CN106571038A - 实现全自动道路监控的方法 - Google Patents

Abstract

一种实现全自动道路监控的方法。它利用道路监控摄像设备视野固定的特性，通过在实施全自动监控前由操作人员对监控视野内道路设施进行区块划分和规则录入，简化全自动监控时的逻辑判断；在实施全自动监控过程中，人工智能程序只需识别车辆的连续运动轨迹，就可以通过和区块范围及规则比对，自主判断交通违法行为，并同时完成对车流的统计和记录。

Description

实现全自动道路监控的方法

所属技术领域

本发明涉及一种使用计算机对道路监控图像进行分析，自动获取道路交通状况信息，并能够识别交通违章等异常情况的方法。

背景技术

现有的道路交通监控，特别是违章监控，依然主要依赖人工观看监控画面并进行判读。尽管很多智能交通相关的专利文献都提到自动对违章进行识别，却总是回避谈及具体的实施方法。这是因为，以目前的计算机技术，要完全依赖人工智能识别违章，并确保误报率在一个合理的范围内是极其困难的。

已经投入实用的自动违章抓拍设备主要是针对超速和闯红灯。前者可以通过测速雷达简单地实现——只需要在测速数值超过预设阈值时，驱动联动的照相机拍照即可；后者则可以通过信号灯的状态直接判断特定摄像头所监视的路线是否处于允许通行的状态，并对在禁行状态车道上行驶的车辆拍照。这些都是很初步的计算机辅助交通监管的应用，其技术含量低，用途单一，局限性大。

一部道路监控摄像设备，即使仅仅拍摄一条道路数百米的范围，其可以提供的有效数据量也是相当巨大的。当大量这样的监控终端的数据集合起来形成大数据，对其分析不但可以让交通管理部门掌握过去和现在的交通运行情况，更可以为道路规划，交通管制逻辑等关系到城市运行效率的重要决策提供可靠的依据，其潜在价值远远凌驾于识别违章本身。但是现有的监控系统却无法从监控视频中获取这些有效数据，其中的绝大部分没有被分析、采集就已经被销毁，或者仅仅成为存储设备上的一段存档，只有在事故调查时才会被调用。

单纯使用人力获取这些数据是不现实的：一个每年最低维持成本也需要数万元的工作人员，在理想情况下只能保证全年四分之一的时间用于监控的判读工作；即使仅仅负责违章的判读，同时查看两路监控视频也已经难以确保不出现疏漏，采集更多的有效数据更是无从谈起。

而要完全依赖人工智能，起码以现有的技术条件还难以实现。特别是只通过对廉价的摄像设备获取的数据进行分析形成的低成本解决方案，在市场上连初步的概念产品都没有。

发明内容

为了立足于现有技术条件实现全自动道路监控，本发明提供一种实现全自动道路监控的方法。该方法利用道路监控设备位置、视野固定的特点，将复杂但是只需要进行一次的逻辑判断交给人，将相对简单却反复、大量出现的逻辑判断交给计算机运行的人工智能程序，实现只需要在安装、调试时实施一次人工干预，就可以由计算机自主完成全天候的持续道路监控。

本发明解决其技术问题所采用的技术方案是：

1.在道路监控摄像设备完成安装后，通过有线或无线连接，获取其监控画面，由操作人员通过图形化操作界面将其监控的范围划分为拥有不同规则的区块；也可以先由人工智能程序对图像进行自主识别，再由操作人员人工检查并修正。区块划分应遵循以下原则：

a)每个区块应当具备与相邻区块不同的使用规则。对于机动车道，行驶方向不同、转弯规则不同(例如左转车道和直行车道)、变道规则不同(例如由左边虚线右边单实线分化的两条同向机动车道)、停车规则不同(例如禁止停车、禁止停车超过30分钟、允许停车)、允许通行车辆不同(如凌晨6点至午夜0点不允许大货车通行)、限速规则等规则不同，都应当划定为不同的独立区块。

b)区块应该集中在距离道路监控摄像设备一定距离的范围内。由于道路监控摄像设备拍摄的是平面图像，过远的距离会导致相对位置判断误差增大，影响人工智能的判读准确度。

c)不需要监控系统监控，或者难以精确监控(距离过远、角度过大，或者被视野中的物体遮挡住)的区域要单独划定以和其他区块区别。

d)区块的边框应当完全位于监控范围地面所处的平面或曲面上，区块边框的任何一部分不得高于地面。

2.在图形化界面中为每个区块输入相应的规则。每个区块的规则都必须完整地反映该区块划分的依据，包括并不限于允许的行驶方向，允许的转弯方向，允许的变道动作，停车规则，不同车型、不同时段的通行规则、限速规则等。

3.在图形化界面中加入或标注对于自动化监控有帮助的其他元素，如测速辅助线(两条或多条经过测量，间距已知，并在水平面上与道路垂直的直线)，交通信号灯，停车线等。

4.在图形化界面中添加上述辅助元素与区块的关联规则。这一步骤是为了录入一些相对隐晦的逻辑关系。例如一些路口会为每个车道单独设置一个信号灯，人工智能程序必须首先了解信号灯和机动车道的对应关系才能判断一个行驶行为是否符合交通法规。

5.图形化的人工输入结果可以由管理人员随时调阅、审核，并更正，以及时修正操作人员误输入导致的问题。

6.在日常的自动化监控中：

a)人工智能程序对每一帧画面进行识别，识别出单独的车辆，尤其是识别出其在每一帧中的轮廓线框(可以容纳该车辆图像最小线框；其最简单的形式是矩形轮廓线框，即可以容纳该车辆图像，且四边所在直线都与x轴或y轴平行的最小矩形范围，即bounding box)。

b)对于已经识别的车辆，识别其在连续帧中的位置变化，以获知其在监控范围平面内的运动轨迹。

c)如果在连续视频的任何一帧图像中可以识别其车牌或车型，则将识别的结果与其整个轨迹相关联。

d)将车辆的移动轨迹、轮廓线框(由于距离和角度的变化，在每一帧上都可能不尽相同)和监控范围中预先划定的区块、区块规则及辅助元素进行比对，判断是否有违章行为。如果发现违章，则根据违章的类型截取视频或图片证据。如果单独的照片无法同时提供违章证据和车辆识别证据(例如清晰的车牌)，则可以自动截取包含清晰识别证据和违章过程的最短视频或连续图集。

e)同时统计并收集有关车流状况，通行记录等有价值数据。

本发明的有益效果是：

1.只需要在安装或调试监控设备时进行一次人工干预，人工智能程序就能独立完成之后的全部监控工作，节省人力的同时显著提高监控效率。且人工干预仅需要拥有交通法规常识的人经过简单培训即可掌握，无需专业人员参与。

2.部署成本低。全部监控工作都可以基于单个道路监控摄像设备采集的图像完成，不需要雷达等专用设备就能实现测速和其他违章判定。

3.由于对通过监控范围内的每部车辆的行驶轨迹都进行了连续追踪，即使违章发生瞬间无法拍到清晰的车牌，只要监控过程中的任何一帧画面能够识别车牌，都能锁定违章车辆，并提供完整的视频或图集作为证据。这避免了在现有监控体系下需要人工调阅较早的监控影像并识别、截取的麻烦，同时还在流量统计中避免了重复统计。

4.在识别违章的同时，可以对车流状况进行精确统计，为构成完整的城市交通大数据持续提供支持。大量节点提供的数据可以为道路建设的规划、交通信号系统的调整、发现套牌等违法行为、在刑侦中及时获知可疑车辆位置并了解其行驶轨迹提供关键的信息支援。

附图说明

下面结合附图和实施实例对本发进行进一步说明。

图1是一个道路监控摄像设备拍摄到的画面。

图2是人工对图1中画面进行区块划分后的结果。

图3是实施全自动监控过程中，通过对图像进行人工智能识别，得到的车辆轮廓线框示意图。

图4是对车辆测速的过程示意图。

图5是对违章变道车辆的判定示意图。

具体实施方式

在图1中，(1)是道路旁边的建筑物；(2)(3)是两条用虚线分隔的车道，行驶方向朝向监控摄像头；(4)(5)是两条行驶方向远离摄像头的车道，车道(5)上行使的车辆可以向车道(4)变道，反之则不可以；(6)是一个禁止驶入区域；(7)是一个车辆无法驶入的泥塘；(8)是限速指示牌；(9)是针对车道(12)的右转弯标志；(10)是针对车道(4)和(5)的信号灯；(11)是车道(4)和(5)的停车线；(12)是一条单车道道路。

在图1中，靠近画面顶部的区域由于距离摄像头较远，难以拍摄到足够清晰的画面，超过信号灯的部分应当划为不监控区块。道路(12)上的车辆只能右转，右转后就会进入不监控区块，整个过程中很难获得清晰的车牌图像，因此也划定为不监控区块。如果需要对这些区块有效监控，则应在适当的位置部署额外的监控设备。(2)和(3)两条车道可以相互间随意变道，因此可以合并成一个区块以简化规则的输入，也可以作为两个独立区块存在。(4)和(5)两条车道则因为变道规则不同必须被划分为独立的区块。(11)停车线和(10)信号灯作为有用的辅助元素需要进行标注。(8)和(9)这样的指示牌则应作为区块规则输入系统，无需标注。

这样划分后，再加入用于测速的辅助线，即得到图2。为了让划分的区块更加容易分辨，图2中的区块均略小于其应有的大小。在实际实施中，区块的范围应该完整覆盖区域，显示时可以用颜色区分。

图2中，区块(1)(2)(3)是不监控区块；区块(4)的行驶方向是朝向摄像头，限速为60，不得转弯，不得变道(区块内的移动不被视为变道)；区块(5)的行驶方向是远离摄像头，限速60，不得转弯，不得变道；区块(6)的行驶方向是远离摄像头，限速60，不得转弯，可以向区块(5)变道；区块(7)是禁止行使、禁止停车区域；(8)的两条直线是经过实地测量后录入系统中的测速辅助线，间距为100米。同时，图1中的停车线(11)和信号灯(10)也作为辅助元素输入系统。

通过对有正常车流的图像进行人工智能识别，得到每个车辆的轮廓线框，标示于图上即得到图3。为了方便识别，图3中的轮廓线框比车辆略大，实际实施中应该刚好套住车辆影像。由于距离和角度不同，同样车型的车辆在不同位置的轮廓线框尺寸可能差异巨大，如图3中(1)(2)(3)所示。

图3中(1)所标注的矩形轮廓线框中的车辆在正常行驶中，矩形轮廓线框下边缘已经部分跨越双实线，这是由于示例中摄像头与道路的夹角过大。这可以通过调整监控摄像设备角度，或者在一定范围内调整违章判定阈值的方法补偿。更完善的解决方法是是使用相对复杂的非矩形轮廓线框算法，这会以提高运算量为代价提高辨识精度。为方便阐述与理解，本说明书附图中均使用最简单的矩形轮廓线框作为示例。

通过对多帧图像的连续识别，就可以获得同一车辆在摄像头视野中的移动轨迹，对于人工智能程序而言，这是由一系列的轮廓线框所构成的，所以将车辆的影像隐去，如图4中所示。

为了方便阅读，本说明书附图中的轮廓线框数量较少；在实际部署中，如果摄像设备以每秒30帧频率拍摄，则速度为120千米每小时的车辆会在100米区间留下约90个连续图像，并且提高拍摄速率或降低车速都会导致捕获的连续图像数量增加。

由于矩形轮廓线框的下边缘最接近地面(一般是靠近摄像头一侧的车轮底部)，通过计算车辆轮廓线框下边缘分别与两条测速辅助线交错的时间差，就可以简单地计算出车辆在这一区间的平均速度。假设图中车辆通过(1)(2)两条线的时间差为5秒，已知(1)(2)相距100米，车速即为20米每秒，即72千米每小时，超过了该区块的限速，构成超速违章。

如果拍摄设备的拍摄频率为每秒30帧，取车辆跨越一条测速辅助线前后两帧的平均时间，则本示例中测速的最大理论误差约为车速的0.67％。如果拍摄频率达到每秒60帧，理论最大测速误差将降低到车速的0.33％。最大理论误差值会随着车速的增加线性增长。在实际实施中，测速精度还会受到测距误差、计时误差等其他因素影响。

图5中由(1)至(8)是一辆违章变道车辆在8个连续帧中的轮廓线框。如果以轮廓线框底边线段的一半长度作为阈值，则在人工智能分析得到(5)时，对比区块规则，即可判定该车辆违规变道。

Claims (6)

1.一种实现全自动道路监控的方法，通过对道路监控摄像设备拍摄的画面进行分析实现自动监控，其特征是：在实施全自动监控前，对道路监控摄像设备拍摄的画面进行人工处理，将其划分为若干拥有一系列独立交通规则的区块，并录入相应规则；在实施全自动监控过程中，由计算机运行的人工智能程序识别车辆及其运动轨迹，并根据轨迹与录入的区块规则比对，自动判断其行驶行为是否符合交通法规规定。

2.根据权利要求1所述的实现全自动道路监控的方法，其特征是：对道路监控摄像设备拍摄的画面进行人工处理时，可以同时对与交通规则相关的信号灯和地面交通标志进行标注，以辅助全自动监控中的人工智能判断。

3.根据权利要求1所述的实现全自动道路监控的方法，其特征是：对道路监控摄像设备拍摄的画面进行人工处理时，可以加入经过实地测量，间距已知的测速辅助线；在实施全自动监控时，通过计算车辆经过两条测速辅助线的时间差，获得车辆通过两条测速辅助线区间的平均车速。

4.根据权利要求1所述的实现全自动道路监控的方法，其特征是：在实施全自动监控中，通过对连续帧的画面比对，识别出同一车辆在画面中的连续轨迹；只要在其中任何一帧中能够识别车牌或车型，就可以与整个轨迹相关联。

5.根据权利要求1所述的实现全自动道路监控的方法，其特征是：在发现违章行为后，可以自动提供包含清晰车辆识别信息和违章行为的最短视频或连续关键截图作为证据。

6.根据权利要求1所述的实现全自动道路监控的方法，其特征是：在识别违章行为的同时，可以自动统计详细的车流信息，为其他交通相关的执法和行政行为提供数据支持。