CN111597905B - 一种基于视频技术的公路隧道停车检测方法 - Google Patents

一种基于视频技术的公路隧道停车检测方法 Download PDF

Info

Publication number
CN111597905B
CN111597905B CN202010310782.4A CN202010310782A CN111597905B CN 111597905 B CN111597905 B CN 111597905B CN 202010310782 A CN202010310782 A CN 202010310782A CN 111597905 B CN111597905 B CN 111597905B
Authority
CN
China
Prior art keywords
vehicle
track
image
points
vehicles
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
CN202010310782.4A
Other languages
English (en)
Other versions
CN111597905A (zh
Inventor
周君
包旭
高焱
欧毕华
李耘
陈华松
相林
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.)
Jiangsu Runbang Intelligent Garage Co ltd
Original Assignee
Huaiyin Institute of Technology
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 Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN202010310782.4A priority Critical patent/CN111597905B/zh
Publication of CN111597905A publication Critical patent/CN111597905A/zh
Application granted granted Critical
Publication of CN111597905B publication Critical patent/CN111597905B/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
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/44—Event detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明公开一种基于视频技术的公路隧道停车检测方法，包括：采集公路隧道内的视频数据；判断视频图像中车辆是否存在和是否运动；分车道进行车辆空间位置的跟踪，获得车辆行驶在车道上的轨迹点，将车辆在图像中相邻连续帧的位置连线形成轨迹；采用k‑mean聚集算法判断轨迹聚集中是否存在特殊轨迹，若存在特殊轨迹，则车辆行驶过程中发生车道改变；当一段时间内在同一位置进行换道的车辆数量大于或等于一定值，则判定该位置处有停车事件发生。本发明可以有效地避免隧道内碰撞事故的发生，确保隧道行车的安全，对隧道的交通管理具有十分重要的意义。

Description

一种基于视频技术的公路隧道停车检测方法
技术领域
本发明属于交通安全智能检测技术领域，尤其涉及一种基于视频技术的公路隧道停车检测方法。
背景技术
据相关部门数据统计，截止2017年低，全国公路隧道共有162291处、1528.51万米，其中特长隧道902座，里程401.32万米；长隧道3841座，里程659.93万米。由于公路隧道的不断增多，长度为1km～3km的长隧道里交通事故频发，特别是在长度超过3km～10km的特长隧道出现后，隧道路段已经成为了交通事故的多发地点。在正常情况下，隧道内是不允许换道、超车和停车的，如果车辆在隧道内违章停车，则可以判断此处发生了异常的交通事件，若不及时处理，疏导交通，极易发生二次事故，所以实时检测隧道内的停车事件是避免隧道内碰撞事故的发生，确保隧道行车安全的关键所在。传统的停车检测方法一般是通过车辆的速度和加速度变化实现的，在高速公路上此方法的效果显著，然而此方法不太适合长大公路隧道，长大公路隧道单向只有二条车道，此方法只能检测车辆的违章停车，不能判断车辆停在哪条车道上，对后续救援不能提供具体的位置信息。
发明内容
发明目的：本发明提供一种基于视频技术的公路隧道停车检测方法，通过在隧道中安装摄像机获取视频图像，对视频图像进行图像处理与分析，判断车辆是否违章换道或停车；用于解决长度超过1km的长大公路隧道中的车辆碰撞问题。
技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于视频技术的公路隧道停车检测方法，包括以下步骤：
步骤一、在公路隧道内安装摄像头，采集隧道内行驶车辆的视频图像；
步骤二、通过视频图像判断各车道上是否存在车辆，若存在车辆，判断各车道上的车辆是否运动；若车辆在运动，进入步骤三，若车辆不运动，则检测到车辆停车；
步骤三、对各车道的车辆位置进行跟踪，车辆在每帧图像中的位置作为其轨迹点，将相邻连续帧中车辆位置连线得到轨迹，各车道上所有车辆轨迹形成轨迹集；
步骤四、采用k-mean聚集算法判断轨迹集中是否存在异常轨迹，若存在异常轨迹，则该轨迹对应的车辆在行驶过程中发生车道改变；所述异常轨迹是指非直行轨迹；公路隧道内车辆的正常行驶状态是指直行，异常行驶状态是指除直行以外的左转或右转；
步骤五、统计一段时间内在同一位置进行换道的车辆数量，若所述的车辆数量大于或等于a，则判定该位置处有停车事件发生。时间段的长短根据交通量的大小而定。
进一步的，所述步骤二中，检测是否存在车辆的方法如下：
采用形态学边缘检测算法提取出图像中车辆的边缘和运动信息生成边缘图像，将生成的边缘图像作为检测区域R，通过边缘图像中像素点的灰度密度判断车辆是否存在：
检测区域R内满足阈值条件的像素点集合M为：
M＝{(x,y)∈R|E(x,y)≥Gt}
其中E(x,y)为边缘灰度图像中像素点(x,y)的灰度值，Gt为设定的灰度阈值；
检测区域R中的边缘灰度密度de(R)为：
Figure BDA0002457536310000021
其中S(M)是集合M中像素的个数，S(R)是检测区域R中所有像素的个数；
检测区域R内车辆是否存在的判断准则为：
Figure BDA0002457536310000022
其中Vp(R)表示车辆是否存在，De为边缘灰度密度阈值。
进一步的，所述步骤二中，检测车辆是否运动的方法如下：
采用相邻三帧差法提取出图像中目标车辆的边缘和运动信息生成帧差图像，将生成的帧差图像设为检测区域R，通过帧差图像中像素点的灰度密度判断目标车辆是否运动：
检测区域R内满足阈值条件的像素点的集合N为：
N＝{(x,y)∈R||Ft(x,y)-Ft-1(x,y)|≥Gt∨|Ft-1(x,y)-Ft-2(x,y)|≥Gt}
其中(x,y)为帧差灰度图像中的像素点，Ft、Ft-1和Ft-2分别为相邻三帧灰度图像，Gt为设定的灰度阈值；
检测区域R中的帧差灰度密度df(R)为：
Figure BDA0002457536310000023
其中S(N)是集合N中像素的个数，S(R)是检测区域R中所有像素的个数；
检测区域R内车辆是否运动的判断准则为：
Figure BDA0002457536310000024
其中Vm(R)表示车辆是否运动，Df为帧差灰度密度阈值。
进一步的，所述步骤三中，对各车道的车辆位置进行跟踪，车辆在每帧图像中的位置作为其轨迹点，将相邻连续帧中车辆位置连线得到轨迹，具体如下：
(1)根据采集的视频图像进行公路隧道内的车道线检测，确定隧道内各个车道；
(2)对各个车道上车辆的图像信息进行分析，将车辆几何中心所处的车道作为车辆运行的车道；将车辆通过连续两帧视频图像移动的方向作为车辆的运动方向；记录视频图像中各车辆的面积s、长度l、宽度w；
(3)在连续两帧图像中，记录第一帧图像中选定的目标车辆后边界的中点坐标为L1(l1,l2)，几何中心坐标为M1(m1,m2)，前边界的中点坐标为N1(n1,n2)；记录第二帧图像中任意一辆车后边界的中点坐标为L2(l′1,l′2)，几何中心坐标为M2(m′1,m′2)，前边界的中点坐标为N2(n′1,n′2)；
(4)令像素点纵坐标方向为道路纵向，在第一帧图像M1点的像素纵坐标m2向车辆行驶方向移动h个像素点距离区域内，判断第二帧图像M2点的像素纵坐标m′2是否满足m′2≥m2且m′2≤m2+h；若满足，进入步骤(5)，否则，进入步骤(6)；
(5)计算两帧图像中M1,M2点对应的车辆之间的相似度，判断M1,M2点对应的车辆是否为同一辆车；相似度计算公式如下所示：
γ＝1-0.2×s-0.4×l-0.4×w
其中γ表示相似度，s表示车辆面积，l表示车辆长度，w表示车辆宽度；
若M1,M2点对应的车辆的γ值的差值在设定的误差阈值范围内，M1,M2点对应的车辆为同一辆，进入步骤(7)；否则，对应的车辆不是同一辆，进入步骤(6)；
(6)令h＝h+j，j表示j个像素点，重复步骤(4)～步骤(6)，遍历第二帧图像中各个车辆几何中心点的坐标位置，直到m2<e，e为摄像机最大分辨率f×e的纵坐标；
(7)确定第二帧图像中的目标车辆后，将两帧图像中目标车辆几何中心点的坐标位置分别作为轨迹点；遍历所有的视频图像，确定每帧图像中目标车辆的几何中心坐标位置，将目标车辆的轨迹点依次连线得到该车辆行驶轨迹。
进一步的，所述步骤四中，采用k-mean聚集算法判断轨迹集中是否存在异常轨迹，若存在异常轨迹，则该轨迹对应的车辆在行驶过程中发生车道改变；方法如下：
(1)设每条轨迹Tr包括n个轨迹点，每个轨迹点为一个离散点；将n个待分类的离散点划分为k个类别，每个类别为一种行驶状态，包括直行、左转和右转，聚集类别表示为：C＝{Ci},1≤i≤k，其中Ci表示第i个类别，1≤k≤kmax，kmax是车辆的行驶状态总类别数；
(2)随机选取离散点m作为聚集中心，表示为：
Figure BDA0002457536310000031
其中Li表示聚集中心，/>
Figure BDA0002457536310000032
表示第i种行驶状态轨迹Tr上的任意离散点m；将轨迹Tr所有离散点投影到二维坐标图像中，用于离散点与其相邻的离散点之间的距离计算；
(3)计算离散点m与其相邻的离散点之间的欧氏距离，公式如下：
Figure BDA0002457536310000041
其中dm,m+1为离散点m+1到m的欧氏距离，(xm,ym),(xm+1,ym+1)分别为相应的坐标；
(4)重复步骤(2)～步骤(3)，重新选择聚集中心并计算聚集中心与其相邻的离散点之间的欧式距离，直到遍历完n个离散点；
(5)根据欧式距离的大小判断轨迹Tr上任意离散点与其相邻离散点的相似度，相邻的离散点之间的欧式距离小于设定的阈值，表明二者具有相同的行驶状态，即车辆直行；否则，表明二者行驶状态不同，轨迹Tr为异常轨迹，即车辆违章换道。
进一步的，计算一定时间段内隧道所有车辆的行驶轨迹在同等位置相邻离散点之间的平均欧氏距离，将用于判断车辆是否违章换道的阈值设定为平均欧式距离的b倍；所述同等位置是指具有相同纵坐标的离散点位置。
进一步的，所述步骤一中，选用镜头参数60MM的摄像头，拍摄的纵向和横向角度为：纵向角度α≥11°，横向角β≥67°。
有益效果：与现有技术相比，本发明的技术方案具有以下有益的技术效果：
(1)本发明提出的方法不仅能检测违章停车以及停车车辆所在车道，还能检测车辆换道和超车行为，停车、换道和超车这些操作在隧道内都是不允许的，一旦检测出车辆有上述行为，可以向监控中心发送预警信息。
(2)本发明采用k-mean聚集算法判断车辆换道，通过车辆轨迹的聚集判断车辆换道的过程，比传统的目标运动轨迹与固定车道线的夹角变化情况实现车辆换道检测方法要简单，效率高，更适合隧道使用。
(3)本发明针对于车辆在隧道中行驶时，能有效地避免隧道汽车碰撞事故的发生，确保隧道行车的安全，对隧道的交通管理具有十分重要的意义。
附图说明
图1是本发明的检测方法流程图；
图2是摄像头拍摄的纵向和横向角度示意图；
图3是车道线检测结果示意图；
图4是连续两帧车辆移动示意图；
图5是车辆离散轨迹图；
图6是通过欧式距离判断车辆换道示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明所述的一种基于视频技术的公路隧道停车检测方法，流程如图1所示，具体实现包括以下步骤：
步骤一、在公路隧道内安装摄像头，采集隧道内行驶车辆的视频图像。本实施例中，选用镜头参数60MM的摄像头，拍摄的纵向角度α≥11°，横向角β≥67°，如图2所示。
步骤二、通过视频图像判断各车道上是否存在车辆，若存在车辆，判断各车道上的车辆是否运动；若车辆在运动，进入步骤三，若车辆不运动，则检测到车辆停车；
检测是否存在车辆的方法如下：
采用形态学边缘检测算法提取出图像中车辆的边缘和运动信息生成边缘图像，将生成的边缘图像作为检测区域R，通过边缘图像中像素点的灰度密度判断车辆是否存在：
检测区域R内满足阈值条件的像素点集合M为：
M＝{(x,y)∈R|E(x,y)≥Gt}
其中E(x,y)为边缘灰度图像中像素点(x,y)的灰度值，Gt为设定的灰度阈值；
检测区域R中的边缘灰度密度de(R)为：
Figure BDA0002457536310000051
其中S(M)是集合M中像素的个数，S(R)是检测区域R中所有像素的个数；
检测区域R内车辆是否存在的判断准则为：
Figure BDA0002457536310000052
其中Vp(R)表示车辆是否存在，De为边缘灰度密度阈值。
检测车辆是否运动的方法如下：
采用相邻三帧差法提取出图像中目标车辆的边缘和运动信息生成帧差图像，将生成的帧差图像设为检测区域R，通过帧差图像中像素点的灰度密度判断目标车辆是否运动：
检测区域R内满足阈值条件的像素点的集合N为：
N＝{(x,y)∈R||Ft(x,y)-Ft-1(x,y)|≥Gt∨|Ft-1(x,y)-Ft-2(x,y)|≥Gt}
其中(x,y)为帧差灰度图像中的像素点，Ft、Ft-1和Ft-2分别为相邻三帧灰度图像，Gt为设定的灰度阈值；
检测区域R中的帧差灰度密度df(R)为：
Figure BDA0002457536310000053
其中S(N)是集合N中像素的个数，S(R)是检测区域R中所有像素的个数；
检测区域R内车辆是否运动的判断准则为：
Figure BDA0002457536310000061
其中Vm(R)表示车辆是否运动，Df为帧差灰度密度阈值。
步骤三、对各车道的车辆位置进行跟踪，车辆在每帧图像中的位置作为其轨迹点，将相邻连续帧中车辆位置连线得到轨迹，各车道上所有车辆轨迹形成轨迹集；具体如下：
(1)根据采集的视频图像进行公路隧道内的车道线检测，确定隧道内各个车道；本实施例中，采用基于边缘检测、霍夫直线检测算法与自适应二值化相结合的车道线检测方法；具体如下：
(1-1)边缘检测：首先使用基于高斯分布模型的自适应阈值分割方法，将车道标线从复杂背景中分离出来；然后选择Canny边缘检测算子检测车道标线边缘，通过特征提取选取合适的矩形区域，筛选出正确的车道标线。
矩形区域的筛选：定义一个矩形区域的最大范围(MaxSize)和最小范围(MinSize)，获取矩形区域的大小(size)与矩形区域角度的正弦函数值(angle)，定义一个正弦函数的最大值(MaxAngle)与最小值(MinAngle)，选择表达式f(size)和f(angle)的值都为1的矩形区域，表达式如下：
Figure BDA0002457536310000062
Figure BDA0002457536310000063
式中size为矩形区域的大小，MaxSize为面积最大值，MinSize为面积最小值；angle为矩形区域的角度的正弦函数值，MaxAngle为函数最大值，MinAngle为函数最小值。
(1-2)霍夫直线检测：以筛选出的车道标线图像为输入值，使用随机霍夫变换的方法提取车道标线的特征点，构建数学模型对车道标线特征点进行直线拟合，最终实现车道标线追踪，并提取目标区域。
(1-3)边缘检测、霍夫直线检测与自适应二值化相结合的车道线检测：定义灰度图像的像素值Lum(x,y)，最大和最小像素值分别为Lum(x,y)max,Lum(x,y)min，所有像素值的标准差为Sd(x,y)，将所有的像素点分为n个层级，将最上层和最下层的像素值舍去，得到有效的像素值Lum(x,y)eff，如下式所示，
Figure BDA0002457536310000064
Lum(x,y)eff＝Lum(x,y),Lum(x,y)min+Sd(x,y)<Lum(x,y)<Lum(x,y)max-Sd(x,y)
求Lum(x,y)eff的自然对数，然后对所有Lum(x,y)eff的对数求平均值，再求平均值的自然指数值，得出的结果便是要求寻找的二值化阈值，最后利用二值化阈值，排除路面边缘噪声干扰，突出车道线，如图3所示。
(2)对各个车道上车辆的图像信息进行分析，将车辆几何中心所处的车道作为车辆运行的车道；将车辆通过连续两帧视频图像移动的方向作为车辆的运动方向；记录视频图像中各车辆的面积s、长度l、宽度w；
(3)在连续两帧图像中，记录第一帧图像中选定的目标车辆后边界的中点坐标为L1(l1,l2)，几何中心坐标为M1(m1,m2)，前边界的中点坐标为N1(n1,n2)；记录第二帧图像中任意一辆车后边界的中点坐标为L2(l′1,l′2)，几何中心坐标为M2(m′1,m′2)，前边界的中点坐标为N2(n′1,n′2)，如图4所示；
(4)令像素点纵坐标方向为道路纵向，在第一帧图像M1点的像素纵坐标m2向车辆行驶方向移动h个像素点距离区域内，判断第二帧图像M2点的像素纵坐标m′2是否满足m′2≥m2且m′2≤m2+h；若满足，进入步骤(5)，否则，进入步骤(6)；
(5)计算两帧图像中M1,M2点对应的车辆之间的相似度，判断M1,M2点对应的车辆是否为同一辆车；相似度计算公式如下所示：
γ＝1-0.2×s-0.4×l-0.4×w
其中γ表示相似度，s表示车辆面积，l表示车辆长度，w表示车辆宽度；
若M1,M2点对应的车辆的γ值的差值在设定的误差阈值范围内，M1,M2点对应的车辆为同一辆，进入步骤(7)；否则，对应的车辆不是同一辆，进入步骤(6)；
(6)令h＝h+j，j表示j个像素点，重复步骤(4)～步骤(6)，遍历第二帧图像中各个车辆几何中心点的坐标位置，直到m2<e，e为摄像机最大分辨率f×e的纵坐标；
(7)确定第二帧图像中的目标车辆后，将两帧图像中目标车辆几何中心点的坐标位置分别作为轨迹点；遍历所有的视频图像，确定每帧图像中目标车辆的几何中心坐标位置，将目标车辆的轨迹点依次连线得到该车辆行驶轨迹，如图5所示。
步骤四、采用k-mean聚集算法判断轨迹集中是否存在异常轨迹，若存在异常轨迹，则该轨迹对应的车辆在行驶过程中发生车道改变；所述异常轨迹是指非直行轨迹；公路隧道内车辆的正常行驶状态是指直行，异常行驶状态是指除直行以外的左转或右转；
(1)设每条轨迹Tr包括n个轨迹点，每个轨迹点为一个离散点；将n个待分类的离散点划分为k个类别，每个类别为一种行驶状态，包括直行、左转和右转，聚集类别表示为：C＝{Ci},1≤i≤k，其中Ci表示第i个类别，1≤k≤kmax，kmax是车辆的行驶状态总类别数；
(2)随机选取离散点m作为聚集中心，表示为：
Figure BDA0002457536310000071
其中Li表示聚集中心，/>
Figure BDA0002457536310000081
表示第i种行驶状态轨迹Tr上的任意离散点m；将轨迹Tr所有离散点投影到二维坐标图像中，用于离散点与其相邻的离散点之间的距离计算；
(3)计算离散点m与其相邻的离散点之间的欧氏距离，公式如下：
Figure BDA0002457536310000082
其中dm,m+1为离散点m+1到m的欧氏距离，(xm,ym),(xm+1,ym+1)分别为相应的坐标；
(4)重复步骤(2)～步骤(3)，重新选择聚集中心并计算聚集中心与其相邻的离散点之间的欧式距离，直到遍历完n个离散点；
(5)根据欧式距离的大小判断轨迹Tr上任意离散点与其相邻离散点的相似度，相邻的离散点之间的欧式距离小于设定的阈值，表明二者具有相同的行驶状态，即车辆直行；否则，表明二者行驶状态不同，轨迹Tr为异常轨迹，即车辆违章换道。
本实施例中，计算一定时间段内隧道所有车辆的行驶轨迹在同等位置相邻离散点之间的平均欧氏距离，将用于判断车辆是否违章换道的阈值设定为平均欧式距离的2倍；所述同等位置是指具有相同纵坐标的离散点位置。
如图6所示，视频图像输出为1秒10帧，即每帧间隔0.1秒，隧道内限速为80千米/时，每条车道宽为3.75米，则可得到直行状态下相邻离散点之间的欧式距离为2.22米，换道状态下相邻离散点之间的欧式距离为4.36米。由此可知，如果车辆换道，可认为同等位置相邻离散点之间的欧式距离是车辆不换道时欧氏距离的2倍。
步骤五、统计一段时间内在同一位置进行换道的车辆数量，若所述的车辆数量大于或等于a，则判定该位置处有停车事件发生。时间段的长短根据交通量的大小而定。本实施例中，a取值为3。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (5)

1.一种基于视频技术的公路隧道停车检测方法，其特征在于：包括以下步骤：
步骤一、在公路隧道内安装摄像头，采集隧道内行驶车辆的视频图像；
步骤二、通过视频图像判断各车道上是否存在车辆，若存在车辆，判断各车道上的车辆是否运动；若车辆在运动，进入步骤三，若车辆不运动，则检测到车辆停车；
步骤三、对各车道的车辆位置进行跟踪，车辆在每帧图像中的位置作为其轨迹点，将相邻连续帧中车辆位置连线得到轨迹，各车道上所有车辆轨迹形成轨迹集；
(1)根据采集的视频图像进行公路隧道内的车道线检测，确定隧道内各个车道；
(2)对各个车道上车辆的图像信息进行分析，将车辆几何中心所处的车道作为车辆运行的车道；将车辆通过连续两帧视频图像移动的方向作为车辆的运动方向；记录视频图像中各车辆的面积s、长度l、宽度w；
(3)在连续两帧图像中，记录第一帧图像中选定的目标车辆后边界的中点坐标为L1(l1,l2)，几何中心坐标为M1(m1,m2)，前边界的中点坐标为N1(n1,n2)；记录第二帧图像中任意一辆车后边界的中点坐标为L2(l1',l2')，几何中心坐标为M2(m1',m2')，前边界的中点坐标为N2(n1',n2')；
(4)令像素点纵坐标方向为道路纵向，在第一帧图像M1点的像素纵坐标m2向车辆行驶方向移动h个像素点距离区域内，判断第二帧图像M2点的像素纵坐标m2'是否满足m2'≥m2且m2'≤m2+h；若满足，进入步骤(5)，否则，进入步骤(6)；
(5)计算两帧图像中M1,M2点对应的车辆之间的相似度，判断M1,M2点对应的车辆是否为同一辆车；相似度计算公式如下所示：
γ＝1-0.2×s-0.4×l-0.4×w
其中γ表示相似度，s表示车辆面积，l表示车辆长度，w表示车辆宽度；
若M1,M2点对应的车辆的γ值的差值在设定的误差阈值范围内，M1,M2点对应的车辆为同一辆，进入步骤(7)；否则，对应的车辆不是同一辆，进入步骤(6)；
(6)令h＝h+j，j表示j个像素点，重复步骤(4)～步骤(6)，遍历第二帧图像中各个车辆几何中心点的坐标位置，直到m2<e，e为摄像机最大分辨率f×e的纵坐标；
(7)确定第二帧图像中的目标车辆后，将两帧图像中目标车辆几何中心点的坐标位置分别作为轨迹点；遍历所有的视频图像，确定每帧图像中目标车辆的几何中心坐标位置，将目标车辆的轨迹点依次连线得到该车辆行驶轨迹；
步骤四、采用k-mean聚集算法判断轨迹集中是否存在异常轨迹，若存在异常轨迹，则该轨迹对应的车辆在行驶过程中发生车道改变；所述异常轨迹是指非直行轨迹；
(1)设每条轨迹Tr包括n个轨迹点，每个轨迹点为一个离散点；将n个待分类的离散点划分为k个类别，每个类别为一种行驶状态，包括直行、左转和右转，聚集类别表示为：C＝{Ci},1≤i≤k，其中Ci表示第i个类别，1≤k≤kmax，kmax是车辆的行驶状态总类别数；
(2)随机选取离散点m作为聚集中心，表示为：
Figure FDA0004057151440000021
其中Li表示聚集中心，/>
Figure FDA0004057151440000022
表示第i种行驶状态轨迹Tr上的任意离散点m；将轨迹Tr所有离散点投影到二维坐标图像中，用于离散点与其相邻的离散点之间的距离计算；
(3)计算离散点m与其相邻的离散点之间的欧氏距离，公式如下：
Figure FDA0004057151440000023
其中dm,m+1为离散点m+1到m的欧氏距离，(xm,ym),(xm+1,ym+1)分别为相应的坐标；
(4)重复步骤(2)～步骤(3)，重新选择聚集中心并计算聚集中心与其相邻的离散点之间的欧式距离，直到遍历完n个离散点；
(5)根据欧式距离的大小判断轨迹Tr上任意离散点与其相邻离散点的相似度，相邻的离散点之间的欧式距离小于设定的阈值，表明二者具有相同的行驶状态，即车辆直行；否则，表明二者行驶状态不同，轨迹Tr为异常轨迹，即车辆违章换道；
步骤五、统计一段时间内在同一位置进行换道的车辆数量，若所述的车辆数量大于或等于a，则判定该位置处有停车事件发生。
2.根据权利要求1所述的一种基于视频技术的公路隧道停车检测方法，其特征在于：所述步骤二中，检测是否存在车辆的方法如下：
采用形态学边缘检测算法提取出图像中车辆的边缘和运动信息生成边缘图像，将生成的边缘图像作为检测区域R，通过边缘图像中像素点的灰度密度判断车辆是否存在：
检测区域R内满足阈值条件的像素点集合M为：
M＝{(x,y)∈R|E(x,y)≥Gt}
其中E(x,y)为边缘灰度图像中像素点(x,y)的灰度值，Gt为设定的灰度阈值；
检测区域R中的边缘灰度密度de(R)为：
Figure FDA0004057151440000024
其中S(M)是集合M中像素的个数，S(R)是检测区域R中所有像素的个数；
检测区域R内车辆是否存在的判断准则为：
Figure FDA0004057151440000025
其中Vp(R)表示车辆是否存在，De为边缘灰度密度阈值。
3.根据权利要求1或2所述的一种基于视频技术的公路隧道停车检测方法，其特征在于：所述步骤二中，检测车辆是否运动的方法如下：
采用相邻三帧差法提取出图像中目标车辆的边缘和运动信息生成帧差图像，将生成的帧差图像设为检测区域R，通过帧差图像中像素点的灰度密度判断目标车辆是否运动：
检测区域R内满足阈值条件的像素点的集合N为：
N＝{(x,y)∈R||Ft(x,y)-Ft-1(x,y)|≥Gt∨|Ft-1(x,y)-Ft-2(x,y)|≥Gt}
其中(x,y)为帧差灰度图像中的像素点，Ft、Ft-1和Ft-2分别为相邻三帧灰度图像，Gt为设定的灰度阈值；
检测区域R中的帧差灰度密度df(R)为：
Figure FDA0004057151440000031
其中S(N)是集合N中像素的个数，S(R)是检测区域R中所有像素的个数；
检测区域R内车辆是否运动的判断准则为：
Figure FDA0004057151440000032
其中Vm(R)表示车辆是否运动，Df为帧差灰度密度阈值。
4.根据权利要求1所述的一种基于视频技术的公路隧道停车检测方法，其特征在于：计算一定时间段内隧道所有车辆的行驶轨迹在同等位置相邻离散点之间的平均欧氏距离，将用于判断车辆是否违章换道的阈值设定为平均欧式距离的b倍；所述同等位置是指具有相同纵坐标的离散点位置。
5.根据权利要求1所述的一种基于视频技术的公路隧道停车检测方法，其特征在于：所述步骤一中，选用镜头参数60MM的摄像头，拍摄的纵向和横向角度为：纵向角度α≥11°，横向角β≥67°。
CN202010310782.4A 2020-04-20 2020-04-20 一种基于视频技术的公路隧道停车检测方法 Active CN111597905B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010310782.4A CN111597905B (zh) 2020-04-20 2020-04-20 一种基于视频技术的公路隧道停车检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010310782.4A CN111597905B (zh) 2020-04-20 2020-04-20 一种基于视频技术的公路隧道停车检测方法

Publications (2)

Publication Number Publication Date
CN111597905A CN111597905A (zh) 2020-08-28
CN111597905B true CN111597905B (zh) 2023-06-09

Family

ID=72187560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010310782.4A Active CN111597905B (zh) 2020-04-20 2020-04-20 一种基于视频技术的公路隧道停车检测方法

Country Status (1)

Country Link
CN (1) CN111597905B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112380956B (zh) * 2020-11-10 2024-02-27 苏州艾氪英诺机器人科技有限公司 一种车道判断方法
CN112562406B (zh) * 2020-11-27 2022-08-16 众安在线财产保险股份有限公司 一种越线行驶的识别方法及装置
CN114399899B (zh) * 2021-12-01 2022-12-30 武汉微创光电股份有限公司 一种在隧道运营中实现高温车辆轨迹跟踪的方法及系统
CN114724063B (zh) * 2022-03-24 2023-02-24 华南理工大学 一种基于深度学习的公路交通事件检测方法
CN115661208B (zh) * 2022-12-26 2023-04-07 合肥疆程技术有限公司 摄像头的姿态及污迹检测方法、装置及汽车

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372619B (zh) * 2016-09-20 2019-08-09 北京工业大学 一种车辆鲁棒检测及分车道到达累计曲线估计方法
CN106652445B (zh) * 2016-11-15 2019-08-23 成都通甲优博科技有限责任公司 一种公路交通事故判别方法及装置
CN106970945A (zh) * 2017-02-24 2017-07-21 河海大学 一种出租车数据集的轨迹预处理方法
CN107644206A (zh) * 2017-09-20 2018-01-30 深圳市晟达机械设计有限公司 一种道路异常行为动作检测装置
CN109299674B (zh) * 2018-09-05 2022-03-18 重庆大学 一种基于车灯的隧道违章变道检测方法

Also Published As

Publication number Publication date
CN111597905A (zh) 2020-08-28

Similar Documents

Publication Publication Date Title
CN111597905B (zh) 一种基于视频技术的公路隧道停车检测方法
CN109829403B (zh) 一种基于深度学习的车辆防碰撞预警方法及系统
CN107609491B (zh) 一种基于卷积神经网络的车辆违章停车检测方法
CN108596129B (zh) 一种基于智能视频分析技术的车辆越线检测方法
CN111368687B (zh) 一种基于目标检测和语义分割的人行道车辆违停检测方法
CN104008645B (zh) 一种适用于城市道路车道线预测及预警方法
CN105005771B (zh) 一种基于光流点轨迹统计的车道线实线的检测方法
CN108335489A (zh) 高速公路车辆行为语义分析及异常行为监控系统及方法
CN109299674B (zh) 一种基于车灯的隧道违章变道检测方法
CN104537841A (zh) 无牌车辆违章检测方法及其检测系统
CN103324930A (zh) 一种基于灰度直方图二值化的车牌字符分割方法
CN1862620A (zh) 高速公路汽车行驶智能检测预警方法及其预警系统
CN107480646B (zh) 一种基于双目视觉的车载视频异常运动检测方法
CN110688954A (zh) 一种基于向量运算的车辆变道检测方法
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
Luo et al. Multiple lane detection via combining complementary structural constraints
CN112084900A (zh) 一种基于视频分析的地下车库乱停检测方法
CN105574502A (zh) 一种自助发卡机违章行为自动检测方法
CN111539359B (zh) 基于深度学习的违章停车检测方法
CN108520528B (zh) 基于改进差分阈值和位移匹配模型的移动车辆跟踪方法
CN113378690A (zh) 一种基于视频数据的路内不规范停车识别方法
CN110443142B (zh) 一种基于路面提取与分割的深度学习车辆计数方法
Lee Neural network approach to identify model of vehicles
Ren et al. Automatic measurement of traffic state parameters based on computer vision for intelligent transportation surveillance
CN109977772B (zh) 一种基于车载行车记录仪视频的斑马线礼让行为检测方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231017

Address after: 210000 Xingdian Industrial Concentration Zone, Pukou District, Nanjing City, Jiangsu Province

Patentee after: JIANGSU RUNBANG INTELLIGENT GARAGE CO.,LTD.

Address before: 223003 Jiangsu Huaian economic and Technological Development Zone, 1 East Road.

Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY