CN110136447A - 行车变道检测及违法变道识别的方法 - Google Patents
行车变道检测及违法变道识别的方法 Download PDFInfo
- Publication number
- CN110136447A CN110136447A CN201910435955.2A CN201910435955A CN110136447A CN 110136447 A CN110136447 A CN 110136447A CN 201910435955 A CN201910435955 A CN 201910435955A CN 110136447 A CN110136447 A CN 110136447A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lane change
- lane
- line
- video image
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
-
- 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
-
- 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
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
Abstract
本发明公开了一种用于行车变道检测及违法变道识别的方法,属于车辆违法自动检测技术领域。所述方法包括:从摄像头中获取实时视频图像,在实时视频图像中标记和保持车道线信息,对实时视频图像中车辆进行识别及定位,并判断所述的车辆是否存在变道行为,再判断变道的车辆是否存在违法变道行为,最后标记违法变道车辆后截图取证并识别输出车牌信息。本发明以机器识别代替人工处理来判断车辆违法变道,提高处理速度,大量节约时间和人力成本,减小识别错误率,从而减少因误判引起的投诉行为。
Description
技术领域
本发明涉及车辆违法自动检测技术领域,尤其涉及车辆违法变道的人工智能判定技术领域,具体是指一种用于行车变道检测及违法变道识别的方法。
背景技术
随着经济发展和城市化进程的推进,马路上行驶汽车的数量随之增加,车辆基数的增长促增了各类交通违规行为,马路上常见的强行超车、违规变道行为给城市交通安全埋下了巨大的安全隐患。即使电子眼(俗称智能交通违法监摄管理系统)日夜不停对违规行为进行抓拍,然而抓拍的图像需要经过人工二次审核,才能作为执法的依据。审核人员每天面对大量违规图像,过度劳累容易精神疲惫,导致执法不严或误判,滋生道路交通安全隐患。
现有技术中针对行车变道检测及违法变道识别的方法甚少,现有涉及行车变道检测技术的专利也需添加新的硬件设备来采集视频图像信息,导致实施有一定难度且需要硬件成本,进而阻碍普遍推广。如专利一(CN201210226419.X-浙江大学-一种基于视频检测技术的车辆违法变道检测方法),在路侧或中央隔离带添加视频检测器,对采集到的视频图像信息中的车辆进行定位处理并建模跟踪车辆运动轨迹。如专利二(公安部第三研究所-CN201710800246.0-用于行车变道检测记录及违法变道举报控制的系统及方法),通过行车记录仪采取视频图像信息,在视频图像信息中定位出车牌位置,通过车牌位置是否越过实线判断是否违规变道,存在车辆高速运动、车牌定位难、水平视觉误判等问题。如专利三(杭州海康威视系统技术有限公司-CN201610776842.5-一种交通违法动态识别方法和系统)也是提出了一种跟踪车辆运动轨迹的方法。
以上方法均未针对行车变道检测及违法变道识别方法,但均需要对车辆的行车轨迹进行追踪,然后通过行车轨迹来判别车辆是否变道,然而这种做法不仅存在计算耗费时间长和所需存储空间大的缺陷,也容易出现车辆跟踪丢失问题,而且也未能解决人工二次判断耗时耗力的问题,这使更多诱发交通事故行为未被扼杀,从而造成更大的生命财产损失。
发明内容
本发明的目的在于现有技术中行车变道检测需要添加额外硬件设备或者需要对车辆轨迹进行建模等不足,并提供一种行车变道检测及违法变道识别的方法
本发明所采用的具体技术方案如下:
一种行车变道检测及违法变道识别的方法,其步骤如下:
S1:通过安装于待监控路段上方的监控摄像头,获取该路段俯拍的实时视频图像M1;
S2:在实时视频图像M1中标记并存储所有需检测的车道线信息;
S3:对所述实时视频图像M1中所有车辆进行识别及定位,若视频图像中没有车辆,则返回步骤S1,重新获取下一帧实时视频图像进行识别及定位;若第k张视频图像Mk中检测到车辆,则根据车辆的轮廓获取每辆车的最小外包矩形;
S4:两两遍历视频图像Mk中的每条车道线和每辆检测到的车辆,对任意一条车道线Li和任意一辆车辆Xj通过S401~S403判断车辆是否存在变道行为,若视频图像Mk中的所有车辆均不存在变道行为,则返回步骤S1,否则继续进行步骤S5;其中S401~S403具体实现方法为:
S401:判断车道线Li所在直线和车辆Xj的最小外包矩形的四条边是否相交,若车道线Li所在直线与车辆最小外包矩形的四条边均未相交,则将该车辆视为明显未变道车辆进行排除;同时,将最小外包矩形与车道线Li相交但完全位于车道线的纵坐标跨度区间之外的车辆,视为车道线以外车辆进行排除,未被排除的车辆作为车道线内的可疑变道车辆;
S402:对每辆可疑变道车辆,判断车道线Li与车辆最小外包矩形的相交位置,若车道线Li所在直线与车辆最小外包矩形的两条邻边相交,则将该车辆作为未变道车辆进行排除;若车道线Li所在直线与车辆最小外包矩形的两条对边相交,则将该车辆作为待确定车辆;
S403:对所述待确定车辆,计算车辆的最小外包矩形在车道线Li的任何一侧的面积S1,得到该侧面积占最小外包矩形总面积S0的比例S1/S0,若S1/S0位于比例阈值范围内,则判断车辆Xj在车道线Li处发生变道,否则判断车辆Xj在车道线Li处未变道;
S5:对于视频图像Mk中被判断为发生变道的车辆,继续判断变道跨越的车道线是否为实线,若为实线则判定该车辆为违法变道车辆,否则不视为违法变道车辆;若视频图像Mk中不存在违法变道车辆,则返回步骤S1,否则继续进行步骤S6;
S6:对视频图像中的违法变道车辆进行标记和截图取证,同时识别违法变道车辆的车牌信息。
在上述方案的基础上,各步骤的具体参数和做法可采用如下优选方式实现。
作为优选,所述的步骤S1中,实时视频图像从路口位置已安装的电子眼中获取,且电子眼采用定点摄像头。
作为优选,所述的步骤S2中,实时视频图像M1中仅标记摄像头所在位置下方的单侧车道的车道线,且不包含对面路口的车道线;其中每条车道线Li的信息以头尾两个端点在实时视频图像M1中的坐标形式存储,两个端点的坐标记为(xi1,yi1)和(xi2,yi2)。
作为优选,所述的步骤S3中,每辆车的最小外包矩形以其左上角点和右下角点的坐标形式表示并存储,左上角点坐标为(xleft,ytop),右下角点坐标为(xright,ybottom)。
作为优选,所述的步骤S401中,根据线段两个端点是否在直线两边来判断直线与最小外包矩形的任意一条边是否相交,其判断方法为:
获取待判断的边的两个端点坐标,分别为(x1,y1)和(x2,y2);计算车道线Li方程为y=k*x+b,分别计k*x1+b-y1值和k*x2+b-y2值,若两值符号相同,则该条边与直线不相交,否则该条边与直线相交。
作为优选,所述的步骤S401中,若车辆最小外包矩形的纵坐标最大值ytop和纵坐标最小值ybottom值均在车道线纵坐标跨度区间[yi1,yi2]区间之外,则将该车辆视为车道线以外车辆进行排除。
作为优选,所述的步骤S403中,以最小外包矩形在车道线Li左侧的区域面积为S1,S1和S0的计算方法为:
计算车道线Li方程为y=k*x+b,则 最小外包矩形总面积S0=(xright-xleft)*(ybottom-ytop);
所述的比例阈值范围设置为(V,1-V),V为阈值参数。
进一步的,所述的V取值优选为0.25。
作为优选,所述的步骤S5中,采用车道线识别算法判断车道线是否为实线或者在步骤S2中人工标记实线车道线。
作为优选,在监控摄像头拍摄的视频图像Mk的背景与视频图像M1一致的情况下,不再针对视频图像Mk标记车道线,直接采用步骤S2中针对视频图像M1标记并存储的车道线信息进行复用。
本发明相对于现有技术而言,具有以下有益效果:
1、现有技术需要通过视频逐帧处理建模,对视频中出现的每一个车辆进行跟踪建模,耗费大量时间计算和空间存储数据,而本发明仅需针对视频逐帧处理图片,直接对车辆进行识别,无需建模,直接识别出违规变道的车辆,并输出违规车辆信息。
2、现有技术中识别检查变道,大多需要设置额外硬件设备捕捉视频图像,而本发明可以直接通过现有卡口设备,如电子眼等路口摄像头,获取视频图像,无需再额外增加其他硬件,节约成本,使其更容易推广应用。
3、变道检测的核心是车辆框图与车道线的关系,现有技术大多是通过车辆框图建模,计算其中心点越过车道线来识别,但是由于摄像头的拍摄角度等原因,容易出现识别错误,也不容易直接获取违规变道取证的可信证据图像。而本发明的构思是通过车道线切割车辆的最小外包矩形框,然后以计算左侧框图区域占总框图面积的比例来作为判断依据,通过调整该比例,一方面可以减少误判,比如视觉角度问题,导致车辆最小外包矩形框跟车道线相交或者左部分占总部分比例小于阈值(如0.25),而车辆并没有变道的意图。另一方面,也可以筛选出严重违规情况,因为交通部门对违规变道的取证一般是两张截图作为处罚的依据,如果截图中车辆刚开始变道或者已经变道截图,只从两张截图上是无法判断变道的,违规用户也会以此反驳说自己没有变道,我们所述的严重违规指的是车道线对车辆最小外包矩形框的分割比例达到一定程度的情况,这种证据图像证据确凿,可以作为变道的可信依据。因此本发明即可解决其他专利也存在的摄像头角度问题,也可使交通部门对违规变道取证更新可信性。
附图说明
图1为本发明的用于行车变道检测及违法变道识别的方法流程图;
图2为实施例中的识别过程流程图;
图3为实施例中的判断变道过程流程图;
图4为实施例中的实时视频图像M1;
图5为实施例中的实时视频图像M1中识别到的车道线;
图6为实施例中的实时视频图像M1中识别到的车辆;
图7为实施例中的实时视频图像M1中车辆X6与车道线L1的相交情况。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步阐述和说明。
本发明设计了一种用于行车变道检测及违法变道识别的方法,该方法可从摄像头(如智能交通违法监摄管理系统)中获取实时视频图像,利用在实时视频图像中标记车道线信息,对实时视频图像中车辆进行识别及定位,并判断所述的车辆是否存在变道行为,再判断变道的车辆是否存在违法变道行为,若存在则标记违法变道车辆后截图取证并识别输出车牌信息。下面通过实施例来具体说明其实现的过程。
实施例
在本实施例中,行车变道检测及违法变道识别的方法主要用于监控路口位置的车辆违法变道行为。如图1所示,该方法具体实现步骤如下:
S1:通过安装于待监控路段上方的监控摄像头,获取该路段俯拍的实时视频图像M1,图像可以从视频中逐帧或者间隔跳帧进行抽取。不同视频帧的数据处理流程如图2所示,后续也将详细介绍。
本实施例中实时视频图像从路口位置已安装的电子眼(智能交通违法监摄管理系统)中获取,由于大部分路口均已安装有电子眼,因此无需再额外安装新的设备。且为了保证识别的准确性,本实施例中的电子眼采用定点摄像头,其安装位置、拍摄角度、拍摄参数均保持相同,由此保证拍摄图像中除了车辆之外的背景(包括车道线位置)也保持相同。另外,为了保证后续识别的准确性,摄像头的拍摄位置最好不要太低,常规的电子眼安装高度能够满足要求。在本实施例中获取的实时视频图像M1如图3所示,拍摄角度为顺着车流行进方向拍摄车辆尾部。
S2:在实时视频图像M1中标记并存储所有需检测的车道线信息。一般来说,为了保证检测的准确性,仅需要在实时视频图像M1中标记摄像头所在位置下方的单侧车道的车道线即可,另一侧车道的车道线无需标记,且应当排除跨过红绿灯后的对面路口的车道线。其中每条车道线的信息以头尾两个端点在实时视频图像M1中的坐标形式存储,第i条车道线记为Li,其两个端点的坐标记为(xi1,yi1)和(xi2,yi2)。从实时视频图像中识别车道线信息,可采用常规的车道线识别算法,如专利CN 201811104184.0公开的一种车道线检测方法,也可针对图像进行人工识别标记。由于在本实施例中,采用的是定点摄像头抓拍的违规变道图像,因此直接通过人工标记出车道线信息Li。该图像中所有的车道线信息均存储与数据库中备用。因摄像头位置固定,因此在监控摄像头没有被移动。维修或者重新校准的情况下,对于后续拍摄的视频图像Mk(k>1)的背景与视频图像M1是一致的,其拍摄图像中的车道线位置保持不变,因此可以不再针对视频图像Mk标记车道线,直接采用本步骤中针对视频图像M1标记并存储的车道线信息进行复用,故每个摄像头只需标记一次,即可复用和批量处理,大大节省工作量。当然,如果采用人工方式进行车道线标记的话,最好在正式开始进行监控识别之前进行。
参见图4,在本实施例的实时视频图像M1中共标记了5条车道线,图中示出了其中左侧的两条作为示例,分别为L1和L2。
S3:完成上述车道线标记后,对实时视频图像M1中所有车辆进行识别及定位。本实施例中采用神经网络模型对图像中车辆进行识别与定位,如Yolo V3模型(也可以采用SSD模型),若视频图像中没有车辆,则如图2所示返回步骤S1,重新获取下一帧实时视频图像进行识别及定位;若第k张视频图像Mk(若M1中本身存在车辆,则此处k=1,对于其他帧的图像,k>1)中检测到车辆,则根据车辆的轮廓获取每辆车的最小外包矩形。每辆车的最小外包矩形以其左上角点和右下角点的坐标形式表示并存储,左上角点坐标为(xleft,ytop),右下角点坐标为(xright,ybottom),第j辆车记为Xj。
在本实施例中,在实时视频图像M1中检测到多辆车,参见图6所示,示出了部分车辆,分别标记为X1~X6,剩余车辆也被同步检测出,但为了方便阐述未在图中示出。
S4:本步骤主要用于过计算车道线信息与车辆的最小外包矩形的位置关系,判断实时视频图像M1中的车辆变道的车辆是否存在变道行为。做法是:两两遍历视频图像Mk中的每条车道线和每辆检测到的车辆,对任意一条车道线Li和任意一辆车辆Xj通过S401~S403判断车辆是否存在变道行为,若视频图像Mk中的所有车辆均不存在变道行为,则如图2所示返回步骤S1,否则继续进行步骤S5。
其中判断车辆是否存在变道行为的S401~S403流程如图3所示,步骤具体实现方法为:
S401:首先,判断车道线Li所在直线和车辆Xj的最小外包矩形的四条边是否相交,在本实施例中,每条边是一条线段,根据线段两个端点是否在直线两边即可判断直线与最小外包矩形的任意一条边是否相交,其判断方法的具体过程如下:
获取待判断的边的两个端点坐标,分别为(x1,y1)和(x2,y2);计算车道线Li方程为y=k*x+b,分别计k*x1+b-y1值和k*x2+b-y2值,若两值符号相同,则该条边与直线不相交,否则该条边与直线相交。
若车道线Li所在直线与车辆最小外包矩形的四条边均未相交,则将该车辆视为明显未变道车辆进行排除,例如图6中的车辆X3。同时虽然车道线Li所在直线与车辆最小外包矩形相交,但有可能是车道线Li的延长线与其相交,比如马路对面车辆,这种情况也不属于相交的范围内,因此需要将最小外包矩形与车道线Li相交但完全位于车道线的纵坐标跨度区间之外的车辆,视为车道线以外车辆进行排除。在本实施例中,若车辆最小外包矩形的纵坐标最大值ytop和纵坐标最小值ybottom值均在车道线纵坐标跨度区间[yi1,yi2]区间之外,则将该车辆视为车道线以外车辆进行排除,例如图6中的车辆X5。
经过上述两种排除后,未被排除的车辆作为车道线内的可疑变道车辆,这些车辆的最小外包矩形确实与车道线Li存在相交情况,可能存在变道行为,需要继续通过S402进行判断。
由于车辆本身是具有一定高度的,而摄像头的拍摄角度并非是完全的正上方俯视,而是呈一定的倾斜角度从车辆后方拍摄的,因此部分车辆的最小外包矩形虽然与车道线相交,但是并不一定是车辆真的压在车道线上,可能仅仅是因为拍摄角度的问题。因此,本发明通过下列方法进行进一步判断。
S402:对每辆可疑变道车辆,判断车道线Li与车辆最小外包矩形的相交位置:若车道线Li所在直线与车辆最小外包矩形的两条邻边相交,则将该车辆作为未变道车辆进行排除,例如图6中的车辆X1、X2,这两辆车实际没有变道,但由于摄像头侧向的拍摄角度,其车辆最小外包矩形依然有两条邻边与车道线相交,需要进行排除。但假如车道线Li所在直线与车辆最小外包矩形的两条对边相交,则需要将该车辆作为待确定车辆,例如图6中的车辆X4、X6,其具有较大的变道嫌疑。
被判断为待确定车辆后,并非表面其一定是产生了真正的变道行为,也依然存在因拍摄角度问题而导致误判的可能性。例如图6中的车辆X4,其本质上没有变道,但是因拍摄角度过于侧向倾斜,因此其车辆最小外包矩形的两条对边与车道线产生了相交,需要通过下一步方法进行排除。
S403:对于待确定车辆,进一步是否变道,判断方法为:
计算车辆的最小外包矩形在车道线Li的任何一侧的面积S1,得到该侧面积占最小外包矩形总面积S0的比例S1/S0。由于因视角原因导致的最小外包矩形与车道线的相交程度是有限的,车道线与矩形的边的交点一般会靠近边的端点,进而导致最小外包矩形被车道线划分成两部分中,其中一部分的面积较小。因此,可以根据比例S1/S0进行精准的变道行为判断,确定比例在一定范围内,则判断为变道,否则不变道。计算比例时,可选择车道线两侧任意一侧为准,在本实施例中以最小外包矩形在车道线Li左侧的区域面积为S1,S1和S0的计算方法为:
计算车道线Li方程为y=k*x+b。
车辆Xj的最小外包矩形为[(xleft,ytop),(xright,ybottom)],因此车道线与矩形顶边的上交点坐标为车道线与矩形底边的下交点坐标为则可以得到车道线左侧区域的面积为:
最小外包矩形总面积为:
S0=(xright-xleft)*(ybottom-ytop)
本实施例中,设定一个阈值分数V,比例阈值范围设置为(V,1-V),若S1/S0位于比例阈值范围内,则判断车辆Xj在车道线Li处发生变道,否则判断车辆Xj在车道线Li处未变道。阈值分数V的取值需要根据路口摄像头的具体拍摄角度进行确定,实际过程中可以根据每个路口的情况设置相应的最佳值。在本实施例中经过大量试验,V取值设定为0.25,比例阈值范围设置为(0.25,0.75),常规未变道车辆因摄像头视角原因引起的车道线与最小外包矩形交叉时,其比例S1/S0一般不会位于该范围内。
由此,本实施例中可以排除图6中的车辆X4,车辆X6与车道线L1确实存在对边相交情况,被识别为发生变道的车辆,以人工判断的角度来看这也完全符合实际的情况,表明了本发明方法的可行性。
经过上述步骤S401~S403既可以判断车辆是否存在变道行为,但部分车道属于可变道车道,部分车道属于不可变车道。在路口位置,不可变车道为实线,可变道车道为虚线,需要通过S5排除车辆跨越虚线的非违法变道行为。
S5:本步骤主要用于判断变道的车辆是否存在违法变道行为,做法是:对于视频图像Mk中被判断为发生变道的车辆,继续判断变道跨越的车道线是否为实线,此时可以采用车道线识别算法判断车道线是否为实线,或者可以在步骤S2中进行人工标记时直接标记实线车道线。若变道跨越的车道线为实线,则判定该车辆为违法变道车辆,否则不视为违法变道车辆。若视频图像Mk中不存在违法变道车辆,则需要按如图2所示返回步骤S1,否则继续进行步骤S6。
当然,假如S2中仅标记了实线车道,那么所有发生变道行为的车辆均可直接被视为违法变道车辆。
S6:对视频图像中的违法变道车辆进行标记和截图取证,同时识别违法变道车辆的车牌信息。完成对当前视频图像帧的识别后,可以继续对下一帧图像进行上述识别。需要注意的是,由于车辆变道是在一定时间内发生的过程,因此需要及时捕捉到其违法行为的图像证据,因为交通部门对违规变道的取证一般是两张截图作为处罚的依据,如果间隔太久,截图中车辆刚开始变道或者已经变道截图,只从两张截图上是无法判断变道的,违规用户也会以此反驳说自己没有变道。因此帧与帧之间的时间不能间隔太久,计算速度允许的情况下可以逐帧进行识别,以筛选出车辆违法变道过程中明显能够显示严重违法的图像证据。
该方法适用路口电子警察、路面监控等场景中,能自动对实时视频图像中车辆行为进行监控,识别违法变道车辆并输出违法车辆信息。该系统操作简单、可行性高、适用性广,如交通部门采用,以机器识别代替人工处理来判断车辆违法变道,提高处理速度,大量节约时间和人力成本,减小识别错误率(如人工处理大量视频图像信息导致思维疲劳造成的错误判断),从而减少因误判引起的投诉行为。在社会效益和城市交通方面,该方法可有效识别变道违法行为,交通部门对此类行为进行处理以达到法律警示作用,可有效减少道路交通安全隐患和生命财产损失。
以上所述的实施例只是本发明的一种较佳的方案,然其并非用以限制本发明。有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型。例如,上述实施例中摄像头采用的是定点摄像头,但该方法也可以采用非定点摄像头实现,但由于非定点摄像头拍摄的视频中不同图像帧的车道线位置可能不同,因此对于每一帧图像均需要进行车道线的识别,不能一直复用。同样的,本发明中的各种检测、识别方法也可以根据需要进行选择和替换,以能够实现相应的目的为准。因此凡采取等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (10)
1.一种行车变道检测及违法变道识别的方法,其特征在于,步骤如下:
S1:通过安装于待监控路段上方的监控摄像头,获取该路段俯拍的实时视频图像M1;
S2:在实时视频图像M1中标记并存储所有需检测的车道线信息;
S3:对所述实时视频图像M1中所有车辆进行识别及定位,若视频图像中没有车辆,则返回步骤S1,重新获取下一帧实时视频图像进行识别及定位;若第k张视频图像Mk中检测到车辆,则根据车辆的轮廓获取每辆车的最小外包矩形;
S4:两两遍历视频图像Mk中的每条车道线和每辆检测到的车辆,对任意一条车道线Li和任意一辆车辆Xj通过S401~S403判断车辆是否存在变道行为,若视频图像Mk中的所有车辆均不存在变道行为,则返回步骤S1,否则继续进行步骤S5;其中S401~S403具体实现方法为:
S401:判断车道线Li所在直线和车辆Xj的最小外包矩形的四条边是否相交,若车道线Li所在直线与车辆最小外包矩形的四条边均未相交,则将该车辆视为明显未变道车辆进行排除;同时,将最小外包矩形与车道线Li相交但完全位于车道线的纵坐标跨度区间之外的车辆,视为车道线以外车辆进行排除,未被排除的车辆作为车道线内的可疑变道车辆;
S402:对每辆可疑变道车辆,判断车道线Li与车辆最小外包矩形的相交位置,若车道线Li所在直线与车辆最小外包矩形的两条邻边相交,则将该车辆作为未变道车辆进行排除;若车道线Li所在直线与车辆最小外包矩形的两条对边相交,则将该车辆作为待确定车辆;
S403:对所述待确定车辆,计算车辆的最小外包矩形在车道线Li的任何一侧的面积S1,得到该侧面积占最小外包矩形总面积S0的比例S1/S0,若S1/S0位于比例阈值范围内,则判断车辆Xj在车道线Li处发生变道,否则判断车辆Xj在车道线Li处未变道;
S5:对于视频图像Mk中被判断为发生变道的车辆,继续判断变道跨越的车道线是否为实线,若为实线则判定该车辆为违法变道车辆,否则不视为违法变道车辆;若视频图像Mk中不存在违法变道车辆,则返回步骤S1,否则继续进行步骤S6;
S6:对视频图像中的违法变道车辆进行标记和截图取证,同时识别违法变道车辆的车牌信息。
2.如权利要求1所述的行车变道检测及违法变道识别的方法,其特征在于,所述的步骤S1中,实时视频图像从路口位置已安装的电子眼中获取,且电子眼采用定点摄像头。
3.如权利要求1所述的行车变道检测及违法变道识别的方法,其特征在于,所述的步骤S2中,实时视频图像M1中仅标记摄像头所在位置下方的单侧车道的车道线,且不包含对面路口的车道线;其中每条车道线Li的信息以头尾两个端点在实时视频图像M1中的坐标形式存储,两个端点的坐标记为(xi1,yi1)和(xi2,yi2)。
4.如权利要求1所述的行车变道检测及违法变道识别的方法,其特征在于,所述的步骤S3中,每辆车的最小外包矩形以其左上角点和右下角点的坐标形式表示并存储,左上角点坐标为(xleft,ytop),右下角点坐标为(xright,ybottom)。
5.如权利要求1所述的行车变道检测及违法变道识别的方法,其特征在于,所述的步骤S401中,根据线段两个端点是否在直线两边来判断直线与最小外包矩形的任意一条边是否相交,其判断方法为:
获取待判断的边的两个端点坐标,分别为(x1,y1)和(x2,y2);计算车道线Li方程为y=k*x+b,分别计k*x1+b-y1值和k*x2+b-y2值,若两值符号相同,则该条边与直线不相交,否则该条边与直线相交。
6.如权利要求1所述的行车变道检测及违法变道识别的方法,其特征在于,所述的步骤S401中,若车辆最小外包矩形的纵坐标最大值ytop和纵坐标最小值ybottom值均在车道线纵坐标跨度区间[yi1,yi2]区间之外,则将该车辆视为车道线以外车辆进行排除。
7.如权利要求1所述的行车变道检测及违法变道识别的方法,其特征在于,所述的步骤S403中,以最小外包矩形在车道线Li左侧的区域面积为S1,S1和S0的计算方法为:
计算车道线Li方程为y=k*x+b,则 最小外包矩形总面积S0=(xright-xleft)*(ybottom-ytop);
所述的比例阈值范围设置为(V,1-V)。
8.如权利要求7所述的行车变道检测及违法变道识别的方法,其特征在于,所述的V取值为0.25。
9.如权利要求1所述的行车变道检测及违法变道识别的方法,其特征在于,所述的步骤S5中,采用车道线识别算法判断车道线是否为实线或者在步骤S2中人工标记实线车道线。
10.如权利要求1所述的行车变道检测及违法变道识别的方法,其特征在于,在监控摄像头拍摄的视频图像Mk的背景与视频图像M1一致的情况下,不再针对视频图像Mk标记车道线,直接采用步骤S2中针对视频图像M1标记并存储的车道线信息进行复用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910435955.2A CN110136447B (zh) | 2019-05-23 | 2019-05-23 | 行车变道检测及违法变道识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910435955.2A CN110136447B (zh) | 2019-05-23 | 2019-05-23 | 行车变道检测及违法变道识别的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110136447A true CN110136447A (zh) | 2019-08-16 |
CN110136447B CN110136447B (zh) | 2021-01-12 |
Family
ID=67572899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910435955.2A Active CN110136447B (zh) | 2019-05-23 | 2019-05-23 | 行车变道检测及违法变道识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110136447B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110648559A (zh) * | 2019-09-25 | 2020-01-03 | 捻果科技(深圳)有限公司 | 一种飞行区特种车辆种类及驾驶行为规范自动识别方法 |
CN111598069A (zh) * | 2020-07-27 | 2020-08-28 | 之江实验室 | 一种基于深度学习的高速公路车辆换道区域分析方法 |
CN111666874A (zh) * | 2020-06-05 | 2020-09-15 | 上海眼控科技股份有限公司 | 违法超车的处理方法、装置、电子设备及可读存储介质 |
CN112102609A (zh) * | 2020-03-10 | 2020-12-18 | 中国科学院沈阳自动化研究所 | 一种针对高速公路车辆违章行为的智能检测系统 |
CN112132109A (zh) * | 2020-10-10 | 2020-12-25 | 北京百度网讯科技有限公司 | 车道线处理和车道定位方法、装置、设备及存储介质 |
CN112329724A (zh) * | 2020-11-26 | 2021-02-05 | 四川大学 | 机动车变道实时检测与抓拍方法 |
CN112464841A (zh) * | 2020-12-04 | 2021-03-09 | 四川长虹电器股份有限公司 | 一种用于专用道路违规行驶车辆检测的方法、存储介质 |
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 |
CN112668428A (zh) * | 2020-12-21 | 2021-04-16 | 北京百度网讯科技有限公司 | 车辆变道的检测方法、路侧设备、云控平台和程序产品 |
CN112700653A (zh) * | 2020-12-21 | 2021-04-23 | 上海眼控科技股份有限公司 | 一种车辆违法变道的判定方法、装置、设备及存储介质 |
CN112712703A (zh) * | 2020-12-09 | 2021-04-27 | 上海眼控科技股份有限公司 | 车辆视频的处理方法、装置、计算机设备和存储介质 |
CN112767710A (zh) * | 2021-01-20 | 2021-05-07 | 青岛以萨数据技术有限公司 | 车辆违法行为检测方法、装置及存储介质 |
CN112800867A (zh) * | 2021-01-13 | 2021-05-14 | 重庆英卡电子有限公司 | 基于二阶段高空云台视频的松材线虫病枯死树检测方法 |
CN113255500A (zh) * | 2021-05-18 | 2021-08-13 | 山东交通学院 | 一种车辆随意变道检测的方法及装置 |
CN113569666A (zh) * | 2021-07-09 | 2021-10-29 | 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 |
CN113658424A (zh) * | 2021-07-23 | 2021-11-16 | 南昌工程学院 | 基于稀疏卫星定位数据的车辆频繁变道识别方法及装置 |
CN114067231A (zh) * | 2022-01-14 | 2022-02-18 | 成都飞机工业(集团)有限责任公司 | 一种基于机器视觉学习识别的零件加工特征识别方法 |
CN114067570A (zh) * | 2020-08-05 | 2022-02-18 | 北京万集科技股份有限公司 | 图像采集设备控制方法、装置、计算机设备和存储介质 |
CN114283587A (zh) * | 2021-12-29 | 2022-04-05 | 安徽达尔智能控制系统股份有限公司 | 一种基于雷视监测的路口车辆违规变道预警管控方法和系统 |
CN115440025A (zh) * | 2021-06-04 | 2022-12-06 | 丰田自动车株式会社 | 信息处理服务器、信息处理服务器的处理方法、非临时性存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1350941A (zh) * | 2000-10-27 | 2002-05-29 | 新鼎系统股份有限公司 | 移动车辆图像追踪的方法和装置 |
KR20050043600A (ko) * | 2004-06-18 | 2005-05-11 | 코트리스 주식회사 | 도로통행료 자동징수 시스템 및 방법 |
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 |
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 |
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 |
CN108332979A (zh) * | 2018-02-08 | 2018-07-27 | 青岛慧拓智能机器有限公司 | 一种车辆压线检测方法 |
CN109299674A (zh) * | 2018-09-05 | 2019-02-01 | 重庆大学 | 一种基于车灯的隧道违章变道检测方法 |
-
2019
- 2019-05-23 CN CN201910435955.2A patent/CN110136447B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1350941A (zh) * | 2000-10-27 | 2002-05-29 | 新鼎系统股份有限公司 | 移动车辆图像追踪的方法和装置 |
KR20050043600A (ko) * | 2004-06-18 | 2005-05-11 | 코트리스 주식회사 | 도로통행료 자동징수 시스템 및 방법 |
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 |
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 |
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 |
CN108332979A (zh) * | 2018-02-08 | 2018-07-27 | 青岛慧拓智能机器有限公司 | 一种车辆压线检测方法 |
CN109299674A (zh) * | 2018-09-05 | 2019-02-01 | 重庆大学 | 一种基于车灯的隧道违章变道检测方法 |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110648559A (zh) * | 2019-09-25 | 2020-01-03 | 捻果科技(深圳)有限公司 | 一种飞行区特种车辆种类及驾驶行为规范自动识别方法 |
CN112102609A (zh) * | 2020-03-10 | 2020-12-18 | 中国科学院沈阳自动化研究所 | 一种针对高速公路车辆违章行为的智能检测系统 |
CN111666874A (zh) * | 2020-06-05 | 2020-09-15 | 上海眼控科技股份有限公司 | 违法超车的处理方法、装置、电子设备及可读存储介质 |
CN111598069A (zh) * | 2020-07-27 | 2020-08-28 | 之江实验室 | 一种基于深度学习的高速公路车辆换道区域分析方法 |
CN114067570A (zh) * | 2020-08-05 | 2022-02-18 | 北京万集科技股份有限公司 | 图像采集设备控制方法、装置、计算机设备和存储介质 |
CN112132109A (zh) * | 2020-10-10 | 2020-12-25 | 北京百度网讯科技有限公司 | 车道线处理和车道定位方法、装置、设备及存储介质 |
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 |
CN112329724A (zh) * | 2020-11-26 | 2021-02-05 | 四川大学 | 机动车变道实时检测与抓拍方法 |
CN112329724B (zh) * | 2020-11-26 | 2022-08-05 | 四川大学 | 机动车变道实时检测与抓拍方法 |
CN112464841A (zh) * | 2020-12-04 | 2021-03-09 | 四川长虹电器股份有限公司 | 一种用于专用道路违规行驶车辆检测的方法、存储介质 |
CN112464841B (zh) * | 2020-12-04 | 2022-08-19 | 四川长虹电器股份有限公司 | 一种用于专用道路违规行驶车辆检测的方法、存储介质 |
CN112712703A (zh) * | 2020-12-09 | 2021-04-27 | 上海眼控科技股份有限公司 | 车辆视频的处理方法、装置、计算机设备和存储介质 |
CN112700653A (zh) * | 2020-12-21 | 2021-04-23 | 上海眼控科技股份有限公司 | 一种车辆违法变道的判定方法、装置、设备及存储介质 |
CN112668428A (zh) * | 2020-12-21 | 2021-04-16 | 北京百度网讯科技有限公司 | 车辆变道的检测方法、路侧设备、云控平台和程序产品 |
CN112800867A (zh) * | 2021-01-13 | 2021-05-14 | 重庆英卡电子有限公司 | 基于二阶段高空云台视频的松材线虫病枯死树检测方法 |
CN112800867B (zh) * | 2021-01-13 | 2023-05-12 | 重庆英卡电子有限公司 | 基于二阶段高空云台视频的松材线虫病枯死树检测方法 |
CN112767710A (zh) * | 2021-01-20 | 2021-05-07 | 青岛以萨数据技术有限公司 | 车辆违法行为检测方法、装置及存储介质 |
CN113255500A (zh) * | 2021-05-18 | 2021-08-13 | 山东交通学院 | 一种车辆随意变道检测的方法及装置 |
CN115440025A (zh) * | 2021-06-04 | 2022-12-06 | 丰田自动车株式会社 | 信息处理服务器、信息处理服务器的处理方法、非临时性存储介质 |
CN115440025B (zh) * | 2021-06-04 | 2023-09-19 | 丰田自动车株式会社 | 信息处理服务器、信息处理服务器的处理方法、非临时性存储介质 |
CN113569666A (zh) * | 2021-07-09 | 2021-10-29 | 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 |
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 |
CN113658424A (zh) * | 2021-07-23 | 2021-11-16 | 南昌工程学院 | 基于稀疏卫星定位数据的车辆频繁变道识别方法及装置 |
CN114283587A (zh) * | 2021-12-29 | 2022-04-05 | 安徽达尔智能控制系统股份有限公司 | 一种基于雷视监测的路口车辆违规变道预警管控方法和系统 |
CN114067231A (zh) * | 2022-01-14 | 2022-02-18 | 成都飞机工业(集团)有限责任公司 | 一种基于机器视觉学习识别的零件加工特征识别方法 |
CN114067231B (zh) * | 2022-01-14 | 2022-05-10 | 成都飞机工业(集团)有限责任公司 | 一种基于机器视觉学习识别的零件加工特征识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110136447B (zh) | 2021-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110136447A (zh) | 行车变道检测及违法变道识别的方法 | |
CN106652445B (zh) | 一种公路交通事故判别方法及装置 | |
CN105809975B (zh) | 一种异常停车判断方法和装置 | |
US20200250405A1 (en) | Method and apparatus for detecting fake license plates of vehicles, readable storage medium, and electronic device | |
CN102945603B (zh) | 检测交通事件的方法及电子警察装置 | |
CN106373426A (zh) | 基于计算机视觉的停车位及违规占道停车监控方法 | |
CN105702048B (zh) | 基于行车记录仪的高速公路前车违法占道识别系统及方法 | |
CN104809887B (zh) | 一种高速公路上车辆逆行检测方法与自动报警装置 | |
CN104361747B (zh) | 机动车斑马线未礼让行人自动抓拍的识别方法 | |
CN104268596B (zh) | 一种车牌识别器及其车牌检测方法与系统 | |
CN106023595A (zh) | 一种异常停车的判断方法、装置及球型摄像机 | |
CN107067730B (zh) | 基于卡口设备的网约车人车不一致监测方法 | |
CN109326124A (zh) | 一种基于机器视觉的城市环境停放车辆行为识别系统 | |
CN107644206A (zh) | 一种道路异常行为动作检测装置 | |
CN109191830A (zh) | 一种基于视频图像处理的道路拥堵检测方法 | |
CN104575043A (zh) | 一种机动车行经人行横道时的自动提示系统和方法 | |
CN108154146A (zh) | 一种基于图像识别的车辆追踪方法 | |
CN104574979B (zh) | 机动车行经人行横道不依法让行行为的拍照系统及方法 | |
CN104392239A (zh) | 一种车牌识别方法及系统 | |
CN103164958B (zh) | 车辆监控方法及系统 | |
CN106373461A (zh) | 驾培管理服务系统及其方法 | |
CN101882374A (zh) | 一种车辆行程分布综合信息分析系统及方法 | |
CN109523787A (zh) | 一种基于车辆通行轨迹的疲劳驾驶分析方法 | |
CN104021677A (zh) | 一种车辆翻牌检测方法和装置 | |
CN112381014A (zh) | 一种基于城市道路的违停车辆检测及管理方法及系统 |
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 |