很好的扩展性，可扩展交通车辆管理处罚等应用。

附图说明

图1为本发明实施例中智能识别闯红灯系统结构图。

图2为本发明实施例中车辆行为检测抓拍方法的车辆检测流程图。

图3为本发明实施例中车辆行为检测抓拍方法的抓拍触发流程图。

图4为本发明实施例中智能车牌识别方法流程图。

具体实施方式

如图1所示，本实施例中智能识别闯红灯系统结构图，包括：

数据采集子系统，用于视频流采集、红绿灯状态检测、机动车违章行为检测、违章图片抓拍、补光灯控制、违章记录本地储存、相关信息网络上传任务；

通信网络子系统，用于承担将数据采集子系统的记录信息传输到中心管理子系统的任务，并且承担中心管理子系统对数据采集子系统进行远程管理、状态监测及设备参数设置的网络传输任务；

该通信网络可以采用数据专线、宽带网络、光纤网络、无线WIFI、移动蜂窝网络（2G/3G/4G）等方式。可采用数模复用光端机，即在一根单模光纤上传输视频监控系统前端摄像机的视频信号及控制信号，同时可提供100M的以太网口用以传输数据采集子系统设备记录的违法车辆信息；

中心管理子系统，用于实现对数据采集子系统进行远程管理、网络监控、抓拍图像和数据的存储与处理，以及违章车辆的处罚管理的任务；

中心管理子系统可采用一个中心管理服务器连接多个客户端的模式，中间架设了一个代理服务器，用来处理前端设备网络数据，一个代理服务器管辖多台前端设备。数据库用来记录中心服务器的各类参数和代理服务器的网络和识别信息。存储阵列用来存储前端设备抓拍的图片及相关数据信息。

优选的，所述数据采集子系统包括：

检测单元，用于采集实时视频图像以及进行红绿灯、车辆行为进行检测；它包括：

高清摄像模块，用于采集红绿灯以及现场的实时图像数据；可采用200万像素高清抓拍摄像主机，分辨率高达1600×1200；

车辆检测模块，用于车辆、牌照的识别，以及检测行为动态；

红灯信号检测模块，用于红绿灯信号的检测与识别；

视频分析算法与红绿灯信号的检测综合运用，视频分析亮度比较算法与灰度比较算法，在场景中红绿灯所在位置划定检测区域，并对该区域的亮度与灰度的变化进行实时地检测与判断，从而获知当前的红绿灯状态；如果视频检测无效或红绿灯被遮挡的情况下，则启用接入的红绿灯信号；

车辆检测模块与红灯信号检测模块同时实时的对从高清摄像设备获取的实时视频流保持进行检测状态；

车辆行为判别模块，在红绿灯检测模块以及车辆检测模块共同的检测数据的基础上，实时的对车辆行为进行判别；判断车辆是否有闯红灯或违章行为，并将结果传送给控制单元。

控制单元，用于分析处理接收的信息，控制抓拍和补光的触发以及控制网络传输；它包括：

嵌入式主控模块，用于获取处理信息指令，根据分析信息指令控制分发到不同模块处理；采用嵌入式高性能处理平台；

嵌入式抓拍模块，用于根据嵌入式主控模块的指令对车辆进行实时抓拍处理；

同步补光模块，用于根据嵌入式抓拍模块的指令，在抓拍同时进行同步的灯光补偿处理；

辅助光源可采用LED灯，光敏控制模块设计可自动启动，当环境光低于预设亮度，光源自动打开，为摄像机补光，保证夜间的摄像效果。发光器件为大功率LED，寿命在额定功率下达到30000小时；

网络传输模块，在嵌入式主控模块的控制下将视频流数据或信息指令数据打包通过通信网络传输给中心管理子系统。

实施例2，

如图2所示，本实施例中车辆行为检测抓拍方法的车辆检测流程图

本实施例采用基于运动检测的车辆检测方法，其通过学习建立道路背景模型，将当前帧图像与背景模型进行背景差分得到运动前景像素点，然后对这些运动前景像素进行处理得到车辆信息。

整个检测过程分为以下步骤：

1、获取摄像视频序列，由高清摄像头获取实时的视频流并进行序列化；

2、前景区域检测，利用背景差分算法检测运动前景；

首先通过初始多帧视频图像的自学习建立一个背景模型；

然后对当前帧图像与背景模型进行差分运算，消除背景的影响，从而获取运动目标的前景区域；

3、背景更新，根据背景差分运算中运动目标检测的结果，有选择性地更新背景模型，并保存背景模型；

4、车辆检测，过滤噪声，并获取准确的车辆位置；

5、车辆跟踪，运用时空信息、匹配和预测等算法，对车辆进行准确的跟踪，得到车辆对象的运动轨迹，并保存车辆对象的轨迹信息；

6、判断车辆是否到达触发线位置，如是没有到达，则进行下一帧的检测，如果到达则发出触发信号。

实施例3

如图3所示，本实施例中车辆行为检测抓拍方法的抓拍触发流程；

本实施例在实施2的基础上进一步改进，抓拍触发流程如下：

当接收到抓拍触发指令；

首先在车辆到达触发线的时刻，检测识别是否有车牌信息，若检测到图像中的车辆存在车牌，则采用车牌识别方法进行车牌识别，并触发抓拍；

对于无后车牌或后车牌遮挡的车辆，系统无法检测到车牌，此时将启用车辆匹配模式，若运动对象与系统内建的车辆模型相匹配，则触发抓拍，并记录为无牌车辆；

抓拍将分两次进行，第一次在车辆到达红灯触发线时进行一次抓拍；第二次在车辆离开红灯触发线进行一次抓拍。

实施例4

如图4所示，本实施例中智能车牌识别方法流程图；

本实施例在实施例3的基础上继续进行改进，车牌识别方法如下：

车牌识别是基于图像分割和图像识别理论，对含有车辆号牌的图像进行分析处理，从而确定牌照在图像中的位置，并进一步提取和识别出文本字符，达到智能识别车牌。

本实施列中智能车牌识别方法流程图，它包括图像采集、预处理、车牌定位、字符分割、字符识别、结果输出等一系列算法运算；

图像采集：通过高清摄像抓拍主机对卡口过车或车辆违章行为进行实时、不间断记录、采集；

预处理：因为图片质量是影响车辆识别率高低的关键因素，因此，需要对高清摄像抓拍主机采集到的原始图像进行噪声过滤、自动白平衡、自动曝光以及伽马校正、边缘增强、对比度调整等处理；

车牌定位：车牌定位的准确与否直接决定后面的字符分割和识别效果，是影响整个车牌识别率的重要因素；

其核心是纹理特征分析定位算法，在经过图像预处理之后的灰度图像上进行行列扫描，通过行扫描确定在列方向上含有车牌线段的候选区域，确定该区域的起始行坐标和高度，然后对该区域进行列扫描确定其列坐标和宽度，由此确定一个车牌区域。通过这样的算法可以对图像中的所有车牌实现定位；

字符分割：在图像中定位出车牌区域后，通过灰度化、灰度拉伸、二值化、边缘化等处理，进一步精确定位字符区域，然后根据字符尺寸特征提出动态模板法进行字符分割，并将字符大小进行归一化处理；

字符识别：对分割后的字符进行缩放、特征提取，获得特定字符的表达形式，然后通过分类判别和分类规则，与字符模板数据库中的标准字符表达形式进行匹配判别，就可以识别出输入的字符图像；

结果输出：将车牌识别的结果以文本格式输出。

实施例5，

本实施例在实施例4的基础上，进一步改进，方法具备对民用、警用、军用、武警等汽车号牌计算机自动识别能力，白天车辆号牌识别率大于95%，夜间车辆号牌识别率大于90%。

在实时记录通行车辆图像的同时，还具备对民用车牌、警用车牌、军用车牌、武警车牌的车牌自动识别能力。

建立字符模板数据库，所能识别的字符包括：

“0～9”十个阿拉伯数字；

“A～Z”二十六个英文字母；

省市区汉字简称(京、津、晋、冀、蒙、辽、吉、黑、沪、苏、浙、皖、闽、赣、鲁、豫、鄂、湘、粤、桂、琼、川、贵、云、藏、陕、甘、青、宁、新、渝、港、澳、台)；

号牌分类用汉字(警、学、领、试、农、挂、拖、境)；

军车牌字符。

本实施例的方法采用车牌颜色和视频检测技术结合的方法对车辆进行分型，能自动识别黑、蓝、黄、白四种车牌底色。对于民用车来说，蓝颜色车牌表示的是小型车辆，而黄颜色车牌表示的是大型车辆。因此，我们首先利用车牌颜色判断车辆类型，对于无法根据车牌颜色判别车型或者无法判断车牌颜色的情况，就利用图像分析来辅助区分车辆的类型。

以上所述仅是本专利的优选实施方式，本专利的保护范围并不仅局限于上述实施例，凡属于本专利思路下的技术方案均属于本专利的保护范围。应当指出，对于本专利的普通技术人员来说，在不脱离本专利原理前提下的若干改进和润饰，这些改进和润饰也应视为本专利的保护范围。

Claims (9)

1.智能识别闯红灯系统，其特征在于，包括：

数据采集子系统，用于视频流采集、红绿灯状态检测、机动车违章行为检测、违章图片抓拍、补光灯控制、违章记录本地储存、相关信息网络上传任务；

通信网络子系统，用于承担将数据采集子系统的记录信息传输到中心管理子系统的任务，并且承担中心管理子系统对数据采集子系统进行远程管理、状态监测及设备参数设置的网络传输任务；

中心管理子系统，用于实现对数据采集子系统进行远程管理、网络监控、抓拍图像和数据的存储与处理，以及违章车辆的处罚管理的任务。

2.根据权利要求1所述智能识别闯红灯系统，其特征在于，所述数据采集子系统包括：

检测单元，用于采集实时视频图像以及进行红绿灯、车辆行为进行检测；

控制单元，用于分析处理接收的信息，控制抓拍和补光的触发以及控制网络传输。

3.根据权利要求2所述智能识别闯红灯系统，其特征在于，所述检测单元包括：

高清摄像模块，用于采集红绿灯以及现场的实时图像数据；

车辆检测模块，用于车辆、牌照的识别，以及检测行为动态；

红绿灯信号检测模块，用于红绿灯信号的检测与识别；

车辆行为判别模块，在红绿灯检测模块以及车辆检测模块共同的检测数据的基础上，实时的对车辆行为进行判别。

4.根据权利要求2或3任一项所述智能识别闯红灯系统，其特征在于，所述控制单元包括：

嵌入式主控模块，用于获取处理信息指令，根据分析信息指令控制分发到不同模块处理；

嵌入式抓拍模块，用于根据嵌入式主控模块的指令对车辆进行实时抓拍处理；

同步补光模块，用于根据嵌入式抓拍模块的指令，在抓拍同时进行同步的灯光补偿处理；

网络传输模块，在嵌入式主控模块的控制下将视频流数据或信息指令数据打包通过通信网络传输给中心管理子系统。

5.一种车辆行为检测抓拍方法，其特征在于，包括如下步骤：

获取摄像视频序列，获取实时的视频流并进行序列化；

前景区域检测，利用背景差分算法检测运动前景；

车辆检测，过滤噪声，并获取准确的车辆位置；

车辆跟踪，采用时空信息、匹配和预测方法，对车辆进行准确的跟踪，得到车辆对象的运动轨迹，并保存车辆对象的轨迹信息；

判断车辆是否到达触发线位置，如是没有到达，则进行下一帧的检测，如果到达则发出触发信号。

6.根据权利要求5所述车辆行为检测抓拍方法，其特征在于，所述步骤前景区域检测中包括如下步骤：

首先通过初始多帧视频图像的自学习建立一个背景模型；

然后对当前帧图像与背景模型进行差分计算，消除背景的影响，从而获取运动目标的前景区域。

7.根据权利要求6所述车辆行为检测抓拍方法，其特征在于，步骤还包括：

背景更新，根据步骤前景区域检测中，背景差分计算中运动目标检测的结果，有选择性地更新背景模型，并保存背景模型用于下一次的前景区域检测。

8.根据权利要求5-7任一项所述车辆行为检测抓拍方法，其特征在于，步骤还包括：

采用智能车牌识别方法，在车辆到达触发线的时刻，若检测到图像中的车辆存在车牌，则进行车牌识别，并触发抓拍；

对于无后车牌或后车牌遮挡的车辆，无法检测到车牌，此时将检测运动对象与系统内建的车辆模型相是否匹配，是则触发抓拍，并记录为无牌车辆。

9.根据权利要求5-7任一项所述车辆行为检测抓拍方法，其特征在于，步骤还包括：

抓拍将分两次进行，第一次在车辆到达红灯触发线时进行一次抓拍；第二次在车辆离开红灯触发线进行一次抓拍。