CN110008932B - 一种基于计算机视觉的车辆违章压线检测方法 - Google Patents

一种基于计算机视觉的车辆违章压线检测方法 Download PDF

Info

Publication number
CN110008932B
CN110008932B CN201910309083.5A CN201910309083A CN110008932B CN 110008932 B CN110008932 B CN 110008932B CN 201910309083 A CN201910309083 A CN 201910309083A CN 110008932 B CN110008932 B CN 110008932B
Authority
CN
China
Prior art keywords
image
line
computer vision
detection method
background
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
Application number
CN201910309083.5A
Other languages
English (en)
Other versions
CN110008932A (zh
Inventor
王成中
文建斌
龚卓丽
赵锦兰
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.)
Sichuan Jiuzhou Video Technology Co ltd
Original Assignee
Sichuan Jiuzhou Video Technology Co ltd
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 Sichuan Jiuzhou Video Technology Co ltd filed Critical Sichuan Jiuzhou Video Technology Co ltd
Priority to CN201910309083.5A priority Critical patent/CN110008932B/zh
Publication of CN110008932A publication Critical patent/CN110008932A/zh
Application granted granted Critical
Publication of CN110008932B publication Critical patent/CN110008932B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats

Abstract

本发明公开了一种基于计算机视觉的车辆违章压线检测方法，包括步骤1：获取图像进行滤波和均衡化处理，削弱噪声影响，使图像灰度分布均匀；步骤2：采用Canny边缘检测算法对步骤1处理后的图像进行边缘检测，并采用阈值进行图像分割；步骤3：使用混合高斯背景模型进行包括背景学习、背景像素匹配、处理不连续轮廓以及填充前景空洞区域的背景建模；步骤4：使用Hough变换获取步骤3中所得模型中的直线信息，并将直线图像与原图像Canny算子检测的轮廓图像进行与运算；步骤5：使用图像的矩进行特征提取，利用矩特性，根据车道线检测时欲获得的直线长度、角度，筛选出目标直线；步骤6：通过车道实线的遮挡情况、压线物轮廓特征判断是否违章压线。

Description

一种基于计算机视觉的车辆违章压线检测方法
技术领域
本发明涉及智能交通信息技术领域，具体的说，是一种基于计算机视觉的车辆违章压线检测方法。
背景技术
随着生活水平提高、交通建设加强，各种出行工具越来越多地被应用到日常生活中，交通工具数量和种类的迅速增多为日常监管带来了巨大压力，车辆违章问题也随之增多。传统监管系统采用人工判别的方式检测车辆的违章行为，效率低下，难以应对复杂的交通情况，因此，违章行为的智能判别成为需求，智能交通系统的发展成为大势所趋。违章压线作为最为常见的违章行为，对其进行准确高效的违章检测对规范司机行为、减少事故发生率有着极其重要的意义。
发明内容
本发明的目的在于提供一种基于计算机视觉的车辆违章压线检测方法，用于解决现有技术中由于传统的监管系统采用人工判别的方式检测车辆违章的行为效率低下，难以应对复杂的交通状况的问题。
本发明通过下述技术方案解决上述问题：
一种基于计算机视觉的车辆违章压线检测方法，所述方法包括如下步骤：
步骤1：获取图像进行滤波和均衡化处理，削弱噪声影响，使图像灰度分布均匀；
步骤2：采用Canny边缘检测算法对步骤1处理后的图像进行边缘检测，并采用阈值进行图像分割；
步骤3：使用混合高斯背景模型进行包括背景学习、背景像素匹配、处理不连续轮廓以及填充前景空洞区域的背景建模；
步骤4：使用Hough变换获取步骤3中所得模型中的直线信息，并将直线检测图像与原图像Canny算子检测的轮廓图像进行与运算，滤去误检到的直线；
步骤5：使用图像的矩进行特征提取，利用矩特性，根据车道线检测时欲获得的直线长度、角度，筛选出目标直线；
步骤6：通过车道实线的遮挡情况判别是否有物体压线，根据压线物体的四边形轮廓特征，判断是否满足车辆轮廓，再使用几何中心法判别车辆是否违章压线。
本方法在车辆前景分离方面采用阈值分割、canny算子边缘检测、混合高斯背景建模、膨胀算法加漫水填充技术、四边形轮廓包围技术相结合，高效、准确得获取了车辆前景范围。其中，采用canny算子进行图像边缘提取，相比常用的sobel、roberts、log算子，其阈值可以由人工给定，去噪效果好，且边缘信息保留和连接都更理想，能更精准地检测车辆轮廓。此外，采用膨胀和漫水填充方法结合图像矩特征，解决了常规检测方法中车辆分离时轮廓不连续、不准确的问题，可获得更好的车辆区域；在车道线检测方面结合Hough变换与矩函数，有效地对车道线进行了检测及筛选，处理效率高，且将得到的直线图像与canny算子检测的轮廓图像进行与运算，有效地滤去了误检到的直线，提升了车道线检测精度；并且采用的高性能的检测、判断方法，对部分已有算法如Hough变换进行了改进，提高了对车辆压线行为检测的准确度，能更好地应用于现实场景，可提高交通监管效率。
优选地，所述步骤1中采用高斯平滑滤波器卷积对图像进行降噪处理。
优选地，所述步骤2中的边缘检测是先计算出像素梯度幅值和方向，再使用双阈值算法检测和连接边缘，阈值范围通过人工设定以保留合适的边缘线，若像素位置的幅值超过高阈值，则保留为边缘像素，阈值由人工给定，去噪效果更好，且边缘信息保留和连接都更理想，能更精准地检测车辆轮廓。
优选地，所述步骤2中采用阈值进行图像分割时，使用最大类间方差法寻找分割的最佳阈值，并进行二值化处理。
优选地，所述步骤3中背景像素匹配时先寻找匹配像素值的分布模型，设定匹配范围，再选择概率最高的模型作为当前背景像素值，将离散的像素值通过函数关系来描述，使用背景减除获取前景。
优选地，所述步骤3中采用膨胀算法进行滤波处理不连续轮廓，先求局部最大值，再利用核与图像进行卷积。
优选地，所述步骤3中采用漫水填充算法填充前景空洞区域，填充后再进行腐蚀以减去多出来的区域。
优选地，所述步骤3中背景学习是对一段帧数的视频进行训练，通过训练帧中所得到模型计算出均值、方差和权重等来做为背景模型的参数，亦可将其他参数用来做为背景模型的参数。
优选地，所述步骤6中判别车辆是否违章压线时采用几何中心法进行判断，由轮廓的质心位置、与线的距离即可判断。
本发明与现有技术相比，具有以下优点及有益效果：
(1)本发明在车辆前景分离方面采用阈值分割、canny算子边缘检测、混合高斯背景建模、膨胀算法加漫水填充技术、四边形轮廓包围技术相结合，高效、准确得获取了车辆前景范围。其中，采用canny算子进行图像边缘提取，相比常用的sobel、roberts、log算子，其阈值可以由人工给定，去噪效果好，且边缘信息保留和连接都更理想，能更精准地检测车辆轮廓。此外，采用膨胀和漫水填充方法结合图像矩特征，解决了常规检测方法中车辆分离时轮廓不连续、不准确的问题，可获得更好的车辆区域。
(2)本发明在车道线检测方面结合Hough变换与矩函数，有效地对车道线进行了检测及筛选，处理效率高，且将得到的直线图像与canny算子检测的轮廓图像进行与运算，有效地滤去了误检到的直线，提升了车道线检测精度。
(3)本发明采用了高性能的检测、判断方法，对部分已有算法如Hough变换进行了改进，提高了对车辆压线行为检测的准确度，能更好地应用于现实场景，提高交通监管效率。
附图说明
图1为本发明的方法步骤流程示意框图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此。
实施例1：
结合附图1所示，一种基于计算机视觉的车辆违章压线检测方法，所述方法包括如下步骤：
步骤1：获取图像进行滤波和均衡化处理，采用高斯平滑滤波器卷积对图像进行降噪处理，削弱噪声影响，使图像灰度分布均匀；
步骤2：采用Canny边缘检测算法对步骤1处理后的图像进行边缘检测，并采用阈值进行图像分割，其中边缘检测是先计算出像素梯度幅值和方向，再使用双阈值算法检测和连接边缘，阈值范围通过人工设定以保留合适的边缘线，若像素位置的幅值超过高阈值，则保留为边缘像素，阈值由人工给定，去噪效果更好，且边缘信息保留和连接都更理想，能更精准地检测车辆轮廓；采用阈值进行图像分割时，使用最大类间方差法寻找分割的最佳阈值，并进行二值化处理；
步骤3：使用混合高斯背景模型进行包括背景学习、背景像素匹配、处理不连续轮廓以及填充前景空洞区域的背景建模。其中，背景学习是对一段帧数的视频进行训练，通过训练帧中所得到模型计算出均值、方差和权重等各参数来做为背景模型的参数，背景像素匹配时先寻找匹配像素值的分布模型，设定匹配范围，再选择概率最高的模型作为当前背景像素值，将离散的像素值通过函数关系来描述，使用背景减除获取前景，对于观测的像素序列{,,x-1.,,x-2,…,,x-n..}，以,x-t.为t时刻像素的样本，其服从的混合高斯分布概率密度函数如下式：
Figure BDA0002030849520000051
Figure BDA0002030849520000052
τi,t＝σi,t 2I
其中k为高斯分布模式数，
Figure BDA0002030849520000053
为t时刻第i个高斯分布,μi,t为其均值，τi,t为其协方差矩阵，σi,t 2为其方差，I是一个三维单位矩阵，wi,t为t时刻第i个高斯分布的权重。
设置分布模型的均值偏差，如3σ，若对于像素值x-t.，与模型的均值偏差在3σ内则该像素属于背景，得到：
|xt-μi,t-1|≤3σi,t-1
最后，用漫水填充算法填充前景空洞区域，填充后再进行腐蚀以减去多出来的区域，用膨胀算法进行滤波处理不连续轮廓，先求局部最大值，再利用核与图像进行卷积；
步骤4：使用Hough变换获取步骤3中所得模型中的直线信息，并将直线检测图像与原图像Canny算子检测的轮廓图像进行与运算，滤去误检到的直线；
步骤5：使用图像的矩进行特征提取，利用矩特性，根据车道线检测时欲获得的直线长度、角度，筛选出目标直线；
步骤6：通过车道实线的遮挡情况判别是否有物体压线，根据压线物体的四边形轮廓特征，判断是否满足车辆轮廓，再使用几何中心法判别车辆是否违章压线，由轮廓的质心位置、与线的距离即可判断。
在车辆前景分离方面采用阈值分割、canny算子边缘检测、混合高斯背景建模、膨胀算法加漫水填充技术、四边形轮廓包围技术相结合，高效、准确得获取了车辆前景范围。其中，采用canny算子进行图像边缘提取，相比常用的sobel、roberts、log算子，其阈值可以由人工给定，去噪效果好，且边缘信息保留和连接都更理想，能更精准地检测车辆轮廓。此外，采用膨胀和漫水填充方法结合图像矩特征，解决了常规检测方法中车辆分离时轮廓不连续、不准确的问题，可获得更好的车辆区域；在车道线检测方面结合Hough变换与矩函数，有效地对车道线进行了检测及筛选，处理效率高，且将得到的直线图像与canny算子检测的轮廓图像进行与运算，有效地滤去了误检到的直线，提升了车道线检测精度；并且采用的高性能的检测、判断方法，对部分已有算法如Hough变换进行了改进，提高了对车辆压线行为检测的准确度，能更好地应用于现实场景，可提高交通监管效率。
尽管这里参照本发明的解释性实施例对本发明进行了描述，上述实施例仅为本发明较佳的实施方式，本发明的实施方式并不受上述实施例的限制，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。

Claims (9)

1.一种基于计算机视觉的车辆违章压线检测方法，其特征在于，所述方法包括如下步骤：
步骤1：获取图像进行滤波和均衡化处理，削弱噪声影响，使图像灰度分布均匀；
步骤2：采用Canny边缘检测算法对步骤1处理后的图像进行边缘检测，并采用阈值进行图像分割；
步骤3：使用混合高斯背景模型进行包括背景学习、背景像素匹配、处理不连续轮廓以及填充前景空洞区域的背景建模；
步骤4：使用Hough变换获取步骤3中所得模型中的直线信息，并将直线检测图像与原图像Canny算子检测的轮廓图像进行与运算，滤去误检到的直线；
步骤5：使用图像的矩进行特征提取，利用矩特性，根据车道线检测时欲获得的直线长度、角度，筛选出目标直线；
步骤6：通过车道实线的遮挡情况判别是否有物体压线，根据压线物体的四边形轮廓特征，判断是否满足车辆轮廓，再使用几何中心法判别车辆是否违章压线。
2.根据权利要求1所述的基于计算机视觉的车辆违章压线检测方法，其特征在于，所述步骤1中采用高斯平滑滤波器卷积对图像进行降噪处理。
3.根据权利要求1所述的基于计算机视觉的车辆违章压线检测方法，其特征在于，所述步骤2中的边缘检测是先计算出像素梯度幅值和方向，再使用双阈值算法检测和连接边缘，阈值范围通过人工设定以保留合适的边缘线，若像素位置的幅值超过高阈值，则保留为边缘像素。
4.根据权利要求1所述的基于计算机视觉的车辆违章压线检测方法，其特征在于，所述步骤2中采用阈值进行图像分割时，使用最大类间方差法寻找分割的最佳阈值，并进行二值化处理。
5.根据权利要求1所述的基于计算机视觉的车辆违章压线检测方法，其特征在于，所述步骤3中背景像素匹配时先寻找匹配像素值的分布模型，设定匹配范围，再选择概率最高的模型作为当前背景像素值。
6.根据权利要求1所述的基于计算机视觉的车辆违章压线检测方法，其特征在于，所述步骤3中采用膨胀算法进行滤波处理不连续轮廓，先求局部最大值，再利用将像素转化为区域像素加权平均的卷积核函数与图像进行卷积。
7.根据权利要求1所述的基于计算机视觉的车辆违章压线检测方法，其特征在于，所述步骤3中采用漫水填充算法填充前景空洞区域，填充后再进行腐蚀以减去多出来的区域。
8.根据权利要求1所述的基于计算机视觉的车辆违章压线检测方法，其特征在于，所述步骤3中背景学习是对一段帧数的视频进行训练，通过训练帧中所得到模型计算出均值、方差和权重来做为背景模型的参数。
9.根据权利要求1所述的基于计算机视觉的车辆违章压线检测方法，其特征在于，所述步骤6中判别车辆是否违章压线时采用几何中心法进行判断，由轮廓的质心位置、与线的距离即可判断。
CN201910309083.5A 2019-04-17 2019-04-17 一种基于计算机视觉的车辆违章压线检测方法 Active CN110008932B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910309083.5A CN110008932B (zh) 2019-04-17 2019-04-17 一种基于计算机视觉的车辆违章压线检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910309083.5A CN110008932B (zh) 2019-04-17 2019-04-17 一种基于计算机视觉的车辆违章压线检测方法

Publications (2)

Publication Number Publication Date
CN110008932A CN110008932A (zh) 2019-07-12
CN110008932B true CN110008932B (zh) 2022-11-22

Family

ID=67172541

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910309083.5A Active CN110008932B (zh) 2019-04-17 2019-04-17 一种基于计算机视觉的车辆违章压线检测方法

Country Status (1)

Country Link
CN (1) CN110008932B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111102920A (zh) * 2019-12-18 2020-05-05 佛山科学技术学院 一种基于增强现实的机械组件质检方法及系统
CN111178224B (zh) * 2019-12-25 2024-04-05 浙江大华技术股份有限公司 物体规则判断方法、装置、计算机设备和存储介质
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
CN111179289B (zh) * 2019-12-31 2023-05-19 重庆邮电大学 一种适用于网页长图宽图的图像分割方法
CN111950478B (zh) * 2020-08-17 2021-07-23 浙江东鼎电子股份有限公司 一种动态平板秤称重区域汽车s型行驶行为检测方法
CN112270873A (zh) * 2020-09-28 2021-01-26 中电海康集团有限公司 一种科目二驾培教学系统
CN112528868B (zh) * 2020-12-14 2022-04-15 江苏师范大学 一种基于改进Canny边缘检测算法的违章压线判别方法
CN113139526A (zh) * 2021-05-21 2021-07-20 一汽奔腾轿车有限公司 一种基于OpenCV的停车泊位线识别方法
CN113982692A (zh) * 2021-11-23 2022-01-28 泰安万川电器设备有限公司 一种煤矿井下防冲限员预警系统及方法
CN114972276A (zh) * 2022-06-05 2022-08-30 长沙烽铭智能科技有限公司 一种车辆自动驾驶距离判断算法
CN115775459B (zh) * 2023-02-13 2023-04-28 青岛图达互联信息科技有限公司 一种基于智能图像处理的数据采集系统及方法

Citations (3)

* 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
CN103345618A (zh) * 2013-06-21 2013-10-09 银江股份有限公司 一种基于视频技术的交通违章检测方法
CN106780548A (zh) * 2016-11-16 2017-05-31 南宁市浩发科技有限公司 基于交通视频的运动车辆检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778786B (zh) * 2013-12-17 2016-04-27 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

Patent Citations (3)

* 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
CN103345618A (zh) * 2013-06-21 2013-10-09 银江股份有限公司 一种基于视频技术的交通违章检测方法
CN106780548A (zh) * 2016-11-16 2017-05-31 南宁市浩发科技有限公司 基于交通视频的运动车辆检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于不变矩特征的车道线图像检测算法;卢衍泓;《激光杂志》;20150225(第02期);全文 *
基于特征匹配的水下目标检测与识别;刘丽仙等;《现代电子技术》;20110215(第04期);第73-80页 *

Also Published As

Publication number Publication date
CN110008932A (zh) 2019-07-12

Similar Documents

Publication Publication Date Title
CN110008932B (zh) 一种基于计算机视觉的车辆违章压线检测方法
CN107330376B (zh) 一种车道线识别方法及系统
CN107808378B (zh) 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法
CN106652465B (zh) 一种道路异常驾驶行为的识别方法及系统
US8902053B2 (en) Method and system for lane departure warning
EP2575077B1 (en) Road sign detecting method and road sign detecting apparatus
CN106780486B (zh) 一种钢板表面缺陷图像提取方法
CN108564814B (zh) 一种基于图像的停车场车位检测方法及装置
CN105335743A (zh) 一种车牌识别方法
Paunwala et al. A novel multiple license plate extraction technique for complex background in Indian traffic conditions
Kortli et al. A novel illumination-invariant lane detection system
CN112528868B (zh) 一种基于改进Canny边缘检测算法的违章压线判别方法
Shaikh et al. A novel approach for automatic number plate recognition
CN111553214A (zh) 一种驾驶员吸烟行为检测方法及系统
CN116524196B (zh) 一种基于图像识别技术的输电线智能检测系统
Yang et al. An efficient method for vehicle model identification via logo recognition
CN111753749A (zh) 一种基于特征匹配的车道线检测方法
CN115171218A (zh) 一种基于图像识别技术的物资送样异常行为识别系统
CN107977608B (zh) 一种应用于公路视频图像道路区域提取的方法
CN108537815B (zh) 一种视频图像前景分割方法和装置
CN102313740B (zh) 太阳能电池板裂痕检测方法
CN105760876A (zh) 一种基于散热器栅格背景消融的车标定位方法
CN117197700A (zh) 智能化无人巡检接触网缺陷识别系统
CN113269005A (zh) 一种安全带检测方法、装置及电子设备
Danilescu et al. Road anomalies detection using basic morphological algorithms

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