CN117116056B - 车辆驾驶行为分析方法 - Google Patents

车辆驾驶行为分析方法 Download PDF

Info

Publication number
CN117116056B
CN117116056B CN202311384817.9A CN202311384817A CN117116056B CN 117116056 B CN117116056 B CN 117116056B CN 202311384817 A CN202311384817 A CN 202311384817A CN 117116056 B CN117116056 B CN 117116056B
Authority
CN
China
Prior art keywords
vehicle
tracking
area
information
camera
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
CN202311384817.9A
Other languages
English (en)
Other versions
CN117116056A (zh
Inventor
巫青山
张浒
许金金
黄鑫
苗应亮
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.)
Maxvision Technology Corp
Original Assignee
Maxvision Technology Corp
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 Maxvision Technology Corp filed Critical Maxvision Technology Corp
Priority to CN202311384817.9A priority Critical patent/CN117116056B/zh
Publication of CN117116056A publication Critical patent/CN117116056A/zh
Application granted granted Critical
Publication of CN117116056B publication Critical patent/CN117116056B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
    • 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
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates
    • 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
    • G06T2207/30232—Surveillance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开一种车辆驾驶行为分析方法，其用于在通关监控区域内进行车辆行为分析，所述通关监控区域包括前后部署的入场区域和中场区域；该车辆驾驶行为分析方法包括：入场区域车辆信息获取：基于卡口相机获取经过入场区域内的每一通关卡口处的每一车辆的多维车辆信息，所述多维车辆信息包括车辆安全验放信息；中场区域车辆跟踪：基于全景相机和中场相机进行由入场区域进入中场区域的车辆的跟踪检测；以及车辆行为分析：基于跟踪检测结果分析车辆违停、车辆逆行行为；针对车辆安全验放信息，分析需安全查验的车辆是否按照验放路线行驶。

Description

车辆驾驶行为分析方法
技术领域
本申请涉及数字图像处理技术领域，更具体地说，是车辆驾驶行为分析方法。
背景技术
在出入境口岸、港口码头等室外监控区域，受限于监控视角多变、场地面积大、区域遮挡、驾驶员不确定性人为操作等因素，利用人工协作的方式来筛查车辆违停、逆行等车辆驾驶异常行为需要耗费较大的人力和时间成本。随着视频数据的逐步增加，利用人工筛查的方式进行车辆驾驶行为分析已经越来越难以适应大型视频监控系统，人工查验方式不便捷、也不利于智能管理、容易出现视觉疲劳且容易出现漏查现象。
发明内容
针对现有技术，本申请解决旨在提供一种智能监控车辆异常驾驶行为的车辆驾驶行为分析方法。
本申请提供一种车辆驾驶行为分析方法，其用于在通关监控区域内进行车辆行为分析，所述通关监控区域包括前后部署的入场区域和中场区域；该车辆驾驶行为分析方法包括：
入场区域车辆信息获取：基于卡口相机获取经过入场区域内的每一通关卡口处的每一车辆的包含车辆安全验放信息的多维车辆信息；
中场区域车辆跟踪：基于全景相机和中场相机进行由入场区域进入中场区域的车辆的跟踪检测；以及，
车辆行为分析：基于跟踪检测结果分析车辆违停、车辆逆行行为； 针对车辆安全验放信息，分析需安全查验的车辆是否按照验放路线行驶。
在该车辆驾驶行为分析方法中，基于卡口相机获取进入监控区域的每一车辆相关的车辆多维信息，并基于全景相机和中场相机对车辆进行跟踪检测，并根据跟踪检测结果和车辆车辆多维信息进行车辆违停、车辆逆行以及车辆是否按照规定路线行驶的分析。该车辆驾驶行为分析方法基于图像处理技术的智能分析方式，相对于人工查验方式更加智能简便、节省人力、有利减少人工作业力度，且智能分析的相机视野代替人眼查看，有利于降低漏检。
在一种可能的实现方式中，其中多维车辆信息还包括车道编号信息、车牌信息、车型信息，将车辆图片和车辆对应的多维车辆信息和存入数据库中，基于全景相机和中场相机进行由入场区域进入中场区域的车辆的跟踪检测，包括：
跟踪编号分配：对自通关卡口初次进入全景相机视野每一车辆标记跟踪编号为Flag1；
跟踪编号和多维车辆信息绑定：当每一车辆自通关卡口初次进入全景相机视野，将车辆的多维车辆信息和跟踪编号Flag1以组合显示框形式绑定显示于全景相机图像的车辆处；
中场区域的车辆跟踪：在全景相机拍摄的全景视野内对每一车辆进行持续跟踪检测，当跟踪成功时保持该车辆的组合显示框内信息，当跟踪失败车辆的时跟踪编号Flag1转变成Flag2；
跟踪失败车辆的信息重匹配：针对跟踪编号Flag2的跟踪失败车辆，进行中场区域的中场相机和全景相机交互或者进行多维特征搜索匹配，重新获取跟踪失败车辆的多维车辆信息。
在一种可能的实现方式中，进行中场区域的中场相机和全景相机交互，包括：
利用能够监控到跟踪失败车辆的中场相机对跟踪失败车辆进行车牌抓拍识别，重新获取跟踪失败车辆的车牌信息；
将该跟踪失败车辆的车牌信息和数据库的多维车辆信息进行匹配，重新获取跟踪失败车辆的多维车辆信息；
将跟踪失败车辆的跟踪编号重新标记为Flag1。
在一种可能的实现方式中，进行多维特征搜索匹配，包括：
提取跟踪失败车辆的多维特征，提取存入数据库的所有车辆的多维特征；
计算跟踪失败车辆的多维特征和数据库的每一车辆的多维特征之间的相似度；
将相似度最高所对应的数据库中车辆的多维车辆信息作为跟踪失败车辆的多维车辆信息；
将跟踪失败车辆的跟踪编号重新标记为Flag1。
在一种可能的实现方式中，基于跟踪检测结果分析车辆违停行为，包括：
当车辆跟踪检测过程监测到一车辆进入划定的违停区域后，获取前后两帧全景相机图像中的该车辆的跟踪检测框；
求解每一帧中跟踪检测框的中心位置以获得该车辆在前一帧图像中该车辆的中心位置P1和该车辆在后一帧图像中该车辆的中心位置P2；
计算中心位置P1和中心位置P2的距离S；
若是持续m次出现欧式距离S小于距离阈值，则判定该车辆违停。
在一种可能的实现方式中，基于跟踪检测结果分析车辆逆行行为，包括：
以每一车辆在首帧全景相机图像中的车辆中心位置作为初始行驶方向向量D：D=( x1, y1)；
在跟踪检测过程中更新构建变化行驶方向向量D’：D’=( xj－x j+n，yj－y j+n)；
对初始行驶方向向量D0和变化行驶方向向量D’进行点乘计算；
当点乘结果小于0时则判定车辆逆行；
其中，x1和y1分别为首帧全景相机图像中的车辆中心位置的横坐标和纵坐标，j和n均为大于0的正整数，xj和yj分别代表第j帧全景相机图像中车辆中心位置的横坐标和纵坐标。
在一种可能的实现方式中，针对车辆安全验放信息，分析需安全查验的车辆是否按照验放路线行驶，包括：
在全景相机图像的中场区域内划定安全查验区域；
在跟踪检测过程中，监测需安全查验的车辆的中心位置是否进入中场区域中划定的安全查验区域；
若是，且当监测到需安全查验的车辆的中心位置在L帧图像内持续位于安全查验区域内，则安全查验的车辆按照验放路线行驶。
在一种可能的实现方式中，通关监控区域还包括由离场相机监控的离场区域，所述入场区域、所述中场区域和所述离场区域依次前后部署，所述车辆驾驶行为分析方法还包括：
利用离场相机抓拍识别进入离场区域的车辆的车牌信息，并记录进入离场区域的离场时间；
根据离场相机抓拍识别获得的车牌信息，在卡口相机中搜索相匹配的车辆，获取车辆的进入入场区域的入场时间；
由离场时间和入场时间差值获得车辆在通关监控区域内的行驶时间。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，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他的附图。
图1为本申请实施例的通关监控区域的示意图。
图2为本申请实施例的车辆驾驶行为分析方法流程图。
图3为本申请实施例的车辆驾驶行为分析方法的中场区域车辆跟踪方法步骤流程图。
图4为本申请实施例的车辆驾驶行为分析方法的基于跟踪检测结果分析车辆违停方法步骤流程图。
图5为本申请实施例的车辆驾驶行为分析方法的基于跟踪检测结果分析车辆逆行方法步骤流程图。
具体实施方式
为了使本申请所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。
需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
现结合附图对本申请的车辆驾驶行为分析方法。该车辆驾驶行为分析方法用于在通关监控区域内进行自动车辆行为分析。值得说明的是，如图1所示，通关监控区域包括依次前后部署的入场区域、中场区域和离场区域。其中，入场区域部署有多个通关卡口，每一卡口设置有一个卡口相机且基于该卡口相机可对进入该卡口的车辆进行车牌识别和车辆特征分析，车辆特征包括但不限于车辆颜色以及车型等车辆特征。中场区域上分布有多个车道，一个车道对应一个通关卡口，且一个通关卡口对应设置唯一的卡口相机，卡口相机编号和车道编号是提前设定好的。当每一车辆自一通关卡口进入中场区域对应的车道后，识别该车辆就对应好唯一编号的卡口相机。其中，全景相机部署用于监控整个中场区域，中场相机还部署有中场相机，通常全景相机视野广，可进行全局监控，卡口相机和中场区域的中场相机为非全景相机，视野相对于全景相机视野窄，但可对局部物体进行清楚拍摄。并且，同时中场区域还部署有非全景视野的中场相机、离场区域部署有非全景视野的离场相机。其中卡口相机、中场相机和离场相机可均为枪机。
请参照图2，本申请实施例提供的车辆驾驶行为分析方法包括如下步骤S100和步骤S300。
步骤S100：入场区域车辆信息获取：基于卡口相机获取经过入场区域内的每一通关卡口处的每一车辆的多维车辆信息，所述多维车辆信息包括车道编号信息、车牌信息、车型信息以及车辆安全验放信息。
步骤S200：中场区域车辆跟踪：基于全景相机和中场相机进行由入场区域进入中场区域的车辆的跟踪检测。
步骤S300：车辆行为分析：具体包括步骤S310：基于跟踪检测结果分析车辆违停行为；步骤S320：基于跟踪结果分析车辆逆行行为；以及步骤S330：针对车辆安全验放信息，分析需安全查验的车辆是否按照验放路线行驶。
在上述步骤中，车辆经过入场区域的通关卡口，由一个卡口相机抓拍到车辆图像，对车辆图像进行车牌定位识别获得车牌信息，对车辆图像进行车型分析获得车型信息，车型可包括但不限于私家车、货车等，其中车牌定位识别方法和车辆车型分析方法可为现有技术中任一方法。其中多维车辆信息的车道编号是指开始进入中场区域的对应车道，由于卡口相机是与车道一一对应的，故而车辆是利用哪一卡口相机进行抓拍的，就可以对应获得相应的车道编号信息。对于多维车辆信息中的车辆安全验放信息是通过后台监控平台传输的信息来确定的，其中安全验放信息包括通行、待查验两种标记信息，通行表明该车辆不需要中场区域进行安全查验，待查验表明车辆需进一步在中场区域进行安全查验后才能放行，即车辆被标记为需要进一步安全查验的车辆；若是车辆后续未按照规定进行安全查验就直接驶出中场区域，车辆就属于不符合要求的异常行为，即车辆未按照规定路线行驶的异常行为。
值得说明得是，车辆是否被标记为需安全查验的车辆，是由后台监控平台确定的，该后台监控平台可以但不限于海关和边检监控平台，在基于卡口相机进行车牌定位识别之后可获得车辆车牌信息，该车辆车牌信息上传至后台监控平台后，后台监控平台根据车牌信息匹配相应的车辆安全验放信息。车辆安全验放信息可提前存储在后台监控平台的数据库内，即数据库内存在着每一车辆对应的车牌信息和车牌信息对应的车辆安全验放信息；或者，当传输至识别后的车牌信息至后台监控平台后，后台监控平台随机给出车辆安全验放信息，即后续在中场区域中对所有通关车辆实现的安全抽检。
在一实施例中，对于步骤S200中，如图3所示，将卡口相机抓拍的车辆图片和分析获得的车辆对应的多维车辆信息和存入后台监控平台的数据库中，所述基于全景相机和中场相机进行由入场区域进入中场区域的车辆的跟踪检测，包括：
步骤S210：跟踪编号分配：对自通关卡口初次进入全景相机视野每一车辆标记跟踪编号为Flag1。
步骤S220：跟踪编号和多维车辆信息绑定：当每一车辆自通关卡口初次进入全景相机视野，将车辆的多维车辆信息和跟踪编号Flag1以组合显示框形式绑定显示于全景相机图像的车辆处。
步骤S230：中场区域的车辆跟踪：在全景相机拍摄的全景视野内对每一车辆进行持续跟踪检测，当跟踪成功时保持该车辆的组合显示框内信息，当跟踪失败车辆的时跟踪编号Flag1转变成Flag2。即在全景相机中进行持续多帧的车辆跟踪，在每一帧中判定是否跟踪成功，跟踪成功时该车辆持续标记成跟踪编号Flag1，一旦某一帧图像中，该车辆跟踪失败时，车辆的时跟踪编号Flag1转变成Flag2。
步骤S240：跟踪失败车辆的信息重匹配：针对跟踪编号Flag2的跟踪失败车辆，进行中场区域的中场相机和全景相机交互或者进行多维特征搜索匹配，重新获取跟踪失败车辆的多维车辆信息。
在一具体实施例中，Flag1和 Flag2可由不同数字表示，也可为不同的符号，但不限于此。
值得说明的是，在全景相机监控视野中进行车辆跟踪，根据全景相机获取全景图像实现车辆跟踪方法可采用现有任一跟踪方法。在跟踪过程中，由于中场区域存在多个车道，不可避免地出现多个车辆同时出现在中场区域中行驶，如此不可避免地出现不同车辆之间的遮挡问题，当一个车辆在行驶过程中被例外一个车辆遮挡时，车辆被遮挡时在全景相机图像中大部分特征被遮挡，故而跟踪过程中被遮挡时容易造跟丢情况。由于跟踪过程中只要能持续完成跟踪，同一车辆在全景视野跟踪过程中该车辆的组合显示框内可持续显示着多维车辆信息以及跟踪编号Flag1，意味着该车辆处于顺利跟踪情况下，这样才能保证后续对车辆行驶行为时才能获知是分析的哪个车辆，以及顺利获取后续在车辆行驶行为分析时所需的车辆的坐标位置。然而由于遮挡导致跟踪失败，车辆跟踪失败后将车辆编号重新标记，即标记为Flag2，后续为了重新获取多维车辆信息以及车辆信息，会针对标记为Flag2的车辆进行单独处理，即进行步骤S240的跟踪失败车辆的信息重匹配。
第一方面，在步骤S240中，进行中场区域的中场相机和全景相机交互以重新获取跟踪失败车辆的多维车辆信息具体包括如下步骤：
步骤S241：利用能够监控到跟踪失败车辆的中场相机对跟踪失败车辆进行车牌抓拍识别，重新获取跟踪失败车辆的车牌信息；
步骤S242：将该跟踪失败车辆的车牌信息和数据库的多维车辆信息进行匹配，重新获取跟踪失败车辆的多维车辆信息；
步骤S243：将跟踪失败车辆的跟踪编号重新标记为Flag1。
第二方面，在在步骤S240中，进行多维特征搜索匹配以重新获取跟踪失败车辆的多维车辆信息具体包括如下步骤：
步骤S244：提取跟踪失败车辆的多维特征，提取存入数据库的所有车辆的多维特征；
步骤S245：计算跟踪失败车辆的多维特征和数据库的每一车辆的多维特征之间的相似度；
步骤S246：将相似度最高所对应的数据库中车辆的多维车辆信息作为跟踪失败车辆的多维车辆信息；
步骤S247：将跟踪失败车辆的跟踪编号重新标记为Flag1。
在上述步骤中，全景相机视野广可监控整个区域，离场相机和卡口相机可为枪机，枪机视野具有一定局限性，中场相机数量为至少一个。当车辆在跟踪过程遇到前述跟踪失败情况时，由于全景相机对中场区域进行全景监控，故而全景相机和中场相机具有视野重叠区域，当车辆刚好在重叠区域进行跟踪失败时，此时可利用第一方面的方法：中场相机和全景相机交互以重新获得跟踪失败车辆的车辆多维信息，并重新将车辆多维信息叠加显示在全景图像的跟踪失败车辆上，并将跟踪失败车辆的跟踪编号重新标记为Flag1，意味着跟踪失败车辆又恢复正常跟踪状态。然而当跟踪失败车辆不在全景相机和中场相机的视野重叠区域时，中场相机无法抓拍获取给跟踪识别车辆的局部图片进行车牌定位识别，或者当车牌被其他物体遮挡，无法拍全时，此时只能通过第二方面的方法：通过全景相机获取的车辆图片，提取车辆的多维特征，并将该多维特征与数据库中所有车辆的多维特征进行相似度匹配，通过多维特征搜索匹配方式重新获取车辆多维信息。故而，通过前述两方面的方法从多方面确保解决跟踪过程车辆因遮挡而出现跟踪失败的问题。
值得说明的是，在一实施例中，可以设定上述第一方面的方案和第二方面方法使用顺序，可以理解地，对比而言，第一方面方法更加简单、处理速度更加快点，可以将第一方面方法和第二方面方法设定优先级别，第一方面方法先选择，当第一方面方法失败时，再利用第二方面方法。
值得说明的是，在上述步骤中，提取的车辆的多维特征可包括但不限于形状特征、颜色特征、深度学习网络提取的深度学习特征。
在一具体实施例中，当多维特征为前述三个特征时，求解跟踪识别车辆与数据库中一个车辆之间的多维特征的相似度sim的公式为：sim=α*F1+β*F2+θ*F3，其中F1、F2和F3分别为形状特征相似度、颜色特征相似度、深度学习特征相似度，并且F1为跟踪失败车辆的形状特征和数据库的一车辆的形状特征的相似度，F2为跟踪失败车辆的颜色特征和数据库的一车辆的颜色特征的相似度，F3为跟踪失败车辆的深度学习特征和数据库的一车辆的深度学习特征的相似，其中F1 、F2 和F3相似度的求解可采用但不限于余弦相似度。
在一实施例中，对于步骤S310，如图4所示，基于跟踪检测结果分析车辆违停行为，包括：
步骤S311：当车辆跟踪检测过程监测到一车辆进入划定的违停区域后，获取前后两帧全景相机图像中的该车辆的跟踪检测框；
步骤S312：求解每一帧中跟踪检测框的中心位置以获得该车辆在前一帧图像中该车辆的中心位置P1和该车辆在后一帧图像中该车辆的中心位置P2；
步骤S313：计算中心位置P1和中心位置P2的距离S；
步骤S313：若是持续m次出现欧式距离S小于距离阈值，则判定该车辆违停。
在上述步骤中，在中场区域中有特殊划定的违停区域。前后两帧全景相机图像可为相邻的前后两帧，也可为相差L帧间隔的前后两帧，其中L可取值2,3,4…；当所取的前后两帧间隔设定一定数量帧时车辆违停行为会更加准确，因为在分析车辆违停行为时前后两帧拉开间隔，距离S会更加明显。考虑持续m次的问题，累加次数m，即考虑了累加时间因素，防止了车辆偶发停车，可避免将偶发停车现象判定为长时间停入违停区域。
在一具体实施例中，L帧可取为9帧，在车辆跟踪检测过程监测到一车辆进入划定的违停区域后，前一帧为车辆跟踪检测过程监测到一车辆进入划定的违停区域时的第一帧，后一帧为前一帧后的第十帧。距离S的求解可采用但不限于欧氏距离。
在一实施例中，对于步骤S320，如图5所示，基于跟踪检测结果分析车辆逆行行为，包括：
步骤S321：以每一车辆在首帧全景相机图像中的车辆中心位置作为初始行驶方向向量D：D=( x1, y1)；
步骤S322：在跟踪检测过程中更新构建变化行驶方向向量D’：D’=( xj－x j+n，yj－y j+n)；
步骤S323：对初始行驶方向向量D0和变化行驶方向向量D’进行点乘计算；
步骤S324：当点乘结果小于0时则判定车辆逆行；
在上述步骤中，x1和y1分别为首帧全景相机图像中的车辆中心位置的横坐标和纵坐标，j和n均为大于0的正整数，xj和yj分别代表第j帧全景相机图像中车辆中心位置的横坐标和纵坐标。可理解地，x j+n和y j+n分别代表第j+n帧全景相机图像中车辆中心位置的横坐标和纵坐标。
在一实施例中，对于步骤S330，针对车辆安全验放信息，分析需安全查验的车辆是否按照验放路线行驶，包括：
步骤S331：在全景相机图像的中场区域内划定安全查验区域；
步骤S332：在跟踪检测过程中，监测需安全查验的车辆的中心位置是否进入中场区域中划定的安全查验区域；若是，且当监测到需安全查验的车辆的中心位置在L帧图像内持续位于安全查验区域内，则安全查验的车辆按照验放路线行驶。
值得说明的是，根据前述内容可知，需安全验放的车辆即为被标记为待查验的车辆，这些车辆需驶入安全查验区域内进行安全查验，其安全查验可包括但不限于X光机查验，查验车辆是否具备风险，例如但不限于是否携带违禁物品的风险等。安全查验区域是提前在通关监控区域提前规划好的。
进一步地，车辆从中场区域驶入离场区域时，车辆进入离场相机的监控范围内，上述车辆驾驶行为分析方法还包括步骤S400：统计车辆的在通行时间，具体包括：
步骤S410：利用离场相机抓拍识别进入离场区域的车辆的车牌信息，并记录进入离场区域的离场时间。
步骤S420：根据离场相机抓拍识别获得的车牌信息，在卡口相机中搜索相匹配的车辆，获取车辆的进入入场区域的入场时间。
步骤S430：由离场时间和入场时间差值获得车辆在通关监控区域内的行驶时间。
值得说明的是，统计所有车辆在通关监控区域的行驶时间，行驶时间会统计反馈至监控平台和工作人员，以行驶时间作为研究依据，后续可更加合理优化卡口放行前后车辆的时间间隔，使得通关监控区域内不出现车辆拥堵，也不出现因前后放行时间过长而导致通关效率低的现象，合理规划放行频率才能保证高效顺畅的通行管理。
在上述车辆驾驶行为分析方法中，基于卡口相机获取进入监控区域的每一车辆相关的车辆多维信息，并基于全景相机和中场相机对车辆进行跟踪检测，并根据跟踪检测结果和车辆车辆多维信息进行车辆违停、车辆逆行以及车辆是否按照规定路线行驶的分析。该车辆驾驶行为分析方法基于图像处理技术的智能分析方式，相对于人工查验方式更加智能简便、节省人力、有利减少人工作业力度，且智能分析的相机视野代替人眼查看，有利于降低漏检。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本申请的保护范围之内。

Claims (7)

1.一种车辆驾驶行为分析方法，其特征在于，其用于在通关监控区域内进行车辆行为分析，所述通关监控区域包括前后部署的入场区域和中场区域；该车辆驾驶行为分析方法包括：
入场区域车辆信息获取：基于卡口相机获取经过入场区域内的每一通关卡口处的每一车辆的包含车辆安全验放信息的多维车辆信息；
中场区域车辆跟踪：基于全景相机和中场相机进行由入场区域进入中场区域的车辆的跟踪检测；以及
车辆行为分析：基于跟踪检测结果实时判定车辆违停、车辆逆行行为； 针对车辆安全验放信息，分析需安全查验的车辆是否按照验放路线行驶；
其中，所述针对车辆安全验放信息，分析需安全查验的车辆是否按照验放路线行驶，包括：
在全景相机图像的中场区域内划定安全查验区域；
在跟踪检测过程中，监测需安全查验的车辆的中心位置是否进入中场区域中划定的安全查验区域；
若是，且当监测到需安全查验的车辆的中心位置在L帧图像内持续位于安全查验区域内，则安全查验的车辆按照验放路线行驶。
2.如权利要求1所述的车辆驾驶行为分析方法，其特征在于，其中，多维车辆信息还包括车道编号信息、车牌信息和车型信息，将车辆图片和车辆对应的多维车辆信息和存入数据库中，基于全景相机和中场相机进行由入场区域进入中场区域的车辆的跟踪检测，包括：
跟踪编号分配：对自通关卡口初次进入全景相机视野每一车辆标记跟踪编号为Flag1；
跟踪编号和多维车辆信息绑定：当每一车辆自通关卡口初次进入全景相机视野，将车辆的多维车辆信息和跟踪编号Flag1以组合显示框形式绑定显示于全景相机图像的车辆处；
中场区域的车辆跟踪：在全景相机拍摄的全景视野内对每一车辆进行持续跟踪检测，当跟踪成功时保持该车辆的组合显示框内信息，当跟踪失败车辆的时跟踪编号Flag1转变成Flag2；
跟踪失败车辆的信息重匹配：针对跟踪编号Flag2的跟踪失败车辆，进行中场区域的中场相机和全景相机交互或者进行多维特征搜索匹配，重新获取跟踪失败车辆的多维车辆信息并将跟踪失败车辆的跟踪编号Flag2重新标记为Flag1。
3.如权利要求2所述的车辆驾驶行为分析方法，其特征在于，进行中场区域的中场相机和全景相机交互，包括：
利用能够监控到跟踪失败车辆的中场相机对跟踪失败车辆进行车牌抓拍识别，重新获取跟踪失败车辆的车牌信息；
将该跟踪失败车辆的车牌信息和数据库的多维车辆信息进行匹配，重新获取跟踪失败车辆的多维车辆信息；
将跟踪失败车辆的跟踪编号重新标记为Flag1。
4.如权利要求2所述的车辆驾驶行为分析方法，其特征在于，进行多维特征搜索匹配，包括：
提取跟踪失败车辆的多维特征，提取存入数据库的所有车辆的多维特征；
计算跟踪失败车辆的多维特征和数据库的每一车辆的多维特征之间的相似度；
将相似度最高所对应的数据库中车辆的多维车辆信息作为跟踪失败车辆的多维车辆信息；
将跟踪失败车辆的跟踪编号重新标记为Flag1。
5.如权利要求1所述的车辆驾驶行为分析方法，其特征在于，基于跟踪检测结果实时判定车辆违停行为，包括：
当车辆跟踪检测过程监测到一车辆进入划定的违停区域；
获取前后两帧全景相机图像中的该车辆的跟踪检测框；
求解每一帧中跟踪检测框的中心位置以获得该车辆在前一帧图像中该车辆的中心位置P1和该车辆在后一帧图像中该车辆的中心位置P2；
计算中心位置P1和中心位置P2的欧氏距离S；
若是持续m次出现欧式距离S小于距离阈值，则判定该车辆违停。
6.如权利要求1所述的车辆驾驶行为分析方法，其特征在于，基于跟踪检测结果实时判定车辆逆行行为，包括：
以每一车辆在首帧全景相机图像中的车辆中心位置作为初始行驶方向向量D：D=( x1,y1)；
在跟踪检测过程中更新构建变化行驶方向向量D’：D’=( xj－x j+n，yj－y j+n)；
对初始行驶方向向量D0和变化行驶方向向量D’进行点乘计算；
当点乘结果小于0时则判定车辆逆行；
其中，x1和y1分别为首帧全景相机图像中的车辆中心位置的横坐标和纵坐标，j和n均为大于0的正整数，xj和yj分别代表第j帧全景相机图像中车辆中心位置的横坐标和纵坐标，x j+n和y j+n分别代表第j+n帧全景相机图像中车辆中心位置的横坐标和纵坐标。
7.如权利要求1所述的车辆驾驶行为分析方法，其特征在于，通关监控区域还包括由离场相机监控的离场区域，所述入场区域、所述中场区域和所述离场区域依次前后部署，所述车辆驾驶行为分析方法还包括：
利用离场相机抓拍识别进入离场区域的车辆的车牌信息，并记录进入离场区域的离场时间；
根据离场相机抓拍识别获得的车牌信息，在卡口相机中搜索相匹配的车辆，获取车辆的进入入场区域的入场时间；
由离场时间和入场时间差值获得车辆在通关监控区域内的行驶时间。
CN202311384817.9A 2023-10-25 2023-10-25 车辆驾驶行为分析方法 Active CN117116056B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311384817.9A CN117116056B (zh) 2023-10-25 2023-10-25 车辆驾驶行为分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311384817.9A CN117116056B (zh) 2023-10-25 2023-10-25 车辆驾驶行为分析方法

Publications (2)

Publication Number Publication Date
CN117116056A CN117116056A (zh) 2023-11-24
CN117116056B true CN117116056B (zh) 2024-02-02

Family

ID=88795231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311384817.9A Active CN117116056B (zh) 2023-10-25 2023-10-25 车辆驾驶行为分析方法

Country Status (1)

Country Link
CN (1) CN117116056B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009140381A (ja) * 2007-12-10 2009-06-25 Toshiba Corp 料金収受システム、料金収受方法
JP2013151173A (ja) * 2012-01-24 2013-08-08 Narita Airport Security Co Ltd 移動式検査用車両及び検査方法
CN111899522A (zh) * 2020-07-21 2020-11-06 安徽信联建设工程有限公司 道路交通治安卡口监控系统
CN112733598A (zh) * 2020-12-04 2021-04-30 上海眼控科技股份有限公司 车辆违法判别方法、装置、计算机设备和存储介质
CN113570877A (zh) * 2021-06-22 2021-10-29 淮阴工学院 一种非机动车逆行检测装置及检测方法
CN114373303A (zh) * 2022-01-10 2022-04-19 潘学德 移动式模块化公安智能检查站系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009140381A (ja) * 2007-12-10 2009-06-25 Toshiba Corp 料金収受システム、料金収受方法
JP2013151173A (ja) * 2012-01-24 2013-08-08 Narita Airport Security Co Ltd 移動式検査用車両及び検査方法
CN111899522A (zh) * 2020-07-21 2020-11-06 安徽信联建设工程有限公司 道路交通治安卡口监控系统
CN112733598A (zh) * 2020-12-04 2021-04-30 上海眼控科技股份有限公司 车辆违法判别方法、装置、计算机设备和存储介质
CN113570877A (zh) * 2021-06-22 2021-10-29 淮阴工学院 一种非机动车逆行检测装置及检测方法
CN114373303A (zh) * 2022-01-10 2022-04-19 潘学德 移动式模块化公安智能检查站系统

Also Published As

Publication number Publication date
CN117116056A (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
CN109767626B (zh) 一种路边停车巡检方法、系统、巡逻车及服务器
CN105702048B (zh) 基于行车记录仪的高速公路前车违法占道识别系统及方法
WO2019153193A1 (zh) 一种出租车运营监测方法、设备、存储介质和系统
CN106373426A (zh) 基于计算机视觉的停车位及违规占道停车监控方法
CN101848377B (zh) 一种基于云计算及海量视频检索的多视频录入装置智能联动的装置和方法
CN107464446B (zh) 一种垂直车位停车信息的巡检方法及装置
CN108710827B (zh) 一种社区微警务巡查和信息自动分析系统及方法
CN106600977A (zh) 基于多特征识别的违停检测方法及系统
CN110032947B (zh) 一种监控事件发生的方法及装置
CN101231756A (zh) 运动目标阴影检测方法及装置
CN102855508B (zh) 敞开式校园防尾随系统
CN106529401A (zh) 一种车辆反跟踪方法、装置及系统
CN104899880A (zh) 一种公交车辆车门开闭状态自动检测方法
CN112509325B (zh) 一种基于视频深度学习的非现场违法自动甄别方法
CN109410628A (zh) 路内泊位的状态检测方法、系统及其数据处理装置
CN116994428B (zh) 一种基于参数变化率的交叉口进口道交通事故辨识方法
CN113239854A (zh) 一种基于深度学习的船舶身份识别方法及系统
CN115600124A (zh) 地铁隧道巡检系统及巡检方法
CN117037084A (zh) 基于轨迹重建的收费站车辆异常行为识别方法及装置
CN111768630A (zh) 一种违章废图检测方法、装置及电子设备
CN117116056B (zh) 车辆驾驶行为分析方法
EP3244344A1 (en) Ground object tracking system
CN113989715A (zh) 车辆违停检测方法、装置、电子设备及存储介质
CN116935659B (zh) 一种高速服务区卡口车辆稽核系统及其方法
CN114863372A (zh) 一种泊车管理方法、泊车管理装置和计算机可读存储介质

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
GR01 Patent grant
GR01 Patent grant