CN107886055A - 一种用于车辆运动方向判定的逆行检测方法 - Google Patents
一种用于车辆运动方向判定的逆行检测方法 Download PDFInfo
- Publication number
- CN107886055A CN107886055A CN201711026755.9A CN201711026755A CN107886055A CN 107886055 A CN107886055 A CN 107886055A CN 201711026755 A CN201711026755 A CN 201711026755A CN 107886055 A CN107886055 A CN 107886055A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- tracking
- retrograde
- wrong direction
- detection
- 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.)
- Pending
Links
Classifications
-
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Abstract
本发明涉及一种用于车辆运动方向判定及逆行检测方法,具体包括:步骤1)初始化车辆正常行驶方向,设定逆行检测区域D;步骤2)在逆行检测区域D内,基于深度学习模型检测出车辆集合A={A1,A2,...,Ai};步骤3)根据步骤2)的车辆集合A={A1,A2,...,Ai},遍历跟踪车辆集合B={B1,B2,...,Bj},从中筛选出与跟踪车辆Bi匹配的车辆集合C={C1,C2,...,Ci},再与跟踪车辆列表进行比对匹配,更新跟踪车辆列表信息;步骤4)判断更新后的跟踪车辆列表中的跟踪车辆Bj是否为逆行车辆;若跟踪车辆Bj不是逆行车辆,则继续追踪;若跟踪车辆Bj为逆行车辆,则标注该车辆并发出逆行判决;该方法适用范围广,检测结果稳定可靠、准确度高、检测速度快,能满足车辆运动方向判定及逆行检测的实时性要求。
Description
技术领域
本发明属于智能交通系统和图像识别的技术领域,具体涉及一种用于车辆运动方向判定的逆行检测方法。
背景技术
目前的道路视频监控系统多数只停留在原始视频的录像阶段,监控任务主要仍由人工完成,需要人为监视视频观察道路流量以及发现道路中的异常交通事件。但是,随着视频监控规模逐渐扩大,依靠人工方式进行实时监控所暴露出来的局限性越发突出,既难以提供足够多数量的屏幕供观看,也不可能安排足够多的人员24小时无间断的进行监视。车辆逆行行为是高频交通违法行为。在车流密集区域,一旦发生逆行行为极易引发道路拥堵甚至交通事故。由现有的道路视频监控系统实现对车辆逆行等行为的实时自动检测具有十分重要的意义。
目前,常用的逆行车辆检测方法先通过光流法、帧差法、背景差分法等方法提取运动目标集合,再找出运动车辆集合及位置信息,最后再判断每辆车的运动轨迹方向,以此判断车辆是否发生逆行。现有的方法在路面车辆较少时,且车辆运动较快时检测效果比较好;但是,难以应对车辆运动缓慢时的逆行。此外,现有的方法易受光照、遮挡、阴影和视频抖动等因素的影响,受环境干扰严重。因此,针对逆行车辆检测,急需一种适用范围广、准确度高、检测速度快,能满足实时要求的车辆逆行检测方法。
发明内容
本发明的目的在于,为解决现有的检测方法存在的上述缺陷,本发明提供了一种用于车辆运动方向判定的逆行检测方法,该方法能够实现对视频中逆行车辆的快速精确识别,该方法适用范围广,检测结果稳定可靠、准确度高、检测速度快,能满足车辆运动方向判定的逆行检测的实时性要求。
为实现上述目的,本发明提供了一种用于车辆运动方向判定的逆行检测方法,具体包括:
步骤1)初始化车辆正常行驶方向,设定逆行检测区域D;
步骤2)在逆行检测区域D内,基于深度学习模型检测出车辆集合A={A1,A2,...,Ai};
步骤3)根据步骤2)的车辆集合A={A1,A2,...,Ai},遍历跟踪车辆集合B={B1,B2,...,Bj},从中筛选出与跟踪车辆Bi匹配的车辆集合C={C1,C2,...,Ci},再与跟踪车辆列表进行比对匹配,更新跟踪车辆列表信息;
步骤4)判断更新后的跟踪车辆列表中的跟踪车辆Bj是否为逆行车辆;若跟踪车辆Bj不是逆行车辆,则继续追踪;若跟踪车辆Bj为逆行车辆,则标注该车辆并发出逆行判决。
所述步骤1)具体包括:
初始化车辆正常行驶方向,采用有向线段N表示;设置四边形车辆逆行检测区域D;由逆行检测区域D与有向线段N可以得到区域D内正常行驶车辆入口区域与出口区域。
所述步骤2)具体包括:
输入道路监控视频图像;根据步骤1)得到的检测区域D,将D归一化到448×448作为输入图像,基于深度学习模型检测出当前帧图像中的车辆集合A={A1,A2,...,Ai},车辆Ai的矩形包围框区域为PAi={xi,yi,wi,hi},其中,xi和yi分别为车辆Ai中心点坐标;wi和hi分别对应为车辆Ai矩形包围框的宽和车辆Ai矩形包围框的高。
其中,该深度学习模型所用的卷积神经网络结构;该深度学习模型所用的卷积神经网络包括:8个卷积层,4个下采样层,2个全连接层和一个输出层;卷积层中扫描边界自动填充0,均利用Leaky-ReLu函数对神经元进行激活;下采样层中均采用最大池化。卷积层C1的卷积核大小为7×7,16个卷积核,步长为2,生成特征图大小为224×224;下采样层S1窗口大小为4×4,步长为4,生成特征图大小为56×56;卷积层C2卷积核大小为3×3,32个卷积核,步长为1,生成特征图大小为56×56;卷积层C3卷积核大小为3×3,32个卷0积核,步长为1,生成特征图大小为56×56;下采样层S2窗口大小为2×2,步长为2,生成特征图大小为28×28;卷积层C4卷积核大小为3×3,64个卷积核,步长为1,生成特征图大小为28×28;卷积层C5卷积核大小为3×3,64个卷积核,步长为1,生成特征图大小为28×28;卷积层C6卷积核大小为3×3,64个卷积核,步长为1,生成特征图大小为28×28;下采样层S3窗口大小为2×2,步长为2,生成特征图大小为14×14;卷积层C7卷积核大小为3×3,128个卷积核,步长为1,生成特征图大小为14×14;下采样层S4窗口大小为2×2,步长为2,生成特征图大小为7×7;卷积层C8卷积核大小为3×3,256个卷积核,步长为1,生成特征图大小为7×7;全连接层F1由256个神经元构成,使用Relu函数对神经元进行激活;全连接层F2由2048个神经元构成,使用Leaky-ReLu函数对神经元进行激活;输出层由539个神经元构成,使用Relu函数对神经元进行激活。
所述步骤3)具体包括:
步骤3-1)根据步骤2)得到的车辆集合A,计算当前检出车辆在前一周期内的疑似逆行区域PAi0;遍历跟踪车辆集合B={B1,B2,...,Bj};
步骤3-2)根据步骤2)得到的车辆集合A,从中筛选出与跟踪车辆Bi匹配的车辆集合C={C1,C2,...,Ci},更新车辆跟踪列表;
步骤3-3)遍历更新后的车辆跟踪列表,若跟踪车辆Bj得到匹配,进入下一步骤4);若跟踪车辆Bj未得到匹配,更新其丢失次数;若丢失次数大于3,认为该跟踪车辆Bj正常行驶或已驶离,将其从车辆跟踪列表中删除。
所步骤3-1)具体包括:
遍历步骤2)得到的车辆集合A,由当前帧图像中的车辆Ai的位置PAi={xi,yi,wi,hi}计算该车辆在前一周期帧图像内发生的疑似逆行区域PAi0。矩形区域PAi0底边为车辆Ai检测框与检测入口区域较近的底边并于两端延伸宽度W,宽边与检测出口区域相交。遍历跟踪车辆集合B={B1,B2,...,Bj}。
所步骤3-2)具体包括:
步骤3-2-1)若跟踪车辆集合B内不存在车辆Bj位于疑似逆行区域PAi0内,且当前车辆Ai所处的位置位于检测区域入口边缘附近,则认为该车辆正常行驶出现在检测场景中;
步骤3-2-2)若跟踪车辆集合B内不存在车辆Bj位于疑似逆行区域PAi0内,且当前车辆Ai所处的位置位于检测区域出口边缘附近,则认为该车辆疑似逆行出现在检测场景中,将该当前车辆Ai加入车辆跟踪列表中;
步骤3-2-3)若跟踪车辆集合B内不存在车辆Bj位于疑似逆行区域PAi0内,且当前车辆Ai所处的位置没有位于检测区域边缘附近,则认为该车辆为跟踪丢失车辆或正常行驶车辆;将该当前车辆Ai加入车辆跟踪列表中,更新跟踪车辆列表,进行下一步骤3-3);
步骤3-2-4)若跟踪车辆集合B内存在车辆Bj位于疑似逆行区域PAi0内,则分别提取当前车辆Ai的检测框区域图像和相应的跟踪车辆Bj检测框区域图像,归一化至48×48大小,并进行灰度化,计算LBP特征LBPAi和LBPBj。在计算LBP特征时,使用半径为2,采样点数为8的LBP算子对整幅图像的每个像素点求LBP值,统计整个图像LBP值的直方图构成这部分的特征,其维度为59。计算当前车辆Ai直方图与跟踪车辆Bj直方图间的欧式距离d。若d小于预设匹配判决阈值0.3,则当前车辆Ai与跟踪车辆Bj相互匹配,即当前帧图像中的图像中当前车辆Ai与跟踪车辆集合B中的跟踪车辆Bj为同一车辆,更新车辆Bj已逆行轨迹长度;若d大于预设匹配判决阈值0.3,则当前车辆Ai与跟踪车辆Bj不匹配,当前车辆Ai为新检出车辆,并将其加入车辆跟踪列表中。
所述步骤4)具体包括:
判断跟踪车辆Bj的已逆行轨迹长度是否小于预设判决阈值100;若其已逆行轨迹长度小于预设判决阈值100,则认为历史轨迹信息尚不足以确认该跟踪车辆Bj的逆行行为,继续跟踪;若其已逆行轨迹长度大于或等于预设判决阈值100,认为该跟踪车辆Bj已发生逆行行为,则该跟踪车辆Bj为逆行车辆,则标注该跟踪车辆Bj并发出逆行判决。
一种用于车辆运动方向判定的逆行检测系统,所述检测系统为智能交通管理系统,包括存储器、处理器和存储在存储器上的并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现所述的逆行检测方法的步骤。
本发明的优点在于:
1、本发明基于深度学习模型检测出图像中的车辆集合A,相比于利用运动特征提取车辆集合的方法准确度更高、适用范围更广;
2、本发明对检出车辆预测其疑似逆行区域,筛选出后一周期帧图像中的内其可能逆行区域中的车辆再进行匹配判断,不必逐一判断每一辆车的运动轨迹,检测速度快,能满足实时识别要求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的一种车辆运动方向判定的逆行检测方法的流程图;
图2(a)是利用本发明实施例中的步骤1的初始化车辆逆行检测规则的效果示意图;
图2(b)是利用本发明实施例中的步骤2的检出车辆集合的效果示意图;
图2(c)是利用本发明实施例中的步骤3中的由当前检出车辆疑似逆行区域筛选出与跟踪车辆匹配的车辆集合的效果示意图;
图2(d)是利用本发明实施例中的步骤4标注跟踪车辆列表中的逆行车辆的效果示意图;
图3是本发明实施例中的深度学习模型网络结构图。
具体实施方式
如图1所示,本发明提供了一种用于车辆运动方向判定的逆行检测方法,具体包括:
步骤1)初始化车辆正常行驶方向,设定逆行检测区域D;
步骤2)在逆行检测区域D内,基于深度学习模型检测出车辆集合A={A1,A2,...,Ai};
步骤3)根据步骤2)的车辆集合A={A1,A2,...,Ai},遍历跟踪车辆集合B={B1,B2,...,Bj},从中筛选出与跟踪车辆Bi匹配的车辆集合C={C1,C2,...,Ci},再与跟踪车辆列表进行比对匹配,更新跟踪车辆列表信息;
步骤4)判断更新后的跟踪车辆列表中的跟踪车辆Bj是否为逆行车辆;若跟踪车辆Bj不是逆行车辆,则继续追踪;若跟踪车辆Bj为逆行车辆,则标注该车辆并发出逆行判决。
所述步骤1)具体包括:
初始化车辆正常行驶方向,采用有向线段N表示;设置四边形车辆逆行检测区域D;由逆行检测区域D与有向线段N可以得到区域D内正常行驶车辆入口区域与出口区域,示意图如图2(a)所示。
所述步骤2)具体包括:
输入道路监控视频图像;根据步骤1)得到的检测区域D,将D归一化到448×448作为输入图像,基于深度学习模型检测出当前帧图像中的车辆集合A={A1,A2,...,Ai},车辆Ai的矩形包围框区域为PAi={xi,yi,wi,hi},其中,xi和yi分别为车辆Ai中心点坐标;wi和hi分别对应为车辆Ai矩形包围框的宽和车辆Ai矩形包围框的高。检测效果示意图如图2(b)所示。
其中,如图3所示,该深度学习模型所用的卷积神经网络结构;该深度学习模型所用的卷积神经网络包括:8个卷积层,4个下采样层,2个全连接层和一个输出层;卷积层中扫描边界自动填充0,均利用Leaky-ReLu函数对神经元进行激活;下采样层中均采用最大池化。卷积层C1的卷积核大小为7×7,16个卷积核,步长为2,生成特征图大小为224×224;下采样层S1窗口大小为4×4,步长为4,生成特征图大小为56×56;卷积层C2卷积核大小为3×3,32个卷积核,步长为1,生成特征图大小为56×56;卷积层C3卷积核大小为3×3,32个卷0积核,步长为1,生成特征图大小为56×56;下采样层S2窗口大小为2×2,步长为2,生成特征图大小为28×28;卷积层C4卷积核大小为3×3,64个卷积核,步长为1,生成特征图大小为28×28;卷积层C5卷积核大小为3×3,64个卷积核,步长为1,生成特征图大小为28×28;卷积层C6卷积核大小为3×3,64个卷积核,步长为1,生成特征图大小为28×28;下采样层S3窗口大小为2×2,步长为2,生成特征图大小为14×14;卷积层C7卷积核大小为3×3,128个卷积核,步长为1,生成特征图大小为14×14;下采样层S4窗口大小为2×2,步长为2,生成特征图大小为7×7;卷积层C8卷积核大小为3×3,256个卷积核,步长为1,生成特征图大小为7×7;全连接层F1由256个神经元构成,使用Relu函数对神经元进行激活;全连接层F2由2048个神经元构成,使用Leaky-ReLu函数对神经元进行激活;输出层由539个神经元构成,使用Relu函数对神经元进行激活。
所述步骤3)具体包括:
步骤3-1)根据步骤2)得到的车辆集合A,计算当前检出车辆在前一周期内的疑似逆行区域PAi0;遍历跟踪车辆集合B={B1,B2,...,Bj};
步骤3-2)根据步骤2)得到的车辆集合A,从中筛选出与跟踪车辆Bi匹配的车辆集合C={C1,C2,...,Ci},更新车辆跟踪列表;
步骤3-3)遍历更新后的车辆跟踪列表,若跟踪车辆Bj得到匹配,进入下一步骤4);若跟踪车辆Bj未得到匹配,更新其丢失次数;若丢失次数大于3,认为该跟踪车辆Bj正常行驶或已驶离,将其从车辆跟踪列表中删除。
所步骤3-1)具体包括:
遍历步骤2)得到的车辆集合A,由当前帧图像中的车辆Ai的位置PAi={xi,yi,wi,hi}计算该车辆在前一周期帧图像内发生的疑似逆行区域PAi0。矩形区域PAi0底边为车辆Ai检测框与检测入口区域较近的底边并于两端延伸宽度W,宽边与检测出口区域相交。示意图如图2(c)所示;遍历跟踪车辆集合B={B1,B2,...,Bj}。
所步骤3-2)具体包括:
步骤3-2-1)若跟踪车辆集合B内不存在车辆Bj位于疑似逆行区域PAi0内,且当前车辆Ai所处的位置位于检测区域入口边缘附近,则认为该车辆正常行驶出现在检测场景中;
步骤3-2-2)若跟踪车辆集合B内不存在车辆Bj位于疑似逆行区域PAi0内,且当前车辆Ai所处的位置位于检测区域出口边缘附近,则认为该车辆疑似逆行出现在检测场景中,将该当前车辆Ai加入车辆跟踪列表中;
步骤3-2-3)若跟踪车辆集合B内不存在车辆Bj位于疑似逆行区域PAi0内,且当前车辆Ai所处的位置没有位于检测区域边缘附近,则认为该车辆为跟踪丢失车辆或正常行驶车辆;将该当前车辆Ai加入车辆跟踪列表中,更新跟踪车辆列表,进行下一步骤3-3);
步骤3-2-4)若跟踪车辆集合B内存在车辆Bj位于疑似逆行区域PAi0内,则分别提取当前车辆Ai的检测框区域图像和相应的跟踪车辆Bj检测框区域图像,归一化至48×48大小,并进行灰度化,计算LBP特征LBPAi和LBPBj。在计算LBP特征时,使用半径为2,采样点数为8的LBP算子对整幅图像的每个像素点求LBP值,统计整个图像LBP值的直方图构成这部分的特征,其维度为59。计算当前车辆Ai直方图与跟踪车辆Bj直方图间的欧式距离d。若d小于预设匹配判决阈值0.3,则当前车辆Ai与跟踪车辆Bj相互匹配,即当前帧图像中的图像中当前车辆Ai与跟踪车辆集合B中的跟踪车辆Bj为同一车辆,更新车辆Bj已逆行轨迹长度;若d大于预设匹配判决阈值0.3,则当前车辆Ai与跟踪车辆Bj不匹配,当前车辆Ai为新检出车辆,并将其加入车辆跟踪列表中。
所述步骤4)具体包括:
为提高检测的准确率,减少误检,判断跟踪车辆Bj的已逆行轨迹长度是否小于预设判决阈值100;若其已逆行轨迹长度小于预设判决阈值100,则认为历史轨迹信息尚不足以确认该跟踪车辆Bj的逆行行为,继续跟踪;若其已逆行轨迹长度大于或等于预设判决阈值100,认为该跟踪车辆Bj已发生逆行行为,则该跟踪车辆Bj为逆行车辆,则标注该跟踪车辆Bj并发出逆行判决,如图2(d)所示。
图2(a)-图2(d)是利用本发明实施例中的方法对逆行车辆进行检测的效果示意图。
一种用于车辆运动方向判定的逆行检测系统,所述检测系统为智能交通管理系统,包括存储器、处理器和存储在存储器上的并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现所述的逆行检测方法的步骤。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种用于车辆运动方向判定的逆行检测方法,具体包括:
步骤1)初始化车辆正常行驶方向,设定逆行检测区域D;
步骤2)在逆行检测区域D内,基于深度学习模型检测出车辆集合A={A1,A2,...,Ai};
步骤3)根据步骤2)的车辆集合A={A1,A2,...,Ai},遍历跟踪车辆集合B={B1,B2,...,Bj},从中筛选出与跟踪车辆Bi匹配的车辆集合C={C1,C2,...,Ci},再与跟踪车辆列表进行比对匹配,更新跟踪车辆列表信息;
步骤4)判断更新后的跟踪车辆列表中的跟踪车辆Bj是否为逆行车辆;若跟踪车辆Bj不是逆行车辆,则继续追踪;若跟踪车辆Bj为逆行车辆,则标注该车辆并发出逆行判决。
2.根据权利要求1所述的逆行检测方法,其特征在于,所述步骤1)具体包括:
初始化车辆正常行驶方向,采用有向线段N表示;设置四边形车辆逆行检测区域D;由逆行检测区域D与有向线段N可以得到区域D内正常行驶车辆入口区域与出口区域。
3.根据权利要求1所述的逆行检测方法,其特征在于,所述步骤2)具体包括:
输入道路监控视频图像;根据步骤1)得到的检测区域D,将D归一化到448×448作为输入图像,基于深度学习模型检测出当前帧图像中的车辆集合A={A1,A2,...,Ai},车辆Ai的矩形包围框区域为PAi={xi,yi,wi,hi},其中,xi和yi分别为车辆Ai中心点坐标;wi和hi分别对应为车辆Ai矩形包围框的宽和车辆Ai矩形包围框的高。
4.根据权利要求3所述的逆行检测方法,其特征在于,该深度学习模型所用的卷积神经网络结构包括:8个卷积层,4个下采样层,2个全连接层和一个输出层;
卷积层中扫描边界自动填充0,均利用Leaky-ReLu函数对神经元进行激活;下采样层中均采用最大池化;
卷积层C1的卷积核大小为7×7,16个卷积核,步长为2,生成特征图大小为224×224;下采样层S1窗口大小为4×4,步长为4,生成特征图大小为56×56;卷积层C2卷积核大小为3×3,32个卷积核,步长为1,生成特征图大小为56×56;卷积层C3卷积核大小为3×3,32个卷0积核,步长为1,生成特征图大小为56×56;下采样层S2窗口大小为2×2,步长为2,生成特征图大小为28×28;卷积层C4卷积核大小为3×3,64个卷积核,步长为1,生成特征图大小为28×28;卷积层C5卷积核大小为3×3,64个卷积核,步长为1,生成特征图大小为28×28;卷积层C6卷积核大小为3×3,64个卷积核,步长为1,生成特征图大小为28×28;下采样层S3窗口大小为2×2,步长为2,生成特征图大小为14×14;卷积层C7卷积核大小为3×3,128个卷积核,步长为1,生成特征图大小为14×14;下采样层S4窗口大小为2×2,步长为2,生成特征图大小为7×7;卷积层C8卷积核大小为3×3,256个卷积核,步长为1,生成特征图大小为7×7;
全连接层F1由256个神经元构成,使用Relu函数对神经元进行激活;全连接层F2由2048个神经元构成,使用Leaky-ReLu函数对神经元进行激活;输出层由539个神经元构成,使用Relu函数对神经元进行激活。
5.根据权利要求1所述的逆行检测方法,其特征在于,所述步骤3)具体包括:
步骤3-1)根据步骤2)得到的车辆集合A,计算当前检出车辆在前一周期内的疑似逆行区域PAi0;遍历跟踪车辆集合B={B1,B2,...,Bj};
步骤3-2)根据步骤2)得到的车辆集合A,从中筛选出与跟踪车辆Bi匹配的车辆集合C={C1,C2,...,Ci},更新车辆跟踪列表;
步骤3-3)遍历更新后的车辆跟踪列表,若跟踪车辆Bj得到匹配,进入下一步骤4);若跟踪车辆Bj未得到匹配,更新其丢失次数;若丢失次数大于3,认为该跟踪车辆Bj正常行驶或已驶离,将其从车辆跟踪列表中删除。
6.根据权利要求5所述的逆行检测方法,其特征在于,所步骤3-1)具体包括:
遍历步骤2)得到的车辆集合A,由当前帧图像中的车辆Ai的位置PAi={xi,yi,wi,hi}计算该车辆在前一周期帧图像内发生的疑似逆行区域PAi0;矩形区域PAi0底边为车辆Ai检测框与检测入口区域较近的底边并于两端延伸宽度W,宽边与检测出口区域相交;遍历跟踪车辆集合B={B1,B2,...,Bj}。
7.根据权利要求5所述的逆行检测方法,其特征在于,所步骤3-2)具体包括:
步骤3-2-1)若跟踪车辆集合B内不存在车辆Bj位于疑似逆行区域PAi0内,且当前车辆Ai所处的位置位于检测区域入口边缘附近,则认为该车辆正常行驶出现在检测场景中;
步骤3-2-2)若跟踪车辆集合B内不存在车辆Bj位于疑似逆行区域PAi0内,且当前车辆Ai所处的位置位于检测区域出口边缘附近,则认为该车辆疑似逆行出现在检测场景中,将该当前车辆Ai加入车辆跟踪列表中;
步骤3-2-3)若跟踪车辆集合B内不存在车辆Bj位于疑似逆行区域PAi0内,且当前车辆Ai所处的位置没有位于检测区域边缘附近,则认为该车辆为跟踪丢失车辆或正常行驶车辆;将该当前车辆Ai加入车辆跟踪列表中,更新跟踪车辆列表,进行下一步骤3-3);
步骤3-2-4)若跟踪车辆集合B内存在车辆Bj位于疑似逆行区域PAi0内,则分别提取当前车辆Ai的检测框区域图像和相应的跟踪车辆Bj检测框区域图像,归一化至48×48大小,并进行灰度化,计算LBP特征LBPAi和LBPBj;在计算LBP特征时,使用半径为2,采样点数为8的LBP算子对整幅图像的每个像素点求LBP值,统计整个图像LBP值的直方图构成这部分的特征,其维度为59;计算当前车辆Ai直方图与跟踪车辆Bj直方图之间的欧式距离d;若d小于预设匹配判决阈值0.3,则当前车辆Ai与跟踪车辆Bj相互匹配,即当前帧图像中的图像中当前车辆Ai与跟踪车辆集合B中的跟踪车辆Bj为同一车辆,更新车辆Bj已逆行轨迹长度;若d大于预设匹配判决阈值0.3,则当前车辆Ai与跟踪车辆Bj不匹配,当前车辆Ai为新检出车辆,并将其加入车辆跟踪列表中。
8.根据权利要求1所述的逆行检测方法,其特征在于,所述步骤4)具体包括:
判断跟踪车辆Bj的已逆行轨迹长度是否小于预设判决阈值100;若其已逆行轨迹长度小于预设判决阈值100,则认为历史轨迹信息尚不足以确认该跟踪车辆Bj的逆行行为,继续跟踪;若其已逆行轨迹长度大于或等于预设判决阈值100,认为该跟踪车辆Bj已发生逆行行为,则该跟踪车辆Bj为逆行车辆,则标注该跟踪车辆Bj并发出逆行判决。
9.一种用于车辆运动方向判定的逆行检测系统,所述检测系统为智能交通管理系统,包括存储器、处理器和存储在存储器上的并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1~8所述的逆行检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711026755.9A CN107886055A (zh) | 2017-10-27 | 2017-10-27 | 一种用于车辆运动方向判定的逆行检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711026755.9A CN107886055A (zh) | 2017-10-27 | 2017-10-27 | 一种用于车辆运动方向判定的逆行检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107886055A true CN107886055A (zh) | 2018-04-06 |
Family
ID=61782608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711026755.9A Pending CN107886055A (zh) | 2017-10-27 | 2017-10-27 | 一种用于车辆运动方向判定的逆行检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107886055A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145736A (zh) * | 2018-07-18 | 2019-01-04 | 南京行者易智能交通科技有限公司 | 一种基于视频分析的地铁站点行人逆向行走的检测方法 |
CN109215393A (zh) * | 2018-11-20 | 2019-01-15 | 中国葛洲坝集团公路运营有限公司 | 一种用于目标区域异常事件监控的方法及系统 |
CN110334717A (zh) * | 2019-07-05 | 2019-10-15 | 南通大学 | 一种基于检测的渡口车辆跟踪方法 |
CN110689734A (zh) * | 2019-09-24 | 2020-01-14 | 成都通甲优博科技有限责任公司 | 车辆行驶状况识别方法、装置及电子设备 |
CN111009136A (zh) * | 2019-12-11 | 2020-04-14 | 公安部交通管理科学研究所 | 一种高速公路行驶速度异常车辆检测方法、装置及系统 |
CN111126171A (zh) * | 2019-12-04 | 2020-05-08 | 江西洪都航空工业集团有限责任公司 | 一种车辆逆行检测方法及系统 |
CN111259868A (zh) * | 2020-03-10 | 2020-06-09 | 北京以萨技术股份有限公司 | 基于卷积神经网络的逆行车辆检测方法、系统及介质 |
CN111539359A (zh) * | 2020-04-28 | 2020-08-14 | 浙江工商大学 | 基于深度学习的违章停车检测方法 |
CN111611901A (zh) * | 2020-05-15 | 2020-09-01 | 北京百度网讯科技有限公司 | 车辆逆行检测方法、装置、设备以及存储介质 |
CN112016532A (zh) * | 2020-10-22 | 2020-12-01 | 腾讯科技(深圳)有限公司 | 一种车辆检测方法和装置 |
CN113240912A (zh) * | 2021-06-04 | 2021-08-10 | 上海眼控科技股份有限公司 | 一种车辆逆行的判定方法、装置、设备及存储介质 |
CN113327414A (zh) * | 2020-02-28 | 2021-08-31 | 深圳市丰驰顺行信息技术有限公司 | 车辆逆行检测方法、装置、计算机设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809887A (zh) * | 2015-04-23 | 2015-07-29 | 杭州中威电子股份有限公司 | 一种高速公路上车辆逆行检测方法与自动报警装置 |
CN105632175A (zh) * | 2016-01-08 | 2016-06-01 | 上海微锐智能科技有限公司 | 车辆行为分析方法及系统 |
CN105930855A (zh) * | 2016-05-19 | 2016-09-07 | 华南理工大学 | 一种基于深度卷积神经网的车辆检测方法 |
CN106297314A (zh) * | 2016-11-03 | 2017-01-04 | 北京文安智能技术股份有限公司 | 一种逆行或压线车辆行为的检测方法、装置及一种球机 |
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 |
CN106919902A (zh) * | 2017-01-19 | 2017-07-04 | 南京邮电大学盐城大数据研究院有限公司 | 一种基于cnn的车辆识别和轨迹追踪方法 |
-
2017
- 2017-10-27 CN CN201711026755.9A patent/CN107886055A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809887A (zh) * | 2015-04-23 | 2015-07-29 | 杭州中威电子股份有限公司 | 一种高速公路上车辆逆行检测方法与自动报警装置 |
CN105632175A (zh) * | 2016-01-08 | 2016-06-01 | 上海微锐智能科技有限公司 | 车辆行为分析方法及系统 |
CN105930855A (zh) * | 2016-05-19 | 2016-09-07 | 华南理工大学 | 一种基于深度卷积神经网的车辆检测方法 |
CN106297314A (zh) * | 2016-11-03 | 2017-01-04 | 北京文安智能技术股份有限公司 | 一种逆行或压线车辆行为的检测方法、装置及一种球机 |
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 |
CN106919902A (zh) * | 2017-01-19 | 2017-07-04 | 南京邮电大学盐城大数据研究院有限公司 | 一种基于cnn的车辆识别和轨迹追踪方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145736A (zh) * | 2018-07-18 | 2019-01-04 | 南京行者易智能交通科技有限公司 | 一种基于视频分析的地铁站点行人逆向行走的检测方法 |
CN109215393A (zh) * | 2018-11-20 | 2019-01-15 | 中国葛洲坝集团公路运营有限公司 | 一种用于目标区域异常事件监控的方法及系统 |
CN110334717A (zh) * | 2019-07-05 | 2019-10-15 | 南通大学 | 一种基于检测的渡口车辆跟踪方法 |
CN110689734A (zh) * | 2019-09-24 | 2020-01-14 | 成都通甲优博科技有限责任公司 | 车辆行驶状况识别方法、装置及电子设备 |
CN111126171A (zh) * | 2019-12-04 | 2020-05-08 | 江西洪都航空工业集团有限责任公司 | 一种车辆逆行检测方法及系统 |
CN111009136A (zh) * | 2019-12-11 | 2020-04-14 | 公安部交通管理科学研究所 | 一种高速公路行驶速度异常车辆检测方法、装置及系统 |
CN113327414A (zh) * | 2020-02-28 | 2021-08-31 | 深圳市丰驰顺行信息技术有限公司 | 车辆逆行检测方法、装置、计算机设备和存储介质 |
CN111259868A (zh) * | 2020-03-10 | 2020-06-09 | 北京以萨技术股份有限公司 | 基于卷积神经网络的逆行车辆检测方法、系统及介质 |
CN111259868B (zh) * | 2020-03-10 | 2023-12-12 | 以萨技术股份有限公司 | 基于卷积神经网络的逆行车辆检测方法、系统及介质 |
CN111539359A (zh) * | 2020-04-28 | 2020-08-14 | 浙江工商大学 | 基于深度学习的违章停车检测方法 |
CN111539359B (zh) * | 2020-04-28 | 2024-04-02 | 浙江工商大学 | 基于深度学习的违章停车检测方法 |
CN111611901A (zh) * | 2020-05-15 | 2020-09-01 | 北京百度网讯科技有限公司 | 车辆逆行检测方法、装置、设备以及存储介质 |
CN111611901B (zh) * | 2020-05-15 | 2023-10-03 | 北京百度网讯科技有限公司 | 车辆逆行检测方法、装置、设备以及存储介质 |
CN112016532A (zh) * | 2020-10-22 | 2020-12-01 | 腾讯科技(深圳)有限公司 | 一种车辆检测方法和装置 |
CN113240912A (zh) * | 2021-06-04 | 2021-08-10 | 上海眼控科技股份有限公司 | 一种车辆逆行的判定方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107886055A (zh) | 一种用于车辆运动方向判定的逆行检测方法 | |
CN104537841B (zh) | 无牌车辆违章检测方法及其检测系统 | |
US11840239B2 (en) | Multiple exposure event determination | |
CN105744232B (zh) | 一种基于行为分析技术的输电线路视频防外破的方法 | |
CN105809975B (zh) | 一种异常停车判断方法和装置 | |
CN103116987B (zh) | 一种基于监控视频处理的车流统计和违规检测的方法 | |
WO2019179024A1 (zh) | 机场跑道智能监控方法、应用服务器及计算机存储介质 | |
CN101458871B (zh) | 一种智能交通分析系统及其应用系统 | |
CN108335489A (zh) | 高速公路车辆行为语义分析及异常行为监控系统及方法 | |
CN107301776A (zh) | 基于视频检测技术的车道路况处理及发布方法 | |
CN104809887B (zh) | 一种高速公路上车辆逆行检测方法与自动报警装置 | |
CN102254428B (zh) | 一种基于视频处理的交通拥塞检测方法 | |
CN105513349A (zh) | 基于双视角学习的山区高速公路车辆事件检测方法 | |
CN104966304A (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
CN105608431A (zh) | 一种基于车辆数目与车流速度的高速公路拥堵检测方法 | |
CN112132071A (zh) | 识别交通拥堵的处理方法、装置、设备及存储介质 | |
CN112766038B (zh) | 一种根据图像识别的车辆跟踪方法 | |
CN109766867A (zh) | 车辆运行状态确定方法、装置、计算机设备和存储介质 | |
CN111524350B (zh) | 车路协同异常行驶状况检测方法、系统、终端设备及介质 | |
CN113515968A (zh) | 街道的异常事件检测方法、装置、设备及介质 | |
US20220237919A1 (en) | Method, Apparatus, and Computing Device for Lane Recognition | |
CN112447060A (zh) | 识别车道的方法、装置及计算设备 | |
Kadim et al. | Real-time deep-learning based traffic volume count for high-traffic urban arterial roads | |
CN110889347B (zh) | 基于时空计数特征的密度交通流计数方法及系统 | |
CN116311166A (zh) | 交通障碍物识别方法、装置及电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180406 |
|
RJ01 | Rejection of invention patent application after publication |