CN110298300A - 一种检测车辆违章压线的方法 - Google Patents

一种检测车辆违章压线的方法 Download PDF

Info

Publication number
CN110298300A
CN110298300A CN201910565608.1A CN201910565608A CN110298300A CN 110298300 A CN110298300 A CN 110298300A CN 201910565608 A CN201910565608 A CN 201910565608A CN 110298300 A CN110298300 A CN 110298300A
Authority
CN
China
Prior art keywords
crimping
lane line
frame
vehicle
video
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.)
Granted
Application number
CN201910565608.1A
Other languages
English (en)
Other versions
CN110298300B (zh
Inventor
姜晓燕
于润润
黎阳
方志军
朱凯赢
熊玉洁
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.)
Shanghai University of Engineering Science
Original Assignee
Shanghai University of Engineering Science
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 Shanghai University of Engineering Science filed Critical Shanghai University of Engineering Science
Priority to CN201910565608.1A priority Critical patent/CN110298300B/zh
Publication of CN110298300A publication Critical patent/CN110298300A/zh
Application granted granted Critical
Publication of CN110298300B publication Critical patent/CN110298300B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • 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
    • G06V20/63—Scene text, e.g. street names
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种检测车辆违章压线的方法，包括如下步骤：读入视频，并抽取所述视频中的视频帧；通过基于深度学***投影技术对所述感兴趣区域中所压车道线进行实虚线判断；如果确定所述压线为实线，则判断为违章压线，进行违章取证和车牌识别及信息存储。与现有技术相比，本发明适用于可移动设备，能覆盖任意监控范围，且在各种天气、光照环境下具有高鲁棒性的违章压线检测性能。

Description

一种检测车辆违章压线的方法
技术领域
本发明是涉及一种检测车辆违章压线的方法，具体说，是涉及一种基于深度学习的目标检测和图像语义分割技术检测车辆违章压线的方法，属于计算机视觉检测技术领域。
背景技术
随着生活水平的提高，道路上的车辆相应增多，违章压线也随之增加。而违章压线不仅妨碍了广大车友的正常出行，还增加了事故率。这对检测车辆违章压线的相关研究提出了更多的技术需求。
现有技术采用的检测方法为：先使用一定先验知识划定感兴趣区，再使用边缘检测和霍夫变换拟合出车道线，最后通过判断车道线区域是否有车辆来判断是否压线。但是，在不同天气、光照的应用场景中，这种方法会出现较大误差。另外，现有技术为了判断实虚线，都会使用投影变换，需将图片转换成“鸟瞰图”，这种技术需要摄像机的标定参数，检测过程相对繁琐，并且误差较大，不具备良好的鲁棒性。
发明内容
针对现有技术存在的上述问题和需求，本发明的目的是提供一种可适用于各种天气和光照环境下、且具有良好鲁棒性的检测车辆违章压线的方法。
为实现上述目的，本发明采用的技术方案如下：
一种检测车辆违章压线的方法，包括如下步骤：
S1、读入电子摄像设备所采集的与车辆行驶相关的视频，并抽取所述视频中的视频帧；
S2、通过基于深度学习的目标检测技术对所述视频帧进行车辆检测，获得车辆检测图；
S3、通过基于深度学习的图像语义分割技术对所述视频帧进行车道线分割并进行车道线后处理，获得车道线分割图；
S4、融合步骤S2所获得的车辆检测图和步骤S3所获得的车道线分割图，获得融合图像，并进行压线判断；
S5、确定压线帧中的感兴趣区域，应用水平投影技术对所述感兴趣区域中所压车道线进行实虚线判断；
S6、如果确定所述压线为实线，则判断为违章压线，进行违章取证和车牌识别及信息存储。
一种优选方案，步骤S2采用YOLO v3算法进行车辆检测，所述车辆检测图包括车辆在视频帧中回归出的矩形框，该矩形框对应检测车辆在图像中的回归位置。
进一步优选方案，使用矩形框的左上角和右下角这两个坐标确定检测车辆的具***置。
进一步优选方案，使用矩形框的下底边中点作为压线触发位置。
一种优选方案，步骤S3采用SCNN语义分割网络进行车道线分割。
一种优选方案，步骤S3中的车道线后处理包括边缘检测、图像形态学膨胀和基于阈值的判断和输出，其中，所述图像形态学膨胀是通过增加膨胀算子将图像断点连通，所述基于阈值的判断和输出是基于两帧车道线象素之间的差值与阈值的比较判断车道线是否丢失。
进一步优选方案，所述边缘检测采用Canny算子检测方法。
进一步优选方案，基于两帧车道线象素之间的差值与阈值的比较判断是否丢失掉车道线的操作过程为：统计与各视频帧对应的各车道线分割图中车道线的象素点个数，判断与当前帧对应的车道线分割图中所统计的象素点个数和与上一帧对应的车道线分割图中所统计的象素点个数的差值是否大于阈值，如果为是，就使与上一帧对应的车道线分割图覆盖与当前帧对应的车道线分割图并输出与上一帧对应的车道线分割图，如果为否，就输出与当前帧对应的车道线分割图。
进一步优选方案，所述阈值选用象素点统计总数的2.6％～5％的数值。
一种优选方案，步骤S4的操作包括：统一所述车辆检测图和所述车道线分割图的大小，如果车辆中心出现在车道线分割图上，就判断为出现压线行为；在车道线分割图上获得压线判断坐标位置的象素值，如果所述压线判断坐标位置的象素值满足设定条件，则判断为压线，否则为不压线。
一种优选方案，步骤S5中所述的感兴趣区域为左拐压线区域或右拐压线区域，是以压线判断点在视频中点的左边或右边进行确定。
一种优选方案，步骤S5对压线帧中的感兴趣区域的确定过程为：依据压线判断点在视频中点的左边或右边，获取相应感兴趣区域的原图并且进行灰度化、自适应灰度拉伸、并进行二值化处理，留下车道线。
进一步优选方案，步骤S5应用水平投影技术对所述感兴趣区域中所压车道线进行实虚线判断的过程包括：使用水平投影统计所述融合图像中每行象素值大小等于255的象素点个数；将各行统计结果存放到列表的相应位置中；当所述列表中某一行的象素点个数大于车道线的宽度阈值时，就认为该行存在车道线，否则认为该行是不存在车道线的空白区域；以及通过以下选项中的至少一项来确定所述压线帧中的压线为虚线：所述列表的第一行为空白区域、所述列表的中间行为空白区域、所述列表中至少两段离散区域存在车道线、所述车道线的连续长度小于或等于设定的长度阈值。
相比较于现有技术，本发明具有如下有益效果：
由于本发明通过融合基于深度学习的目标检测网络和基于深度学习的图像语义分割网络分别输出的信息，可在二维图像上去判断是否压线，不需要检测车辆的全部语义信息，且不使用运动轨迹，是随着视频实时判定压线，尤其是，本发明不仅可以检测压线，还能进行实虚线判断，对是否违章压线做出准确分析；不仅可适用于各种天气、光照环境，而且鲁棒性好；因此，本发明相对于现有技术具有显著进步性，对抑制不文明开车和违章压线行为具有重要价值。
附图说明
图1是本发明实施例提供的一种检测车辆违章压线的方法的流程图；
图2是本发明实施例提供的车道线后处理的流程图；
图3是本发明实施例进行车道线前后处理的实例对比图；
图4是本发明实施例进行压线时车道线前后处理的实例对比图；
图5是本发明实施例提供的感兴趣区域模板设置流程图；
图6是本发明实施例提供的感兴趣区域设置的示意图；
图7是本发明实施例提供的水平投影后的判断过程图；
图8是本发明实施例提供的实虚线判断流程图；
图9是本发明实施例提供的实虚线实景图；
图10是本发明实施例提供的晴天车辆压实线的实景图；
图11是本发明实施例提供的晴天车辆压虚线的实景图；
图12是本发明实施例提供的雨天车辆压实线的实景图。
具体实施方式
以下结合附图对本发明进行详细描述。需要说明的是，只要不构成冲突，本发明中的各个方面中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
实施例
请参阅图1所示，本实施例所述的检测车辆违章压线的方法，包括如下步骤：
S1、读入电子摄像设备所采集的与车辆行驶相关的视频，并抽取所述视频中的视频帧；如果上述抽取视频帧的操作失败，则继续读入视频；如果抽取视频帧成功，则分别执行步骤S2和S3；
S2、通过基于深度学习的目标检测技术对所述视频帧进行车辆检测，获得车辆检测图；
S3、通过基于深度学习的图像语义分割技术对所述视频帧进行车道线分割并进行车道线后处理，获得车道线分割图；
S4、融合步骤S2所获得的车辆检测图和步骤S3所获得的车道线分割图，获得融合图像，并进行压线判断；如果压线判断为没有压线，则继续读入视频；如果有压线，则执行步骤S5；
S5、确定压线帧中的感兴趣区域，应用水平投影技术对所述感兴趣区域中所压车道线进行实虚线判断；
S6、如果确定所述压线为实线，则判断为违章压线，进行违章取证和车牌识别及信息存储；如果确定该压线为虚线，则不作处理，并且继续读入电子摄像设备所采集的与车辆行驶相关的视频，并重复上述操作。
上述电子摄像设备可以是安装于固定位置的、包括摄像装置的抓拍设备，该抓拍设备可以在该固定位置处检测车辆违章压线，进一步地，该抓拍设备可以通过自转、俯仰、平移等操作来扩大拍摄视野、改进拍摄效果；该电子摄像设备可以是包括摄像装置的便携式电子摄像设备，比如手机，行人通过手机拍摄可以便捷而实时地检测车辆违章压线；该电子摄像设备还可以是包括摄像装置的行车记录仪，相比较于驾驶员有意避开的、安装于固定位置的摄像装置，行车记录仪安装于众多行驶的车辆中，使得驾驶员基本无法避开拍摄，并且，通过使用和采集便携式电子摄像设备和/或众多车辆的行车记录仪等，一方面可以充分地利用这种动态而随机获取的海量数据以在更大范围内判断违章压线和维护交通安全，另一方面对于培育全民共同维护和监督交通安全的意识等方面具有重要意义。
通过深度学习方法，可适用于不同天气、光照等多种场景。采用YOLO v3算法(AnIncremental Improvement)进行车辆检测，不仅处理速度非常快，而且检测准确率非常高；所述车辆检测图包括车辆在视频帧中回归出的矩形框，该矩形框对应检测车辆在图像中的回归位置。关于“回归”，如本领域所知，为机器学习的一种任务，比如，深度学习的目标检测技术先训练好车辆检测网络，接着视频帧的图片数据经过该网络，该网络则会预测出(或称“回归出”)车辆在视频帧中的位置。可选地，可以使用矩形框的左上角和右下角这两个坐标来确定车辆的具***置。
另外，本发明采用SCNN(Spatial As Deep:Spatial CNN for Traffic SceneUnderstanding)语义分割网络进行车道线分割，该SCNN网络使用了新颖的Spatial CNN。SCNN网络通过在深层特征图进行不同方向的卷积，从而做到特征在行和列方向上的传递。相比于CRFNet等使用大卷积核来学习图片空间信息的方法，该方法可以有效的对图像中具有强连续结构或者较大物体进行特征提取，例如车道线，电线杆和大型卡车等，并且该方法在计算量较小的情况下有一个很好的检测结果。
步骤S3中的车道线后处理包括边缘检测、图像形态学膨胀和基于阈值的判断和输出，其中，所述边缘检测采用Canny算子，所述图像形态学膨胀是通过增加膨胀算子将图像断点连通，所述基于阈值(比如全局可调阈值，该全局可调阈值指，阈值的设定使用全局量的百分比来作为阈值，而不是使用固定值来作为阈值)的判断和输出是基于两帧车道线象素之间的差值与阈值的比较判断车道线是否丢失，具体而言，如图2所示，判断通过图像形态学膨胀处理后的车道线分割图是否对应为奇数帧，如果为奇数帧，就存入列表第一位，否则就存入列表第二位。统计与各视频帧对应的各车道线分割图中车道线的象素点个数，判断与当前帧对应的车道线分割图中所统计的象素点个数和与上一帧对应的车道线分割图中所统计的象素点个数的差值是否大于一个阈值(使用象素点统计总数的2.6％～5％的数值设为阈值)，如果为是，就判断出存在诸如车辆压线等造成的车道线丢失情形，接着就使与上一帧对应的车道线分割图覆盖与当前帧对应的车道线分割图并输出与上一帧对应的车道线分割图；如果为否，就判断出不存在诸如车辆压线等造成的车道线丢失情形，接着就输出与当前帧对应的车道线分割图。
步骤S4的具体操作包括：统一所述车辆检测图和所述车道线分割图的大小，如果车辆中心出现在车道线分割图上，就判断为出现压线行为；在车道线分割图上获得压线判断坐标位置的象素值，如果所述压线判断坐标位置的象素值满足设定条件(比如判断该该象素值是否等于255)，则判断为压线，否则为不压线。其中，车辆中心可以为关联车辆位置的矩形框的几何中心点、矩形框的下底边的中点、或者由各国相关交通法规所规定的压线时车辆上所对应的特定点；可选地，从检测的便捷性和准确性角度考虑，在电子摄像设备(如固定安装于高处的摄像装置、位于高处拍摄的手机)俯视车辆时可以将车辆的特定点关联该矩形框的几何中心点或其下底边的中点，可以在电子摄像设备(如该车辆后方的行车记录仪)位于车辆水平后方时可以将车辆的特定点关联该矩形框下底边的中点。此外，在电子摄像设备与车辆之间超过一定距离后，不检测车辆违章压线。根据对各类电子摄像设备的多项试验以及误检概率统计，优选地，该一定距离为23米，即，超过23米后误检概率显著增大。
图3为本发明实施例进行车道线前后处理的实例对比图。其中，图3a和3b为电子摄像设备先后拍摄的车道线的图示，图3c为未对车道线分割图进行后处理的图示，图3d为已经对车道线分割图进行后处理的图示；图4为本发明实施例进行压线时车道线前后处理的实例对比图。其中，图4a为电子摄像设备拍摄的车辆压线的图示，图4b为未对压线情形的车道线分割图进行后处理的图示，图4c为对压线情形的车道线分割图进行后处理的图示，其中图4b和4c中标记的线段110和120示意为车辆，其经过如上描述的特定点。由图3和图4可见，本发明对车道线的处理结果准确可靠。
图5示意了感兴趣区域模板的设置。确定压线判断坐标位置(也可称为压线点坐标)，判断压线点是否在视频帧或视频图片中点的一侧(如左侧)，如果是，则确定一侧压线区域为感兴趣区域(如左拐压线区域，或称为左拐感兴趣区)，如果否，则确定另一侧压线区域为感兴趣区域(如右拐压线区域，或称为右拐感兴趣区)。可以将融合图像的原图的图像转化为灰度图像，然后裁剪出该感兴趣区域。
图6示意了感兴趣区域的设置。可以将感兴趣区域设置为两块，即与示意车辆210关联的左拐感兴趣区220和与示意车辆230关联的右拐感兴趣区240，以应对两个方向的压线，其中，左拐感兴趣区220在视频帧或视频图片中点的左侧，而右拐感兴趣区240在视频帧或视频图片中点的右侧。并且，为了适用于任何大小的视频输入，感兴趣区域的大小可以设置成输入视频图片尺寸的一定比例。优选地，考虑到车辆的影子对车道线的影响，可以将感兴趣区域向下移动一定的距离，如图6清楚地示意，左拐感兴趣区220关于示意车辆210向下移动一定距离，而右拐感兴趣区230关于示意车辆240向下移动一定距离。
图7和图8分别示意了水平投影技术和实虚线判断。在确定感兴趣区后，获得左拐压线区域和/或右拐压线区域内中融合图像的原图，可以对该原图进行灰度化而转换为灰度图像(也如图5中所示)，并且可以自适应灰度拉伸以适应不同天气和环境，进一步地，可以对该原图或视频帧进行二值化处理，以留下车道线。确定压线帧中的感兴趣区域后，应用水平投影技术进行感兴趣区域中所压车道线是否实虚线的判断。具体而言，使用水平投影统计融合图像中每行象素值大小等于255的象素点个数，将各行统计结果存放到列表的相应位置中，当该列表中某一行的象素点个数大于车道线的宽度阈值时，就认为该行存在车道线，否则认为该行是不存在车道线的空白区域。在滤除噪声后进行实虚线的具体判断，可以通过以下选项中的至少一项来确定压线帧中的压线为虚线：列表的第一行为空白区域(即列表起始不存在车道线)、列表中至少两段离散区域存在车道线(即列表中并非只有一段连续区域存在车道线)、并且车道线的连续长度小于或等于设定的长度阈值(比如，列表结束位置与起始位置的差小于或等于长度阈值，该长度阈值比如小于或等于感兴趣区域宽度或者长度的百分之六十)；可选地，还可以通过以下一项来确定压线帧中的压线为虚线：列表的中间行为空白区域(比如列表存在没有车道线区域)。并且，可以通过以下选项中的一项、多项或者所有项来确定压线帧中的压线为实线：列表的第一行不是空白区域(即列表起始存在车道线)、列表的中间行不存在空白区域(比如列表不存在没有车道线区域)、列表中只有一段连续区域存在车道线、并且车道线的连续长度大于设定的上述长度阈值；其中，通过上述选项中的多项或者所有项来确定压线帧中的压线为实线，可以尽量防止误检和误判，从而避免给车辆驾驶人员和交通维护人员造成相关干扰。如图8所示的实例，可以在对“列表存在没有车道线区域”作出否定判断后而直接确定压线帧中的压线为实线。图7中，图片7a示意了车道线和空白区域，图片7b示意了两段离散区域处存在车道线，图片7c示意了只有一段连续区域存在车道线。
图9示意的是实虚线实景图，其中，图片9a示意了光照条件极差(比如夜间)时的实线，图片9b示意了光照条件较好(比如晴朗的白天)时的实线，图片9c示意了光照条件较差(比如阴雨天)时的一段虚线，图片9d示意了光照条件较好(比如晴朗的白天)时的一段虚线，图片9e示意了光照条件较差(比如阴雨的白天)时的两段虚线，图片9f示意了光照条件较好(比如晴朗的白天)时的两段虚线。
图10示意的是晴朗白天时车辆压实线的实景图；图11示意的是晴朗白天时车辆压虚线的实景图；图12示意的是阴雨白天时车辆压实线的实景图。
如果确定该压线为实线，就保存压线帧和/或触发告警，可选地，对视频帧中的车牌进行识别，并且保存该车牌信息，可选地，通过网络向相关数据库或平台发送告警，可选地，通过车辆互联网络向压线车辆发送告警；然后，继续读入电子摄像设备所采集的与车辆行驶相关的视频，并重复上述操作，如图1所示。如果确定该压线为虚线，则不作处理，并且继续读入电子摄像设备所采集的与车辆行驶相关的视频，并重复上述操作，如图1所示。
最后有必要在此指出的是：以上所述仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种检测车辆违章压线的方法，其特征在于，包括如下步骤：
S1、读入电子摄像设备所采集的与车辆行驶相关的视频，并抽取所述视频中的视频帧；
S2、通过基于深度学习的目标检测技术对所述视频帧进行车辆检测，获得车辆检测图；
S3、通过基于深度学习的图像语义分割技术对所述视频帧进行车道线分割并进行车道线后处理，获得车道线分割图；
S4、融合步骤S2所获得的车辆检测图和步骤S3所获得的车道线分割图，获得融合图像，并进行压线判断；
S5、确定压线帧中的感兴趣区域，应用水平投影技术对所述感兴趣区域中所压车道线进行实虚线判断；
S6、如果确定所述压线为实线，则判断为违章压线，进行违章取证和车牌识别及信息存储。
2.如权利要求1所述的方法，其特征在于：步骤S2采用YOLO v3算法进行车辆检测，所述车辆检测图包括车辆在视频帧中回归出的矩形框，该矩形框对应检测车辆在图像中的回归位置。
3.如权利要求2所述的方法，其特征在于：使用矩形框的左上角和右下角这两个坐标确定检测车辆的具***置。
4.如权利要求1所述的方法，其特征在于：步骤S3采用SCNN语义分割网络进行车道线分割。
5.如权利要求1所述的方法，其特征在于：步骤S3中的车道线后处理包括边缘检测、图像形态学膨胀和基于阈值的判断和输出，其中，所述图像形态学膨胀是通过增加膨胀算子将图像断点连通，所述基于阈值的判断和输出是基于两帧车道线象素之间的差值与阈值的比较判断车道线是否丢失。
6.如权利要求5所述的方法，其特征在于，基于两帧车道线象素之间的差值与阈值的比较判断是否丢失掉车道线的操作过程为：统计与各视频帧对应的各车道线分割图中车道线的象素点个数，判断与当前帧对应的车道线分割图中所统计的象素点个数和与上一帧对应的车道线分割图中所统计的象素点个数的差值是否大于阈值，如果为是，就使与上一帧对应的车道线分割图覆盖与当前帧对应的车道线分割图并输出与上一帧对应的车道线分割图，如果为否，就输出与当前帧对应的车道线分割图。
7.如权利要求1所述的方法，其特征在于，步骤S4的操作包括：统一所述车辆检测图和所述车道线分割图的大小，如果车辆中心出现在车道线分割图上，就判断为出现压线行为；在车道线分割图上获得压线判断坐标位置的象素值，如果所述压线判断坐标位置的象素值满足设定条件，则判断为压线，否则为不压线。
8.如权利要求1所述的方法，其特征在于：步骤S5中所述的感兴趣区域为左拐压线区域或右拐压线区域，是以压线判断点在视频中点的左边或右边进行确定。
9.如权利要求1所述的方法，其特征在于：步骤S5对压线帧中的感兴趣区域的确定过程为：依据压线判断点在视频中点的左边或右边，获取相应感兴趣区域的原图并且进行灰度化、自适应灰度拉伸、并进行二值化处理，留下车道线。
10.如权利要求1所述的方法，其特征在于，步骤S5应用水平投影技术对所述感兴趣区域中所压车道线进行实虚线判断的过程包括：使用水平投影统计所述融合图像中每行象素值大小等于255的象素点个数；将各行统计结果存放到列表的相应位置中；当所述列表中某一行的象素点个数大于车道线的宽度阈值时，就认为该行存在车道线，否则认为该行是不存在车道线的空白区域；以及通过以下选项中的至少一项来确定所述压线帧中的压线为虚线：所述列表的第一行为空白区域、所述列表的中间行为空白区域、所述列表中至少两段离散区域存在车道线、所述车道线的连续长度小于或等于设定的长度阈值。
CN201910565608.1A 2019-06-27 2019-06-27 一种检测车辆违章压线的方法 Active CN110298300B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910565608.1A CN110298300B (zh) 2019-06-27 2019-06-27 一种检测车辆违章压线的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910565608.1A CN110298300B (zh) 2019-06-27 2019-06-27 一种检测车辆违章压线的方法

Publications (2)

Publication Number Publication Date
CN110298300A true CN110298300A (zh) 2019-10-01
CN110298300B CN110298300B (zh) 2022-11-22

Family

ID=68028991

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910565608.1A Active CN110298300B (zh) 2019-06-27 2019-06-27 一种检测车辆违章压线的方法

Country Status (1)

Country Link
CN (1) CN110298300B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111382704A (zh) * 2020-03-10 2020-07-07 北京以萨技术股份有限公司 基于深度学习的车辆压线违章判断方法、装置及存储介质
CN112687103A (zh) * 2020-12-23 2021-04-20 安徽中科美络信息技术有限公司 基于车联网技术的车辆变道的检测方法及***
CN113076851A (zh) * 2021-03-29 2021-07-06 开易（北京）科技有限公司 一种车辆违章数据的采集方法、装置以及计算机设备
WO2021142944A1 (zh) * 2020-01-13 2021-07-22 南京新一代人工智能研究院有限公司 车辆行为识别方法、装置
CN113487878A (zh) * 2021-07-12 2021-10-08 重庆长安新能源汽车科技有限公司 一种机动车违章压线行驶检测方法及***
CN114023072A (zh) * 2021-05-31 2022-02-08 合肥中科类脑智能技术有限公司 一种车辆违章监测***、方法及计算机可读存储介质
CN114187758A (zh) * 2021-10-18 2022-03-15 中标慧安信息技术股份有限公司 基于智能道路边缘计算网关的车辆检测方法和***
EP3955218A3 (en) * 2021-01-25 2022-04-20 Beijing Baidu Netcom Science Technology Co., Ltd. Lane line detection method and apparatus, electronic device, computer storage medium, and computer program product
CN114782904A (zh) * 2022-04-26 2022-07-22 平安普惠企业管理有限公司 车辆压实线检测方法、装置、设备及存储介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006260358A (ja) * 2005-03-18 2006-09-28 Honda Elesys Co Ltd 車線認識装置
JP2008101985A (ja) * 2006-10-18 2008-05-01 Xanavi Informatics Corp 車載装置
CN102208019A (zh) * 2011-06-03 2011-10-05 东南大学 基于车载摄像机的车辆变道检测方法
CN102622886A (zh) * 2012-03-23 2012-08-01 长安大学 一种基于视频的车辆违章变道事件检测方法
CN102629326A (zh) * 2012-03-19 2012-08-08 天津工业大学 一种基于单目视觉的车道线检测方法
CN104029633A (zh) * 2014-06-16 2014-09-10 国通道路交通管理工程技术研究中心有限公司 一种监管重点运输车辆违法跨线超车的方法及***
CN104408460A (zh) * 2014-09-17 2015-03-11 电子科技大学 一种车道线检测及跟踪检测方法
CN105005771A (zh) * 2015-07-13 2015-10-28 西安理工大学 一种基于光流点轨迹统计的车道线实线的检测方法
US20160034778A1 (en) * 2013-12-17 2016-02-04 Cloud Computing Center Chinese Academy Of Sciences Method for detecting traffic violation
CN106023596A (zh) * 2016-07-21 2016-10-12 北京奇虎科技有限公司 基于行车视频的车辆违章检测方法、装置及***
CN107301777A (zh) * 2016-11-25 2017-10-27 上海炬宏信息技术有限公司 基于视频检测技术的车辆违章变道检测方法
CN107563310A (zh) * 2017-08-16 2018-01-09 电子科技大学 一种违章变道检测方法
CN108665712A (zh) * 2018-07-02 2018-10-16 大连海事大学 一种车辆越线违章行为监测方法及***
CN109740420A (zh) * 2018-11-22 2019-05-10 深圳市华尊科技股份有限公司 车辆违法识别方法及相关产品

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006260358A (ja) * 2005-03-18 2006-09-28 Honda Elesys Co Ltd 車線認識装置
JP2008101985A (ja) * 2006-10-18 2008-05-01 Xanavi Informatics Corp 車載装置
CN102208019A (zh) * 2011-06-03 2011-10-05 东南大学 基于车载摄像机的车辆变道检测方法
CN102629326A (zh) * 2012-03-19 2012-08-08 天津工业大学 一种基于单目视觉的车道线检测方法
CN102622886A (zh) * 2012-03-23 2012-08-01 长安大学 一种基于视频的车辆违章变道事件检测方法
US20160034778A1 (en) * 2013-12-17 2016-02-04 Cloud Computing Center Chinese Academy Of Sciences Method for detecting traffic violation
CN104029633A (zh) * 2014-06-16 2014-09-10 国通道路交通管理工程技术研究中心有限公司 一种监管重点运输车辆违法跨线超车的方法及***
CN104408460A (zh) * 2014-09-17 2015-03-11 电子科技大学 一种车道线检测及跟踪检测方法
CN105005771A (zh) * 2015-07-13 2015-10-28 西安理工大学 一种基于光流点轨迹统计的车道线实线的检测方法
CN106023596A (zh) * 2016-07-21 2016-10-12 北京奇虎科技有限公司 基于行车视频的车辆违章检测方法、装置及***
CN107301777A (zh) * 2016-11-25 2017-10-27 上海炬宏信息技术有限公司 基于视频检测技术的车辆违章变道检测方法
CN107563310A (zh) * 2017-08-16 2018-01-09 电子科技大学 一种违章变道检测方法
CN108665712A (zh) * 2018-07-02 2018-10-16 大连海事大学 一种车辆越线违章行为监测方法及***
CN109740420A (zh) * 2018-11-22 2019-05-10 深圳市华尊科技股份有限公司 车辆违法识别方法及相关产品

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
汪澎等: "基于信息融合的车辆险态运行模式评价研究", 《交通信息与安全》 *
胡鹏: "基于机器视觉的交通压线判别方法研究", 《中国优秀硕士学位论文全文数据库（电子期刊）》 *
邱康等: "基于车载视频的压线检测与车道偏移预警", 《信息技术与网络安全》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021142944A1 (zh) * 2020-01-13 2021-07-22 南京新一代人工智能研究院有限公司 车辆行为识别方法、装置
CN111382704A (zh) * 2020-03-10 2020-07-07 北京以萨技术股份有限公司 基于深度学习的车辆压线违章判断方法、装置及存储介质
CN111382704B (zh) * 2020-03-10 2023-12-15 以萨技术股份有限公司 基于深度学习的车辆压线违章判断方法、装置及存储介质
CN112687103A (zh) * 2020-12-23 2021-04-20 安徽中科美络信息技术有限公司 基于车联网技术的车辆变道的检测方法及***
EP3955218A3 (en) * 2021-01-25 2022-04-20 Beijing Baidu Netcom Science Technology Co., Ltd. Lane line detection method and apparatus, electronic device, computer storage medium, and computer program product
US11741726B2 (en) 2021-01-25 2023-08-29 Beijing Baidu Netcom Science Technology Co., Ltd. Lane line detection method, electronic device, and computer storage medium
CN113076851A (zh) * 2021-03-29 2021-07-06 开易（北京）科技有限公司 一种车辆违章数据的采集方法、装置以及计算机设备
CN113076851B (zh) * 2021-03-29 2024-05-14 开易（北京）科技有限公司 一种车辆违章数据的采集方法、装置以及计算机设备
CN114023072A (zh) * 2021-05-31 2022-02-08 合肥中科类脑智能技术有限公司 一种车辆违章监测***、方法及计算机可读存储介质
CN113487878A (zh) * 2021-07-12 2021-10-08 重庆长安新能源汽车科技有限公司 一种机动车违章压线行驶检测方法及***
CN114187758A (zh) * 2021-10-18 2022-03-15 中标慧安信息技术股份有限公司 基于智能道路边缘计算网关的车辆检测方法和***
CN114782904A (zh) * 2022-04-26 2022-07-22 平安普惠企业管理有限公司 车辆压实线检测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN110298300B (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
CN110298300A (zh) 一种检测车辆违章压线的方法
CN109460709B (zh) 基于rgb和d信息融合的rtg视觉障碍物检测的方法
CN102765365B (zh) 基于机器视觉的行人检测方法及行人防撞预警***
CN104331910B (zh) 一种基于机器视觉的轨道障碍物检测***
CN101303735B (zh) 探测车辆盲点区域内运动物体的方法及盲点探测装置
CN103714363B (zh) 一种机动车尾气烟度视频识别***
EP1796043B1 (en) Object detection
CN112800860B (zh) 一种事件相机和视觉相机协同的高速抛撒物检测方法和***
CN106297278A (zh) 一种用于查询抛洒物车辆的方法和***
CN106980855B (zh) 交通标志快速识别定位***及方法
CN105404857A (zh) 一种基于红外的夜间智能车前方行人检测方法
CN111626170B (zh) 一种铁路边坡落石侵限检测的图像识别方法
CN112686923A (zh) 一种基于双阶段卷积神经网络的目标跟踪方法及***
CN104115204B (zh) 立体物检测装置
CN110619674B (zh) 用于事故和警情场景还原的三维增强现实设备及方法
CN102496281A (zh) 一种基于跟踪与虚拟线圈结合的车辆闯红灯检测方法
CN112329747A (zh) 基于视频识别和深度学习的车辆参数检测方法及相关装置
CN114248819B (zh) 基于深度学习的铁路侵限异物无人机检测方法、装置及***
JP2023104982A (ja) 事故分析装置
CN107506753B (zh) 一种面向动态视频监控的多车辆跟踪方法
CN106530825A (zh) 基于st‑mrf模型的电动自行车与汽车交通冲突检测方法
Chiu et al. Real-time traffic light detection on resource-limited mobile platform
CN112070039A (zh) 一种基于哈希编码的车辆碰撞检测方法及***
Wang et al. An improved hough transform method for detecting forward vehicle and lane in road
CN105320928A (zh) 对象物识别装置

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