CN110688954A - 一种基于向量运算的车辆变道检测方法 - Google Patents
一种基于向量运算的车辆变道检测方法 Download PDFInfo
- Publication number
- CN110688954A CN110688954A CN201910921847.6A CN201910921847A CN110688954A CN 110688954 A CN110688954 A CN 110688954A CN 201910921847 A CN201910921847 A CN 201910921847A CN 110688954 A CN110688954 A CN 110688954A
- Authority
- CN
- China
- Prior art keywords
- vector
- vehicle
- value
- video
- lane
- 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
- 239000013598 vector Substances 0.000 title claims abstract description 99
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000009466 transformation Effects 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 abstract 1
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000000034 method Methods 0.000 description 6
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007477 logistic regression Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
Description
技术领域
本发明涉及一种车辆变道检测方法,尤其涉及一种基于向量运算的车辆变道检测方法。
背景技术
随着我国机动车保有量的逐年增加,道路上交通拥挤问题变得日益突出,每年的交通事故居高不下,尤其在车辆行驶速度快的高速公路上,驾驶员无视交通法规,逆行、违章变道等异常事件往往会造成严重的交通事故。为了及时发现异常行驶车辆,减少不必要的交通事故,交通异常事件检测成为当前研究的热点。
传统的人工观看视频监控判断交通事件的检测方式劳动强度大、工作效率低且存在交通事件发现不及时和漏判现象,已不能满足现实交通视频监控的需求。目前,基于深度学习的交通事件自动检测技术能较精确的检测视频中发生的逆行、停车等异常事件,但仍然不能处理恶劣天气、有遮挡物的情况下的检测且检测精度较低。
发明内容
本发明的目的在于针对已有技术存在的不足,提供一种基于向量运算的车辆变道检测方法,可加快异常事件发生后进行处理的工作效率,这对于高速公路安全有着极大地协助作用。
为达到上述目的,本发明采用如下技术方案:
一种基于向量运算的车辆变道检测方法,包括以下步骤:
S01:获取监控视频,进行预处理;
S02:利用yolov3算法,检测视频中的车辆;
S03:用最小矩形框标定运动车辆的连通区域并跟踪,提取连续帧车辆的质心坐标,获得车辆的运动轨迹和车辆的实时轨迹向量坐标;
S04:对道路建立直角坐标系,对车道线进行检测,以获得车道线向量在视频中的坐标;
S05:利用向量点乘公式计算轨迹向量和车道线向量夹角α,当车辆同向行驶时,累计α值;
S06:利用向量叉乘公式计算轨迹向量和车道线向量得向量c,根据c值的正负判定车辆向左前方还是向右前方行驶;当车辆保持同向行驶时,即视频中c值连续小于0或大于0时,将累计的α值与阈值进行比较,若大于阈值,判定车辆向左变道还是向右变道。
所述步骤S03中:车辆的t帧轨迹向量为(tx-(t-1)x,ty-(t-1)y),其中tx表示t帧车辆质心横坐标,ty表示t帧车辆质心纵坐标。
所述步骤S04包括以下步骤:
S041:根据视频车辆运动方向建立直角坐标系;
S042:通过Hough变换检测直线,直线为ρ=xcosθ+ysinθ,ρ为直线上的点到原点的距离,θ为垂线与x轴夹角;
S043:获得车道线在视频图像中的位置坐标后,即确定了车道线向量。
所述步骤S05包括以下步骤:
S051:确定某帧轨迹向量a;
S052:确定视频中车道线向量b;
S054:当车辆同向行驶时,累计β值,用于判定车辆变道。
所述步骤S06包括以下步骤:
S061:确定某帧轨迹向量a;
S062:确定视频中车道线向量b;
S063:将轨迹向量a和车道线向量b看作三维向量,即z轴补0;
S064:利用向量叉乘公式
c=a×b=(a.y*b.z-b.y*a.z,b.x*a.z-a.x*b.z,a.x*b.y-b.x*a.y)得,c.x=0,c.y=0,c.z=a.x*b.y-b.x*a.y,此时把二维的叉乘值定义为得到一个值,而不是一个向量,这个值为k=c.z=a.x*b.y-b.x*a.y;根据向量叉乘公式k也相当于sinα;如果k>0,那么a正旋转到b的角度<180°,如果k<0,那么a正旋转到b的角度>180°,如果k=0,那么a,b向量平行,其中正旋转表示从x轴转向y轴;依据上面的性质,判断车辆是向左前方行驶还是向右前方行驶;
S065:当车辆保持同向行驶时,即视频中c值连续小于0或大于0时,将累计的α值与阈值进行比较,若大于阈值,判定车辆向左变道还是向右变道。
本发明与现有技术相比较,具有如下显而易见的突出实质性特点和显著的技术进步:
本发明提出的基于向量运算的车辆变道检测方法,可加快异常事件发生后进行处理的工作效率,这对于高速公路安全有着极大地协助作用。本发明利用深度学习方法,可同时跟踪多个车辆,算法处理速度快,可精确地检测出车辆是向左变道还是向右变道。
附图说明
图1为本发明基于向量运算的车辆变道检测方法的流程图。
图2为本发明方法的直角坐标系中轨迹向量a和车道线向量b例图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
如图1所示,本发明基于向量运算的车辆变道检测方法,包括以下步骤:
S01:获取监控视频,进行预处理。
S02:利用yolov3算法,检测视频中的车辆;
转换数据集格式后,采用Darknet-53(包含53个卷积层)的网络结构来进行图像特征提取;采用3个不同尺度的特征图来进行对象检测;采用逻辑回归预测对象类别。
S03:用最小矩形框标定运动车辆的连通区域并跟踪,提取连续帧车辆的质心坐标,获得车辆的运动轨迹和车辆的实时轨迹向量坐标;
跟踪过程如下:对t时刻矩形框标记的运动目标,分别计算矩形框信息BBox=[x,y,width,height]和质心坐标及面积大小,并通过kalman滤波算法对质心坐标和面积大小进行预估计,建立初始目标信息链。t+1时刻时,通过同样的方法获得目标的质心和面积及矩形框信息。t+1时刻,对目标进行匹配,匹配规则:质心距离约束匹配要求t+1时刻对应目标区域的质心的估计值和实际值欧氏距离小于给定阈值dth,即|CtCt+1|<dth;面积约束匹配要求对应目标区域的估计值与实际值的面积比满足条件sthmin≤Area<sthmax。同时满足质心距离约束和面积比约束的区域才满足匹配规则,实现目标跟踪。
对道路建立直角坐标系之后,确定车辆某帧及前一帧车辆的质心坐标,即可计算出车辆轨迹向量。车辆的t帧轨迹向量为(tx-(t-1)x,ty-(t-1)y),其中tx表示t帧车辆质心横坐标,ty表示t帧车辆质心纵坐标。
S04:对道路建立直角坐标系,对车道线进行检测,以获得车道线向量在视频中的坐标;
Hough变换的原理是将特定图形上的点变换到一组参数空间上,根据参数空间点的累计结果找到一个极大值对应的解,那么这个解就对应着要寻找的几何形状的参数,比如说直线,就会得到直线的斜率k与常数b。通过Hough变换对车道线进行识别中,假设在直角坐标系中有一条直线,设直线上的点到原点的距离为ρ,垂线与x轴夹角为θ,这条直线可以表示为:ρ=xcosθ+ysinθ;
在极坐标系空间中该直线仅为一个点(ρ,θ),Hough变换是将直角坐标系中的一条直线映射到极坐标空间中的一个点。
通过Hough变换检测直线获得车道线在视频图像中的位置坐标,即车道线向量。
S05:利用向量点乘公式计算轨迹向量和车道线向量夹角α,当车辆同向行驶时,累计α值;
确定某帧轨迹向量a和车道线向量b之后,利用向量点乘公式计算出两个向量之间的夹角α的余弦值。再利用α=arccos(cosα)计算出夹角α的弧度值,最后利用弧度转换为角度的公式得角度值为当车辆同向行驶时,累计β值,用于判定车辆变道。
S06:利用向量叉乘公式计算轨迹向量和车道线向量得向量c,根据c值的正负判定车辆向左前方还是向右前方行驶;当车辆保持同向行驶时,即视频中c值连续小于0或大于0时,将累计的α值与阈值进行比较,若大于阈值,判定车辆向左变道还是向右变道。
确定某帧轨迹向量a和车道线向量b之后,将轨迹向量a和车道线向量b看作三维向量,即z轴补0;
用向量叉乘公式c=a×b=(a.y*b.z-b.y*a.z,b.x*a.z-a.x*b.z,a.x*b.y-b.x*a.y)得,c.x=0,c.y=0,c.z=a.x*b.y-b.x*a.y,此时把二维的叉乘值定义为得到一个值,而不是一个向量,这个值k=c.z=a.x*b.y-b.x*a.y。根据向量叉乘公式k也相当于sinα。如果k>0,那么a正旋转到b的角度<180°,如果k<0,那么a正旋转到b的角度>180°,如果k=0,那么a,b向量平行,其中正旋转表示从x轴转向y轴。依据上面的性质,可以判断车辆是向左前方行驶还是向右前方行驶。
当车辆保持同向行驶时,即视频中c值连续小于0或大于0时,将累计的α值与阈值进行比较,若大于阈值,可判定车辆向左变道还是向右变道。
如图2所示,本实施例所述步骤S06中,a=(-1,2,0),b=(0,2,0),由向量叉乘公式得k=-4,即k<0,那么a正旋转到b的角度>180°,即车辆是向右前方行驶。
Claims (5)
1.一种基于向量运算的车辆变道检测方法,其特征在于,包括以下步骤:
S01:获取监控视频,进行预处理;
S02:利用yolov3算法,检测视频中的车辆;
S03:用最小矩形框标定运动车辆的连通区域并跟踪,提取连续帧车辆的质心坐标,获得车辆的运动轨迹和车辆的实时轨迹向量坐标;
S04:对道路建立直角坐标系,对车道线进行检测,以获得车道线向量在视频中的坐标;
S05:利用向量点乘公式计算轨迹向量和车道线向量夹角α,当车辆同向行驶时,累计α值;
S06:利用向量叉乘公式计算轨迹向量和车道线向量得向量c,根据c值的正负判定车辆向左前方还是向右前方行驶;当车辆保持同向行驶时,即视频中c值连续小于0或大于0时,将累计的α值与阈值进行比较,若大于阈值,判定车辆向左变道还是向右变道。
2.根据权利要求1所述的基于向量运算的车辆变道检测方法,其特征在于,所述步骤S03中:车辆的t帧轨迹向量为(tx-(t-1)x,ty-(t-1)y),其中tx表示t帧车辆质心横坐标,ty表示t帧车辆质心纵坐标。
3.根据权利要求1所述的基于向量运算的车辆变道检测方法,其特征在于,所述步骤S04包括以下步骤:
S041:根据视频车辆运动方向建立直角坐标系;
S042:通过Hough变换检测直线,直线为ρ=xcosθ+ysinθ,ρ为直线上的点到原点的距离,θ为垂线与x轴夹角;
S043:获得车道线在视频图像中的位置坐标后,即确定了车道线向量。
5.根据权利要求1所述的基于向量运算的车辆变道检测方法,其特征在于,所述步骤S06包括以下步骤:
S061:确定某帧轨迹向量a;
S062:确定视频中车道线向量b;
S063:将轨迹向量a和车道线向量b看作三维向量,即z轴补0;
S064:利用向量叉乘公式
c=a×b=(a.y*b.z-b.y*a.z,b.x*a.z-a.x*b.z,a.x*b.y-b.x*a.y)得,c.x=0,c.y=0,c.z=a.x*b.y-b.x*a.y,此时把二维的叉乘值定义为得到一个值,而不是一个向量,这个值为k=c.z=a.x*b.y-b.x*a.y;根据向量叉乘公式k也相当于sinα;如果k>0,那么a正旋转到b的角度<180°,如果k<0,那么a正旋转到b的角度>180°,如果k=0,那么a,b向量平行,其中正旋转表示从x轴转向y轴;依据上面的性质,判断车辆是向左前方行驶还是向右前方行驶;
S065:当车辆保持同向行驶时,即视频中c值连续小于0或大于0时,将累计的α值与阈值进行比较,若大于阈值,判定车辆向左变道还是向右变道。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910921847.6A CN110688954A (zh) | 2019-09-27 | 2019-09-27 | 一种基于向量运算的车辆变道检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910921847.6A CN110688954A (zh) | 2019-09-27 | 2019-09-27 | 一种基于向量运算的车辆变道检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110688954A true CN110688954A (zh) | 2020-01-14 |
Family
ID=69110519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910921847.6A Pending CN110688954A (zh) | 2019-09-27 | 2019-09-27 | 一种基于向量运算的车辆变道检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110688954A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275408A (zh) * | 2020-02-26 | 2020-06-12 | 榆林学院 | 一种基于轨迹矢量图的矿山车辆运输次数自动提取方法 |
CN112053556A (zh) * | 2020-08-17 | 2020-12-08 | 青岛海信网络科技股份有限公司 | 一种交通监控复眼动态识别交通事故自我进化系统 |
CN113110447A (zh) * | 2021-04-13 | 2021-07-13 | 上海新纪元机器人有限公司 | 一种相对位置关系分析和系统 |
CN113554003A (zh) * | 2021-09-18 | 2021-10-26 | 三一汽车制造有限公司 | 搅拌筒旋转方向识别方法、装置和电子设备 |
CN115468577A (zh) * | 2022-11-02 | 2022-12-13 | 昆船智能技术股份有限公司 | 一种基于uwb定位的出入库作业3d车载导航方法 |
CN115713861A (zh) * | 2023-01-05 | 2023-02-24 | 南京隼眼电子科技有限公司 | 道路监测方法、系统、电子设备及存储介质 |
WO2024017246A1 (zh) * | 2022-07-18 | 2024-01-25 | 中移(上海)信息通信科技有限公司 | 一种轨迹偏离预警方法,终端及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103389799A (zh) * | 2013-07-24 | 2013-11-13 | 清华大学深圳研究生院 | 一种对手指尖运动轨迹进行跟踪的方法 |
CN107491722A (zh) * | 2017-06-16 | 2017-12-19 | 南京栎树交通互联科技有限公司 | 一种基于车道线图像处理实现驾驶员疲劳判别的方法 |
CN109147393A (zh) * | 2018-10-18 | 2019-01-04 | 清华大学苏州汽车研究院(吴江) | 基于视频分析的车辆变道检测方法 |
CN109344704A (zh) * | 2018-08-24 | 2019-02-15 | 南京邮电大学 | 一种基于行车方向与车道线夹角的车辆变道行为检测方法 |
-
2019
- 2019-09-27 CN CN201910921847.6A patent/CN110688954A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103389799A (zh) * | 2013-07-24 | 2013-11-13 | 清华大学深圳研究生院 | 一种对手指尖运动轨迹进行跟踪的方法 |
CN107491722A (zh) * | 2017-06-16 | 2017-12-19 | 南京栎树交通互联科技有限公司 | 一种基于车道线图像处理实现驾驶员疲劳判别的方法 |
CN109344704A (zh) * | 2018-08-24 | 2019-02-15 | 南京邮电大学 | 一种基于行车方向与车道线夹角的车辆变道行为检测方法 |
CN109147393A (zh) * | 2018-10-18 | 2019-01-04 | 清华大学苏州汽车研究院(吴江) | 基于视频分析的车辆变道检测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275408A (zh) * | 2020-02-26 | 2020-06-12 | 榆林学院 | 一种基于轨迹矢量图的矿山车辆运输次数自动提取方法 |
CN112053556A (zh) * | 2020-08-17 | 2020-12-08 | 青岛海信网络科技股份有限公司 | 一种交通监控复眼动态识别交通事故自我进化系统 |
CN112053556B (zh) * | 2020-08-17 | 2021-09-21 | 青岛海信网络科技股份有限公司 | 一种交通监控复眼动态识别交通事故自我进化系统 |
CN113110447A (zh) * | 2021-04-13 | 2021-07-13 | 上海新纪元机器人有限公司 | 一种相对位置关系分析和系统 |
CN113554003A (zh) * | 2021-09-18 | 2021-10-26 | 三一汽车制造有限公司 | 搅拌筒旋转方向识别方法、装置和电子设备 |
WO2024017246A1 (zh) * | 2022-07-18 | 2024-01-25 | 中移(上海)信息通信科技有限公司 | 一种轨迹偏离预警方法,终端及存储介质 |
CN115468577A (zh) * | 2022-11-02 | 2022-12-13 | 昆船智能技术股份有限公司 | 一种基于uwb定位的出入库作业3d车载导航方法 |
CN115713861A (zh) * | 2023-01-05 | 2023-02-24 | 南京隼眼电子科技有限公司 | 道路监测方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110688954A (zh) | 一种基于向量运算的车辆变道检测方法 | |
CN104008645B (zh) | 一种适用于城市道路车道线预测及预警方法 | |
CN106529493B (zh) | 一种基于透视图的鲁棒性多车道线检测方法 | |
Kluge | Extracting road curvature and orientation from image edge points without perceptual grouping into features | |
CN108230254B (zh) | 一种自适应场景切换的高速交通全车道线自动检测方法 | |
Huang et al. | Lane detection based on inverse perspective transformation and Kalman filter | |
CN111753797B (zh) | 一种基于视频分析的车辆测速方法 | |
Labayrade et al. | In-vehicle obstacles detection and characterization by stereovision | |
CN103903019A (zh) | 一种多车道车辆轨迹时空图的自动生成方法 | |
CN107328423B (zh) | 基于地图数据的弯道识别方法及其系统 | |
CN110348332B (zh) | 一种交通视频场景下机非人多目标实时轨迹提取方法 | |
CN105740809A (zh) | 一种基于机载摄像机的高速公路车道线检测方法 | |
CN109101939B (zh) | 车辆运动状态的确定方法、系统、终端及可读存储介质 | |
CN115049700A (zh) | 一种目标检测方法及装置 | |
CN107392139A (zh) | 一种基于霍夫变换的车道线检测方法及终端设备 | |
KR20140080105A (ko) | 영상 정보를 이용한 차선 경계 검출 방법 | |
CN105205805A (zh) | 基于视觉的智能车辆横向控制方法 | |
CN103440785B (zh) | 一种快速的车道偏移警示方法 | |
CN102201054A (zh) | 一种基于鲁棒统计的行道线检测方法 | |
CN103206957A (zh) | 车辆自主导航的车道线检测与跟踪方法 | |
CN106092123A (zh) | 一种视频导航方法及装置 | |
CN114399748A (zh) | 一种基于视觉车道检测的农机实时路径校正方法 | |
CN116503818A (zh) | 一种多车道车速检测方法及系统 | |
Xu et al. | Road lane modeling based on RANSAC algorithm and hyperbolic model | |
Jeong et al. | Real-time lane detection for autonomous vehicle |
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: 20200114 |
|
RJ01 | Rejection of invention patent application after publication |