CN113255500A - 一种车辆随意变道检测的方法及装置 - Google Patents

一种车辆随意变道检测的方法及装置 Download PDF

Info

Publication number
CN113255500A
CN113255500A CN202110538193.6A CN202110538193A CN113255500A CN 113255500 A CN113255500 A CN 113255500A CN 202110538193 A CN202110538193 A CN 202110538193A CN 113255500 A CN113255500 A CN 113255500A
Authority
CN
China
Prior art keywords
vehicle
image
frame
lane
module
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
Application number
CN202110538193.6A
Other languages
English (en)
Inventor
赵亮
王秀磊
姜明会
范润泽
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.)
Shandong Jiaotong University
Original Assignee
Shandong Jiaotong University
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 Shandong Jiaotong University filed Critical Shandong Jiaotong University
Priority to CN202110538193.6A priority Critical patent/CN113255500A/zh
Publication of CN113255500A publication Critical patent/CN113255500A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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
    • 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
    • G06V2201/07—Target detection
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种车辆随意变道检测的方法及装置，包括以下步骤：根据监控图像对车道信息进行预处理，并将车道线标记在监控图像上；对监控图像中物体进行检测，判断是否为车辆；对车辆检测模块中识别的车辆进行定位，并通过矩形框线将目标车辆框选出来；对车辆矩形线框进行判断，如果外接矩形的宽高比大于阈值，则进行二次框选，通过数据库拟合出更精确的车辆框线，否则，矩形线框即为车辆框线；根据对比标记的车道线和运动车辆的车辆框线的关系来判断车辆是否存在违法行为。本发明通过实时检测车辆违法变道现象的发生，实现了对道路各种违法变道行为的监控，提高了判断精度，极大的降低了此类违法变道事件的发生率。

Description

一种车辆随意变道检测的方法及装置
技术领域
本发明涉及一种车辆随意变道检测的方法及装置，属于机器人校准技术领域。
背景技术
近年来，高速公路、城市道路、城市高架路上都存在许多违规变道现象，汽车变更车道时，会强行插入前方排队等候的机动车辆，阻碍后方车辆的正常行驶，甚至引起交通事故。
为了消除实线变道、强行变道、连续变道等违法变道行为，避免影响交通秩序，目前变道检测方法也越来越完备，但仍存在成本高、识别精确度过低、时效性过差、抗干扰能力较弱、识别距离较短等问题。
因此，想要准确识别到这些违法行为，就需要对车辆随意变道行为进行精准算法分析。
发明内容
为了解决上述问题，本发明提出了一种车辆随意变道检测的方法及装置，能够实现对道路各种违法变道行为的监控。
本发明解决其技术问题采取的技术方案是：
第一方面，本发明实施例提供的一种车辆随意变道检测的方法，包括以下步骤：
根据监控图像对车道信息进行预处理，并将车道线标记在监控图像上；
对监控图像中物体进行检测，判断是否为车辆；
对车辆检测模块中识别的车辆进行定位，并通过矩形框线将目标车辆框选出来；
对车辆矩形线框进行判断，如果外接矩形的宽高比大于阈值，则进行二次框选，通过数据库拟合出更精确的车辆框线，否则，矩形线框即为车辆框线；
根据对比标记的车道线和运动车辆的车辆框线的关系来判断车辆是否存在违法行为。
作为本实施例一种可能的实现方式，根据监控图像对车道信息进行预处理，具体为：对监控图像进行二值化处理，然后依次进行平滑处理、计算图像的梯度与梯度方向、图像边缘细化处理和双阈值筛选边缘处理。
作为本实施例一种可能的实现方式，所述平滑处理，具体为：利用高斯滤波核对二值化处理后的图像进行滤波处理，高斯滤波核为：
Figure BDA0003071014430000021
作为本实施例一种可能的实现方式，所述计算图像的梯度和梯度方向，具体为：利用Sobel算子对滤波处理后图像进行图像的梯度和梯度方向的计算，所述Sobel算子包括：
竖直方向上对应的算子为
Figure BDA0003071014430000022
水平方向上对应的算子为
Figure BDA0003071014430000023
作为本实施例一种可能的实现方式，对监控图像中物体进行检测，判断是否为车辆，具体为：
对监控图像进行填充处理，将填充处理后监控图像所有像素的灰度值组成一个矩阵，采用过滤器对该矩阵进行卷积运算，并对卷积运算结果进行最大池化运算，得到全连接层的结果；用1*1卷积层替换全连接层得到卷积层的结果；对卷积层的结果进行softmax运算将图像中物体分别归类处理。
作为本实施例一种可能的实现方式，对车辆检测模块中识别的车辆进行定位，包括：
从监控图像中捕捉目标框，并输出一个8维向量；
利用交互比函数计算出每个目标框的IOU值，并找到最大的IOU值；
预先定义不同的锚框，对视野中多个目标进行检测，输出一个8*n维的向量，n为目标数。
作为本实施例一种可能的实现方式，在对车辆矩形线框进行判断过程中，用车辆区域最小水平外接矩形来辅助判断车辆是否压实线，并对可能存在违法变道行为的车辆进行二次框选。
第二方面，本发明实施例提供的一种车辆随意变道检测的装置，包括
图像预处理模块，用于根据监控图像对车道信息进行预处理，并将车道线标记在监控图像上；
车辆判断模块，用于对监控图像中物体进行检测，判断是否为车辆；
车辆定位模块，用于对车辆检测模块中识别的车辆进行定位，并通过矩形框线将目标车辆框选出来；
数据拟合模块，用于对车辆矩形线框进行判断，如果外接矩形的宽高比大于阈值，则进行二次框选，通过数据库拟合出更精确的车辆框线，否则，矩形线框即为车辆框线；
违法行为判断模块，用于根据对比标记的车道线和运动车辆的车辆框线的关系来判断车辆是否存在违法行为。
作为本实施例一种可能的实现方式，所述图像预处理模块包括：
二值化处理模块，用于对监控图像进行二值化处理；
平滑处理模块，用于进行平滑处理；
梯度计算模块，用于计算图像的梯度与梯度方向；
边缘细化模块，用于图像边缘细化处理；
双阈值筛选模块，用于双阈值筛选边缘处理。
作为本实施例一种可能的实现方式，所述车辆判断模块，具体用于：
对监控图像进行填充处理，将填充处理后监控图像所有像素的灰度值组成一个矩阵，采用过滤器对该矩阵进行卷积运算，并对卷积运算结果进行最大池化运算，得到全连接层的结果；用1*1卷积层替换全连接层得到卷积层的结果；对卷积层的结果进行softmax运算将图像中物体分别归类处理。
第三方面，本发明实施例提供的一种车辆随意变道检测的设备，包括：
摄像头，安装在道路一侧的监控杆上，用于采集显示该道路的车辆行驶状态的监控图像；
违法行为检测设备，包括处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当所述装置运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如上述任意所述一种车辆随意变道检测的方法的步骤。
本发明实施例的技术方案可以具有的有益效果如下：
本发明通过对道路信息的不间断地监测，并对车辆随意变道行为进行精准算法分析，可及时检测出车辆在该路段存在的违法变道行为，实时保障道路交通安全。
本发明通过实时检测车辆违法变道现象的发生，实现了对道路各种违法变道行为的监控，提高了判断精度，极大的降低了此类违法变道事件的发生率。
附图说明：
图1是根据一示例性实施例示出的一种车辆随意变道检测的装置的结构图；
图2是根据一示例性实施例示出的一种车辆随意变道检测的方法的流程图；
图3是根据一示例性实施例示出的一种非极大值抑制的八个方向角度的示意图；
图4是根据一示例性实施例示出的一种车辆区域最小水平外接矩形示意图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明：
为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
图1是根据一示例性实施例示出的一种车辆随意变道检测的方法的流程图。如图1所示，本发明实施例提供的一种车辆随意变道检测的方法，包括以下步骤：
根据监控图像对车道信息进行预处理，并将车道线标记在监控图像上；
对监控图像中物体进行检测，判断是否为车辆；
对车辆检测模块中识别的车辆进行定位，并通过矩形框线将目标车辆框选出来；
对车辆矩形线框进行判断，如果外接矩形的宽高比大于阈值，则进行二次框选，通过数据库拟合出更精确的车辆框线，否则，矩形线框即为车辆框线；
根据对比标记的车道线和运动车辆的车辆框线的关系来判断车辆是否存在违法行为。
作为本实施例一种可能的实现方式，根据监控图像对车道信息进行预处理，具体为：对监控图像进行二值化处理，然后依次进行平滑处理、计算图像的梯度与梯度方向、图像边缘细化处理和双阈值筛选边缘处理。
作为本实施例一种可能的实现方式，所述平滑处理，具体为：利用高斯滤波核对二值化处理后的图像进行滤波处理，高斯滤波核为：
Figure BDA0003071014430000051
作为本实施例一种可能的实现方式，所述计算图像的梯度和梯度方向，具体为：利用Sobel算子对滤波处理后图像进行图像的梯度和梯度方向的计算，所述Sobel算子包括：
竖直方向上对应的算子为
Figure BDA0003071014430000061
水平方向上对应的算子为
Figure BDA0003071014430000062
作为本实施例一种可能的实现方式，对监控图像中物体进行检测，判断是否为车辆，具体为：
对监控图像进行填充处理，将填充处理后监控图像所有像素的灰度值组成一个矩阵，采用过滤器对该矩阵进行卷积运算，并对卷积运算结果进行最大池化运算，得到全连接层的结果；用1*1卷积层替换全连接层得到卷积层的结果；对卷积层的结果进行softmax运算将图像中物体分别归类处理。
作为本实施例一种可能的实现方式，对车辆检测模块中识别的车辆进行定位，包括：
从监控图像中捕捉目标框，并输出一个8维向量；
利用交互比函数计算出每个目标框的IOU值，并找到最大的IOU值；
预先定义不同的锚框，对视野中多个目标进行检测，输出一个8*n维的向量，n为目标数。
作为本实施例一种可能的实现方式，在对车辆矩形线框进行判断过程中，用车辆区域最小水平外接矩形来辅助判断车辆是否压实线，并对可能存在违法变道行为的车辆进行二次框选。
本实施例通过对道路信息的不间断地监测，并对车辆随意变道行为进行精准算法分析，可及时检测出车辆在该路段存在的违法变道行为，实时保障道路交通安全。
图2是根据一示例性实施例示出的一种车辆随意变道检测的装置的示意图。如图2所示，本发明实施例提供的一种车辆随意变道检测的装置，包括
图像预处理模块，用于根据监控图像对车道信息进行预处理，并将车道线标记在监控图像上；
车辆判断模块，用于对监控图像中物体进行检测，判断是否为车辆；
车辆定位模块，用于对车辆检测模块中识别的车辆进行定位，并通过矩形框线将目标车辆框选出来；
数据拟合模块，用于对车辆矩形线框进行判断，如果外接矩形的宽高比大于阈值，则进行二次框选，通过数据库拟合出更精确的车辆框线，否则，矩形线框即为车辆框线；
违法行为判断模块，用于根据对比标记的车道线和运动车辆的车辆框线的关系来判断车辆是否存在违法行为。
作为本实施例一种可能的实现方式，所述图像预处理模块包括：
二值化处理模块，用于对监控图像进行二值化处理；
平滑处理模块，用于进行平滑处理；
梯度计算模块，用于计算图像的梯度与梯度方向；
边缘细化模块，用于图像边缘细化处理；
双阈值筛选模块，用于双阈值筛选边缘处理。
作为本实施例一种可能的实现方式，所述平滑处理，具体为：利用高斯滤波核对二值化处理后的图像进行滤波处理，高斯滤波核为：
Figure BDA0003071014430000071
作为本实施例一种可能的实现方式，所述计算图像的梯度和梯度方向，具体为：利用Sobel算子对滤波处理后图像进行图像的梯度和梯度方向的计算，所述Sobel算子包括：
竖直方向上对应的算子为
Figure BDA0003071014430000072
水平方向上对应的算子为
Figure BDA0003071014430000081
作为本实施例一种可能的实现方式，所述车辆判断模块，具体用于：
对监控图像进行填充处理，将填充处理后监控图像所有像素的灰度值组成一个矩阵，采用过滤器对该矩阵进行卷积运算，并对卷积运算结果进行最大池化运算，得到全连接层的结果；用1*1卷积层替换全连接层得到卷积层的结果；对卷积层的结果进行softmax运算将图像中物体分别归类处理。
作为本实施例一种可能的实现方式，对车辆检测模块中识别的车辆进行定位，包括：
从监控图像中捕捉目标框，并输出一个8维向量；
利用交互比函数计算出每个目标框的IOU值，并找到最大的IOU值；
预先定义不同的锚框，对视野中多个目标进行检测，输出一个8*n维的向量，n为目标数。
作为本实施例一种可能的实现方式，在对车辆矩形线框进行判断过程中，用车辆区域最小水平外接矩形来辅助判断车辆是否压实线，并对可能存在违法变道行为的车辆进行二次框选。
本实施例通过实时检测车辆违法变道现象的发生，实现了对道路各种违法变道行为的监控，提高了判断精度，极大的降低了此类违法变道事件的发生率。
基于上述车辆随意变道检测技术，本发明实施例提供了一种车辆随意变道检测的设备，包括：
摄像头，安装在道路一侧的监控杆上，用于采集显示该道路的车辆行驶状态的监控图像；
违法行为检测设备，包括处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当所述装置运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如上述任意所述一种车辆随意变道检测的方法的步骤。
本发明所述车辆随意变道检测的设备的实施过程如下。
A、摄像头固定安装在监控杆上，每个摄像头对准一条道路的正中间，避免车道线被遮挡现象，便于监控车辆行驶状态；
B、对摄像头监控的车道信息进行预处理，将车道线标记在监控图像上；
C、对摄像头监控到的物体进行检测判断，通过卷积运算、池化运算、1*1卷积、softmax算法等判断物体是否为车辆；
D、对车辆检测模块中识别的车辆进行定位，并通过矩形框线将目标车辆框选出来；
E、对车辆矩形线框进行判断，若外接矩形的宽高比大于某一阈值，则进行二次框选，通过数据库拟合出更精确的车辆框线，否则，矩形线框即为车辆框线；
F、根据对比标记的车道线和运动车辆的车辆框线的关系来判断车辆是否存在违法行为。
步骤B中，对道路进行图像预处理包括以下步骤：
B1，通过摄像头固定角度拍摄一张清晰的道路图；
B2，把收集到的图片进行二值化处理，把二值化处理之后的图片利用Canny算法进行处理，经过以下步骤：
(1)高斯滤波
利用高斯滤波核对二值化的图片进行滤波操作，高斯滤波核为：
Figure BDA0003071014430000091
经过滤波之后，图像将会较之前更加“平滑”。
(2)计算图像的梯度和梯度方向
把经过高斯滤波之后的图片进行整理，然后利用Sobel算子进行图像的梯度和梯度方向的计算，Sobel算子为：竖直方向上对应的算子为
Figure BDA0003071014430000092
水平方向上对应的算子为
Figure BDA0003071014430000101
把经过高斯滤波之后的图片分别用两个算子进行计算，以某一位置举例，水平方向上的计算结果设为x，竖直方向上的计算结果设为y，则最终该位置的数值为：
Figure BDA0003071014430000102
该位置的角度值为θ＝arctan(y/x)。
(3)非极大值抑制
经过步骤(2)处理之后的边缘有时会很粗，我们需要把很粗的边缘给“细化”，这就需要非极大值抑制算法。如图3所示，先规定八个方向。
在步骤(2)中把图片中每个位置的角度计算出来之后，将角度标准化，例如，求出的角度为48.9°，那么就看48.9°与图3中八个方向中哪个角度值相差最小，很显然，48.9°与45°相差最小，那么就用45°代替48.9°。然后按照规定的八个方向，找出每个方向上的最大值并保留，其他值全部归零。
(4)双阈值筛选边缘
经过步骤(3)，便实现了道路线条的“细化”过程。但处理出来的效果并不好，会出现许多杂乱无章的线条，影响道路线的检测。为了解决这一问题，我们进行双阈值筛选边缘。规定两个阈值A和B，像素梯度值小于A的赋值为0；像素梯度值大于B的即为边缘点，则保留；像素梯度值在A与B之间的，若与某个边缘点有交集，则保留，反之，则赋值为0。
B3，将检测出的车道线标记在监控视频中，和车道框线共同判断违法行为。
步骤C中，对运动车辆进行检测包括以下步骤：
C1、图像降噪
C11、对采集到的图片进行灰度化处理，采用平均灰度化的方法，平均灰度化的公式如下：Gray＝(B+G+R)/3
其中，B——蓝色分量；
G——绿色分量；
R——红色分量。
C12、把进行灰度化之后的图片进行降噪处理，采用形态学滤波法，对图片分别进行一次开运算与闭运算，使得图片中的噪声点都被消除，并且图片中的主体形态仍不发生变化。
C2、目标的识别
C21、卷积运算
对C1预处理之后的图片进行卷积运算，但如果直接对图片进行卷积运算，会有两个缺点，一是会造成图片的输出缩小，二是会造成图片的信息丢失，为了避免以上的两个缺点，我们先对图片进行填充。填充的规则如下：
Figure BDA0003071014430000111
式中，p[l-1]为第l-1层填充的规格，f[l]为第l层过滤器的尺寸。填充后的图片所有像素的灰度值组成一个矩阵
Figure BDA0003071014430000112
(
Figure BDA0003071014430000113
是该图片的信道数量，
Figure BDA0003071014430000114
分别代表第l-1选层的像素的长和宽)。取合适的过滤器，对该矩阵进行卷积运算，输出的结果为
Figure BDA0003071014430000115
的一个矩阵(f[l]、f[l]分别代表过滤器的像素的长和宽，
Figure BDA0003071014430000116
是该过滤器的信道数量)。
C22、池化运算
对从卷积层输出的结果进行最大池化运算，假设选取超级参数f(过滤器尺寸f*f)和步长s，经过最大池化运算后输出的结果为
Figure BDA0003071014430000117
的一个矩阵。把该矩阵展开为一个一维向量，这就是全连接层。
C23、使用1*1卷积层代替全连接层
利用全连接层进行运算，效率较低，并且输入会限制死输入图像的大小，使用起来不方便。为了解决上述问题，我们用1*1卷积层代替全连接层。向量中的元素为
Figure BDA0003071014430000118
个，我们把向量用卷积层进行替换，即输出为一个
Figure BDA0003071014430000121
的的卷积层，然后利用一个1*1的过滤器进行卷积运算，再次输出一个
Figure BDA0003071014430000122
的卷积层，然后用一个大小为1*1*4的过滤器进行运算，最后输出一个大小为1*1*4的卷积层。
C24、利用softmax算法进行物体归类
根据C23中输出的1*1卷积层进行softmax运算，将图中物体分别归类，比如，图中有摩托车和人，那么就把这两个物体归为人和摩托车。至此，物体的识别已经完成。
在步骤D中，对识别的目标车辆进行定位包括以下几个步骤：
D1、滑动窗口的实现
关于物体的定位，使用的是滑动窗口检测来实现。假设输入的照片大小为14*14*3，进行填充之后(padding)的规格为14*14*3，选取规格为5*5的过滤器进行一次卷积运算，输出一个12*12*16的卷积层，经过一次最大池化后，输出一个6*6*16的卷积层，再次选取5*5的过滤器进行卷积运算，输出一个规格为2*2*400的卷积层，随后进行两次1*1卷积，得到2*2*4的一个最终卷积层。结合YOLO算法，此时会捕捉到很多的目标框，并且输出一个8维向量[ph bx by bh bw c1 c2 c3]。
其中，pc表示图片中有无车辆或者行人，若只有背景，则pc＝0，若有行人或小汽车或摩托车，则pc＝1；
bx、by——物体中心点的坐标；
bh——物体滑动窗口的长；
bw——物体滑动窗口的宽；
c1——物体为行人的概率；
c2——物体为小汽车的概率；
c3——物体为摩托车的概率。
D2、利用非极大值抑制求得最佳目标
利用交互比函数，计算出每个边界框的IOU的值，依据非极大值抑制的方法，找到最大的IOU值，把非最大的IOU值略去。
D3、视野中多目标检测
如果视野中同时出现人和车，那么此时预先定义两个不同的AnchorBoxes，然后输出一个16维的向量[pc1 bx1 by1 bh1 bw1 c11 c12 c13 pc2 bx2 by2 bh2 bw2 c21 c22 c23]，这就实现了目标的精准定位。
其中pc是表示图片中目标的有无，假设图中有两个目标，pc1，pc2均为1；
bx1、by1——第一个物体中心点的坐标；
bh1——第一个物体滑动窗口的长；
bw1——第一个物体滑动窗口的宽；
c11——第一个目标是行人的概率；
c12——第一个物体是小汽车的概率；
c13——第一个物体是摩托车的概率。
(同理bx2、by2表示第二个物体中心点的坐标；bh2和bw2表示第二个物体滑动窗口的长和宽；c21表示第一个目标是行人的概率、c22表示第一个物体是小汽车的概率、c23表示第一个物体是摩托车的概率。)
在步骤E中，对车辆进行二次框选主要包括以下几个步骤：
如图4所示，首先用车辆区域最小水平外接矩形R来辅助判断车辆是否压实线，其次对可能存在违法变道行为的车辆进行二次框选。
Figure BDA0003071014430000131
——外接矩形的宽高比(此处的w不同于前面的w，此处的w代表最小水平外接矩形的宽度)；
ω——阈值；
D——车辆长度。
(1)当
Figure BDA0003071014430000132
时
此时表明目标车辆本身倾斜程度较小，车辆区域最小外接矩形即为车辆框线。
(2)当
Figure BDA0003071014430000141
时
此时表明目标车辆车身倾斜程度较大，设t为车辆宽度，BD连线分别向左上，右下平移
Figure BDA0003071014430000142
个长度，平移后的两条线与AB、BC、CD、DA分别交于点E、F、G、H，EF即为车尾边缘框线，HG为车头边缘框线。
上述提到的参数ω、d、t均与车辆类型有关，可以通过对常见车型进行数据采集、分析和统计相应参数后建立相应的数据库，当对特定目标车辆进行检测时在数据库中检索相应参数即可。
在步骤F中，通过二次拟合后的车辆边框和标记车道边缘线的关系判断车辆是否存在违法行为包括以下几个步骤：
F1、当EF、FG边，或EH、HG边同时和车道线重合时，判断为车辆右转；
F2、当EF、EH边，或HG、FG边同时和车道线重合时，判断为车辆左转；
F3、当GF、HE边同时和车道线重合时，判断为车辆掉头，同时，结合F1、F2可以判断车辆的掉头方向。
在步骤F中，监控系统将监测到的车辆违法变道信息发送给交管部门的具体过程为：摄像头拍摄到的道路及车辆信息经过处理后，通过信息判断模块得出车辆存在的违法行为，通过互联网及时发送给交管部门，经交管部门审核后，通过车牌号码获取驾驶人的手机号，将该违法车辆的详细违法信息发送给驾驶人，或发布到相应的交管平台。
本发明通过对道路信息的不间断地监测，并对车辆随意变道行为进行精准算法分析，可及时检测出车辆在该路段存在的违法变道行为，实时保障道路交通安全。
本发明通过实时检测车辆违法变道现象的发生，实现了对道路各种违法变道行为的监控，提高了判断精度，极大的降低了此类违法变道事件的发生率。
具体地，上述存储器和处理器能够为通用的存储器和处理器，这里不做具体限定，当处理器运行存储器存储的计算机程序时，能够执行上述车辆随意变道检测的方法。
本领域技术人员可以理解，违法行为检测设备的结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。
在一些实施例中，该违法行为检测设备还可以包括触摸屏可用于显示图形用户界面(例如，应用程序的启动界面)和接收用户针对图形用户界面的操作(例如，针对应用程序的启动操作)。具体的触摸屏可包括显示面板和触控面板。其中显示面板可以采用LCD(Liquid Crystal Display，液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等形式来配置。触控面板可收集用户在其上或附近的接触或者非接触操作，并生成预先设定的操作指令，例如，用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作。另外，触控面板可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位、姿势，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成处理器能够处理的信息，再送给处理器，并能接收处理器发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板，也可以采用未来发展的任何技术实现触控面板。进一步的，触控面板可覆盖显示面板，用户可以根据显示面板显示的图形用户界面，在显示面板上覆盖的触控面板上或者附近进行操作，触控面板检测到在其上或附近的操作后，传送给处理器以确定用户输入，随后处理器响应于用户输入在显示面板上提供相应的视觉输出。另外，触控面板与显示面板可以作为两个独立的部件来实现也可以集成而来实现。
本申请实施例所提供的应用程序的启动装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。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，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种车辆随意变道检测的方法，其特征是，包括以下步骤：
根据监控图像对车道信息进行预处理，并将车道线标记在监控图像上；
对监控图像中物体进行检测，判断是否为车辆；
对车辆检测模块中识别的车辆进行定位，并通过矩形框线将目标车辆框选出来；
对车辆矩形线框进行判断，如果外接矩形的宽高比大于阈值，则进行二次框选，通过数据库拟合出更精确的车辆框线，否则，矩形线框即为车辆框线；
根据对比标记的车道线和运动车辆的车辆框线的关系来判断车辆是否存在违法行为。
2.根据权利要求1所述的一种车辆随意变道检测的方法，其特征是，根据监控图像对车道信息进行预处理，具体为：对监控图像进行二值化处理，然后依次进行平滑处理、计算图像的梯度与梯度方向、图像边缘细化处理和双阈值筛选边缘处理。
3.根据权利要求2所述的一种车辆随意变道检测的方法，其特征是，所述平滑处理，具体为：利用高斯滤波核对二值化处理后的图像进行滤波处理，高斯滤波核为：
Figure FDA0003071014420000011
所述计算图像的梯度和梯度方向，具体为：利用Sobel算子对滤波处理后图像进行图像的梯度和梯度方向的计算，所述Sobel算子包括：
竖直方向上对应的算子为
Figure FDA0003071014420000012
水平方向上对应的算子为
Figure FDA0003071014420000013
4.根据权利要求1所述的一种车辆随意变道检测的方法，其特征是，对监控图像中物体进行检测，判断是否为车辆，具体为：
对监控图像进行填充处理，将填充处理后监控图像所有像素的灰度值组成一个矩阵，采用过滤器对该矩阵进行卷积运算，并对卷积运算结果进行最大池化运算，得到全连接层的结果；用1*1卷积层替换全连接层得到卷积层的结果；对卷积层的结果进行softmax运算将图像中物体分别归类处理。
5.根据权利要求1所述的一种车辆随意变道检测的方法，其特征是，对车辆检测模块中识别的车辆进行定位，包括：
从监控图像中捕捉目标框，并输出一个8维向量；
利用交互比函数计算出每个目标框的IOU值，并找到最大的IOU值；
预先定义不同的锚框，对视野中多个目标进行检测，输出一个8*n维的向量，n为目标数。
6.根据权利要求1-5任意一项所述的一种车辆随意变道检测的方法，其特征是，在对车辆矩形线框进行判断过程中，用车辆区域最小水平外接矩形来辅助判断车辆是否压实线，并对可能存在违法变道行为的车辆进行二次框选。
7.一种车辆随意变道检测的装置，其特征是，包括
图像预处理模块，用于根据监控图像对车道信息进行预处理，并将车道线标记在监控图像上；
车辆判断模块，用于对监控图像中物体进行检测，判断是否为车辆；
车辆定位模块，用于对车辆检测模块中识别的车辆进行定位，并通过矩形框线将目标车辆框选出来；
数据拟合模块，用于对车辆矩形线框进行判断，如果外接矩形的宽高比大于阈值，则进行二次框选，通过数据库拟合出更精确的车辆框线，否则，矩形线框即为车辆框线；
违法行为判断模块，用于根据对比标记的车道线和运动车辆的车辆框线的关系来判断车辆是否存在违法行为。
8.根据权利要求7所述的一种车辆随意变道检测的装置，其特征是，所述图像预处理模块包括：
二值化处理模块，用于对监控图像进行二值化处理；
平滑处理模块，用于进行平滑处理；
梯度计算模块，用于计算图像的梯度与梯度方向；
边缘细化模块，用于图像边缘细化处理；
双阈值筛选模块，用于双阈值筛选边缘处理。
9.根据权利要求7所述的一种车辆随意变道检测的装置，其特征是，所述车辆判断模块，具体用于：
对监控图像进行填充处理，将填充处理后监控图像所有像素的灰度值组成一个矩阵，采用过滤器对该矩阵进行卷积运算，并对卷积运算结果进行最大池化运算，得到全连接层的结果；用1*1卷积层替换全连接层得到卷积层的结果；对卷积层的结果进行softmax运算将图像中物体分别归类处理。
10.一种车辆随意变道检测的设备，其特征是，包括：
摄像头，安装在道路一侧的监控杆上，用于采集显示该道路的车辆行驶状态的监控图像；
违法行为检测设备，包括处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当所述装置运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如权利要求1-6任一所述一种车辆随意变道检测的方法的步骤。
CN202110538193.6A 2021-05-18 2021-05-18 一种车辆随意变道检测的方法及装置 Pending CN113255500A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110538193.6A CN113255500A (zh) 2021-05-18 2021-05-18 一种车辆随意变道检测的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110538193.6A CN113255500A (zh) 2021-05-18 2021-05-18 一种车辆随意变道检测的方法及装置

Publications (1)

Publication Number Publication Date
CN113255500A true CN113255500A (zh) 2021-08-13

Family

ID=77182344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110538193.6A Pending CN113255500A (zh) 2021-05-18 2021-05-18 一种车辆随意变道检测的方法及装置

Country Status (1)

Country Link
CN (1) CN113255500A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114252082A (zh) * 2022-03-01 2022-03-29 苏州挚途科技有限公司 车辆定位方法、装置和电子设备
WO2024114753A1 (zh) * 2022-12-01 2024-06-06 北京天玛智控科技股份有限公司 综采工作面视频增强展示方法、装置、系统及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101789080A (zh) * 2010-01-21 2010-07-28 上海交通大学 车辆车牌实时定位字符分割的检测方法
CN110136447A (zh) * 2019-05-23 2019-08-16 杭州诚道科技股份有限公司 行车变道检测及违法变道识别的方法
CN110490156A (zh) * 2019-08-23 2019-11-22 哈尔滨理工大学 一种基于卷积神经网络的快速车辆检测方法
CN110889403A (zh) * 2019-11-05 2020-03-17 浙江大华技术股份有限公司 文本检测方法以及相关装置
CN111046797A (zh) * 2019-12-12 2020-04-21 天地伟业技术有限公司 一种基于人员和车辆行为分析的输油管线警戒方法
CN111612803A (zh) * 2020-04-30 2020-09-01 杭州电子科技大学 一种基于图像清晰度的车辆图像语义分割方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101789080A (zh) * 2010-01-21 2010-07-28 上海交通大学 车辆车牌实时定位字符分割的检测方法
CN110136447A (zh) * 2019-05-23 2019-08-16 杭州诚道科技股份有限公司 行车变道检测及违法变道识别的方法
CN110490156A (zh) * 2019-08-23 2019-11-22 哈尔滨理工大学 一种基于卷积神经网络的快速车辆检测方法
CN110889403A (zh) * 2019-11-05 2020-03-17 浙江大华技术股份有限公司 文本检测方法以及相关装置
CN111046797A (zh) * 2019-12-12 2020-04-21 天地伟业技术有限公司 一种基于人员和车辆行为分析的输油管线警戒方法
CN111612803A (zh) * 2020-04-30 2020-09-01 杭州电子科技大学 一种基于图像清晰度的车辆图像语义分割方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114252082A (zh) * 2022-03-01 2022-03-29 苏州挚途科技有限公司 车辆定位方法、装置和电子设备
WO2024114753A1 (zh) * 2022-12-01 2024-06-06 北京天玛智控科技股份有限公司 综采工作面视频增强展示方法、装置、系统及电子设备

Similar Documents

Publication Publication Date Title
JP7016943B2 (ja) 物体検出のための方法、装置および機器
US9052393B2 (en) Object recognition system having radar and camera input
Wu et al. Lane-mark extraction for automobiles under complex conditions
CN102792314B (zh) 交叉通行碰撞警报系统
US8902053B2 (en) Method and system for lane departure warning
US20130286205A1 (en) Approaching object detection device and method for detecting approaching objects
JP4930046B2 (ja) 路面判別方法および路面判別装置
US20140205139A1 (en) Object recognition system implementing image data transformation
WO2019071212A1 (en) SYSTEM AND METHOD FOR DETERMINING A CURVE
JP2016148962A (ja) 物体検知装置
CN113255500A (zh) 一种车辆随意变道检测的方法及装置
CN111414826A (zh) 一种地标箭头的识别方法、设备及存储介质
CN112349087B (zh) 一种基于路口信息全息感知的可视化数据输入方法
Maldonado-Bascon et al. Traffic sign recognition system for inventory purposes
US20220339969A1 (en) System and method for automatic treadwear classification
KR20200071842A (ko) 어라운드 뷰 모니터링 시스템 및 가용 주차 공간 검출 방법
CN114298908A (zh) 一种障碍物展示方法、装置、电子设备及存储介质
Munajat et al. Vehicle detection and tracking based on corner and lines adjacent detection features
EP4113377A1 (en) Use of dbscan for lane detection
CN116343085A (zh) 一种公路上的障碍物检测方法、系统、存储介质及终端
CN112686136B (zh) 一种对象检测方法、装置及系统
CN114972731A (zh) 交通灯检测识别方法及装置、移动工具、存储介质
CN115240150A (zh) 基于单目相机的车道偏离预警方法、系统、设备及介质
CN115100632A (zh) 膨胀点云识别方法、装置、计算机设备和存储介质
CN112818726A (zh) 车辆违章预警方法、装置、系统及存储介质

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