CN110782485A - 一种车辆变道检测方法及装置 - Google Patents
一种车辆变道检测方法及装置 Download PDFInfo
- Publication number
- CN110782485A CN110782485A CN201911055604.5A CN201911055604A CN110782485A CN 110782485 A CN110782485 A CN 110782485A CN 201911055604 A CN201911055604 A CN 201911055604A CN 110782485 A CN110782485 A CN 110782485A
- Authority
- CN
- China
- Prior art keywords
- target vehicle
- image
- vehicle
- entropy
- histogram
- 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
- 230000008859 change Effects 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 230000033001 locomotion Effects 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 50
- 230000003287 optical effect Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000011410 subtraction method Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 4
- 206010000117 Abnormal behaviour Diseases 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 208000016285 Movement disease Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种车辆变道检测方法及装置，通过对视频流中的目标车辆进行提取和跟踪，利用金字塔LK光流法提取目标车辆的运动特征并生成直方图，再通过随机变量则熵法将打破原有车辆行驶规律，引起运动混乱的特征用速度熵和角度熵来体现，判定速度熵和角度熵不在预设范围内目标车辆违规行驶，实现了对车辆的频繁变道以及违规变道的检测。
Description
技术领域
本发明实施例涉及车辆检测技术领域，尤其涉及一种车辆变道检测方法及装置。
背景技术
现如今，城市化现象日益严重，智能交通发展迅速。目标识别作为计算机视觉的重要组成部分，带动了车辆检测和识别系统的发展，具有着很重要的现实意义。
随着智能交通管理信息化水平的提高，非现场执法系统已成为国内外研究和发展的热点。非现场执法系统主要需要实现根据技术监控设备记录资料，对违法超限运输车辆的当事人依法给予处罚。其中，在一些路口路段，车辆违法变道也属于违法行为的一种。
在一些实线道路段，依旧存在一些车辆通过频繁变道进行超车的行为，因此，需要提供一种方法来针对车辆违法变道的检测。
发明内容
本发明实施例提供了一种车辆变道检测方法及装置，实现了对车辆的频繁变道以及违规变道的检测。
有鉴于此，本发明第一方面提供了一种车辆变道检测方法，所述方法包括：
获取包含运动车辆的视频；
通过背景减除法将预置背景图像与所述视频中的图像做差分，将所述视频中的背景部分去除，确定包含目标车辆的图像；
对所述图像进行预处理；
通过金字塔LK光流法对预处理后的所述图像中的目标车辆进行跟踪，提取所述图像中目标车辆的运动特征并生成直方图，所述运动特征包括目标车辆的速度和目标车辆的角度；
根据所述直方图，利用随机变量则熵法计算所述目标车辆的速度熵和角度熵，当所述目标车辆的速度熵和角度熵均不在预设范围之内时，判定所述目标车辆违规变道。
可选地，所述通过背景减除法将与预置背景图像与所述视频中的图像做差分，将所述视频中的背景部分去除，确定包含目标车辆的图像具体为：
将预置背景图像依次与所述视频中的帧图像做差分，若差值大于第一预设阈值，则所述帧图像为包含目标车辆的图像，否则为背景部分图像；
去除所有所述背景部分图像，并将所述包含目标车辆的图像逐帧合并。
可选地，所述对所述图像进行预处理具体包括：
对所述图像进行高斯滤波和形态学处理。
可选地，所述提取所述图像中目标车辆的运动特征并生成直方图之后还包括：
根据所述直方图和标准直方图，分别计算每两帧运动特征到聚类中心的欧氏距离；
若所述欧氏距离满足违规条件，则判定所述目标车辆违规行驶。
可选地，当所述运动特征为目标车辆的速度时，若所述欧氏距离大于第三预设阈值，则判定所述目标车辆超速行驶或闯红灯；
当所述运动特征为目标车辆的角度时，若所述欧氏距离大于第四预设阈值，则判定所述目标车辆违规掉头。
本发明第二方面提供一种车辆变道检测装置，所述装置包括：
获取单元，用于获取包含运动车辆的视频；
目标提取单元，用于通过背景减除法将预置背景图像与所述视频中的图像做差分，将所述视频中的背景部分去除，确定包含目标车辆的图像；
预处理单元，用于对所述图像进行预处理；
目标跟踪单元，用于通过金字塔LK光流法对预处理后的所述图像中的目标车辆进行跟踪，提取所述图像中目标车辆的运动特征并生成直方图，所述运动特征包括目标车辆的速度和目标车辆的角度；
第一处理单元，用于根据所述直方图，利用随机变量则熵法计算所述目标车辆的速度熵和角度熵，当所述目标车辆的速度熵和角度熵均不在预设范围之内时，判定所述目标车辆违规变道。
可选地，所述目标提取单元具体用于：
将预置背景图像依次与所述视频中的帧图像做差分，若差值大于第一预设阈值，则所述帧图像为包含目标车辆的图像，否则为背景部分图像；
去除所有所述背景部分图像，并将所述包含目标车辆的图像逐帧合并。
可选地，所述预处理单元具体用于：
对所述图像进行高斯滤波和形态学处理。
可选地，还包括：
计算单元，用于根据所述直方图和标准直方图，分别计算每两帧运动特征到聚类中心的欧氏距离；
第二处理单元，用于若所述欧氏距离满足违规条件，则判定所述目标车辆违规行驶。
可选地，所述第二处理单元具体用于：
当所述运动特征为目标车辆的速度时，若所述欧氏距离大于第三预设阈值，则判定所述目标车辆超速行驶或闯红灯；
当所述运动特征为目标车辆的角度时，若所述欧氏距离大于第四预设阈值，则判定所述目标车辆违规掉头。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明通过对视频流中的目标车辆进行提取和跟踪，利用金字塔LK光流法提取目标车辆的运动特征并生成直方图，再通过随机变量则熵法将打破原有车辆行驶规律，引起运动混乱的特征用速度熵和角度熵来体现，判定速度熵和角度熵不在预设范围内目标车辆违规行驶，实现了对车辆的频繁变道以及违规变道的检测。
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性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例中一种车辆变道检测方法的一个方法流程图；
图2为本发明实施例中一种车辆变道检测方法的另一个方法流程图；
图3为本发明实施例中一种车辆变道检测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明设计了一种车辆变道检测方法及装置，实现了对车辆的频繁变道以及违规变道的检测。
为了便于理解，请参阅图1，图1为本发明实施例中一种车辆变道检测方法的一个方法流程图，如图1所示，具体为：
101、获取包含运动车辆的视频；
102、通过背景减除法将预置背景图像与所述视频中的图像做差分，将所述视频中的背景部分去除，确定包含目标车辆的图像；
需要说明的是，利用背景图像像素灰度值在静态场中的不变形或缓慢变化的特点，将背景图像与视频中的图像做差分，利用差值来判断目标，并将视频中不包含目标车辆的背景部分去除。
103、对所述图像进行预处理；
104、通过金字塔LK光流法对预处理后的所述图像中的目标车辆进行跟踪，提取所述图像中目标车辆的运动特征并生成直方图，所述运动特征包括目标车辆的速度和目标车辆的角度；
需要说明的是，金字塔LK光流法可从图像金字塔最顶层自上而下进行跟踪，实现了小窗口捕获较大的运动。本发明使用背景差分后的图像，寻找该图像时行强角点，通过金字塔LK光流法得到强角点的运动特征，包括目标车辆的速度和角度，并生成直方图。直方图有两个，一个为速度直方图，一个为角度直方图。
105、根据所述直方图，利用随机变量则熵法计算所述目标车辆的速度熵和角度熵，当所述目标车辆的速度熵和角度熵均不在预设范围之内时，判定所述目标车辆违规变道；
需要说明的是，采用均值漂移算法对速度直方图和角度直方图进行图像分割，等价于对两个直方图进行聚类，消除小分布，使得直方图更加集中和具有代表性。
由于，在正常情况下因遵循道路交通规则，车辆行驶轨迹规律且相似，但若出现车辆违规行驶，就会打破车辆原有的行驶规律，引起运动混乱，可以使用运动混乱程序来判断有无成车辆异常行为，即熵。本发明中，利用随机变量则熵法分别计算目标车辆的速度熵和角度熵，若速度熵和角度熵不在预设范围，则代表发生了目标车辆违规行驶。当本发明的摄像头设置于不可变道的实线区域时，即可判断是否有车辆违规变道。
本发明实施例中，提供了一种车辆变道检测方法，通过对视频流中的目标车辆进行提取和跟踪，利用金字塔LK光流法提取目标车辆的运动特征并生成直方图，再通过随机变量则熵法将打破原有车辆行驶规律，引起运动混乱的特征用速度熵和角度熵来体现，判定速度熵和角度熵不在预设范围内目标车辆违规行驶，实现了对车辆的频繁变道以及违规变道的检测。
请参阅图2，图2为本发明实施例中一种车辆变道检测方法的另一个方法流程图，如图2所示，具体为：
201、获取包含运动车辆的视频；
202、将预置背景图像依次与所述视频中的帧图像做差分，若差值大于第一预设阈值，则所述帧图像为包含目标车辆的图像，否则为背景部分图像；
需要说明的是，利用背景图像像素灰度值在静态场中的不变形或缓慢变化的特点，将背景图像与视频中的图像做差分，利用差值来判断目标。
203、去除所有所述背景部分图像，并将所述包含目标车辆的图像逐帧合并；
需要说明的是，将视频中不包含目标车辆的背景部分去除。
204、对所述图像进行高斯滤波和形态学处理；
205、通过金字塔LK光流法对预处理后的所述图像中的目标车辆进行跟踪，提取所述图像中目标车辆的运动特征并生成直方图，所述运动特征包括目标车辆的速度和目标车辆的角度；
需要说明的是，金字塔LK光流法可从图像金字塔最顶层自上而下进行跟踪，实现了小窗口捕获较大的运动。本发明使用背景差分后的图像，寻找该图像时行强角点，通过金字塔LK光流法得到强角点的运动特征，包括目标车辆的速度和角度，并生成直方图。直方图有两个，一个为速度直方图，一个为角度直方图。
206、根据所述直方图，利用随机变量则熵法计算所述目标车辆的速度熵和角度熵，当所述目标车辆的速度熵和角度熵均不在预设范围之内时，判定所述目标车辆违规变道；
需要说明的是，采用均值漂移算法对速度直方图和角度直方图进行图像分割，等价于对两个直方图进行聚类，消除小分布，使得直方图更加集中和具有代表性。
由于，在正常情况下因遵循道路交通规则，车辆行驶轨迹规律且相似，但若出现车辆违规行驶，就会打破车辆原有的行驶规律，引起运动混乱，可以使用运动混乱程序来判断有无成车辆异常行为，即熵。本发明中，利用随机变量则熵法分别计算目标车辆的速度熵和角度熵，若速度熵和角度熵不在预设范围，则代表发生了目标车辆违规行驶。当本发明的摄像头设置于不可变道的实线区域时，即可判断是否有车辆违规变道。
207、根据所述直方图和标准直方图，分别计算每两帧运动特征到聚类中心的欧氏距离；
需要说明的是，车辆异常违规行为，还表现为速度直方图、角度直方图和标准速度直方图、标准角度直方图不一致。将运动特征到聚类中心的欧氏距离来判断车辆是否异常。首先分别计算每两帧运动特征到聚类中心的欧氏距离。
208、当所述运动特征为目标车辆的速度时，若所述欧氏距离大于第三预设阈值，则判定所述目标车辆超速行驶或闯红灯；
需要说明的是，当运动特征为目标车辆的速度时，欧氏距离大于第三预设阈值时，说明新帧出现异常行为，例如超速或闯红灯。
209、当所述运动特征为目标车辆的角度时，若所述欧氏距离大于第四预设阈值，则判定所述目标车辆违规掉头；
需要说明的是，当运动特征为目标车辆的角度时，欧氏距离大于第四预设阈值，说明目标车辆出现了违规掉头的行为。
本发明实施例中，提供了一种车辆变道检测方法，通过对视频流中的目标车辆进行提取和跟踪，利用金字塔LK光流法提取目标车辆的运动特征并生成直方图，再通过随机变量则熵法将打破原有车辆行驶规律，引起运动混乱的特征用速度熵和角度熵来体现，判定速度熵和角度熵不在预设范围内目标车辆违规行驶，实现了对车辆的频繁变道以及违规变道的检测。进一步地，本发明还通过计算运动特征到聚类中心的欧氏距离，还可以判断目标车辆是否发生超速、闯红灯及违规掉头的违规行为，实现更多维度的检测。
请参阅图3，图3为本发明实施例中一种车辆变道检测装置的一个结构示意图，如图3所示，具体为：
获取单元301，用于获取包含运动车辆的视频；
目标提取单元302，用于通过背景减除法将预置背景图像与所述视频中的图像做差分，将所述视频中的背景部分去除，确定包含目标车辆的图像；
预处理单元303，用于对所述图像进行预处理；
目标跟踪单元304，用于通过金字塔LK光流法对预处理后的所述图像中的目标车辆进行跟踪，提取所述图像中目标车辆的运动特征并生成直方图，所述运动特征包括目标车辆的速度和目标车辆的角度；
第一处理单元305，用于根据所述直方图，利用随机变量则熵法计算所述目标车辆的速度熵和角度熵，当所述目标车辆的速度熵和角度熵均不在预设范围之内时，判定所述目标车辆违规变道。
进一步地，所述目标提取单元302具体用于：
将预置背景图像依次与所述视频中的帧图像做差分，若差值大于第一预设阈值，则所述帧图像为包含目标车辆的图像，否则为背景部分图像；
去除所有所述背景部分图像，并将所述包含目标车辆的图像逐帧合并。
进一步地，所述预处理单元303具体用于：
对所述图像进行高斯滤波和形态学处理。
进一步地，还包括：
计算单元306，用于根据所述直方图和标准直方图，分别计算每两帧运动特征到聚类中心的欧氏距离；
第二处理单元307，用于若所述欧氏距离满足违规条件，则判定所述目标车辆违规行驶。
进一步地，所述第二处理单元307具体用于：
当所述运动特征为目标车辆的速度时，若所述欧氏距离大于第三预设阈值，则判定所述目标车辆超速行驶或闯红灯；
当所述运动特征为目标车辆的角度时，若所述欧氏距离大于第四预设阈值，则判定所述目标车辆违规掉头。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
至此，以说明和描述的目的提供上述实施例的描述。不意指穷举或者限制本公开。特定的实施例的单独元件或者特征通常不受到特定的实施例的限制，但是在适用时，即使没有具体地示出或者描述，其可以互换和用于选定的实施例。在许多方面，相同的元件或者特征也可以改变。这种变化不被认为是偏离本公开，并且所有的这种修改意指为包括在本公开的范围内。
提供示例实施例，从而本公开将变得透彻，并且将会完全地将该范围传达至本领域内技术人员。为了透彻理解本公开的实施例，阐明了众多细节，诸如特定零件、装置和方法的示例。显然，对于本领域内技术人员，不需要使用特定的细节，示例实施例可以以许多不同的形式实施，而且两者都不应当解释为限制本公开的范围。在某些示例实施例中，不对公知的工序、公知的装置结构和公知的技术进行详细地描述。
在此，仅为了描述特定的示例实施例的目的使用专业词汇，并且不是意指为限制的目的。除非上下文清楚地作出相反的表示，在此使用的单数形式“一个”和“该”可以意指为也包括复数形式。术语“包括”和“具有”是包括在内的意思，并且因此指定存在所声明的特征、整体、步骤、操作、元件和/或组件，但是不排除存在或额外地具有一个或以上的其他特征、整体、步骤、操作、元件、组件和/或其组合。除非明确地指示了执行的次序，在此描述的该方法步骤、处理和操作不解释为一定需要按照所论述和示出的特定的次序执行。还应当理解的是，可以采用附加的或者可选择的步骤。
当元件或者层称为是“在……上”、“与……接合”、“连接到”或者“联接到”另一个元件或层，其可以是直接在另一个元件或者层上、与另一个元件或层接合、连接到或者联接到另一个元件或层，也可以存在介于其间的元件或者层。与此相反，当元件或层称为是“直接在……上”、“与……直接接合”、“直接连接到”或者“直接联接到”另一个元件或层，则可能不存在介于其间的元件或者层。其他用于描述元件关系的词应当以类似的方式解释(例如，“在……之间”和“直接在……之间”、“相邻”和“直接相邻”等)。在此使用的术语“和/或”包括该相关联的所罗列的项目的一个或以上的任一和所有的组合。虽然此处可能使用了术语第一、第二、第三等以描述各种的元件、组件、区域、层和/或部分，这些元件、组件、区域、层和/或部分不受到这些术语的限制。这些术语可以只用于将一个元件、组件、区域或部分与另一个元件、组件、区域或部分区分。除非由上下文清楚地表示，在此使用诸如术语“第一”、“第二”及其他数值的术语不意味序列或者次序。因此，在下方论述的第一元件、组件、区域、层或者部分可以采用第二元件、组件、区域、层或者部分的术语而不脱离该示例实施例的教导。
空间的相对术语，诸如“内”、“外”、“在下面”、“在……的下方”、“下部”、“上方”、“上部”等，在此可出于便于描述的目的使用，以描述如图中所示的一个元件或者特征和另外一个或多个元件或者特征之间的关系。空间的相对术语可以意指包含除该图描绘的取向之外该装置的不同的取向。例如如果翻转该图中的装置，则描述为“在其他元件或者特征的下方”或者“在元件或者特征的下面”的元件将取向为“在其他元件或者特征的上方”。因此，示例术语“在……的下方”可以包含朝上和朝下的两种取向。该装置可以以其他方式取向(旋转90度或者其他取向)并且以此处的空间的相对描述解释。
Claims (10)
1.一种车辆变道检测方法，其特征在于，包括：
获取包含运动车辆的视频；
通过背景减除法将预置背景图像与所述视频中的图像做差分，将所述视频中的背景部分去除，确定包含目标车辆的图像；
对所述图像进行预处理；
通过金字塔LK光流法对预处理后的所述图像中的目标车辆进行跟踪，提取所述图像中目标车辆的运动特征并生成直方图，所述运动特征包括目标车辆的速度和目标车辆的角度；
根据所述直方图，利用随机变量则熵法计算所述目标车辆的速度熵和角度熵，当所述目标车辆的速度熵和角度熵均不在预设范围之内时，判定所述目标车辆违规变道。
2.根据权利要求1所述的车辆变道检测方法，其特征在于，所述通过背景减除法将与预置背景图像与所述视频中的图像做差分，将所述视频中的背景部分去除，确定包含目标车辆的图像具体为：
将预置背景图像依次与所述视频中的帧图像做差分，若差值大于第一预设阈值，则所述帧图像为包含目标车辆的图像，否则为背景部分图像；
去除所有所述背景部分图像，并将所述包含目标车辆的图像逐帧合并。
3.根据权利要求1所述的车辆变道检测方法，其特征在于，所述对所述图像进行预处理具体包括：
对所述图像进行高斯滤波和形态学处理。
4.根据权利要求1所述的车辆变道检测方法，其特征在于，所述提取所述图像中目标车辆的运动特征并生成直方图之后还包括：
根据所述直方图和标准直方图，分别计算每两帧运动特征到聚类中心的欧氏距离；
若所述欧氏距离满足违规条件，则判定所述目标车辆违规行驶。
5.根据权利要求4所述的车辆变道检测方法，其特征在于，当所述运动特征为目标车辆的速度时，若所述欧氏距离大于第三预设阈值，则判定所述目标车辆超速行驶或闯红灯；
当所述运动特征为目标车辆的角度时，若所述欧氏距离大于第四预设阈值，则判定所述目标车辆违规掉头。
6.一种车辆变道检测装置，其特征在于，包括：
获取单元，用于获取包含运动车辆的视频；
目标提取单元，用于通过背景减除法将预置背景图像与所述视频中的图像做差分，将所述视频中的背景部分去除，确定包含目标车辆的图像；
预处理单元，用于对所述图像进行预处理；
目标跟踪单元，用于通过金字塔LK光流法对预处理后的所述图像中的目标车辆进行跟踪，提取所述图像中目标车辆的运动特征并生成直方图，所述运动特征包括目标车辆的速度和目标车辆的角度；
第一处理单元，用于根据所述直方图，利用随机变量则熵法计算所述目标车辆的速度熵和角度熵，当所述目标车辆的速度熵和角度熵均不在预设范围之内时，判定所述目标车辆违规变道。
7.根据权利要求6所述的车辆变道检测装置，其特征在于，所述目标提取单元具体用于：
将预置背景图像依次与所述视频中的帧图像做差分，若差值大于第一预设阈值，则所述帧图像为包含目标车辆的图像，否则为背景部分图像；
去除所有所述背景部分图像，并将所述包含目标车辆的图像逐帧合并。
8.根据权利要求6所述的车辆变道检测装置，其特征在于，所述预处理单元具体用于：
对所述图像进行高斯滤波和形态学处理。
9.根据权利要求6所述的车辆变道检测装置，其特征在于，还包括：
计算单元，用于根据所述直方图和标准直方图，分别计算每两帧运动特征到聚类中心的欧氏距离；
第二处理单元，用于若所述欧氏距离满足违规条件，则判定所述目标车辆违规行驶。
10.根据权利要求9所述的车辆变道检测装置，其特征在于，所述第二处理单元具体用于：
当所述运动特征为目标车辆的速度时，若所述欧氏距离大于第三预设阈值，则判定所述目标车辆超速行驶或闯红灯；
当所述运动特征为目标车辆的角度时，若所述欧氏距离大于第四预设阈值，则判定所述目标车辆违规掉头。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911055604.5A CN110782485A (zh) | 2019-10-31 | 2019-10-31 | 一种车辆变道检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911055604.5A CN110782485A (zh) | 2019-10-31 | 2019-10-31 | 一种车辆变道检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110782485A true CN110782485A (zh) | 2020-02-11 |
Family
ID=69388285
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911055604.5A Pending CN110782485A (zh) | 2019-10-31 | 2019-10-31 | 一种车辆变道检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110782485A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020061127A (ja) * | 2018-10-12 | 2020-04-16 | 富士通株式会社 | 車線変更車両の検出装置、方法及びビデオ監視装置 |
| 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 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1466105A (zh) * | 2002-11-07 | 2004-01-07 | 复旦大学 | 压缩视频流中主要运动的定性判断方法 |
| CN102629384A (zh) * | 2012-02-28 | 2012-08-08 | 成都三泰电子实业股份有限公司 | 视频监控中异常行为的检测方法 |
| CN106875424A (zh) * | 2017-01-16 | 2017-06-20 | 西北工业大学 | 一种基于机器视觉的城市环境行驶车辆行为识别方法 |
| CN107705560A (zh) * | 2017-10-30 | 2018-02-16 | 福州大学 | 一种融合视觉特征和卷积神经网络的道路拥堵检测方法 |
-
2019
- 2019-10-31 CN CN201911055604.5A patent/CN110782485A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1466105A (zh) * | 2002-11-07 | 2004-01-07 | 复旦大学 | 压缩视频流中主要运动的定性判断方法 |
| CN102629384A (zh) * | 2012-02-28 | 2012-08-08 | 成都三泰电子实业股份有限公司 | 视频监控中异常行为的检测方法 |
| CN106875424A (zh) * | 2017-01-16 | 2017-06-20 | 西北工业大学 | 一种基于机器视觉的城市环境行驶车辆行为识别方法 |
| CN107705560A (zh) * | 2017-10-30 | 2018-02-16 | 福州大学 | 一种融合视觉特征和卷积神经网络的道路拥堵检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 杨磊: "《网络视频监控技术》", 30 September 2017, 中国传媒大学出版社 * |
| 黄鑫: ""监控视频中的车辆异常行为检测"", 《计算机系统应用》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020061127A (ja) * | 2018-10-12 | 2020-04-16 | 富士通株式会社 | 車線変更車両の検出装置、方法及びビデオ監視装置 |
| JP7251409B2 (ja) | 2018-10-12 | 2023-04-04 | 富士通株式会社 | 車線変更車両の検出装置、方法及びビデオ監視装置 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106652465B (zh) | 一种道路异常驾驶行为的识别方法及系统 | |
| 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 | |
| Wu et al. | Lane-mark extraction for automobiles under complex conditions | |
| Tian et al. | Video processing techniques for traffic flow monitoring: A survey | |
| CN103824452A (zh) | 一种轻量级的基于全景视觉的违章停车检测装置 | |
| WO2013186662A1 (en) | Multi-cue object detection and analysis | |
| EP2813973B1 (en) | Method and system for processing video image | |
| CN105760847A (zh) | 一种对摩托车驾驶员头盔佩戴情况的视觉检测方法 | |
| Park et al. | Vision-based surveillance system for monitoring traffic conditions | |
| Huang et al. | A real-time and color-based computer vision for traffic monitoring system | |
| Ghahremannezhad et al. | A new adaptive bidirectional region-of-interest detection method for intelligent traffic video analysis | |
| CN110782485A (zh) | 一种车辆变道检测方法及装置 | |
| Shi et al. | A statistical modeling method for road recognition in traffic video analytics | |
| Satti et al. | Unified approach for detecting traffic signs and potholes on Indian roads | |
| FAN et al. | Robust lane detection and tracking based on machine vision | |
| Ashraf et al. | HVD-net: a hybrid vehicle detection network for vision-based vehicle tracking and speed estimation | |
| Abbas | V-ITS: Video-based intelligent transportation system for monitoring vehicle illegal activities | |
| CN116311166A (zh) | 交通障碍物识别方法、装置及电子设备 | |
| Zhang et al. | Road sign detection based on visual saliency and shape analysis | |
| Tsai et al. | Multi-lane detection and road traffic congestion classification for intelligent transportation system | |
| Al-Kadi et al. | Road scene analysis for determination of road traffic density | |
| CN115100650A (zh) | 基于多重高斯模型的高速公路异常场景去噪及识别方法、装置 | |
| Cypto et al. | Automatic detection system of speed violations in a traffic based on deep learning technique | |
| Nalavde et al. | Driver assistant services using ubiquitous smartphone |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200211 |