CN106652468B - 车辆道路前车违规检测和自车违规预警提醒装置及方法 - Google Patents
车辆道路前车违规检测和自车违规预警提醒装置及方法 Download PDFInfo
- Publication number
- CN106652468B CN106652468B CN201611130089.9A CN201611130089A CN106652468B CN 106652468 B CN106652468 B CN 106652468B CN 201611130089 A CN201611130089 A CN 201611130089A CN 106652468 B CN106652468 B CN 106652468B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lane
- violation
- line
- road
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 145
- 238000000034 method Methods 0.000 title claims abstract description 89
- 230000008859 change Effects 0.000 claims abstract description 138
- 238000012545 processing Methods 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 33
- 230000033001 locomotion Effects 0.000 claims description 29
- 239000003086 colorant Substances 0.000 claims description 19
- 238000003708 edge detection Methods 0.000 claims description 19
- 238000001914 filtration Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 10
- 238000011897 real-time detection Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000009432 framing Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 206010039203 Road traffic accident Diseases 0.000 abstract description 6
- 230000011218 segmentation Effects 0.000 description 14
- 238000012360 testing method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000007781 pre-processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008034 disappearance Effects 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种车辆道路前车违规检测和自车违规预警提醒装置及方法，包括：视频读入模块，用于获取道路的视频图像；道路检测识别模块，用于检测车辆行驶时的车道线，识别车道线为实线或虚线；前车违规检测单元，用于判断前车的变道情况，结合车道线的类别和转向灯信息判断该车辆是否发生违规变道，在前车发生违规变道时，向驾驶员发出报警信息，并提取违规车辆的车牌信息；自车违规预警单元，用于预测自车是否将发生违规变道，在将要发生违规变道时，向驾驶员发出报警信息。本发明成本低，有利于规范驾驶习惯，有利于降低交通事故率，有极大社会价值。
Description
技术领域
本发明涉及智能交通技术领域，尤其涉及一种车辆道路前车违规检测和自车违规预警提醒装置及方法。
背景技术
随着中国经济飞速增长，人民物质生活水平得到极大提高。使得汽车已经成为人们生活中必不可少的一种代步工具。人们对汽车的依赖直接导致了汽车保有量的不断攀升。汽车保有量的攀升使得交通拥挤加剧，交通事故频发，人们生命财产安全受到极大威胁。其中车辆违法变道是一种最常见的交通违规行为，据不完全统计，每年发生的交通事故中，超过半数的交通事故都是和违法变道有关，可见违法变道的危害之大，不容忽视。因此检测车辆变道是否合法对于减少交通事故的发生意义十分重大。
传统的交通事件检测的方法一般是需要在道路下方物理埋设大量的环形线圈感应器和这在道路两旁安装大量的超声波检测器，对于这两种方法需要破坏道路，提高了道路的修建成本，而且都存在使用寿命，工作环境和人为损坏等问题。传统的检测技术最重要的缺点是在于没有安装检测设备的路段不能实现移动实时检测，因此检测地方比较特定。其次，未能对自车即将发生违规变道时，给予适当的警报提醒。再次，对于多辆汽车发生变道时，不能实现实时检测。
发明内容
本发明要解决的技术问题在于针对现有技术中难以实现移动状态下的违章变道检测和预警的缺陷，提供一种车辆道路前车违规检测和自车违规预警提醒装置及方法。
本发明解决其技术问题所采用的技术方案是：
本发明提供一种车辆道路前车违规检测和自车违规预警提醒装置，包括视频读入模块、道路检测识别模块、前车违规检测单元和自车违规预警单元，其中：
视频读入模块，用于获取道路的视频图像；
道路检测识别模块，用于检测车辆行驶时的车道线，识别车道线为实线或虚线，并识别车道线的类别，包括行车道、应急道、公交车道和专用车道；
前车违规检测单元，用于检测视频图像中前车的运动状态及其转向灯信息，对前车进行特征点跟踪，生成其运动轨迹，计算运动轨迹的横向跨度是否大于一个车道的宽度，判断前车的变道情况，结合车道线的类别和转向灯信息判断该车辆是否发生违规变道，在前车发生违规变道时，向驾驶员发出报警信息，并提取违规车辆的车牌信息；
自车违规预警单元，用于检测自车的车道位置和转向灯信息，根据自车与两侧车道线类型和相对位置，结合转向灯信息，预测自车是否将发生违规变道，在将要发生违规变道时，向驾驶员发出报警信息。
进一步地，本发明的前车违规检测单元包括：
前车检测识别模块，用于检测视频图像中前方的运动车辆；
跟踪模块，用于通过卡尔曼滤波跟踪算法对前车进行跟踪，并检测和标记前车的转向灯信息；
判别模块，用于对前车进行特征点跟踪，记录前车位置信息，通过位置信息生成运动轨迹，计算轨迹的横向跨度是否大于一个车道的宽度，判断前车的变道情况，再结合车道线种类以及前车转向灯打开关闭状态进而判别是否发生违规变道；根据自车与两侧车道线相对位置和转向灯打开关闭情况，预测判别是否将要发生违规变道；根据神经网络算法识别出前车的车型，根据识别出的前车车型和相应行驶的车道种类判别，判断前车是否违规变道；
信息保存传输模块，用于在前车发生违规变道时发出报警信息，并从视频图像中截取、保存该违规车辆的车牌信息，并保存违规变道时的视频图像，通过无线网络传输至服务器。
进一步地，本发明的自车违规预警单元包括：
高精度定位模块，用于结合卫星定位系统和地图API，检测自车的准确车道位置；
判别模块，用于根据自车与两侧车道线类型和相对位置，结合转向灯信息，预测自车是否将发生违规变道；
预警提醒模块，用于在自车将要发生违规变道时，向驾驶员发出报警信息。
本发明提供一种车辆道路前车违规检测和自车违规预警提醒方法，包括以下步骤：
S1、获取道路的视频图像；
S2、检测车辆行驶时的车道线，识别车道线为实线或虚线，并识别车道线的类别，包括行车道、应急道、公交车道和专用车道；
S3、前车违规检测：检测视频图像中前车的运动状态及其转向灯信息，对前车进行特征点跟踪，生成其运动轨迹，计算运动轨迹的横向跨度是否大于一个车道的宽度，判断前车的变道情况，结合车道线的类别和转向灯信息判断该车辆是否发生违规变道，在前车发生违规变道时，向驾驶员发出报警信息，并提取违规车辆的车牌信息；
S4、自车违规预警：检测自车的车道位置和转向灯信息，根据自车与两侧车道线类型和相对位置，结合转向灯信息，预测自车是否将发生违规变道，在将要发生违规变道时，向驾驶员发出报警信息。
进一步地，本发明的步骤S3中采用Adaboost算法对前车的运动状态进行检测，其方法为：
步骤一、离线训练：在各种环境下采集大量的车辆样本和非车辆样本，通过对样本的学习，针对样本的类Haar特征，通过Adaboost训练算法形成弱分类器，根据权重把这些弱分类器组合成强分类器；
步骤二、在线识别：根据离线训练得到的强分类器，对道路的视频图像进行实时检测与判断，从检测出前车开始，对该车进行标记，并建立该车位置信息与时间序列关系进行保存，得到当前图像中车辆所在的位置。
进一步地，本发明的步骤S3中采用kalman滤波运动目标跟踪的方法对前车进行跟踪，其方法为：
步骤一、运动目标特征提取：用矩形框将前车的目标区域进行框定，并提取区域的中心坐标及长宽特征；
步骤二、kalman滤波器初始化：根据提取区域的中心坐标及长宽特征初始化kalman滤波器；
步骤三、状态向量建模：根据提取的目标特征，建立状态向量模型；
步骤四、kalman滤波器预测：根据建立的状态向量模型，用kalman滤波的时间更新方程预测下一帧图像中运动目标可能会出现的位置，预测如下：
其中，和分别是k-1和k帧的状态向量，Ak,k-1是确定已知的矩阵；
步骤五、运动目标匹配：基于预测的区域，搜索最佳匹配目标；
步骤六、模型更新：用kalman滤波的测量更新方程进行模型更新。
进一步地，本发明的步骤S2中识别车道线信息的方法为：
对经过去噪处理的图像进行sobel算子边缘检测，然后通过hough变换检测得到道路车道线；其中，利用hough变换进行车道线检测时只检测与水平线具有一定的夹角范围内的直线；在原始彩色图中对车道线区域进行色彩提取，识别该车道线的颜色，记录各车道线颜色。
进一步地，本发明的步骤S2中识别应急车道和工具车道的方法为：
在对图像进行sobel算子边缘化处理后，利用垂直边缘就可以检测出道路两旁的护栏，从而确定道路的最左侧和最右侧，再根据高精度地图定位便检测出应急车道；如果在车辆行驶在实线外则，且在护栏内侧，初判为应急车道；
根据公交专用道的特征为黄色实线或虚线，并且外侧为实线，如果检测到该特征的车道，判定为公交车道。
进一步地，本发明的步骤S3中前车违规变道判别的方法为：
步骤一、计算前车变道轨迹的横向跨度的最大值是否半个车道的宽度，如果大于大于半个车道宽度，则判断为发生变道；否则，则视为正常行驶；
步骤二、判断前车变道前，与前车相距最近的车道线是实线或是虚线，如果是实线，则视为违规变道；获取违规变道的前车的车牌信息；
步骤三、如果是虚线，检测判断前车转向灯打开关闭情况，如果转向灯处于关闭状态，则视为违规变道，获取违规变道的前车的车牌信息；如果转向灯处于打开状态，则视为合法变道。
进一步地，本发明的步骤S4中自车违规变道判别的方法为：
步骤一、建立车辆坐标系；
步骤二、通过车辆坐标系与车道线，计算自车与最近车道线的相对距离，并预测未来自车与车道线相对距离；
步骤三、如果预测相对距离小于预设定值，则判断自车将要发生变道，否则判断不发生变道；
步骤四、若判断自车要发生变道，判断与自车相距最近车道线是虚线还是实线，如果是实线，则视为将要发生违规变道；
步骤五、如果是虚线，通过传感器检测自车转向灯打开关闭状态，如果转向灯处于打开状态，则判断为将要进行自车合法变道；如果转向灯处于关闭状态，则判断为将要发生违规变道。
本发明产生的有益效果是：本发明的车辆道路前车违规检测和自车违规预警提醒装置及方法，实现自车的车道偏离预警提醒、前车碰撞预警提醒功能之外实现违规检测，可应用于各种类型的大、中、小型汽车，不会局限于在特定地方才能实现变道检测；成本低，易于大范围推广普及，有利于规范驾驶习惯，有利于降低交通事故率，有极大社会价值；检测范围广，通过实时采集视频数据进行检测，检测实时性强；且该装置安装方便，移动性强，检测精度高。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为前车变道合法性检测示意图
图2为自车违规变道检测报警示意图
图3为基于Adaboost算法的车辆检测算法流程图
图4为自车道前车实线违规变道检测示意图；
图5为旁车道前车实线违规变道检测示意图；
图6为旁车道前车虚线违规变道检测示意图；
图7为旁车道前车虚线合法变道检测示意图；
图8为自车道前车虚线合法变道检测示意图；
图9为自车道前车虚线违规变道检测示意图；
图10为自车实线违规变道检测示意图；
图11为自车虚线合法变道检测示意图；
图12为自车虚线违规变道报警示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明实施例的车辆道路前车违规检测和自车违规预警提醒装置，包括视频读入模块、道路检测识别模块、前车违规检测单元和自车违规预警单元，其中：
视频读入模块，用于获取道路的视频图像；
道路检测识别模块，用于检测车辆行驶时的车道线，识别车道线为实线或虚线，并识别车道线的类别，包括行车道、应急道、公交车道和专用车道；
前车违规检测单元，用于检测视频图像中前车的运动状态及其转向灯信息，对前车进行特征点跟踪，生成其运动轨迹，计算运动轨迹的横向跨度是否大于一个车道的宽度，判断前车的变道情况，结合车道线的类别和转向灯信息判断该车辆是否发生违规变道，在前车发生违规变道时，向驾驶员发出报警信息，并提取违规车辆的车牌信息；
自车违规预警单元，用于检测自车的车道位置和转向灯信息，根据自车与两侧车道线类型和相对位置，结合转向灯信息，预测自车是否将发生违规变道，在将要发生违规变道时，向驾驶员发出报警信息。
前车违规检测单元包括：
前车检测识别模块，用于检测视频图像中前方的运动车辆；
跟踪模块，用于通过卡尔曼滤波跟踪算法对前车进行跟踪，并检测和标记前车的转向灯信息；
判别模块，用于对前车进行特征点跟踪，记录前车位置信息，通过位置信息生成运动轨迹，计算轨迹的横向跨度是否大于一个车道的宽度，判断前车的变道情况，再结合车道线种类以及前车转向灯打开关闭状态进而判别是否发生违规变道；根据自车与两侧车道线相对位置和转向灯打开关闭情况，预测判别是否将要发生违规变道；根据神经网络算法识别出前车的车型，根据识别出的前车车型和相应行驶的车道种类判别，判断前车是否违规变道；
信息保存传输模块，用于在前车发生违规变道时发出报警信息，并从视频图像中截取、保存该违规车辆的车牌信息，并保存违规变道时的视频图像，通过无线网络传输至服务器。
自车违规预警单元包括：
高精度定位模块，用于结合卫星定位系统和地图API，检测自车的准确车道位置；
判别模块，用于根据自车与两侧车道线类型和相对位置，结合转向灯信息，预测自车是否将发生违规变道；
预警提醒模块，用于在自车将要发生违规变道时，向驾驶员发出报警信息。
本发明实施例的车辆道路前车违规检测和自车违规预警提醒方法，包括以下步骤：
S1、获取道路的视频图像；
S2、检测车辆行驶时的车道线，识别车道线为实线或虚线，并识别车道线的类别，包括行车道、应急道、公交车道和专用车道；
S3、前车违规检测：检测视频图像中前车的运动状态及其转向灯信息，对前车进行特征点跟踪，生成其运动轨迹，计算运动轨迹的横向跨度是否大于一个车道的宽度，判断前车的变道情况，结合车道线的类别和转向灯信息判断该车辆是否发生违规变道，在前车发生违规变道时，向驾驶员发出报警信息，并提取违规车辆的车牌信息；
S4、自车违规预警：检测自车的车道位置和转向灯信息，根据自车与两侧车道线类型和相对位置，结合转向灯信息，预测自车是否将发生违规变道，在将要发生违规变道时，向驾驶员发出报警信息。
在本发明的另一个具体实施例中，该系统包括：
一.前车违规检测方案按功能划分包含如下模块：
1)模块一：视频读入模块
初始化，通过视频采集装置来获取道路的视频图像。该方法和装置对视频进行图像处理时可支持多种视频格式。
2)模块二：前车检测识别模块
本模块的主要目的检测出视频中的运动车辆。视频是有许多帧系列图像组合而成的。对经过预处理的每帧图像进行检测，根据车辆独有的特征就能检测出每帧图像中车辆存在的位置，从而就能在视频中检测并识别出前方运动车辆。
3)模块三：跟踪模块
本模块的主要目的是对经过模块二检测出前方车辆后，通过卡尔曼滤波等跟踪算法，实现对前方运动车辆的跟踪；其次是对已经检测跟踪并标记前方车辆转向灯。
4)模块四：道路检测识别模块
本模块的主要目的是检测识别出车辆正常行驶时的道路车道线以及根据相关特征检测识别出行车道/应急道/公交车道/其它专用车道。
5)模块五：判别模块
本模块的目的，一是对检测和识别出的车道线进行判别分类是虚线还是实线；二是对检测出的车道进行判别分类是行车道/应急道/公交车道/其它专用车道；三是对检测出前方车辆的转向灯进行判别是否打开转向灯；四是通过对前车进行特征点跟踪，并记录前车位置信息，通过位置信息生成的运动轨迹，计算轨迹的横向跨度是否大于一个车道的宽度判断前车变道情况，再结合车道线种类以及前车转向灯打开关闭状态进而判别是否发生违规变道。五是根据自车与两侧车道线相对位置和转向灯打开关闭情况，预测判别是否将要发生违规变道。六是根据神经网络算法识别出前车的车型。七是根据识别出的前车车型和相应行驶的车道种类判别，前车是否违规行驶，如行驶在应急车道，公交专用道等。
6)模块六：信息保存传输模块
本模块的目的，一是，对模块五中将自车判别为即将发生违规变道时，装置自动发出警报声进行提醒。二是对模块五中判别为违规变道和违规行驶的前方车辆变道前后的视频截取出来并且提取出该车辆的车牌信息，将违规变道前后一段时间的视频和违规行驶的前车车牌信息保存，并通过4G/3G或Wifi网络上传至网络服务器。
二.自车行驶合法性检测预警提醒方案如下：
1)模块一：视频读入模块
初始化，通过视频采集装置来获取道路的视频图像。该方法和装置对视频进行图像处理时可支持多种视频格式。
2)模块二：道路检测识别模块
本模块的主要目的是检测识别出车辆正常行驶时的道路车道线以及根据相关特征检测识别出行车道/应急车道/公交专用道/其它专用道。
3)模块三：高精度定位模块
装置内设计了亚米级北斗定位差分定位模块，也可更换为分米级北斗定位模块；结合高精度地图API，可实现车道定位，确定当前车辆所在位置的准确车道信息。
4)模块四：判别模块
本模块的目的，一是对检测和识别出的车道线进行判别分类是虚线还是实线；二是对检测出的车道进行判别分类是行车道/应急车道/公交专用道/其它专用道；三是根据自车与两侧车道线相对位置和自车转向灯打开关闭情况，预测判别是否将要发生违规变道。
5)模块五：预警提醒模块
本模块的目的是对模块五中将自车判别为即将发生违规变道时，装置自动发出警报声，对车主进行违规变道提醒。
对于上述前车变道合法性检测方案和自车违规变道检测预警提醒方案在实际检测中是并行处理，同步执行。
实施例1：
一、如图1所示，是实施例1提供的前车行驶合法性检测的实现流程，详述如下：
在视频读入模块中，通过视频采集装置来获取道路的视频图像。该方法和装置对视频进行图像处理时可支持多种视频格式。
在前车检测识别模块中，通过视频读入模块对获取的图像进行车辆检测。对于基于视频的车辆检测方法比较多，例如：基于帧间差分的方法，基于光流场的方法以及基于背景差的方法等等。优选地，在实施例1中采用的是基于Adaboost算法的车辆检测方法。结合图3，基于Adaboost算法进行车辆检测主要有以下步骤：
1.离线训练：通过对在各种环境下采集到大量的车辆样本(真样本)和非车辆样本(假样本)的学习，针对样本的类Haar特征，通过Adaboost训练算法形成一系列的弱分类器，然后依据权重把这些弱分类器组合成强分类器。
2.在线识别：依据离线训练模块得到的强分类器，对安装在车上的图像采集装置采集的道路图像进行实时检测与判断，得到当前图像中车辆所在的位置。
其中，从检测出前车开始，对该车进行标记，并建立该车位置信息与时间序列关系进行保存。设检测出前车的时间点为前车消失时间点为其中上标1表示前车的标记记号。
在跟踪模块中，主要目的是对在经过前车检测识别模块检测出前方车辆后，通过跟踪方法，实现对前方运动车辆的跟踪；其次是对已经检测出的前方车辆进而检测其转向灯亮暗情况。对于前车跟踪的方法比较多，例如：模板匹配，卡尔曼滤波，粒子滤波，camshift等等。优选地，在实施例1中采用的是kalman滤波跟踪。
基于kalman滤波运动目标跟踪，具体步骤如下：
1.运动目标特征提取：对检测出的运动目标，用一个矩形框将运动目标区域进行框定，并提取区域的中心坐标及长宽特征。
2.kalman滤波器初始化：用得到的特征信息初始化kalman滤波器。由于初始化时对目标的速度以及外接矩形的变化速度位置，所以对于这几个量初始化为0.
3.状态向量建模：根据提取的目标特征，建立状态向量模型。
4.kalman滤波器预测：根据建立的状态向量模型，用kalman滤波的时间更新方程预测下一帧图像中运动目标可能会出现的位置，预测如下：
其中，和分别是k-1和k帧的状态向量，Ak,k-1是确定已知的矩阵；
5.运动目标匹配：基于预测的区域，搜索最佳匹配目标。
6.模型更新：用kalman滤波的测量更新方程进行模型更新。
对于前车转向灯检测跟踪采用如下方法：
在对已检测出运动目标用矩形框框定区域之后，对该区域图像进行色彩空间转换至HSV空间，在HSV空间对图像进行红色阈值分割，然后基于连通域进行标记，框定出车灯所在区域，就能实现对前车转向灯的检测跟踪。
在道路检测识别模块中,本模块的目的,一是检测识别出车辆正常行驶时的道路车道线；二是根据相关特征检测出行车道/应急车道/公交专用道/其它专用道。
1.车道线检测。优选地，在实施例1中采用的是基于图像特征(边缘检测)的检测方法。是基于道路图像的一些特征(如车道线颜色，宽度以及边缘等特征)将图像的所有点标记为车道线点和非车道线点。另一类是基于模型的检测方法，是根据提取的特征对预先定义好的车道线模型进行匹配，将车道线的提取转化为车道线模型中参数的计算问题。车道线检测主要有以下步骤：
1.1.检测区域选取：通过当前帧消失点位置，选取具有车道线的下半部分图像，这样可以缩短每帧图像处理时间，提高车道线检测实时性。
1.2.去噪处理：对图像有效区域进行灰度化，采用中值滤波去除干扰点，消除噪声。
1.3.检测车道线：对经过去噪处理的图像进行sobel算子边缘检测，然后通过hough变换检测就能得到道路车道线。其中，利用hough变换进行车道线检测时只检测与水平线具有一定的夹角范围内的直线，这样可以提高检测准确度，而且提高检测的实时性。之后在原始彩色图中对车道线区域进行色彩提取，放入已经训练好的分类器中，对该车道线的颜色进行识别，记录各车道线颜色。本实例通过大量测试，白天准确性能达到97％以上，夜晚准确性90％以上。在完成对车道线的检测之后，可以根据统计特征和颜色特征来识别车道线的种类。
2.应急车道判断
在对图像进行sobel算子边缘化处理后，利用垂直边缘就可以检测出道路两旁的护栏，从而就可以确定道路的最左侧和最右侧，再根据高精度地图及高精度定位模块便可检测出应急车道。如果在车辆行驶在实线外则，且在护栏内侧，初判为应急车道，再根据高精度地图及高精度定位模块输出的位置信息判断当前如果为高速公路，则判定为急车道。
3.公交车道判断：
首先进行根据公交专用道的特征为黄色实线或虚线，并且外侧为实线，如果检测到该特征的车道，初步判定为公交车道，再根据高精度地图及高精度定位模块输出的位置信息判断当前如果为高速公路。
4.其它专用车道判断
根据不同类型，不同颜色的线型，结合高精度地图可扩展其它用途的专用车道判定。
在判别模块中，本模块的目的，一是对检测和识别出的车道线进行判别分类是虚线还是实线；二是对检测出的车道进行判别分类是行车道/应急道/公交车道/其它专用车道；三是对检测出前方车辆的转向灯进行判别是否打开转向灯；四是通过对前车进行特征点跟踪，并记录前车位置信息，通过位置信息生成的运动轨迹，计算轨迹的横向跨度是否大于一个车道的宽度判断前车变道情况，再结合车道线种类以及前车转向灯打开关闭状态进而判别是否发生违规变道。五是根据自车与两侧车道线相对位置和转向灯打开关闭情况，预测判别是否将要发生违规变道。六是根据神经网络算法识别出前车的车型。七是根据识别出的前车车型和相应行驶的车道种类判别，前车是否违规行驶，如行驶在应急车道，公交专用道等。
1.车道线虚实线判别
对于车道线种类的判别采用的是基于统计特征进行判断。在道路检测识别模块中检测出车道线之后，在每帧图像中，对两侧车道线进行直线拟合，拟合直线方程y＝kx+b，然后遍历图像中所有的像素点坐标，统计满足该直线方程的像素点个数M。在二值图像中，对所有满足该直线方程的像素中的白色像素点个数n进行统计：
其中对于参数α，在经过多次实验测试后，确定出参数的合适取值为0.65。
如果p＝1，则将该车道线识别为实线；如果p＝0，则将改车道线识别为虚线。其中，为了防止对车道线种类判别出错，因此需要进行多帧检测，系统默认为连续10帧中超过6帧检测出是实线/虚线，则确定为实线/虚线，可以准确有效过滤掉噪声影响，提高准确性。
2.车道线颜色判别
在判断出车道线的虚实线类型之后，在原始彩色图中对车道线区域进行色彩提取，放入已经训练好的分类器中，对该车道线的颜色进行识别，记录各车道线颜色。
3.行车道/应急车道/公交专用道/其它专用道判别
3.1.行车道判别：如果检测出车辆左侧车道线是虚线或者右侧车道线为虚线，对改车道线区域进行颜色提取后进行识别为白色，则视为该车道为正常行车道；
3.2.应急车道判别：在对图像进行sobel算子边缘化处理后，利用垂直边缘就可以检测出道路两旁的护栏，从而就可以确定道路的最左侧和最右侧，如果在车辆行驶在实线外则，且在护栏内侧，初判为应急车道，再根据高精度地图及高精度定位模块判断当前如果为高速公路，则判定为应急车道。
3.3.公交专用道判别：如果检测并判别出车辆两侧的车道线为虚线，而且经过颜色识别为黄色，则视为该车道为公交专用道。
3.4.其它专用道判别：对于车道的识别判断，如果通过车道线的特征对车道进行识别不是行车道，不是应急车道也不是公交专用道，则视为该车道为其他装用道。
4.前车转向灯关闭判别
在跟踪模块中，在已框定的车灯区域进行多帧检测其中亮度变化情况，转向灯亮暗情况判别具有如下步骤：
4.1.在内存开辟一个空间，建立一个列向量R，共10个元素；
4.2.对车灯区域图像进行灰度化处理，统计其中所有像素的灰度值Ri，其中(i＝1,2,3…10)；
4.3.统计连续10帧车灯区域图像中所有像素的灰度值，将其分别存入向量R中；
4.4.求取向量R中10个元素的均值Raver；
4.5.如果10个元素中至少有6个元素值大于Raver，则认为前车转向灯处于打开状态，否则，认为前车转向灯处于关闭状态。
4.6多帧序列综合后，可得出转向灯闪烁频率，转向灯在正常频率范围内闪烁判断为打开转向灯。
5.前车违规变道判别
在跟踪模块中，通过特征点对前车实现跟踪的同时，记录前车位置信息，通过位置信息，可以得到前车的运动轨迹。前车违规变道判别主要有以下步骤：
5.1.计算轨迹的横向跨度的最大值是否半个车道的宽度，如果大于大于半个车道宽度，则视为发生变道，进入步骤4.2；否则，则视为正常行驶。
5.2.判断前车变道前，与前车相距最近的车道线是实线或是虚线，如果是实线，则视为违规变道，如图4、图5所示；获取违规变道前车标记记号；如果是虚线，则进入步骤5.3。
5.3.检测判断前车转向灯打开关闭情况，如果转向灯处于关闭状态，则视为违规变道，如图6、图9所示，获取违规变道前车标记记号；如果转向灯处于打开状态，则视为合法变道，如图7、图8所示。
6.前车车型判别
优选地，在实施例1中采用基于神经网络的车型识别算法，该识别算法只需要在检测到需要执记录的车辆后运算一次即可，所以实时能得到保障。算法步骤如下：
6.1图像预处理：图像预处理包括背景去除，滤波去噪，图像标准化。
6.2由K-L变换得到特征向量：K-L变换时一种最优正交变换，通常应用于特征提取，在实施例1中应用于车型识别。该方法以归一化的标准图像作为训练样本集，以该样本集的总体散布矩阵为产生矩阵，即：
其中：xi为第i个训练样本的图像向量，μ为训练样本集的平均图向量，M为训练样本的总数。
将∑表示为：
其中X＝[x1-μ,x2-μ,…xM-1-μ]，构造矩阵：R＝XTX
容易求出矩阵R的特征值λi及相应的正交归一特征向量νi，从而易得∑的正交归一特征向量ui为：
这就是图像的特征向量，这样每一幅车辆特征图像均可以投影成由u0,u1,u2,…uM-1的子空间。
6.3利用神经网络识别车型：优选地，在实施例1中采用的是三层的BP神经网络算法。设任意一幅车辆图像为x，则通过向特征子空间投影可得系数向量为y＝UTx，将该系数向量作为输入向量进行车型识别。
7.前车违规行驶判别
根据识别出的前车车型和相应行驶的车道种类判别，如果前车按正常速度行驶且行驶车道为应急车道，则判断为违规行驶，并对该车进行标记；如果前车车型为小型汽车，且相应行驶车道为公交专用道，则系统默认为违规行驶，并对该车进行标记记录。
在信息保存上传模块中，本模块的目的，一是对在判别模块中将前车判别为违规变道时，将前车变道前后的视频截取出来并且提取出该车辆的车牌信息，将违规变道视频和车牌信息保存在本发明装置的内部非存失性大容量存储器中，并通过网络网络上传至云端服务器；当装置内存储的视频总量即前超过总存储容量时，删除时间最早的视频，以实现循环保存；二是对在判别模块中将前车标记为违规行驶车辆同样提取该车车牌信息，并进行网络上传。
1.前车违规变道视频截取方法：根据判别模块中获取的前车标记记号，将该标记记号的前车对应的时间序列的起始时间点和消失时间点之间的视频图像进行保存，即可获得前车违规变道前后视频。
2.违规变道前车车牌信息提取方法：对已标记的前车的违规变道视频进行车牌信息提取方法众多，例如：基于颜色的分割方法，基于纹理的分割方法，基于边缘检测的分割方法和基于形态学处理的分割方法等等。优选地，在实施例1中采用基于边缘检测的分割方法。车牌信息提取主要有以下步骤：
2.1.图像预处理：其中包括去噪处理，灰度化和边缘检测。
2.2.分割：对进行边缘检测处理后的图像进行二值化操作，分割出背景和车牌，其中对于二值化阈值的确定是采用自适应阈值分割算法。
2.3.定位：对二值化的图像进行水平方向投影，即可得到车牌部分水平坐标，在单独把车牌部分图像提取出来，然后通过垂直方向投影即可获得各个车牌字符。
2.4.识别：对分割出来的单个字符放入预先训练好的神经网络算法中进行识别就可以获得违规变道车辆的车牌信息。
二、图2显示的是实施例1提供的自车行驶合法性检测预警提醒方案的实现流程，详述如下：
在视频读入模块中，通过视频采集装置来获取道路的视频图像。该方法和装置对视频进行图像处理时可支持多种视频格式。
在道路检测识别模块中,本模块的目的,一是检测识别出车辆正常行驶时的道路车道线；二是根据相关特征检测出行车道/应急车道/公交专用道/其它专用道。
1.车道线检测。优选地，在实施例1中采用的是基于图像特征(边缘检测)的检测方法。是基于道路图像的一些特征(如车道线颜色，宽度以及边缘等特征)将图像的所有点标记为车道线点和非车道线点。另一类是基于模型的检测方法，是根据提取的特征对预先定义好的车道线模型进行匹配，将车道线的提取转化为车道线模型中参数的计算问题。车道线检测主要有以下步骤：
1.1.检测区域选取：通过当前帧消失点位置，选取具有车道线的下半部分图像，这样可以缩短每帧图像处理时间，提高车道线检测实时性。
1.2.去噪处理：对图像有效区域进行灰度化，采用中值滤波去除干扰点，消除噪声。
1.3.检测车道线：对经过去噪处理的图像进行sobel算子边缘检测，然后通过hough变换检测就能得到道路车道线。其中，利用hough变换进行车道线检测时只检测与水平线具有一定的夹角范围内的直线，这样可以提高检测准确度，而且提高检测的实时性。之后在原始彩色图中对车道线区域进行色彩提取，放入已经训练好的分类器中，对该车道线的颜色进行识别，记录各车道线颜色。本实例通过大量测试，白天准确性能达到97％以上，夜晚准确性90％以上。在完成对车道线的检测之后，可以根据统计特征和颜色特征来识别车道线的种类。
2.应急车道检测
在对图像进行sobel算子边缘化处理后，利用垂直边缘就可以检测出道路两旁的护栏，从而就可以确定道路的最左侧和最右侧，再根据高精度地图及高数度定位模块便可检测出应急车道。
3.其他车道检测
在完成对车道线的检测之后，可以根据统计特征和颜色特征以及结合高精度地图车道线的种类进行识别。
在判别模块中，本模块的目的，一是对检测和识别出的车道线进行判别分类是虚线还是实线；二是对检测出的车道进行判别分类是应急车道还是行车道；三是根据自车与两侧车道线相对位置和转向灯打开关闭情况，预测判别是否将要发生违规变道。
1.车道线种类判别
在道路检测识别模块中检测出车道线之后，在每帧图像中，对两侧车道线进行直线拟合，拟合直线方程y＝kx+b，然后遍历图像中所有的像素点坐标，统计满足该直线方程的像素点个数M。在二值图像中，对所有满足该直线方程的像素中的白色像素点个数n进行统计：
其中对于参数α，在经过多次实验测试后，确定出参数的合适的取值范围0.65。如果p＝1，则将该车道线识别为实线；如果p＝0，则将改车道线识别为虚线。其中，为了防止对车道线种类判别出错，因此需要进行多帧检测，系统默认为连续10帧中超过6帧检测出是实线/虚线，则确定为实线/虚线。
2.行车道/应急车道/公交专用道/其它专用道判别
2.1.行车道判别：如果检测出车辆左侧车道线是虚线或者右侧车道线为虚线，对改车道线区域进行颜色提取后进行识别为白色，则视为该车道为正常行车道；
2.2.应急车道判别：在对图像进行sobel算子边缘化处理后，根据垂直边缘检测出道路两旁的护栏，从而就可以确定道路的最左侧和最右侧，如果在车辆行驶在实线外则，且在护栏内侧，初判为应急车道，再根据高精度地图及高数度定位模块判断当前如果为高速公路，则判定为应急车道。
2.3.公交专用道判别：如果检测并判别出车辆两侧的车道线为虚线，而且经过颜色识别为黄色，则视为该车道为公交专用道。
2.4.其它专用道判别：对于车道的识别判断，如果通过车道线的特征对车道进行识别不是行车道，不是应急车道也不是公交专用道，则视为该车道为其他装用道。
3.自车行驶合法性检测预警提醒判别
是根据自车最近车道线相对位置和转向灯打开关闭情况，预测判别是否将要发生违规变道。自车违规变道报警判别主要有以下步骤：
3.1.通过图像采集装置摄像头成像原理，建立车辆坐标系；
3.2通过车辆坐标系与车道线方程，可以计算与自车相距最近车道线相对距离以及预测未来车辆与车道线相对距离；
3.3.如果预测相对距离小于预设定值，则认为自车将要发生变道，进入步骤5.4；否则认为不发生变道。
3.4.判别与自车相距最近车道线是虚线还是实线，如果是实线，则视为将要发生违规变道，如图10所示；如果是虚线，进入步骤3.5。
3.5.通过传感器检测自车转向灯打开关闭状态，如果转向灯处于打开状态，则视为将要进行自车合法变道,如图11所示；如果转向灯处于关闭状态，则视为将要发生违规变道，如图12所示。
在预警提醒模块中，本模块的目的是，对在判别模块中将自车判别为即将发生违规变道时，装置自动发出警报声，对车主进行违规变道提醒。
实施例2：
前车违规检测方案按功能划分包含如下模块：
视频读入模块，前车检测识别模块，跟踪模块，道路检测识别模块，判别模块，信息保存传输模块。其工作流程如图1。
自车行驶合法性检测预警提醒功能包含以下模块：
视频读入模块，道路检测识别模块，高精度定位模块，判别模块，预警提醒模块。其工作流程如图2。
一、图1显示的是实施例2提供的前车行驶合法性检测的实现流程，详述如下：
在视频读入模块中，通过视频采集装置来获取道路的视频图像。该方法和装置对视频进行图像处理时可支持多种视频格式。
在前车检测识别模块中，通过视频读入模块对获取的图像进行车辆检测。对于基于视频的车辆检测方法比较多，例如：基于帧间差分的方法，基于光流场的方法以及基于背景差的方法等等。在实施例2中采用的是基于bp神经网络算法的车辆检测方法。基于bp神经网络算法进行车辆检测主要有以下步骤：
1.图像预处理：为得到比较完整的汽车外轮廓图像而相对于汽车图像进行有效的填充，将所得到的图像数据进行有效的图像处理、修整、边缘检测，就可以得到一幅清晰完整的汽车外轮廓图像。
2.汽车轮廓特征的选择与提取：采用直线拟合、数字投影、二值图像的边界跟踪等算法的原理与方法进行特征的提取，得到一组基于图像预处理的四维的样本特征向量。
3.分类器设计：为了尽量提高对汽车识别结果的高准确性的要求，在神经元网络的输出节点值设置门限的值如下：当五个BP网的输出中只有一个大于0.6，而且其余的节点输出值均小于0.3时，则认为输入的图像为五种车型之一(在神经网络训练过程中选取了五种车型进行训练)，并根据输出的门限值确定车型的类别，如果不是上述结果，则认为输入的车型为无法识别车型，拒识。
其中，从检测出前车开始，对该车进行标记，并建立该车位置信息与时间序列关系进行保存。设检测出前车的时间点为前车消失时间点为其中上标1表示前车的标记记号。
在跟踪模块中，主要目的是对在经过前车检测识别模块检测出前方车辆后，通过某种方法，实现对前方运动车辆的跟踪；其次是对已经检测出的前方车辆进而检测其转向灯亮暗情况。对于前车跟踪的方法比较多，例如：模板匹配，卡尔曼滤波，粒子滤波，camshift等等。在实施例2中采用的是粒子滤波跟踪。
基于粒子滤波运动目标跟踪算法的具体步骤如下：
1.重要性采样：
2.计算权重：
3.计算权重归一化：
4.估算运动状态并计算
5.如果Noff小于阈值，则进行重采样。
对于前车转向灯检测跟踪可以采用如下方法：
在对已检测出运动目标用矩形框框定区域之后，对该区域图像进行色彩空间转换至HSV空间，在HSV空间对图像进行红色阈值分割，然后基于连通域进行标记，框定出车灯所在区域，就能实现对前车转向灯的检测跟踪。
在道路检测识别模块中,本模块的目的,一是检测识别出车辆正常行驶时的道路车道线；二是根据相关特征检测出应急/行车道。
5.车道线检测。在本实施例中采用的是基于图像特征(边缘检测)的检测方法，将图像的所有点标记为车道线点和非车道线点。车道线检测主要有以下步骤：
1.1.检测区域选取：初始化图像车道线消失点为图像中心处，通过当前帧消失点位置水平位置，选取具有车道线的下半部分图像，可以缩短每帧图像处理时间，提高车道线检测实时性。
1.2.去噪处理：对图像有效区域进行灰度化，采用中值滤波去除干扰点，消除噪声。
1.3.检测车道线：对经过去噪处理的图像进行sobel算子边缘检测，然后通过hough变换检测就能得到道路车道线。其中，利用hough变换进行车道线检测时只检测与水平线具有一定的夹角范围内的直线，这样可以提高检测准确度，而且提高检测的实时性。之后在原始彩色图中对车道线区域进行色彩提取，放入已经训练好的分类器中，对该车道线的颜色进行识别，记录各车道线颜色。本实例通过大量测试，白天准确性能达到97％以上，夜晚准确性90％以上。在完成对车道线的检测之后，可以根据统计特征和颜色特征来识别车道线的种类。
2.应急车道/行车道检测
在对图像进行sobel算子边缘化处理后，利用垂直边缘就可以检测出道路两旁的护栏，从而就可以确定道路的最左侧和最右侧，再根据高精度地图及高精度定位模块输出的位置信息便可检测出应急车道。
3.其他车道检测
在完成对车道线的检测之后，可以根据统计特征和颜色特征以及结合高精度地图车道线的种类进行识别。
在判别模块中，本模块的目的，一是对检测和识别出的车道线进行判别分类是虚线还是实线；二是对检测出的车道进行判别分类是行车道/应急道/公交车道/其它专用车道；三是对检测出前方车辆的转向灯进行判别是否打开转向灯；四是通过对前车进行特征点跟踪，并记录前车位置信息，通过位置信息生成的运动轨迹，计算轨迹的横向跨度是否大于一个车道的宽度判断前车变道情况，再结合车道线种类以及前车转向灯打开关闭状态进而判别是否发生违规变道。五是根据自车与两侧车道线相对位置和转向灯打开关闭情况，预测判别是否将要发生违规变道。六是根据神经网络算法识别出前车的车型。七是根据识别出的前车车型和相应行驶的车道种类判别，前车是否违规行驶，如行驶在应急车道，公交专用道等。
1.车道线种类判别
在道路检测识别模块中检测出车道线之后，在每帧图像中，对两侧车道线进行直线拟合，拟合直线方程y＝kx+b，然后遍历图像中所有的像素点坐标，统计满足该直线方程的像素点个数M。在二值图像中，对所有满足该直线方程的像素中的白色像素点个数n进行统计：
其中对于参数α，在经过多次实验测试后，确定出参数的大致取值范围为(0.65～0.75)。
如果p＝1，则将该车道线识别为实线；如果p＝0，则将改车道线识别为虚线。其中，为了防止对车道线种类判别出错，因此需要进行多帧检测，系统默认为连续10帧中超过6帧检测出是实线/虚线，则确定为实线/虚线。
2.车道线颜色判别
在判断出车道线的虚实线类型之后，之后在原始彩色图中对车道线区域进行色彩提取，放入已经训练好的分类器中，对该车道线的颜色进行识别，记录各车道线颜色。
3.行车道/应急车道/公交专用道/其它专用道判别
3.1.行车道判别：如果检测出车辆左侧车道线是虚线或者右侧车道线为虚线，对改车道线区域进行颜色提取后进行识别为白色，则视为该车道为正常行车道；
3.2.应急车道判别：在对图像进行sobel算子边缘化处理后，利用垂直边缘就可以检测出道路两旁的护栏，从而就可以确定道路的最左侧和最右侧，如果在车辆行驶在实线外则，且在护栏内侧，初判为应急车道，再根据高精度地图及高数度定位模块判断当前如果为高速公路，则判定为应急车道。
3.3.公交专用道判别：如果检测并判别出车辆两侧的车道线为虚线，而且经过颜色识别为黄色，则视为该车道为公交专用道。
3.4.其它专用道判别：对于车道的识别判断，如果通过车道线的特征对车道进行识别不是行车道，不是应急车道也不是公交专用道，则视为该车道为其他装用道。
4.前车转向灯关闭判别
在跟踪模块中，在已框定的车灯区域进行多帧检测其中亮度变化情况，转向灯亮暗情况判别具有如下步骤：
4.1.在内存开辟一个空间，建立一个列向量R，共10个元素；
4.2.对车灯区域图像进行灰度化处理，统计其中所有像素的灰度值Ri，其中(i＝1,2,3…10)；
4.3.统计连续10帧车灯区域图像中所有像素的灰度值，将其分别存入向量R中；
4.4.求取向量R中10个元素的均值Raver；
4.5.如果10个元素中至少有6个元素值大于Raver，则认为前车转向灯处于打开状态，否则，认为前车转向灯处于关闭状态。
4.6多帧序综合后，可得出转向灯闪烁频率，转向灯在正常频率范围内闪烁判断为前车打开转向灯。
5.前车违规变道判别
在跟踪模块中，通过特征点对前车实现跟踪的同时，记录前车位置信息，通过位置信息，可以得到前车的运动轨迹。前车违规变道判别主要有以下步骤：
5.1.计算轨迹的横向跨度的最大值是否一个车道的宽度，如果大于大于一个车道宽度，则视为发生变道，进入步骤4.2；否则，则视为正常行驶。
5.2.判断前车变道前，与前车相距最近的车道线是实线或是虚线，如果是实线，则视为违规变道，获取前车标记记号；如果是虚线，则进入步骤4.3。
5.3.检测判断前车转向灯打开关闭情况，如果转向灯处于关闭状态，则视为违规变道，获取前车标记记号；如果转向灯处于打开状态，则视为合法变道。
6.前车车型判别
优选地，在实施例1中采用基于神经网络的车型识别算法。算法步骤如下：
6.1图像预处理：图像预处理包括背景去除，滤波去噪，图像标准化。
6.2由K-L变换得到特征向量：K-L变换时一种最优正交变换，通常应用于特征提取，在实施例1中应用于车型识别。该方法以归一化的标准图像作为训练样本集，以该样本集的总体散布矩阵为产生矩阵，即：
其中：xi为第i个训练样本的图像向量，μ为训练样本集的平均图向量，M为训练样本的总数。
将∑表示为：
中X＝[x1-μ,x2-μ,…xM-1-μ]，构造矩阵：R＝XTX
容易求出矩阵R的特征值λi及相应的正交归一特征向量νi，从而易得∑的正交归一特征向量ui为：
这就是图像的特征向量，这样每一幅车辆特征图像均可以投影成由u0,u1,u2,…uM-1的子空间。
6.3利用神经网络识别车型：优选地，在实施例1中采用的是三三层的BP神经网络算法。设任意一幅车辆图像为x，则通过向特征子空间投影可得系数向量为y＝UTx，将该系数向量作为输入向量进行车型识别。
7.前车违规行驶判别
根据识别出的前车车型和相应行驶的车道种类判别，如果前车行驶车道为应急车道，则系统默认为违规行驶，并对该车进行标记；如果前车车型为小型汽车，相应行驶车道为公交专用道，则系统默认为违规行驶，并对该车进行标记。
在信息保存上传模块中，本模块的目的，一是对在判别模块中将前车判别为违规变道时，将前车变道前后的视频截取出来并且提取出该车辆的车牌信息，将违规变道视频和车牌信息保存起来，并进行网络上传；二是对在判别模块中将前车标记为违规行驶车辆同样提取该车车牌信息，并进行网络上传。
1.前车违规变道视频截取方法：根据判别模块中获取的前车标记记号，将该标记记号的前车对应的时间序列的起始时间点和消失时间点之间的视频图像进行保存，即可获得前车违规变道前后视频。
2.违规变道前车车牌信息提取方法：对已标记的前车的违规变道视频进行车牌信息提取方法众多，例如：基于颜色的分割方法，基于纹理的分割方法，基于边缘检测的分割方法和基于形态学处理的分割方法等等。优选地，在实施例1中采用基于边缘检测的分割方法。车牌信息提取主要有以下步骤：
2.1.图像预处理：其中包括去噪处理，灰度化和边缘检测。
2.2.分割：对进行边缘检测处理后的图像进行二值化操作，分割出背景和车牌，其中对于二值化阈值的确定是采用自适应阈值分割算法。
2.3.定位：对二值化的图像进行水平方向投影，即可得到车牌部分水平坐标，在单独把车牌部分图像提取出来，然后通过垂直方向投影即可获得各个车牌字符。
2.4.识别：对分割出来的单个字符放入预先训练好的神经网络算法中进行识别就可以获得违规变道车辆的车牌信息。
二、图2显示的是实施例2提供的自车行驶合法性检测预警提醒方案的实现流程，详述如下：
在视频读入模块中，通过视频采集装置来获取道路的视频图像。该方法和装置对视频进行图像处理时可支持多种视频格式。
在道路检测识别模块中,本模块的目的,一是检测识别出车辆正常行驶时的道路车道线；二是根据相关特征检测出行车道/应急车道/公交专用道/其它专用道。
1.车道线检测。优选地，在本实施例中采用的是基于图像特征(边缘检测)的检测方法。是基于道路图像的一些特征(如车道线颜色，宽度以及边缘等特征)将图像的所有点标记为车道线点和非车道线点。另一类是基于模型的检测方法，是根据提取的特征对预先定义好的车道线模型进行匹配，将车道线的提取转化为车道线模型中参数的计算问题。车道线检测主要有以下步骤：
1.1.检测区域选取：通过当前帧消失点位置，选取具有车道线的下半部分图像，这样可以缩短每帧图像处理时间，提高车道线检测实时性。
1.2.去噪处理：对图像有效区域进行灰度化，采用中值滤波去除干扰点，消除噪声。
1.3.检测车道线：对经过去噪处理的图像进行sobel算子边缘检测，然后通过hough变换检测就能得到道路车道线。其中，利用hough变换进行车道线检测时只检测与水平线具有一定的夹角范围内的直线，这样可以提高检测准确度，而且提高检测的实时性。之后在原始彩色图中对车道线区域进行色彩提取，放入已经训练好的分类器中，对该车道线的颜色进行识别，记录各车道线颜色。本实例通过大量测试，白天准确性能达到97％以上，夜晚准确性90％以上。在完成对车道线的检测之后，可以根据统计特征和颜色特征来识别车道线的种类。
2.应急车道检测
在对图像进行sobel算子边缘化处理后，利用垂直边缘就可以检测出道路两旁的护栏，从而就可以确定道路的最左侧和最右侧，再根据高精度地图及高数度定位模块便可检测出应急车道。
3.其他车道检测
在完成对车道线的检测之后，可以根据统计特征和颜色特征以及结合高精度地图车道线的种类进行识别。
在判别模块中，本模块的目的，一是对检测和识别出的车道线进行判别分类是虚线还是实线；二是对检测出的车道进行判别分类是应急车道还是行车道；三是根据自车与两侧车道线相对位置和转向灯打开关闭情况，预测判别是否将要发生违规变道。
1.车道线种类判别
在道路检测识别模块中检测出车道线之后，在每帧图像中，对两侧车道线进行直线拟合，拟合直线方程，然后遍历图像中所有的像素点坐标，统计满足该直线方程的像素点个数M。在二值图像中，对所有满足该直线方程的像素中的白色像素点个数n进行统计：
其中对于参数α，在经过多次实验测试后，确定出参数的大致取值范围为0.65。
如果p＝1，则将该车道线识别为实线；如果p＝0，则将改车道线识别为虚线。其中，为了防止对车道线种类判别出错，因此需要进行多帧检测，系统默认为连续10帧中超过6帧检测出是实线/虚线，则确定为实线/虚线。
2.应急车道/行车道判别
在高速公路上，车道一般只有两种：行车道和应急车道。通过道路检测识别模块确定出道路最左侧和最右侧，再结合高精度定位地图，就可识别出两侧的道路是否存在应急车道，如果不存在应急车道，则系统默认为道路所以车道均为正常行车道。
3.自车行驶合法性检测预警提醒判别
是根据自车最近车道线相对位置和转向灯打开关闭情况，预测判别是否将要发生违规变道。自车违规变道报警判别主要有以下步骤：
3.1.通过图像采集装置摄像头成像原理，建立车辆坐标系；
3.2通过车辆坐标系与车道线方程，可以计算与自车相距最近车道线相对距离以及预测未来车辆与车道线相对距离；
3.3.如果预测相对距离小于预设定值，则认为自车将要发生变道，进入步骤5.4；否则认为不发生变道。
3.4.判别与自车相距最近车道线是虚线还是实线，如果是实线，则视为将要发生违规变道，如图10所示；如果是虚线，进入步骤3.5。
3.5.通过传感器检测自车转向灯打开关闭状态，如果转向灯处于打开状态，则视为将要进行自车合法变道,如图11所示；如果转向灯处于关闭状态，则视为将要发生违规变道，如图12所示。
在预警提醒模块中，本模块的目的是，对在判别模块中将自车判别为即将发生违规变道时，装置自动发出警报声，对车主进行违规变道提醒。
与现有交通事件检测技术相比，该方法和装置的特点及有益效果是：
1)应用广泛：由于该方法和装置属于一种汽车辅助系统，实现自车的车道偏离预警提醒、前车碰撞预警提醒功能之外实现违规检测，可应用于各种类型的大、中、小型汽车，不会局限于在特定地方才能实现变道检测；成本低，生产装置只需要几百元每台，易于大范围推广普及，有利于规范驾驶习惯，有利于降低交通事故率，有极大社会价值。
2)检测范围大：对于安装该装置的任意汽车能实现对道路前方多目标的变道合法性检测；
3)检测实时性强：由于该方法和装置能对视频采集装置中的视频图像进行实时处理，对于自车即将发生违规变道能立即发出警报提醒。而且，对于前车违法变道前后视频以及违规变道车辆的车牌信息能及时提取并保存；
4)移动性强：安装该装置的任何汽车均能实现对前方车辆变道的移动实时检测；
5)安装方便：该装置体积较小，器件少，极大地降低了安装的复杂度；
6)检测可靠性高：能实现在多种环境下进行检测，不受环境影响；
7)检测准确度：经过实地测试，准确率达到90％以上；
8)车道识别能力强：该方法和装置可以通过结合视频处理技术和高精度定位及高精度地图来准确识别确定车道种类，比如正常行驶车道，应急车道和公交车道等。
9)前车违法变道信息提取能力强：对于距离较远的前车突然发生违规变道时，可能存在车牌信息无法提取，通过该方法和装置可以在前车从进入图像采集装置视野开始，在距离较近时，提前提取该车的车牌信息进行缓存，以备后续使用。
10)实现全自动检测识别判断处理，自动输出违规行驶结果提取车辆信息及截取关键图片及视频保存，可自动上传保存至云端服务器。
11)装置易扩展升级功能，实现其它道路相关车辆实时违规检测。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种车辆道路前车违规检测和自车违规预警提醒装置，其特征在于，包括视频读入模块、道路检测识别模块、前车违规检测单元和自车违规预警单元，其中：
视频读入模块，用于获取道路的视频图像；
道路检测识别模块，用于检测车辆行驶时的车道线，识别车道线为实线或虚线，并识别车道线的类别，包括行车道、应急道、公交车道和专用车道；
前车违规检测单元，用于检测视频图像中前车的运动状态及其转向灯信息，对前车进行特征点跟踪，生成其运动轨迹，计算运动轨迹的横向跨度是否大于一个车道的宽度，判断前车的变道情况，结合车道线的类别和转向灯信息判断该车辆是否发生违规变道，在前车发生违规变道时，向驾驶员发出报警信息，并提取违规车辆的车牌信息；
自车违规预警单元，用于检测自车的车道位置和转向灯信息，根据自车与两侧车道线类型和相对位置，结合转向灯信息，预测自车是否将发生违规变道，在将要发生违规变道时，向驾驶员发出报警信息。
2.根据权利要求1所述的车辆道路前车违规检测和自车违规预警提醒装置，其特征在于，所述的前车违规检测单元包括：
前车检测识别模块，用于检测视频图像中前方的运动车辆；
跟踪模块，用于通过卡尔曼滤波跟踪算法对前车进行跟踪，并检测和标记前车的转向灯信息；
判别模块，用于对前车进行特征点跟踪，记录前车位置信息，通过位置信息生成运动轨迹，计算轨迹的横向跨度是否大于一个车道的宽度，判断前车的变道情况，再结合车道线种类以及前车转向灯打开关闭状态进而判别是否发生违规变道；根据自车与两侧车道线相对位置和转向灯打开关闭情况，预测判别是否将要发生违规变道；根据神经网络算法识别出前车的车型，根据识别出的前车车型和相应行驶的车道种类判别，判断前车是否违规变道；
信息保存传输模块，用于在前车发生违规变道时发出报警信息，并从视频图像中截取、保存该违规车辆的车牌信息，并保存违规变道时的视频图像，通过无线网络传输至服务器。
3.根据权利要求1所述的车辆道路前车违规检测和自车违规预警提醒装置，其特征在于，所述自车违规预警单元包括：
高精度定位模块，用于结合卫星定位系统和地图API，检测自车的准确车道位置；
判别模块，用于根据自车与两侧车道线类型和相对位置，结合转向灯信息，预测自车是否将发生违规变道；
预警提醒模块，用于在自车将要发生违规变道时，向驾驶员发出报警信息。
4.一种车辆道路前车违规检测和自车违规预警提醒方法，其特征在于,包括以下步骤：
S1、获取道路的视频图像；
S2、检测车辆行驶时的车道线，识别车道线为实线或虚线，并识别车道线的类别，包括行车道、应急道、公交车道和专用车道；
S3、前车违规检测：检测视频图像中前车的运动状态及其转向灯信息，对前车进行特征点跟踪，生成其运动轨迹，计算运动轨迹的横向跨度是否大于一个车道的宽度，判断前车的变道情况，结合车道线的类别和转向灯信息判断该车辆是否发生违规变道，在前车发生违规变道时，向驾驶员发出报警信息，并提取违规车辆的车牌信息；
S4、自车违规预警：检测自车的车道位置和转向灯信息，根据自车与两侧车道线类型和相对位置，结合转向灯信息，预测自车是否将发生违规变道，在将要发生违规变道时，向驾驶员发出报警信息。
5.根据权利要求4所述的车辆道路前车违规检测和自车违规预警提醒方法，其特征在于，步骤S3中采用Adaboost算法对前车的运动状态进行检测，其方法为：
步骤一、离线训练：在各种环境下采集大量的车辆样本和非车辆样本，通过对样本的学习，针对样本的类Haar特征，通过Adaboost训练算法形成弱分类器，根据权重把这些弱分类器组合成强分类器；
步骤二、在线识别：根据离线训练得到的强分类器，对道路的视频图像进行实时检测与判断，从检测出前车开始，对该车进行标记，并建立该车位置信息与时间序列关系进行保存，得到当前图像中车辆所在的位置。
6.根据权利要求4所述的车辆道路前车违规检测和自车违规预警提醒方法，其特征在于，步骤S3中采用kalman滤波运动目标跟踪的方法对前车进行跟踪，其方法为：
步骤一、运动目标特征提取：用矩形框将前车的目标区域进行框定，并提取区域的中心坐标及长宽特征；
步骤二、kalman滤波器初始化：根据提取区域的中心坐标及长宽特征初始化kalman滤波器；
步骤三、状态向量建模：根据提取的目标特征，建立状态向量模型；
步骤四、kalman滤波器预测：根据建立的状态向量模型，用kalman滤波的时间更新方程预测下一帧图像中运动目标可能会出现的位置，预测如下：
其中，和分别是k-1和k帧的状态向量，Ak,k-1是确定已知的矩阵；
步骤五、运动目标匹配：基于预测的区域，搜索最佳匹配目标；
步骤六、模型更新：用kalman滤波的测量更新方程进行模型更新。
7.根据权利要求4所述的车辆道路前车违规检测和自车违规预警提醒方法，其特征在于，步骤S2中识别车道线信息的方法为：
对经过去噪处理的图像进行sobel算子边缘检测，然后通过hough变换检测得到道路车道线；其中，利用hough变换进行车道线检测时只检测与水平线具有一定的夹角范围内的直线；在原始彩色图中对车道线区域进行色彩提取，识别该车道线的颜色，记录各车道线颜色。
8.根据权利要求7所述的车辆道路前车违规检测和自车违规预警提醒方法，其特征在于，步骤S2中识别应急道和公交车道的方法为：
在对图像进行sobel算子边缘化处理后，利用垂直边缘就可以检测出道路两旁的护栏，从而确定道路的最左侧和最右侧，再根据高精度地图定位便检测出应急道；如果在车辆行驶在实线外侧，且在护栏内侧，初判为应急道；
根据公交车道的特征为黄色实线或虚线，并且外侧为实线，如果检测到该特征的车道，判定为公交车道。
9.根据权利要求4所述的车辆道路前车违规检测和自车违规预警提醒方法，其特征在于，步骤S3中前车违规变道判别的方法为：
步骤一、计算前车变道轨迹的横向跨度的最大值是否大于半个车道的宽度，如果大于半个车道宽度，则判断为发生变道；否则，则视为正常行驶；
步骤二、判断前车变道前，与前车相距最近的车道线是实线或是虚线，如果是实线，则视为违规变道；获取违规变道的前车的车牌信息；
步骤三、如果是虚线，检测判断前车转向灯打开关闭情况，如果转向灯处于关闭状态，则视为违规变道，获取违规变道的前车的车牌信息；如果转向灯处于打开状态，则视为合法变道。
10.根据权利要求4所述的车辆道路前车违规检测和自车违规预警提醒方法，其特征在于，步骤S4中自车违规变道判别的方法为：
步骤一、建立车辆坐标系；
步骤二、通过车辆坐标系与车道线，计算自车与最近车道线的相对距离，并预测未来自车与车道线相对距离；
步骤三、如果预测相对距离小于预设定值，则判断自车将要发生变道，否则判断不发生变道；
步骤四、若判断自车要发生变道，判断与自车相距最近车道线是虚线还是实线，如果是实线，则视为将要发生违规变道；
步骤五、如果是虚线，通过传感器检测自车转向灯打开关闭状态，如果转向灯处于打开状态，则判断为将要进行自车合法变道；如果转向灯处于关闭状态，则判断为将要发生违规变道。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611130089.9A CN106652468B (zh) | 2016-12-09 | 2016-12-09 | 车辆道路前车违规检测和自车违规预警提醒装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611130089.9A CN106652468B (zh) | 2016-12-09 | 2016-12-09 | 车辆道路前车违规检测和自车违规预警提醒装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106652468A CN106652468A (zh) | 2017-05-10 |
| CN106652468B true CN106652468B (zh) | 2019-09-10 |
Family
ID=58824850
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611130089.9A Active CN106652468B (zh) | 2016-12-09 | 2016-12-09 | 车辆道路前车违规检测和自车违规预警提醒装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106652468B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021066862A1 (en) * | 2019-09-30 | 2021-04-08 | Gm Cruise Holdings Llc | Tracking object path in map prior layer |
| US11783178B2 (en) | 2020-07-30 | 2023-10-10 | Toyota Research Institute, Inc. | Systems and methods for corridor intent prediction |
Families Citing this family (69)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106981202A (zh) * | 2017-05-22 | 2017-07-25 | 中原智慧城市设计研究院有限公司 | 一种基于车道模型的车辆来回变道检测方法 |
| CN107085938B (zh) * | 2017-06-08 | 2019-07-02 | 中南大学 | 基于车道线与gps跟随的智能驾驶局部轨迹容错规划方法 |
| CN107481526A (zh) * | 2017-09-07 | 2017-12-15 | 公安部第三研究所 | 用于行车变道检测记录及违章变道举报控制的系统及方法 |
| CN108171154A (zh) * | 2017-12-27 | 2018-06-15 | 邦鼓思电子科技（上海）有限公司 | 一种自动驾驶中目标检测与车道检测结合的方法 |
| CN108230674B (zh) * | 2017-12-30 | 2020-05-08 | 北京工业大学 | 基于车车通信技术提高公交专用道利用率的车辆协调控制方法 |
| CN109987090B (zh) * | 2018-01-03 | 2022-07-01 | 奥迪股份公司 | 驾驶辅助系统和方法 |
| CN110178167B (zh) * | 2018-06-27 | 2022-06-21 | 潍坊学院 | 基于摄像机协同接力的路口违章视频识别方法 |
| CN110659539B (zh) * | 2018-06-28 | 2022-11-25 | 杭州海康威视数字技术股份有限公司 | 一种信息处理方法、装置及机器可读存储介质 |
| DE102018210852A1 (de) * | 2018-07-02 | 2020-01-02 | Robert Bosch Gmbh | Verfahren zum Ermitteln von rechtswidrigem Fahrverhalten durch ein Fahrzeug |
| CN110718064A (zh) * | 2018-07-11 | 2020-01-21 | 杭州海康威视数字技术股份有限公司 | 一种车辆违章检测方法和装置 |
| CN110858290B (zh) * | 2018-08-24 | 2023-10-17 | 比亚迪股份有限公司 | 驾驶员异常行为识别方法、装置、设备及存储介质 |
| CN109166312B (zh) * | 2018-09-03 | 2022-06-07 | 武汉小象创意科技有限公司 | 行车轨迹基于路网数据的自动化违规检测系统及方法 |
| CN111047908B (zh) * | 2018-10-12 | 2021-11-02 | 富士通株式会社 | 跨线车辆的检测装置、方法及视频监控设备 |
| CN109147393A (zh) * | 2018-10-18 | 2019-01-04 | 清华大学苏州汽车研究院（吴江） | 基于视频分析的车辆变道检测方法 |
| CN109492609B (zh) * | 2018-11-27 | 2020-05-15 | 上海芯仑光电科技有限公司 | 一种检测车道线的方法和车辆、及计算设备 |
| CN111259704B (zh) * | 2018-12-03 | 2022-06-10 | 魔门塔(苏州)科技有限公司 | 一种虚线车道线端点检测模型的训练方法 |
| CN111259706B (zh) * | 2018-12-03 | 2022-06-21 | 魔门塔(苏州)科技有限公司 | 一种车辆的车道线压线判断方法和系统 |
| CN111627212A (zh) * | 2019-02-28 | 2020-09-04 | 上汽通用汽车有限公司 | 车载违章信息互联的系统和方法 |
| CN109887303B (zh) * | 2019-04-18 | 2022-07-05 | 齐鲁工业大学 | 随意变更车道行为预警系统及方法 |
| CN110210303B (zh) * | 2019-04-29 | 2023-04-25 | 山东大学 | 一种北斗视觉融合精准车道辨识与定位方法及其实现装置 |
| CN110414328A (zh) * | 2019-06-19 | 2019-11-05 | 上海眼控科技股份有限公司 | 一种基于深度学习的用于借道超车违法自动审核方法 |
| CN110491168B (zh) * | 2019-08-09 | 2020-09-25 | 智慧互通科技有限公司 | 一种基于车轮着地点检测车辆停车状态的方法及装置 |
| CN110705396A (zh) * | 2019-09-18 | 2020-01-17 | 上海图丽信息技术有限公司 | 一种检测视频中机动车变道的系统及方法 |
| US11619945B2 (en) | 2019-09-30 | 2023-04-04 | GM Cruise Holdings LLC. | Map prior layer |
| CN110706374B (zh) * | 2019-10-10 | 2021-06-29 | 南京地平线机器人技术有限公司 | 运动状态预测方法、装置、电子设备及车辆 |
| CN111027558A (zh) * | 2019-10-23 | 2020-04-17 | 中电科新型智慧城市研究院有限公司 | 一种违章车辆车型及车牌识别的方法 |
| CN111161543A (zh) * | 2019-11-14 | 2020-05-15 | 南京行者易智能交通科技有限公司 | 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 |
| CN111126323A (zh) * | 2019-12-26 | 2020-05-08 | 广东星舆科技有限公司 | 服务于交通违规检测的卡口元素识别与分析方法、系统 |
| CN111179345B (zh) * | 2019-12-27 | 2024-01-23 | 大连海事大学 | 基于车载机器视觉的前方车辆越线违章行为自动检测方法及系统 |
| CN111169371B (zh) * | 2020-01-14 | 2022-08-02 | 吉利汽车研究院（宁波）有限公司 | 一种车辆转向灯的控制方法、装置、电子设备和存储介质 |
| CN113157827B (zh) * | 2020-01-22 | 2023-10-10 | 阿里巴巴集团控股有限公司 | 车道类型的生成方法、装置、数据处理设备及存储介质 |
| CN113538923A (zh) | 2020-04-20 | 2021-10-22 | 深圳富泰宏精密工业有限公司 | 车辆变换车道的警示方法、车载装置 |
| TWI758713B (zh) * | 2020-04-20 | 2022-03-21 | 群邁通訊股份有限公司 | 車輛變換車道的警示方法、車載裝置 |
| CN111768651B (zh) * | 2020-05-11 | 2022-07-12 | 吉利汽车研究院（宁波）有限公司 | 一种预防车辆碰撞的预警方法及装置 |
| CN113688652B (zh) * | 2020-05-18 | 2024-04-02 | 魔门塔(苏州)科技有限公司 | 一种异常驾驶行为的处理方法和装置 |
| CN111627215A (zh) * | 2020-05-21 | 2020-09-04 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的视频图像识别方法及相关设备 |
| CN111666853B (zh) * | 2020-05-28 | 2023-06-02 | 平安科技（深圳）有限公司 | 实时车辆违章检测方法、装置、设备及存储介质 |
| CN114078318B (zh) * | 2020-08-05 | 2023-06-23 | 上海汽车集团股份有限公司 | 一种车辆违章检测系统 |
| CN114255597B (zh) * | 2020-09-23 | 2023-07-07 | 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 |
| CN112434585A (zh) * | 2020-11-14 | 2021-03-02 | 武汉中海庭数据技术有限公司 | 一种车道线的虚实识别方法、系统、电子设备及存储介质 |
| CN113033275B (zh) * | 2020-11-17 | 2023-04-18 | 浙江浩腾电子科技股份有限公司 | 基于深度学习的车辆变道不打转向灯分析系统 |
| CN112347969B (zh) * | 2020-11-18 | 2022-11-04 | 合肥湛达智能科技有限公司 | 一种基于深度学习的变道不打灯行为检测方法 |
| CN112668391A (zh) * | 2020-11-25 | 2021-04-16 | 上海眼控科技股份有限公司 | 一种车辆行为识别方法、装置、设备及存储介质 |
| CN112785850A (zh) * | 2020-12-29 | 2021-05-11 | 上海眼控科技股份有限公司 | 车辆变道未打灯的识别方法及装置 |
| 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 |
| CN112634188A (zh) * | 2021-02-02 | 2021-04-09 | 深圳市爱培科技术股份有限公司 | 一种车辆远近景组合成像方法及装置 |
| CN114999197A (zh) * | 2021-03-02 | 2022-09-02 | 深圳联友科技有限公司 | 一种车辆预警方法 |
| TWI773175B (zh) * | 2021-03-08 | 2022-08-01 | 神達數位股份有限公司 | 違規辨識方法及系統 |
| CN113223276B (zh) * | 2021-03-25 | 2022-07-08 | 桂林电子科技大学 | 一种基于视频识别的行人跨栏行为警报方法及装置 |
| CN113240903B (zh) * | 2021-03-26 | 2022-07-05 | 合肥学院 | 一种基于雷视监测的路口车辆加塞预警及管控方法 |
| CN113177443A (zh) * | 2021-04-13 | 2021-07-27 | 深圳市天双科技有限公司 | 一种基于图像视觉的智能识别道路交通违章的方法 |
| CN113192348A (zh) * | 2021-04-21 | 2021-07-30 | 支付宝(杭州)信息技术有限公司 | 车辆异常告警方法、装置及计算机设备 |
| CN113298976B (zh) * | 2021-04-30 | 2022-04-08 | 东风汽车集团股份有限公司 | 一种机动车违法行为自动抓拍处理方法及系统 |
| CN113435277B (zh) * | 2021-06-17 | 2022-08-16 | 南京理工大学 | 一种车辆实线变道行为的监测方法及系统 |
| CN113569666B (zh) * | 2021-07-09 | 2023-12-15 | 东风汽车集团股份有限公司 | 车辆连续违法变道的检测方法及计算机设备 |
| CN113887418A (zh) * | 2021-09-30 | 2022-01-04 | 北京百度网讯科技有限公司 | 车辆违规行驶的检测方法、装置、电子设备及存储介质 |
| CN113591820A (zh) * | 2021-09-30 | 2021-11-02 | 深圳市鑫道为科技有限公司 | 一种可提取肇事车牌信息的行车数据存储方法 |
| CN114023071A (zh) * | 2021-12-02 | 2022-02-08 | 东软集团股份有限公司 | 交通违章提示方法、装置、存储介质及电子设备 |
| CN114299461A (zh) * | 2021-12-06 | 2022-04-08 | 江苏航天大为科技股份有限公司 | 一种基于两阶段的车辆违规变道识别方法 |
| CN114387533A (zh) * | 2022-01-07 | 2022-04-22 | 北京远度互联科技有限公司 | 道路违规识别的方法、装置、电子设备及存储介质 |
| CN114419885A (zh) * | 2022-01-14 | 2022-04-29 | 重庆长安汽车股份有限公司 | 基于高精定位和车载感知能力的车辆违章抓拍方法及系统 |
| CN114241449B (zh) * | 2022-02-24 | 2022-11-04 | 南京乾创电子科技有限公司 | 基于边缘设备的车辆变道不打灯违法抓拍系统及其方法 |
| CN114627409A (zh) * | 2022-02-25 | 2022-06-14 | 海信集团控股股份有限公司 | 一种车辆异常变道的检测方法及装置 |
| CN115171428B (zh) * | 2022-06-24 | 2023-06-30 | 重庆长安汽车股份有限公司 | 一种基于视觉感知的车辆切入预警方法 |
| CN115019511A (zh) * | 2022-06-29 | 2022-09-06 | 九识(苏州)智能科技有限公司 | 基于自动驾驶车辆的识别机动车违规变道的方法和装置 |
| CN114954480B (zh) * | 2022-07-28 | 2022-11-22 | 江西五十铃汽车有限公司 | 安全驾驶预警方法、系统、可读存储介质及车辆 |
| CN115762143B (zh) * | 2022-11-02 | 2024-05-03 | 宁波云弧科技有限公司 | 一种车辆轨迹处理方法 |
| CN116486621A (zh) * | 2023-06-21 | 2023-07-25 | 联友智连科技有限公司 | 一种前方车辆静止或者低速行驶碰撞预警方法和系统 |
| CN118468233A (zh) * | 2024-07-11 | 2024-08-09 | 驭动科技(宁波)有限公司 | 用于智能驾驶的多传感器目标数据融合检测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011038729A1 (de) * | 2009-09-30 | 2011-04-07 | Jenoptik Robot Gmbh | Verfahren zur sofortigen ahndung eines verkehrsverstosses |
| CN103778786A (zh) * | 2013-12-17 | 2014-05-07 | 东莞中国科学院云计算产业技术创新与育成中心 | 一种基于显著车辆部件模型的交通违章检测方法 |
| JP2015069459A (ja) * | 2013-09-30 | 2015-04-13 | コイト電工株式会社 | 軸重違反車両撮影装置及び軸重違反車両撮影システム |
| CN104574998A (zh) * | 2015-01-24 | 2015-04-29 | 北京信路威科技股份有限公司 | 一种车载型违章检测装置及方法 |
| CN105185114A (zh) * | 2015-09-07 | 2015-12-23 | 北京信路威科技股份有限公司 | 一种车辆违章变道行为取证装置及方法 |
| CN105336177A (zh) * | 2015-12-10 | 2016-02-17 | 深圳市科漫达智能管理科技有限公司 | 一种交通违规监控方法及装置 |
-
2016
- 2016-12-09 CN CN201611130089.9A patent/CN106652468B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011038729A1 (de) * | 2009-09-30 | 2011-04-07 | Jenoptik Robot Gmbh | Verfahren zur sofortigen ahndung eines verkehrsverstosses |
| JP2015069459A (ja) * | 2013-09-30 | 2015-04-13 | コイト電工株式会社 | 軸重違反車両撮影装置及び軸重違反車両撮影システム |
| CN103778786A (zh) * | 2013-12-17 | 2014-05-07 | 东莞中国科学院云计算产业技术创新与育成中心 | 一种基于显著车辆部件模型的交通违章检测方法 |
| CN104574998A (zh) * | 2015-01-24 | 2015-04-29 | 北京信路威科技股份有限公司 | 一种车载型违章检测装置及方法 |
| CN105185114A (zh) * | 2015-09-07 | 2015-12-23 | 北京信路威科技股份有限公司 | 一种车辆违章变道行为取证装置及方法 |
| CN105336177A (zh) * | 2015-12-10 | 2016-02-17 | 深圳市科漫达智能管理科技有限公司 | 一种交通违规监控方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 一种基于视频图像处理的车辆违章检测算法;刘振华，等;《公路交通科技》;20120229;第29卷(第2期);全文 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021066862A1 (en) * | 2019-09-30 | 2021-04-08 | Gm Cruise Holdings Llc | Tracking object path in map prior layer |
| US11783178B2 (en) | 2020-07-30 | 2023-10-10 | Toyota Research Institute, Inc. | Systems and methods for corridor intent prediction |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106652468A (zh) | 2017-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106652468B (zh) | 车辆道路前车违规检测和自车违规预警提醒装置及方法 | |
| CN111368687B (zh) | 一种基于目标检测和语义分割的人行道车辆违停检测方法 | |
| US8995723B2 (en) | Detecting and recognizing traffic signs | |
| CN110738857B (zh) | 一种车辆违章取证方法、装置及设备 | |
| CN104778444B (zh) | 道路场景下车辆图像的表观特征分析方法 | |
| US20100098297A1 (en) | Clear path detection using segmentation-based method | |
| CN110619279B (zh) | 一种基于跟踪的路面交通标志实例分割方法 | |
| CN114898296B (zh) | 基于毫米波雷达与视觉融合的公交车道占用检测方法 | |
| US20050100192A1 (en) | Moving object detection using low illumination depth capable computer vision | |
| CN111898491B (zh) | 一种车辆逆向行驶的识别方法、装置及电子设备 | |
| Wu et al. | A Real‐Time Embedded Blind Spot Safety Assistance System | |
| CN102867417A (zh) | 一种出租车防伪系统及方法 | |
| Llorca et al. | Traffic data collection for floating car data enhancement in V2I networks | |
| CN103164958B (zh) | 车辆监控方法及系统 | |
| Andreone et al. | Vehicle detection and localization in infra-red images | |
| CN108520528B (zh) | 基于改进差分阈值和位移匹配模型的移动车辆跟踪方法 | |
| JP2018055597A (ja) | 車種判別装置および車種判別方法 | |
| Joy et al. | Real time road lane detection using computer vision techniques in python | |
| Matsuda et al. | A system for real-time on-street parking detection and visualization on an edge device | |
| Coronado et al. | Detection and classification of road signs for automatic inventory systems using computer vision | |
| Tahir et al. | Object detection in autonomous vehicles under adverse weather: a review of traditional and deep learning approaches | |
| Munajat et al. | Vehicle detection and tracking based on corner and lines adjacent detection features | |
| Al-Kadi et al. | Road scene analysis for determination of road traffic density | |
| Biswas et al. | Detection of Traffic Rule Violations Using Machine Learning: An Analytical Review | |
| CN113850112A (zh) | 基于孪生神经网络的路况识别方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |