CN110178167B - 基于摄像机协同接力的路口违章视频识别方法 - Google Patents
基于摄像机协同接力的路口违章视频识别方法 Download PDFInfo
- Publication number
- CN110178167B CN110178167B CN201880005493.4A CN201880005493A CN110178167B CN 110178167 B CN110178167 B CN 110178167B CN 201880005493 A CN201880005493 A CN 201880005493A CN 110178167 B CN110178167 B CN 110178167B
- Authority
- CN
- China
- Prior art keywords
- image
- lane
- camera
- vehicle
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 104
- 230000006399 behavior Effects 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 8
- 230000002441 reversible effect Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000036961 partial effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000003825 pressing Methods 0.000 abstract description 3
- 239000007787 solid Substances 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 241000283070 Equus zebra Species 0.000 description 2
- 241001149900 Fusconaia subrotunda Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
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
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- 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
- 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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于摄像机协同接力的路口违章视频识别方法,包括:步骤S1:标定车道线,并进行车道指示标志识别;步骤S2:根据第一摄像机采集的图像进行目标车辆检测,确定目标车辆所在的车道;并根据第一摄像机采集的图像进行目标车辆跟踪,得到车辆运行轨迹;步骤S3:根据目标车辆所在的车道以及车辆运行轨迹识别该目标车辆是否违规变道。本发明通过对摄像头采集的视频进行分析和识别,能够同时检测多辆机动车在路口发生的违章压线、违规变道、逆行、超速、闯红灯等行为,并适用于交叉路口长实线道路的场合。该方法简单实用,便于施工,可直接在原有系统进行改造,扩展性强。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于摄像机协同接力的路口违章视频识别方法。
背景技术
近年来,随着国民经济的发展和城市化程度的加快,汽车已经走入千家万户。机动车的出行带来了方便快捷的同时也导致了机动车违章行为的增加,特别是在道路交叉路口,随意变道、不按交通指示标志行车的情况时有发生,司机之间摩擦不断,不仅会扰乱交通秩序、引起交通堵塞,严重的还威胁着人们的生命财产安全。因此,如何通过行政处罚监督减少车辆违章行为已经成为社会发展的需要。
当前,常见的违章抓拍是通过在交叉路口埋压感应线圈,触发摄像头拍照实现的。该方法与红绿灯信号控制系统连接,当某方向行车为红灯时,如果有车辆违章闯红灯,则触发感应线圈,启动摄像头进行抓拍。该方法主要实现闯红灯违章检测,对于随意变道、压实线、逆向行驶等束手无策。虽然可以采用通过在实线下部埋压线圈检测如上行为,但是该方法可扩展性差,由于路口实线区域较长,破土埋压费时费力费钱,如果道路重新布线,则导致前功尽弃。现有技术中还提出了其他的交通违规检测方法,但是现有的检测方法存在实施过程复杂,难度大,成本过高,且对于多目标同时违章的行为无法应付,难以保证准确率的问题。
发明内容
有鉴于此,本发明的目的在于克服现有技术的不足,提供一种基于摄像机协同接力的路口违章视频识别方法。
为实现以上目的,本发明采用如下技术方案:一种基于摄像机协同接力的路口违章视频识别方法,包括:
步骤S1:标定车道线,并进行车道指示标志识别;
步骤S2:根据第一摄像机采集的图像进行目标车辆检测,确定目标车辆所在的车道;
根据第一摄像机采集的图像进行目标车辆跟踪,得到车辆运行轨迹;
步骤S3:根据目标车辆所在的车道以及车辆运行轨迹识别该目标车辆是否违规变道。
可选的,所述步骤S1中的标定车道线的处理过程为:
在路面无车辆且无行人的情况下,第一摄像机采集路面图像,该图像采集的区域为到达路口前的实线区域;
对采集的图像进行预处理;
对预处理后的图像进行车道线识别,将图像中的车道线分割出来;
基于分割的车道获得感兴趣区域,对感兴趣区域进行裁剪;
对裁剪出的区域进行几何变换,得到平行等宽的车道图像;
对每条车道上的车辆行进指示标志进行识别,得到车道类别;
对于不同的车道类别,基于车道线将图像分割为不同的区域,并对每个区域的车道属性以及车道区域坐标范围进行标注。
可选的,所述对采集的图像进行预处理包括:
对采集的图像进行灰度化处理,得到灰度图像;
对所述灰度图像进行高斯平滑处理。
可选的,所述步骤S2中目标车辆检测的过程包括:
获取相邻两帧图像的差值:
对上述差值进行二值化处理,得到:
再进行逻辑与运算,得到最终的前景图像,即
根据目标Rk的灰度分布,再进行空洞填充处理后,根据目标Rk所有像素点集合的边界形成凸壳,求取并保存该目标Rk的质心,求取质心的公式如下:
其中,rn-1(i,j)、rn(i,j)和rn+1(i,j)分别表示第n-1帧、n帧和n+1帧在(i,j)处的像素值;Δ(n-1)和Δ(n+1)分别表示相邻两帧图像的差值;T为阈值;xi和yi表示目标区域坐标,Gi为像素点的权重,G为像素点个数;Rn+1(i,j)表示为第n+1帧在(i,j)处二值化后的图像像素值,Rn-1(i,j)为第n-1帧在(i,j)处二值化后的图像像素值;Rkx,Rky分别为质心的横坐标和纵坐标。
可选的,该方法还包括:对于检测得到的目标车辆,赋予唯一的ID编号。
可选的,所述步骤S2中目标车辆跟踪的过程包括:
步骤S21:利用卡尔曼滤波算法预测出移动目标k时刻的粗略位置;
步骤S22:利用均值漂移算法通过求取最优解找到移动目标k时刻的真正位置;
步骤S23:将移动目标k时刻的真正位置输送到卡尔曼滤波算法里,对卡尔曼滤波算法进行优化,并得到更新后的移动目标k时刻的跟踪位置,k=k+1;
步骤S24:重复执行步骤S21~S23直到图像序列结束;
所述步骤S23得到的跟踪位置的集合即为该目标车辆的运行轨迹。
可选的,所述步骤S2中识别该目标车辆是否违规变道的过程为:
根据目标车辆所在的车道得到该车道区域的坐标范围;
根据该车道区域的坐标范围以及该车辆运行轨迹判断该车辆是否违规变道:
如果该车辆运行轨迹中的任一点的横坐标值大于该车道区域中的横坐标最大值,或是小于该车道区域中的横坐标最小值,则认为该车辆违规变道。
可选的,该方法还包括:对采集的图像进行目标车辆逆行检测,具体过程为:
对采集的图像进行坐标标注,其中,将车道线的方向设为纵轴方向;
确定车辆正常行驶时,行驶位置点的纵坐标变化趋势;
获得目标车辆运行轨迹,如果该运行轨迹中存在纵坐标变化趋势与正常行驶时纵坐标变化趋势不一致,则认为该目标车辆存在逆向行驶违章行为。
可选的,该方法还包括:对采集的图像进行目标车辆超速检测,具体过程为:
根据目标车辆初次进入采集区域的时间TH和目标车辆最终离开采集区域的时间T1,能够得到该目标车辆经过该采集区域所用的时间;
根据该采集区域对应的实际道路长度,得到目标车辆通过该采集区域的时速v:
其中,L为该采集区域对应的实际道路长度;ΔT=T1-TH;
如果v大于所述实际道路长度对应的最高限速,则认为该目标车辆超速。
可选的,该方法还包括:对采集的图像进行目标车辆占用非机动车道的检测,具体过程为:
非机动车道区域有其对应的坐标范围,该坐标范围内的坐标点集合用RN表示;
如果目标车辆运行轨迹中的任一坐标点属于RN,则认为该目标车辆占用过非机动车道。
可选的,该方法还包括:第二摄像机采集路口区域的图像,所述第二摄像机采集的图像与第一摄像机采集的图像有部分重叠区域;
利用该重叠区域将第一摄像机采集的图像与第二摄像机采集的图像进行一致性处理,具体过程包括:
获取第二摄像机采集的图像,并对该图像进行校正,得到校正后的图像;
获取模板,该模板是通过裁剪第一摄像机采集的图像中的重叠区域得到的;
利用模板匹配方法在校正后的图像中进行搜索匹配,获得第一摄像机采集的图像相对于校正后的图像的放大比率;
将校正后的图像根据该放大比率进行缩放,使缩放后图像中的重叠区域与第一摄像机采集的图像中的重叠区域图像完全相同,实现第一摄像机与第二摄像机的接力匹配;
此过程中所述第一摄像机采集的图像为经过标定车道线处理后的图像。
可选的,在实现第一摄像机与第二摄像机的接力匹配后,还包括:第一摄像机和第二摄像机对同一目标的接力跟踪,具体过程为:
获取第一摄像机和第二摄像机的视域分界线L;
L的表达式为:Axp+Byp+C=0;
令P=Axp+Byp+C;
获取被跟踪目标车辆的坐标(xp,yp);
如果P的数值由负变为正或者由正变为负,则说明该目标车辆在该帧发生了视域切换,在同一车道区域内,目标中心点距离视域分界线最近的那个目标点即是被跟踪的同一目标;
对该目标进行跟踪,实现第一摄像机和第二摄像机对同一目标的协同接力跟踪。
可选的,该方法还包括:对采集的图像进行目标车辆闯红灯检测,具体过程为:
将第二摄像机采集的图像中的区域划定为违章区;
在车辆行驶方向信号灯为红灯的情况下,如果有车辆驶入违章区,则判断该车辆为闯红灯违章。
可选的,该方法还包括:对图像中的违章车辆身份进行识别,具体过程为:
在第二摄像机采集的图像中,裁剪出违章车辆的车牌区域截图;
根据车牌区域截图识别出车牌号码;
将车牌号码发送至数据处理中心进行身份识别。
本发明采用以上技术方案,所述基于摄像机协同接力的路口违章视频识别方法包括:步骤S1:标定车道线,并进行车道指示标志识别;步骤S2:根据第一摄像机采集的图像进行目标车辆检测,确定目标车辆所在的车道;并根据第一摄像机采集的图像进行目标车辆跟踪,得到车辆运行轨迹;步骤S3:根据目标车辆所在的车道以及车辆运行轨迹识别该目标车辆是否违规变道。本发明通过对摄像头采集的视频进行分析和识别,能够同时检测多辆机动车在路口发生的违章压线、违规变道、逆行、超速、闯红灯等行为,并适用于交叉路口长实线道路的场合。该方法简单实用,便于施工,可直接在原有系统进行改造,扩展性强。
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,下面描述中的附图仅仅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是本发明提供的一个实施方式中摄像机的分布示意图;
图2是本发明提供的一个实施方式中路口违章视频识别方法的流程示意图;
图3是本发明提供的一个实施方式中车道识别的示意图;
图4是本发明提供的一个实施方式中梯形蒙版的示意图;
图5是本发明提供的一个实施方式中车道平面图几何变换的示意图;
图6是本发明提供的一个实施方式中对车道进行数字化标注的示意图;
图7是本发明提供的一个实施方式中对目标车辆进行跟踪的流程示意图;
图8是本发明提供的一个实施方式中目标运动的轨迹图;
图9是本发明提供的一个实施方式中第一摄像机与第二摄像机的图像接力匹配的处理流程图;
图10是本发明提供的一个实施方式中对第二摄像机采集的静态图像进行梯形校正的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
作为本发明提供的一个实施方式,如图1所示,在同一方向架设两部摄像机。其中一架设在路口前侧、另一架设在路口后侧。具体实施如下(为了描述方便,图中为单向道路图,双向道路方法相同):其中路口前的第一摄像机C1采集区域如虚线所示,路口后第二摄像机C2采集区域如实线所示。其中虚线区域和实线区域邻接,略有重叠。以斑马线为分界线,斑马线区域属于C2的图像采集区域。
C1采集的视频主要用于车道线和指示标志识别、车辆检测与跟踪、违规变道检测、超速检测、逆行检测、非法占用非机动车道检测。
C2采集的视频主要用于接力跟踪、闯红灯检测和车辆身份识别。
如图2所示,所述基于摄像机协同接力的路口违章视频识别方法包括:
步骤S1:标定车道线,并进行车道指示标志识别;
对于C1采集的视频,该方法能够自动识别车道线和行进指示标志,具体实施如下:
(1)预处理
对C1采集的图像先进行灰度处理,为了减小噪声干扰,再采用大小为5*5的模板进行高斯滤波平滑。公式表示为:
g(x,y)=f(x,y)*Tmp
所用的核函数模板Tmp为:
其中,f(x,y)为图像中(x,y)点的灰度值,g(x,y)为该点经过高斯滤波后的值,*为卷积运算。
(2)车道识别
该过程将图像中的车道线识别出来。如图3所示,对于C1采集的图像,设定搜索区域(假定宽度为W,高度为L,左下角坐标为(0,0),将整个图像水平分成8份,竖直分成5份,则搜索区域左下角坐标为(1/8W+1,1/5L+1),右上角坐标为(7/8W,2/5L)),获得仅仅包含车道线和路面的图像,对该区域进行颜色分析,获得潜在的车道线颜色和路面颜色信息。然后,基于车道线颜色和路面颜色作为聚类的起始信息进行自动聚类,最终将图中的车道线分割出来。
(3)感兴趣区域的区域裁剪
为了减少车道外物体干扰,减小运算工作量,基于分割的车道获得感兴趣区域。如图4所示,车道识别之后,利用最外围车道形成一个梯形蒙版,蒙版略大于车道区域,车道外的像素值为0。
(4)几何变换
为了避免后续车辆跟踪过程中尺寸变化带来的影响,结合车道线平行等宽的先验知识,通过几何变换,实现图像与在摄像机投影拍摄的图像所有位置保持相同大小。几何变换所用的映射矩阵根据梯形两腰的斜率计算得到,最终实现了车道的平行和等距。如图5所示,梯形ABCD可以被几何变换映射为另一个矩形形A’B’C’D’。
(5)车道标志识别
对于每条车道在路面上会喷涂有车辆行进指示标志,通过设计单层BP神经网络分类器进行识别。识别的类别主要包括:左转、右转、直行、直行合并右转、直行合并左转、直行合并右转和左转、非机动车道。由于车道类型有限,基于BP神经网络训练得到的分类器利用少量样本便可以达到速度快、识别率高的效果。
(6)数字化标注
对于不同的车道类别,基于车道线进行分割为不同的区域,同一区域含有相同的属性,分别用A、B、C、D、E、F、G进行标注。如图6所示,假设存在三条车道,(x,y)分别表示横、纵坐标,则属性为A的车道区域坐标为:{x1<x<x2,1≤y≤H};属性为B的车道区域坐标为:{x3<x<x4,1≤y≤H};属性为C的车道区域坐标为:{x5<x<x6,1≤y≤H}。
以上步骤在系统初始化阶段实现,拍摄的视频在保证路面无车辆、行人的情况下设定完成。
步骤S2:根据第一摄像机C1采集的图像进行目标车辆检测,确定目标车辆所在的车道;
为了检测到进入第一摄像机C1视野区的车辆,采用了三帧差异求解的方法,通过相邻的两帧的两幅图像中将对应位置的像素值相减,获得差异图像。在差异图像中像素值较小的区域可认为背景,反之则为目标,随后设定阈值进行二值化处理。具体原理描述如下:
假设n帧、n+1帧和n-1帧在(i,j)处的像素值分别为rn+1(i,j),rn(i,j),rn-1(i,j),阈值为T,相邻帧图像的差值为Δ(n),则:
对上述差值进行二值化处理,得到:
再进行逻辑与运算,得到最终的前景图像,即
根据目标Rk的灰度分布,再进行空洞填充处理后,根据目标Rk所有像素点集合的边界形成凸壳,求取并保存该目标Rk的质心,求取质心的公式如下:
其中,xi和yi表示目标区域坐标,Gi为像素点的权重,G为像素点个数;Rn+1(i,j)表示为第n+1帧在(i,j)处二值化后的图像像素值,Rn-1(i,j)为第n-1帧在(i,j)处二值化后的图像像素值;Rkx,Rky分别为质心的横坐标和纵坐标。
对于检测得到的目标车辆,会赋予该目标车辆一段时间内唯一的ID号码。规则如下:根据目标被检测出的时间,编号依次增加,并且将车辆所处的初始车道根据标注的车道码,编入ID号码之中,计数时间超过24小时则编号重新归零。如当前目标编号为200,如果初始状态车道为C,则该目标的ID为200-C。
进一步的,根据第一摄像机C1采集的图像进行目标车辆跟踪,得到车辆运行轨迹;
为了提高车辆跟踪的鲁棒性,避免因为车辆与背景颜色接近造成跟踪丢失的情况,本发明采用了一种均值漂移和卡尔曼滤波的组合式跟踪算法。如图7所示,对目标车辆进行跟踪的过程包括:
步骤S20:目标窗口及参数的初始化;
步骤S21:利用卡尔曼滤波算法预测出移动目标k时刻的粗略位置;
步骤S22:利用均值漂移算法通过求取最优解找到移动目标k时刻的真正位置;
步骤S23:将移动目标k时刻的真正位置输送到卡尔曼滤波算法里,对卡尔曼滤波算法进行优化,并得到更新后的移动目标k时刻的跟踪位置,k=k+1;
步骤S24:重复执行步骤S21~S23直到图像序列结束;
最终,在摄像机C1的视野范围内,可以得到每个车辆目标中心的运动轨迹。假设获得的坐标点个数为K个,则目标Oi的轨迹坐标集合为{Oi(x),Oi(y)}。
步骤S3:根据目标车辆所在的车道以及车辆运行轨迹识别该目标车辆是否违规变道。
具体的处理过程为:
根据划分的车道区域的坐标范围和车辆运行轨迹,如果轨迹中的横坐标点超出车道界标则认为违规变道,超越实线。为了保证一定的冗余度b,假设车道中心横坐标为xc,则设置判断规则为:
如图8所示,对于A车道,中心为xc=(x2-x1)/2,偏离冗余度为b=(x2-x1)/4。则说明如果车辆运行的质心运行轨迹中的所有横坐标范围在(x2-x1)/4和3(x2-x1)/4之间,则说明车辆正常行驶。否则认为车辆违规变道或越过实线。
进一步的,该方法还包括:对采集的图像进行目标车辆逆行检测,具体过程为:
对于摄像机C1的采集区域,左下角为坐标起始点(1,1),横坐标由左至右逐渐增大,纵坐标由下及上逐渐增大。根据车辆运行轨迹,如果轨迹中的存在纵坐标取值逐渐增大的情况,则认为有逆向行驶。其表示方法为:
进一步的,该方法还包括:对采集的图像进行目标车辆超速检测,具体过程为:
根据目标车辆初次进入采集区域的时间TH和目标车辆最终离开采集区域的时间T1,能够得到该目标车辆经过该采集区域所用的时间;
根据该采集区域对应的实际道路长度,得到目标车辆通过该采集区域的时速v:
其中,L为该采集区域对应的实际道路长度;ΔT=T1-TH;
如果v大于所述实际道路长度对应的最高限速,则认为该目标车辆超速。
进一步的,该方法还包括:对采集的图像进行目标车辆占用非机动车道的检测,具体过程为:
对于机动车占用非机动车道的情况,根据车道的划分,非机动车道区域会形成坐标点集合,用RN表示。如果目标车辆运动轨迹坐标点存在属于RN的情况,则认为曾经占用过非机动车道。判断标准为:
进一步的,如图1所示,所述第二摄像机采集的图像与第一摄像机采集的图像有部分重叠区域;利用该重叠区域将第一摄像机采集的图像与第二摄像机采集的图像进行一致性处理,实现第一摄像机与第二摄像机的接力匹配。如图9所示,具体过程包括:
获取第二摄像机采集的静态图像,并对该图像进行几何校正(如图10,梯形校正),得到校正后的图像;
获取模板,该模板是通过裁剪第一摄像机采集的图像中的重叠区域得到的;
利用模板匹配方法在校正后的图像中进行搜索匹配,获得第一摄像机采集的图像相对于校正后的图像的放大比率,即得到变换矩阵;
将校正后的图像根据该放大比率进行缩放,使缩放后图像中的重叠区域与第一摄像机采集的图像中的重叠区域图像完全相同,实现第一摄像机与第二摄像机的接力匹配;
此过程中所述第一摄像机采集的图像为经过标定车道线处理后的图像。
进一步的,在实现第一摄像机与第二摄像机的接力匹配后,还包括:第一摄像机和第二摄像机对同一目标的接力跟踪,具体过程为:
获取第一摄像机和第二摄像机的视域分界线L,假设视域分界线L在C2中;
L的表达式为:Axp+Byp+C=0;
令P=Axp+Byp+C;
获取被跟踪目标车辆的坐标(xp,yp);
目标可见性的判别函数定义为:
如果P的数值由负变正,则说明目标在该帧从C1的视域中消失,而出现在C2视域中。在同一车道区域内,目标中心点距离视域分界线L最近的那个目标点即是被跟踪的同一目标。那么在C1监控范围内进行编号的机动车,携带信息进入C2监控范围,完成目标的交接。对该目标进行跟踪,实现由第一摄像机C1到第二摄像机C2的协同接力跟踪。
机动车目标标识交接可以由下式表示:
其中,Pt表示t时刻摄像机C1中被跟踪的目标,L表示摄像机C1与摄像机C2的视域分界线,N表示摄像机C2中靠近L范围内检测到的运动目标个数,Pk表示摄像机C2中的第k个运动目标,若摄像机C2中第k个机动车目标距离L最近,那么就将该目标赋予在摄像机C1视野中刚刚消失的被跟踪目标相同的标识,从而实现了对同一目标的接力跟踪。
为了保证摄像机C1和C2的工作同步,C1和C2采用同规格等周期的视频采集卡,使得摄像机之间的采样率相同,通过软件初始化设置同步时钟,同时驱动摄像机C1和C2进行图像的采集和处理,使得同一时刻摄像机C1采集到的视频帧M1与摄像机C2采集到的视频帧M2一一对应。
可以理解的是,在C2阶段的画面中,车辆的跟踪方式同C1的跟踪方式。
进一步的,该方法还包括:对采集的图像进行目标车辆闯红灯检测,具体过程为:
将第二摄像机采集的图像中的区域划定为违章区;
在车辆行驶方向信号灯为红灯的情况下,如果有车辆驶入违章区,则判断该车辆为闯红灯违章。
可选的,该方法还包括:对图像中的违章车辆身份进行识别,具体过程为:
在第二摄像机采集的图像中,裁剪出违章车辆的车牌区域截图;
根据车牌区域截图识别出车牌号码;
将车牌号码发送至数据处理中心进行身份识别。
需要说明的是,本方法还可以根据路段需要扩展到3部及以上相机,具体方法同本案中的两部摄像机协同方法。
本发明基于模式识别处理方法,通过颜色分析和聚类分离了车道线和道路;通过几何变换避免了车辆跟踪过程中尺寸变化带来的干扰;基于BP神经网络训练的分类器获得了车道标志,并实现了区域属性的标定;在此基础上利用质点运动的轨迹点集,在一定的冗余度范围内快速判定违章行为。通过设置双摄像头视域边界线完成接力跟踪的方法,在保持时空一致性的基础上扩大了监控范围,避免了颜色、轮廓等外部特征的重新检测带来的时间损耗,解决了具有长实线车道的监控瓶颈,实现了违章车辆跟踪与身份识别的分离,有效减少了在低速运行阶段车辆之间距离过近造成的车牌遮挡的影响。该方法能够实现交通路口多车辆超速、违规变道、逆行、超速、非法占用机动车道、闯红灯等违章行为的识别,方法简单实用,可扩展性强,具有重要的应用价值。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于摄像机协同接力的路口违章视频识别方法,其特征在于,包括:
步骤S1:标定车道线,并进行车道指示标志识别;
步骤S2:根据第一摄像机采集的图像进行目标车辆检测,确定目标车辆所在的车道;
根据第一摄像机采集的图像进行目标车辆跟踪,得到车辆运行轨迹;
步骤S3:根据目标车辆所在的车道以及车辆运行轨迹识别该目标车辆是否违规变道;
所述步骤S1中的标定车道线的处理过程为:
在路面无车辆且无行人的情况下,第一摄像机采集路面图像,该图像采集的区域为到达路口前的实线区域;
对采集的图像进行预处理;
对预处理后的图像进行车道线识别,将图像中的车道线分割出来;
基于分割的车道获得感兴趣区域,对感兴趣区域进行裁剪;
对裁剪出的区域进行几何变换,得到平行等宽的车道图像;
对每条车道上的车辆行进指示标志进行识别,得到车道类别;
对于不同的车道类别,基于车道线将图像分割为不同的区域,并对每个区域的车道属性以及车道区域坐标范围进行标注;
还包括:第二摄像机采集路口区域的图像,所述第二摄像机采集的图像与第一摄像机采集的图像有部分重叠区域;
利用该重叠区域将第一摄像机采集的图像与第二摄像机采集的图像进行一致性处理,具体过程包括:
获取第二摄像机采集的图像,并对该图像进行校正,得到校正后的图像;
获取模板,该模板是通过裁剪第一摄像机采集的图像中的重叠区域得到的;
利用模板匹配方法在校正后的图像中进行搜索匹配,获得第一摄像机采集的图像相对于校正后的图像的放大比率;
将校正后的图像根据该放大比率进行缩放,使缩放后图像中的重叠区域与第一摄像机采集的图像中的重叠区域图像完全相同,实现第一摄像机与第二摄像机的接力匹配;
此过程中所述第一摄像机采集的图像为经过标定车道线处理后的图像;
所述对采集的图像进行预处理包括:
对采集的图像进行灰度化处理,得到灰度图像;
对所述灰度图像进行高斯平滑处理;
所述步骤S2中目标车辆检测的过程包括:
获取相邻两帧图像的差值:
对上述差值进行二值化处理,得到:
再进行逻辑与运算,得到最终的前景图像,即
根据目标Rk的灰度分布,再进行空洞填充处理后,根据目标Rk所有像素点集合的边界形成凸壳,求取并保存该目标Rk的质心,求取质心的公式如下:
其中,rn-1(i,j)、rn(i,j)和rn+1(i,j)分别表示第n-1帧、n帧和n+1帧在(i,j)处的像素值;Δ(n-1)和Δ(n+1)分别表示相邻两帧图像的差值;T为阈值;xi和yi表示目标区域坐标,Gi为像素点的权重,G为像素点个数;Rn+1(i,j)表示为第n+1帧在(i,j)处二值化后的图像像素值,Rn-1(i,j)为第n-1帧在(i,j)处二值化后的图像像素值;Rkx,Rky分别为质心的横坐标和纵坐标。
2.根据权利要求1所述的方法,其特征在于,还包括:对于检测得到的目标车辆,赋予唯一的ID编号。
3.根据权利要求1所述的方法,其特征在于,所述步骤S2中目标车辆跟踪的过程包括:
步骤S21:利用卡尔曼滤波算法预测出移动目标k时刻的粗略位置;
步骤S22:利用均值漂移算法通过求取最优解找到移动目标k时刻的真正位置;
步骤S23:将移动目标k时刻的真正位置输送到卡尔曼滤波算法里,对卡尔曼滤波算法进行优化,并得到更新后的移动目标k时刻的跟踪位置,k=k+1;
步骤S24:重复执行步骤S21~S23直到图像序列结束;
所述步骤S23得到的跟踪位置的集合即为该目标车辆的运行轨迹。
4.根据权利要求1所述的方法,其特征在于,所述步骤S2中识别该目标车辆是否违规变道的过程为:
根据目标车辆所在的车道得到该车道区域的坐标范围;
根据该车道区域的坐标范围以及该车辆运行轨迹判断该车辆是否违规变道:
如果该车辆运行轨迹中的任一点的横坐标值大于该车道区域中的横坐标最大值,或是小于该车道区域中的横坐标最小值,则认为该车辆违规变道。
5.根据权利要求1所述的方法,其特征在于,还包括:对采集的图像进行目标车辆逆行检测,具体过程为:
对采集的图像进行坐标标注,其中,将车道线的方向设为纵轴方向;
确定车辆正常行驶时,行驶位置点的纵坐标变化趋势;
获得目标车辆运行轨迹,如果该运行轨迹中存在纵坐标变化趋势与正常行驶时纵坐标变化趋势不一致,则认为该目标车辆存在逆向行驶违章行为。
7.根据权利要求1所述的方法,其特征在于,还包括:对采集的图像进行目标车辆占用非机动车道的检测,具体过程为:
非机动车道区域有其对应的坐标范围,该坐标范围内的坐标点集合用RN表示;
如果目标车辆运行轨迹中的任一坐标点属于RN,则认为该目标车辆占用过非机动车道。
8.根据权利要求1所述的方法,其特征在于,在实现第一摄像机与第二摄像机的接力匹配后,还包括:第一摄像机和第二摄像机对同一目标的接力跟踪,具体过程为:
获取第一摄像机和第二摄像机的视域分界线L;
L的表达式为:Axp+Byp+C=0;
令P=Axp+Byp+C;
获取被跟踪目标车辆的坐标(xp,yp);
如果P的数值由负变为正或者由正变为负,则说明该目标车辆在当前帧发生了视域切换,在同一车道区域内,目标中心点距离视域分界线最近的那个目标点即是被跟踪的同一目标;
对该目标进行跟踪,实现第一摄像机和第二摄像机对同一目标的协同接力跟踪。
9.根据权利要求1所述的方法,其特征在于,还包括:对采集的图像进行目标车辆闯红灯检测,具体过程为:
将第二摄像机采集的图像中的区域划定为违章区;
在车辆行驶方向信号灯为红灯的情况下,如果有车辆驶入违章区,则判断该车辆为闯红灯违章。
10.根据权利要求9所述的方法,其特征在于,还包括:对图像中的违章车辆身份进行识别,具体过程为:
在第二摄像机采集的图像中,裁剪出违章车辆的车牌区域截图;
根据车牌区域截图识别出车牌号码;
将车牌号码发送至数据处理中心进行身份识别。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2018/093082 WO2020000251A1 (zh) | 2018-06-27 | 2018-06-27 | 基于摄像机协同接力的路口违章视频识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110178167A CN110178167A (zh) | 2019-08-27 |
CN110178167B true CN110178167B (zh) | 2022-06-21 |
Family
ID=67689265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880005493.4A Active CN110178167B (zh) | 2018-06-27 | 2018-06-27 | 基于摄像机协同接力的路口违章视频识别方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110178167B (zh) |
WO (1) | WO2020000251A1 (zh) |
Families Citing this family (58)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807932A (zh) * | 2019-11-12 | 2020-02-18 | 汤建强 | 一种车辆实线变道检测方法 |
CN110930715B (zh) * | 2019-11-21 | 2021-07-20 | 浙江大华技术股份有限公司 | 一种非机动车闯红灯识别方法、系统及违章处理平台 |
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 |
CN111241953B (zh) * | 2020-01-03 | 2023-11-10 | 河北太行农牧供应链有限公司 | 洗消验证方法和装置、存储介质及电子装置 |
CN111325988A (zh) * | 2020-03-10 | 2020-06-23 | 北京以萨技术股份有限公司 | 基于视频的实时闯红灯检测方法、装置、系统及存储介质 |
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 |
CN111444798B (zh) * | 2020-03-16 | 2024-05-28 | 平安国际智慧城市科技股份有限公司 | 电动自行车驾驶行为的识别方法、装置和计算机设备 |
CN111753634A (zh) * | 2020-03-30 | 2020-10-09 | 上海高德威智能交通系统有限公司 | 交通事件检测方法和设备 |
CN111654620B (zh) * | 2020-05-26 | 2021-09-17 | 维沃移动通信有限公司 | 拍摄方法及装置 |
CN113744302B (zh) * | 2020-05-27 | 2024-02-02 | 北京机械设备研究所 | 动态目标行为预测方法和系统 |
CN111582253B (zh) * | 2020-06-19 | 2022-09-06 | 上海其高电子科技有限公司 | 基于事件触发的车牌跟踪识别方法 |
CN111753716B (zh) * | 2020-06-23 | 2023-11-24 | 中国联合网络通信集团有限公司 | 一种停车压线检测方法及服务器 |
CN111741267B (zh) * | 2020-06-24 | 2022-03-08 | 浙江大华技术股份有限公司 | 一种车辆延误的确定方法、装置、设备及介质 |
CN111784741B (zh) * | 2020-06-29 | 2024-03-29 | 杭州海康威视数字技术股份有限公司 | 一种目标跨镜布控追踪的方法和系统 |
CN111770310A (zh) * | 2020-07-02 | 2020-10-13 | 广州博冠智能科技有限公司 | 一种走失儿童识别定位的方法及装置 |
CN111898491B (zh) * | 2020-07-15 | 2024-06-04 | 上海高德威智能交通系统有限公司 | 一种车辆逆向行驶的识别方法、装置及电子设备 |
CN111899521A (zh) * | 2020-07-17 | 2020-11-06 | 南京师范大学泰州学院 | 一种高速公路的车辆违规行为检测方法 |
CN112164227B (zh) * | 2020-08-26 | 2022-06-28 | 深圳奇迹智慧网络有限公司 | 违停车辆告警方法、装置、计算机设备和存储介质 |
CN112289022B (zh) * | 2020-09-29 | 2022-02-25 | 西安电子科技大学 | 基于时空背景比对的黑烟车检测判定方法及系统 |
CN112200044B (zh) * | 2020-09-30 | 2024-04-30 | 北京四维图新科技股份有限公司 | 异常行为检测方法、装置及电子设备 |
CN112270258A (zh) * | 2020-10-27 | 2021-01-26 | 深圳英飞拓科技股份有限公司 | 一种非机动车的违规信息获取方法及装置 |
CN112380993A (zh) * | 2020-11-12 | 2021-02-19 | 青岛以萨数据技术有限公司 | 基于目标实时追踪信息的智能违法行为检测系统及方法 |
CN112364794A (zh) * | 2020-11-18 | 2021-02-12 | 合肥湛达智能科技有限公司 | 一种基于嵌入式终端的深度学习逆行检测方法 |
CN114613147B (zh) * | 2020-11-25 | 2023-08-04 | 浙江宇视科技有限公司 | 一种车辆违章的识别方法、装置、介质及电子设备 |
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 |
CN112712708A (zh) * | 2020-12-28 | 2021-04-27 | 上海眼控科技股份有限公司 | 信息检测方法、装置、设备及存储介质 |
CN112950538B (zh) * | 2021-01-27 | 2024-05-14 | 浙江大华技术股份有限公司 | 一种检测车辆违章的方法及装置 |
CN112818866B (zh) * | 2021-02-02 | 2023-11-07 | 苏州挚途科技有限公司 | 车辆定位的方法、装置及电子设备 |
CN112949465A (zh) * | 2021-02-26 | 2021-06-11 | 上海商汤智能科技有限公司 | 车辆连续变道识别方法、装置、设备及存储介质 |
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 |
CN113538900B (zh) * | 2021-06-11 | 2022-08-26 | 厦门路桥信息股份有限公司 | 停车场中车辆逆向行驶检测方法 |
CN113313051B (zh) * | 2021-06-11 | 2023-04-18 | 昭通亮风台信息科技有限公司 | 一种违规使用他人etc行为的检测识别方法及系统 |
CN113592903A (zh) * | 2021-06-28 | 2021-11-02 | 北京百度网讯科技有限公司 | 车辆轨迹识别方法、装置、电子设备和存储介质 |
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 |
CN113487878A (zh) * | 2021-07-12 | 2021-10-08 | 重庆长安新能源汽车科技有限公司 | 一种机动车违章压线行驶检测方法及系统 |
CN113706859B (zh) * | 2021-07-14 | 2023-01-03 | 石家庄铁道大学 | 一种基于三帧差分法的道路交叉口路况预警系统及方法 |
CN113436279B (zh) * | 2021-07-23 | 2023-02-28 | 杭州海康威视数字技术股份有限公司 | 一种图像处理方法、装置及设备 |
CN113592916B (zh) * | 2021-07-30 | 2024-02-06 | 内蒙古科技大学 | 一种烧结机台车车轴故障检测方法及系统 |
CN113611124A (zh) * | 2021-08-09 | 2021-11-05 | 茂名粤云信息技术有限公司 | 一种基于智慧城市车辆违规的智能识别方法 |
CN113422938A (zh) * | 2021-08-23 | 2021-09-21 | 深圳市旗扬特种装备技术工程有限公司 | 人工智能的道路事件监控方法、装置、系统及存储介质 |
CN113696939B (zh) * | 2021-08-25 | 2023-08-01 | 北京博研盛科科技有限公司 | 一种基于标识物的轨道车定位方法、系统及设备 |
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 |
CN114022791B (zh) * | 2021-10-15 | 2024-05-28 | 武汉理工大学 | 一种基于高空视角识别系统的车辆轨迹运动特征识别方法 |
CN114299414B (zh) * | 2021-11-30 | 2023-09-15 | 无锡数据湖信息技术有限公司 | 一种基于深度学习的车辆闯红灯识别判定方法 |
CN114239272B (zh) * | 2021-12-16 | 2023-03-28 | 北京工业大学 | 一种基于逆行行为的混合自行车流微观建模方法和装置 |
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 |
CN114333344A (zh) * | 2021-12-29 | 2022-04-12 | 以萨技术股份有限公司 | 机动车违章抓拍方法、装置及电子设备 |
CN114399714A (zh) * | 2022-01-12 | 2022-04-26 | 福州大学 | 基于车载相机视频的车辆违停检测方法 |
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 |
CN114925747A (zh) * | 2022-04-19 | 2022-08-19 | 五邑大学 | 车辆异常行驶检测方法、电子设备、存储介质 |
CN114758511B (zh) * | 2022-06-14 | 2022-11-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种跑车超速检测系统、方法、电子设备及存储介质 |
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 |
CN115240435A (zh) * | 2022-09-21 | 2022-10-25 | 广州市德赛西威智慧交通技术有限公司 | 一种基于ai技术的车辆违章行驶检测方法、装置 |
CN115797631B (zh) * | 2022-12-01 | 2023-12-01 | 复亚智能科技(太仓)有限公司 | 一种不同行驶方向的道路范围1+1分割方法 |
CN116071688A (zh) * | 2023-03-06 | 2023-05-05 | 台州天视智能科技有限公司 | 一种车辆的行为分析方法、装置、电子设备及存储介质 |
CN116721547B (zh) * | 2023-08-04 | 2023-10-20 | 山东科技大学 | 一种面向交叉口右转区域大货车的安全指导系统与方法 |
CN117636482B (zh) * | 2024-01-26 | 2024-04-09 | 东莞市杰瑞智能科技有限公司 | 用于城市道路人员行为的视觉检测系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1577834A2 (en) * | 2004-03-12 | 2005-09-21 | Toyota Jidosha Kabushiki Kaisha | Lane boundary detector |
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 |
CN106412508A (zh) * | 2016-09-30 | 2017-02-15 | 北京中星微电子有限公司 | 车辆违章压线智能监控方法和系统 |
CN106652468A (zh) * | 2016-12-09 | 2017-05-10 | 武汉极目智能技术有限公司 | 车辆道路前车违规检测和自车违规预警提醒装置及方法 |
CN107580199A (zh) * | 2017-09-08 | 2018-01-12 | 深圳市伊码泰珂电子有限公司 | 重叠视域多摄像机协同的目标定位与跟踪系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682563B (zh) * | 2015-11-05 | 2018-10-23 | 腾讯科技(深圳)有限公司 | 一种车道线检测自适应调整方法及装置 |
CN105718872B (zh) * | 2016-01-15 | 2020-02-04 | 武汉光庭科技有限公司 | 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 |
CN106652465B (zh) * | 2016-11-15 | 2020-04-07 | 成都通甲优博科技有限责任公司 | 一种道路异常驾驶行为的识别方法及系统 |
CN107389026B (zh) * | 2017-06-12 | 2019-10-01 | 江苏大学 | 一种基于固定点射影变换的单目视觉测距方法 |
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 |
CN107978165A (zh) * | 2017-12-12 | 2018-05-01 | 南京理工大学 | 基于计算机视觉的交叉口标志标线与信号灯智能感知方法 |
-
2018
- 2018-06-27 WO PCT/CN2018/093082 patent/WO2020000251A1/zh active Application Filing
- 2018-06-27 CN CN201880005493.4A patent/CN110178167B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1577834A2 (en) * | 2004-03-12 | 2005-09-21 | Toyota Jidosha Kabushiki Kaisha | Lane boundary detector |
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 |
CN106412508A (zh) * | 2016-09-30 | 2017-02-15 | 北京中星微电子有限公司 | 车辆违章压线智能监控方法和系统 |
CN106652468A (zh) * | 2016-12-09 | 2017-05-10 | 武汉极目智能技术有限公司 | 车辆道路前车违规检测和自车违规预警提醒装置及方法 |
CN107580199A (zh) * | 2017-09-08 | 2018-01-12 | 深圳市伊码泰珂电子有限公司 | 重叠视域多摄像机协同的目标定位与跟踪系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2020000251A1 (zh) | 2020-01-02 |
CN110178167A (zh) | 2019-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110178167B (zh) | 基于摄像机协同接力的路口违章视频识别方法 | |
Lee et al. | Robust lane detection and tracking for real-time applications | |
CN106652465B (zh) | 一种道路异常驾驶行为的识别方法及系统 | |
KR101864066B1 (ko) | 차선 인식 장치, 차선 이탈 판단 장치, 차선 인식 방법 및 차선 이탈 판단 방법 | |
CN103778786B (zh) | 一种基于显著车辆部件模型的交通违章检测方法 | |
Wu et al. | Applying a functional neurofuzzy network to real-time lane detection and front-vehicle distance measurement | |
JP5815910B2 (ja) | マルチキュー・オブジェクトの検出および分析のための方法、システム、製品、およびコンピュータ・プログラム(マルチキュー・オブジェクトの検出および分析) | |
US10552706B2 (en) | Attachable matter detection apparatus and attachable matter detection method | |
CN101950350B (zh) | 使用分级方法的畅通路径检测 | |
CN106647776B (zh) | 车辆变道趋势的判断方法、判断装置和计算机存储介质 | |
CN110619279B (zh) | 一种基于跟踪的路面交通标志实例分割方法 | |
CN109299674B (zh) | 一种基于车灯的隧道违章变道检测方法 | |
CN104899554A (zh) | 一种基于单目视觉的车辆测距方法 | |
CN104134222A (zh) | 基于多特征融合的车流监控图像检测和跟踪系统及方法 | |
CN110379168B (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
AU2019100914A4 (en) | Method for identifying an intersection violation video based on camera cooperative relay | |
Aminuddin et al. | A new approach to highway lane detection by using Hough transform technique | |
CN110826508B (zh) | 一种基于视频流的行人非机动车违章检测与跟踪方法 | |
EP2813973B1 (en) | Method and system for processing video image | |
CN107705577B (zh) | 一种基于车道线标定车辆违章变道的实时检测方法及系统 | |
CN114898296A (zh) | 基于毫米波雷达与视觉融合的公交车道占用检测方法 | |
CN104267209B (zh) | 一种基于虚拟线圈的高速公路视频测速方法及系统 | |
CN110782485A (zh) | 一种车辆变道检测方法及装置 | |
Dai et al. | A driving assistance system with vision based vehicle detection techniques | |
Rathnayake et al. | Lane detection and prediction under hazy situations for autonomous vehicle navigation |
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 |