CN107154045B - 一种基于计算机视觉的导流区违章轧线车辆精确定位方法 - Google Patents

一种基于计算机视觉的导流区违章轧线车辆精确定位方法 Download PDF

Info

Publication number
CN107154045B
CN107154045B CN201710205183.4A CN201710205183A CN107154045B CN 107154045 B CN107154045 B CN 107154045B CN 201710205183 A CN201710205183 A CN 201710205183A CN 107154045 B CN107154045 B CN 107154045B
Authority
CN
China
Prior art keywords
vehicle
detection
frame
image
area
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.)
Expired - Fee Related
Application number
CN201710205183.4A
Other languages
English (en)
Other versions
CN107154045A (zh
Inventor
徐贵力
谢瑒
程月华
张泽宏
徐扬
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201710205183.4A priority Critical patent/CN107154045B/zh
Publication of CN107154045A publication Critical patent/CN107154045A/zh
Application granted granted Critical
Publication of CN107154045B publication Critical patent/CN107154045B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-based segmentation

Landscapes

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

Abstract

本发明公开了一种基于计算机视觉的导流区违章轧线车辆精确定位方法，该方法包括：根据视频图像中的导流区手动设置检测区域并生成相应的掩码图像；按顺序读取视频帧图片；检测运动前景并与掩码图像做与运算，获得导流区局部运动前景图像；根据导流区局部运动图像确定粗定位框；根据标定参数和车辆纵向位置调整粗定位框，获得最终的违章车辆检测框。应用本发明所述的车辆违章检测方法，能够实现拥堵路况下的车辆轧线检测，且实时性较好，可以应用于工程实践。

Description

一种基于计算机视觉的导流区违章轧线车辆精确定位方法
技术领域
本发明属于道路车辆违章检测领域，具体涉及一种基于计算机视觉的导流区违章轧线车辆精确定位方法。
背景技术
车辆违章检测技术对提高交通效率、缓解了交通拥问题有着极为重大的意义。在众多车辆违章行为中，最为常见的违章行为是车辆的违章轧线。违章轧线行为不可预知，道路状况复杂多变，给车辆违章轧线的检测带来了重重阻碍。导流区域车辆拥堵情况频发，车辆的违章轧线检测显得尤为困难，中国专利201210080262公开了一种基于视频的车辆违章变道事件检测方法，但该方法在实际中难以应用。
发明内容
为了克服现有技术中的不足，本发明提供了
为了解决上述技术问题，本发明采用如下技术方案：
一种基于计算机视觉的导流区违章轧线车辆精确定位方法，其特征在于，包括以下步骤：
（1）拍摄并读取背景图像，根据图像中的导流区手动设置检测区域并生成相应的掩码图像；
（2）按顺序读取视频帧图片，检测运动前景，获得运动前景的二值图像；
（3）将步骤（1）得到的导流渠掩码图像和步骤（2）的到的运动前景二值图像进行与运算，获得导流区局部运动前景图像；
（4）对步骤（3）获得的导流区局部运动前景图像进行轮廓检测，确定粗定位框；
（5）根据标定参数和车辆纵向位置调整粗定位框，获得最终违章车辆检测框。
作为优选，步骤（1）中所述的检测区域为沿导流线区域边界围成的多边形区域，掩码图像为与源图像尺寸相同的二值图像，检测区域内之值1，其他区域为0。
作为优选， 步骤（2）中采用平均背景建模方法、ViBe方法或GMM方法检测运动前景，获得运动前景二值图像，运动前景为1，背景区域为0。
作为优选，步骤（4）中粗定位框的确定方法具体为：对步骤（3）获得的局部前景图像进行轮廓检测并获得其对应的最小外接矩形框；对于同时检测出多个外接矩形框的情况取纵坐标最大的外接矩形框作为最终提取结果。
作为优选，步骤（5）中根据标定参数和车辆纵向位置调整粗定位框，利用超像素分割和阴影检测的方法来获得最终违章车辆检测框。
作为优选，步骤（5）具体为根据基于车道等宽线的测距方法获得图像距离与实际距离的对应关系，以车辆理想宽度作为实际距离计算图像距离作为检测框的理想宽度，根据车辆轧左、右导流线调整检测框的左、右边界使之符合理想宽度，从检测框底部向上遍历粗定位框内部的运动前景图像，确定检测框底边，按检测底边宽度的一定比例调整检测框的上边沿，获得包含车辆车牌信息的最终检测框。基于车道等宽线的测距方法是通过在目标车道图像上建立直角坐标系，假设车道图像中两点的实际距离与其像素距离比值为gain,取两像素点中间点纵坐标ya，则gain与ya需满足关系方程
Figure DEST_PATH_IMAGE002AA
。对未知参数a0、b0、c0、d0进行求解从而确定车道图像中像素与所述像素对应的实际距离的关系，具体的方法已经记录在申请号为201410217437，授权公告号为103983239，名称为“基于车道等宽线的测距方法”的专利中，本发明中的gain与“基于车道等宽线的测距方法”专利中的ya相对应，本发明中的ya与“基于车道等宽线的测距方法”专利中的xa相对应，其他变量的设置与求解方法均相同，此处不再详细描述。
作为优选，步骤（5）中确定检测框底边的具体方法为从检测框底部向上遍历粗定位框内部的运动前景图像，计算运动前景像素个数与粗定位框宽度的比值，当该比值第一次达到或超过设定值时确定为调整后的检测框底边。
作为优选，所述设定值的范围是1/2至2/3。
作为优选，按检测底边宽度的3/4至1倍调整检测框的上边沿。
本发明的有益效果是：
本发明针对导流区车流的特点，从车辆具有显著特征的区域（引擎盖区域和车底阴影）入手，利用超像素分割和阴影检测实现了导流区车辆违章轧线的检测，可以应用于运动前景粘连的拥堵路况，同时具有较高的准确率和较好的实时性。本发明解决了现有方法无法检测拥堵路况下导流区违章轧线的问题，可以为违章取证提供准确的车辆位置，同时也可以为运动目标跟踪等后续处理提供精确的初始目标框。
附图说明
图1是本发明的流程示意图；
图2为检测框定位示意图；
图3为粗定位校正的流程示意图。
具体实施方式
本发明利用平均背景建模法检测运动前景，结合前期手动设置的导流线区域判断导流区内是否存在运动前景，对存在运动前景的情况，利用区域内部的运动前景和理想车辆宽度获得违章车辆的粗定位框，在定位框内部利用SLI3超像素方法进行精确定位，获得最终的违章车辆检测框。
为了更详细地说明本发明的实现，下面将结合附图和具体实施例对本发明进行阐述。
图1给出了本发明的工作流程，如图所示，本发明的工作流程包括：
（1）先拍摄并读取背景图像，通过图像中的导流区手动设置检测区域并生成相应的掩码图像，为检测流程中的粗定位步骤提供依据，导流区如图2（b）中A1区域所示；
（2）载入视频帧。本发明采用固定视场的相机，可以从视频流中直接获得视频帧，也可以从由相机保存的视频文件中获取视频帧,，进行运动前景检测。由于本发明采用的相机视场固定，因此通常采用平均背景建模方法、ViBe方法、GMM方法等检测运动前景，获得运动前景二值图像，运动前景为1，背景区域为0；
（3）将步骤（1）得到的导流渠掩码图像和步骤（2）的到的运动前景二值图像进行与运算，获得导流区局部运动前景图像；
（4）检测框粗定位。利用步骤（3）中获得导流区局部运动前景图像，对其进行轮廓检测并获得其对应的最小外接矩形框；对于同时检测出多个外接矩形框的情况取纵坐标最大的外接矩形框作为最终提取结果，即图2（b）中矩形框R1，
（5）按图3的流程进行粗定位框校正，获得最终检测框，即矩形框R2。最终检测框确定的具体实现方法为，根据基于车道等宽线的测距方法获得图像距离与实际距离的对应关系，并根据粗定位框的纵坐标和车辆理想宽度计算理想的检测框宽度，车辆理想宽度一般为2m；基于车道等宽线的测距方法是通过在目标车道图像上建立直角坐标系，假设车道图像中两点的实际距离与其像素距离比值为gain,取两像素点中间点纵坐标ya，则gain与ya需满足关系方程
Figure DEST_PATH_IMAGE002AAA
。对未知参数a0、b0、 c0、 d0进行求解从而确定车道图像中像素与该像素对应的实际距离的关系，具体的方法已经记录在申请号为201410217437，授权公告号为103983239，名称为“基于车道等宽线的测距方法”的专利中，本发明中的gain与“基于车道等宽线的测距方法”专利中的ya相对应，本发明中的ya与“基于车道等宽线的测距方法”专利中的xa相对应，其他变量的设置与求解方法均相同，此处不再详细描述；根据车辆轧左、右导流线调整检测框的左、右边界使之符合理想宽度，例如，图中违章车辆轧导流区右边线，则可以认为粗定位框左边界是有效的，按理想宽度调整右边沿（压左边线则调整检测框左边界）。从检测框底部向上遍历粗定位框内部的运动前景图像，计算运动前景像素个数与粗定位框宽度的比值，当该比值第一次达到或超过设定值时将该像素行作为检测框的下边沿，按粗定位框宽度的一定比例调整高度，获得最终的粗定位框即图2（c）和（d）中矩形框R2。本例中运动前景像素个数与粗定位框宽度的比值的设定值为1/2，定位框的高度按照定位框宽度的3/4来调整；在确定检测边下边沿和调整定位框高度时，由于不同的时间及天气导致车辆的阴影大小不同，可以适当调整前景像素个数与粗定位框宽度的比值的设定值，设定值的范围优选为1/2至2/3；定位框高度与宽度的比例也可以根据不同的阴影状况及车辆种类进行适当调整，该比例的范围是 3/4至1 。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (8)

1.一种基于计算机视觉的导流区违章轧线车辆精确定位方法，其特征在于，包括以下步骤：
（1）拍摄并读取背景图像，根据图像中的导流区手动设置检测区域并生成相应的掩码图像；
（2）按顺序读取视频帧图片，检测运动前景，获得运动前景的二值图像；
（3）将步骤（1）得到的导流渠掩码图像和步骤（2）的到的运动前景二值图像进行与运算，获得导流区局部运动前景图像；
（4）对步骤（3）获得的导流区局部运动前景图像进行轮廓检测，确定粗定位框；
（5）根据标定参数和车辆纵向位置调整粗定位框，获得最终违章车辆检测框；
其中，步骤（5）具体为根据基于车道等宽线的测距方法获得图像距离与实际距离的对应关系，以车辆理想宽度作为实际距离计算图像距离作为检测框的理想宽度，根据车辆轧左、右导流线调整检测框的左、右边界使之符合理想宽度，从检测框底部向上遍历粗定位框内部的运动前景图像，确定检测框底边，按检测底边宽度的一定比例调整检测框的上边沿，获得包含车辆车牌信息的最终检测框。
2.如权利要求1所述的基于计算机视觉的导流区违章轧线车辆精确定位方法，其特征在于，步骤（1）中所述的检测区域为沿导流线区域边界围成的多边形区域，掩码图像为与源图像尺寸相同的二值图像，检测区域内之值1，其他区域为0。
3.如权利要求1所述的基于计算机视觉的导流区违章轧线车辆精确定位方法，其特征在于， 步骤（2）中采用平均背景建模方法、ViBe方法或GMM方法检测运动前景，获得运动前景二值图像，运动前景为1，背景区域为0。
4.如权利要求1所述的基于计算机视觉的导流区违章轧线车辆精确定位方法，其特征在于，步骤（4）中粗定位框的确定方法具体为：对步骤（3）获得的局部前景图像进行轮廓检测并获得其对应的最小外接矩形框；对于同时检测出多个外接矩形框的情况取纵坐标最大的外接矩形框作为最终提取结果。
5.如权利要求1所述的基于计算机视觉的导流区违章轧线车辆精确定位方法，其特征在于，步骤（5）中根据标定参数和车辆纵向位置调整粗定位框，利用超像素分割和阴影检测的方法来获得最终违章车辆检测框。
6.如权利要求1所述的基于计算机视觉的导流区违章轧线车辆精确定位方法，其特征在于，步骤（5）中确定检测框底边的具体方法为从检测框底部向上遍历粗定位框内部的运动前景图像，计算运动前景像素个数与粗定位框宽度的比值，当该比值第一次达到或超过设定值时确定为调整后的检测框底边。
7.如权利要求6所述的基于计算机视觉的导流区违章轧线车辆精确定位方法，其特征在于，所述设定值的范围是1/2至2/3。
8.如权利要求1所述的基于计算机视觉的导流区违章轧线车辆精确定位方法，其特征在于，按检测底边宽度的3/4至1倍调整检测框的上边沿。
CN201710205183.4A 2017-03-31 2017-03-31 一种基于计算机视觉的导流区违章轧线车辆精确定位方法 Expired - Fee Related CN107154045B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710205183.4A CN107154045B (zh) 2017-03-31 2017-03-31 一种基于计算机视觉的导流区违章轧线车辆精确定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710205183.4A CN107154045B (zh) 2017-03-31 2017-03-31 一种基于计算机视觉的导流区违章轧线车辆精确定位方法

Publications (2)

Publication Number Publication Date
CN107154045A CN107154045A (zh) 2017-09-12
CN107154045B true CN107154045B (zh) 2020-06-09

Family

ID=59793695

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710205183.4A Expired - Fee Related CN107154045B (zh) 2017-03-31 2017-03-31 一种基于计算机视觉的导流区违章轧线车辆精确定位方法

Country Status (1)

Country Link
CN (1) CN107154045B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019175686A1 (en) 2018-03-12 2019-09-19 Ratti Jayant On-demand artificial intelligence and roadway stewardship system
CN113076851B (zh) * 2021-03-29 2024-05-14 开易（北京）科技有限公司 一种车辆违章数据的采集方法、装置以及计算机设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101183427A (zh) * 2007-12-05 2008-05-21 浙江工业大学 基于计算机视觉的违章停车检测装置
CN103021183A (zh) * 2012-12-07 2013-04-03 北京中邮致鼎科技有限公司 一种监控场景中违章机动车检测方法
CN104751634A (zh) * 2015-04-22 2015-07-01 贵州大学 高速公路隧道行车图像采集信息的综合应用方法
CN104866838A (zh) * 2015-06-02 2015-08-26 南京航空航天大学 一种基于视觉的前方车辆自动检测方法
CN105513371A (zh) * 2016-01-15 2016-04-20 昆明理工大学 一种基于核密度估计的高速公路违章停车检测方法
CN106127807A (zh) * 2016-06-21 2016-11-16 中国石油大学(华东) 一种实时的视频多类多目标跟踪方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101183427A (zh) * 2007-12-05 2008-05-21 浙江工业大学 基于计算机视觉的违章停车检测装置
CN103021183A (zh) * 2012-12-07 2013-04-03 北京中邮致鼎科技有限公司 一种监控场景中违章机动车检测方法
CN104751634A (zh) * 2015-04-22 2015-07-01 贵州大学 高速公路隧道行车图像采集信息的综合应用方法
CN104866838A (zh) * 2015-06-02 2015-08-26 南京航空航天大学 一种基于视觉的前方车辆自动检测方法
CN105513371A (zh) * 2016-01-15 2016-04-20 昆明理工大学 一种基于核密度估计的高速公路违章停车检测方法
CN106127807A (zh) * 2016-06-21 2016-11-16 中国石油大学(华东) 一种实时的视频多类多目标跟踪方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于超像素和支持向量机的车辆阴影检测算法;朱周等;《东南大学学报: 自然科学版》;20150531;第45卷(第3期);443-447 *
智能交通系统中视频处理关键技术研究;吕正荣;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20170315(第03期);正文第2.3，3.3.1-3.3.2，4.1.1，5.4.1-5.4.2节 *
高速公路监控视频异常检测技术研究;黄胜;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160615(第06期);I136-343 *

Also Published As

Publication number Publication date
CN107154045A (zh) 2017-09-12

Similar Documents

Publication Publication Date Title
CN108596129B (zh) 一种基于智能视频分析技术的车辆越线检测方法
CN110287905B (zh) 一种基于深度学习的交通拥堵区域实时检测方法
CN103617412B (zh) 实时车道线检测方法
CN103324930B (zh) 一种基于灰度直方图二值化的车牌字符分割方法
CN102509306B (zh) 一种基于视频的特定目标的跟踪方法
CN102722982B (zh) 基于背景与帧间差分算法的车流及其运动状态检测方法
CN108038416B (zh) 车道线检测方法及系统
CN105718872B (zh) 两侧车道快速定位及检测车辆偏转角度的辅助方法及系统
CN110210451B (zh) 一种斑马线检测方法
CN103366572B (zh) 一种交叉口的视频交通参数检测方法
CN105336169A (zh) 一种基于视频判断交通拥堵的方法和系统
CN113516853B (zh) 一种针对复杂监控场景的多车道车流量检测方法
CN102419820A (zh) 一种快速检测视频与图像中汽车车标的方法
CN111027447B (zh) 一种基于深度学习的道路溢出实时检测方法
CN110443142B (zh) 一种基于路面提取与分割的深度学习车辆计数方法
CN113111707B (zh) 一种基于卷积神经网络的前车检测与测距方法
CN102156989B (zh) 视频帧中车辆遮挡检测与分割方法
CN116503818A (zh) 一种多车道车速检测方法及系统
CN109241920A (zh) 一种用于车载道路监控取证系统的车道线检测方法
CN107154045B (zh) 一种基于计算机视觉的导流区违章轧线车辆精确定位方法
CN104156727A (zh) 一种基于单目视觉的灯光倒影检测的方法
CN108389177B (zh) 一种车辆保险杠破损检测方法及交通安全预警方法
CN203020184U (zh) 一种基于双ccd的纯电动汽车车道标识线检测装置
CN103927523B (zh) 一种基于纵向灰度特征的雾天等级检测方法
CN113392817A (zh) 一种基于多列卷积神经网络的车辆密度估计的方法及装置

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200609