WO2020000251A1 - 基于摄像机协同接力的路口违章视频识别方法 - Google Patents

基于摄像机协同接力的路口违章视频识别方法 Download PDF

Info

Publication number
WO2020000251A1
WO2020000251A1 PCT/CN2018/093082 CN2018093082W WO2020000251A1 WO 2020000251 A1 WO2020000251 A1 WO 2020000251A1 CN 2018093082 W CN2018093082 W CN 2018093082W WO 2020000251 A1 WO2020000251 A1 WO 2020000251A1
Authority
WO
WIPO (PCT)
Prior art keywords
lane
camera
image
vehicle
target vehicle
Prior art date
Application number
PCT/CN2018/093082
Other languages
English (en)
French (fr)
Inventor
王文成
董义华
台流臣
Original Assignee
潍坊学院
山东智软信息科技有限公司
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 潍坊学院, 山东智软信息科技有限公司 filed Critical 潍坊学院
Priority to CN201880005493.4A priority Critical patent/CN110178167B/zh
Priority to PCT/CN2018/093082 priority patent/WO2020000251A1/zh
Publication of WO2020000251A1 publication Critical patent/WO2020000251A1/zh

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • 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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • 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
    • 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
    • G06V2201/08—Detecting or categorising vehicles

Definitions

  • the present invention relates to the field of image processing technology, and in particular, to a method for recognizing intersection violation videos based on the coordinated relay of cameras.
  • the object of the present invention is to overcome the shortcomings of the prior art and provide a method for identifying illegal video at intersections based on the cooperative relay of cameras.
  • a method for identifying an illegal video at an intersection based on a cooperative relay of cameras including:
  • Step S1 demarcate the lane line and identify the lane indicator
  • Step S2 Perform target vehicle detection according to the image collected by the first camera, and determine the lane where the target vehicle is located;
  • Step S3 identify whether the target vehicle has changed lanes illegally according to the lane where the target vehicle is located and the vehicle running track.
  • step S1 the process of calibrating lane lines in step S1 is:
  • the first camera collects road surface images, and the image acquisition area is a solid line area before reaching the intersection;
  • the image is divided into different areas based on the lane lines, and the lane attributes and lane area coordinate ranges of each area are labeled.
  • the preprocessing the acquired images includes:
  • Gaussian smoothing is performed on the grayscale image.
  • the process of detecting the target vehicle in step S2 includes:
  • r n-1 (i, j), r n (i, j), and r n + 1 (i, j) represent the n-1 frame, n frame, and n + 1 frame at (i, j), respectively.
  • pixel values at; ⁇ (n-1) and ⁇ (n + 1) represent the difference between two frame images adjacent; T is a threshold value; weights x i and y i represents the target area coordinates, G i is a pixel weight , G is the number of pixels.
  • the method further includes: assigning a unique ID number to the detected target vehicle.
  • the process of tracking the target vehicle in step S2 includes:
  • Step S21 Use the Kalman filter algorithm to predict the rough position of the moving target at time k;
  • Step S22 Use the mean shift algorithm to find the true position of the moving target at time k by obtaining the optimal solution
  • Step S24 Repeat steps S21 to S23 until the image sequence ends;
  • the set of tracking positions obtained in step S23 is the running trajectory of the target vehicle.
  • step S2 the process of identifying whether the target vehicle changes lanes in step S2 is:
  • the vehicle If the abscissa value of any point in the vehicle's running trajectory is greater than the maximum value of the abscissa in the lane area, or smaller than the minimum value of the abscissa in the lane area, the vehicle is considered to have changed lanes illegally.
  • the method further includes: performing retrograde detection of the target vehicle on the acquired image, the specific process is:
  • the target vehicle running trajectory If the ordinate change trend in the running trajectory is not consistent with the ordinate change trend during normal driving, the target vehicle is considered to have reverse driving violations.
  • the method further includes: performing a target vehicle overspeed detection on the acquired image, and the specific process is:
  • the time taken by the target vehicle to pass through the collection area can be obtained;
  • v is greater than the maximum speed limit of the road segment, the target vehicle is considered to be overspeed.
  • the method further includes: detecting the captured image of the non-motorized lane occupied by the target vehicle, and the specific process is:
  • the non-motorized lane area has its corresponding coordinate range, and the set of coordinate points within the coordinate range is represented by R N ;
  • the target vehicle is considered to have occupied a non-motorized lane.
  • the method further includes: the second camera collects an image of the intersection area, and the image collected by the second camera and the image collected by the first camera have a partially overlapping area;
  • the specific process includes:
  • the image collected by the first camera is an image processed by the calibration lane line.
  • the method further includes: relay tracking of the same target by the first camera and the second camera, and the specific process is:
  • the target vehicle has switched sight in this frame.
  • the target point where the target center point is closest to the sight boundary line is Is the same target being tracked;
  • the target is tracked to achieve coordinated relay tracking of the same target by the first camera and the second camera.
  • the method further includes: detecting the target vehicle running through the red light on the collected image, and the specific process is:
  • the vehicle's driving direction signal light is red
  • a vehicle enters the violation zone it is determined that the vehicle has violated the red light violation.
  • the method further comprises: identifying the identity of the offending vehicle in the image, the specific process is:
  • the method for identifying an illegal video at an intersection based on the coordinated relay of a camera includes: step S1: calibrating a lane line and identifying a lane indicator; step S2: detecting a target vehicle based on an image collected by a first camera, Determine the lane where the target vehicle is located; track the target vehicle based on the image collected by the first camera to obtain the vehicle trajectory; step S3: identify whether the target vehicle has changed lanes illegally according to the lane where the target vehicle is located and the vehicle trajectory.
  • the invention can simultaneously detect behaviors such as illegal line pressing, illegal lane changing, retrograde, speeding, and red light crossing of multiple motor vehicles at the intersection, and is applicable to the intersection of long solid lines and roads. occasion.
  • the method is simple and practical, convenient for construction, and can be directly modified in the original system, which has strong scalability.
  • FIG. 1 is a schematic diagram of the distribution of cameras in an embodiment provided by the present invention
  • FIG. 2 is a schematic flowchart of a method for identifying an illegal video at an intersection in an embodiment provided by the present invention
  • FIG. 3 is a schematic diagram of lane recognition in an embodiment provided by the present invention.
  • FIG. 4 is a schematic diagram of a trapezoidal mask in an embodiment provided by the present invention.
  • FIG. 5 is a schematic diagram of a lane plan geometric transformation in an embodiment provided by the present invention.
  • FIG. 6 is a schematic diagram of digitally labeling lanes in an embodiment provided by the present invention.
  • FIG. 7 is a schematic flowchart of tracking a target vehicle in an embodiment provided by the present invention.
  • FIG. 8 is a trajectory diagram of target movement in an embodiment provided by the present invention.
  • FIG. 9 is a flowchart of processing for image relay matching between a first camera and a second camera in an embodiment provided by the present invention.
  • FIG. 10 is a schematic diagram of performing keystone correction on a still image collected by a second camera according to an embodiment provided by the present invention.
  • two cameras are set up in the same direction. One is erected on the front side of the intersection and the other is erected on the rear side of the intersection.
  • the specific implementation is as follows (for the convenience of description, the figure is a one-way road map, the two-way road method is the same): where the first camera C1 acquisition area in front of the intersection is shown as a dotted line, and the second camera C2 acquisition area after the intersection is shown as a solid line. The dotted area and the solid area are adjacent and overlap slightly. With the zebra crossing as the dividing line, the zebra crossing area belongs to the image acquisition area of C2.
  • the video collected by C1 is mainly used for lane line and sign identification, vehicle detection and tracking, illegal lane change detection, overspeed detection, retrograde detection, and illegal occupation of non-motorized lane detection.
  • the video collected by C2 is mainly used for relay tracking, red light detection and vehicle identification.
  • the method for identifying an illegal video at an intersection based on a cooperative relay of cameras includes:
  • Step S1 demarcate the lane line and identify the lane indicator
  • the method can automatically identify lane lines and travel indicators, as follows:
  • the image collected by C1 is first processed in grayscale.
  • a template with a size of 5 * 5 is used for Gaussian filtering and smoothing.
  • the formula is expressed as:
  • the kernel function template Tmp used is:
  • f (x, y) is the gray value of the (x, y) point in the image
  • g (x, y) is the value after the point is Gaussian filtered
  • * is the convolution operation.
  • This process identifies lane lines in the image.
  • the search area is set (assuming width is W, height is L, and the lower left corner coordinate is (0,0), the entire image is divided into 8 horizontally and 5 vertically. Then the coordinates of the lower left corner of the search area are (1 / 8W + 1, 1 / 5L + 1), and the coordinates of the upper right corner are (7 / 8W, 2 / 5L)).
  • An image containing only lane lines and road surfaces is obtained. Color analysis to obtain potential lane line color and road color information. Then, automatic clustering is performed based on the lane line color and the road surface color as the starting information of the clustering, and finally the lane lines in the figure are segmented.
  • the region of interest is obtained based on the divided lanes. As shown in FIG. 4, after the lane recognition, a trapezoid mask is formed by using the outermost lane, the mask is slightly larger than the lane area, and the pixel value outside the lane is 0.
  • geometric transformation is used to achieve the same size of the image at all positions with the image projected by the camera projection.
  • the mapping matrix used for the geometric transformation is calculated based on the slope of the trapezoidal waist, and finally the lanes are parallel and equidistant. As shown in FIG. 5, the trapezoid ABCD can be mapped to another rectangular shape A'B'C'D 'by a geometric transformation.
  • a vehicle travel indicator is sprayed on the road surface, and a single-layer BP neural network classifier is designed to identify it.
  • the recognized categories mainly include: turn left, turn right, go straight, go straight and merge right turn, go straight and merge left turn, go straight and merge right turn and left, non-motorized lane. Due to the limited types of lanes, the classifiers trained based on BP neural network can achieve fast speed and high recognition rate with a small number of samples.
  • the same area contains the same attributes and is labeled with A, B, C, D, E, F, and G, respectively.
  • (x, y) represents the horizontal and vertical coordinates, respectively
  • the coordinates of the lane area with attribute A are: ⁇ x1 ⁇ x ⁇ x2, 1 ⁇ y ⁇ H ⁇ ;
  • the attribute is B
  • the coordinates of the lane area are: ⁇ x3 ⁇ x ⁇ x4, 1 ⁇ y ⁇ H ⁇ ;
  • the coordinates of the lane area with property C are: ⁇ x5 ⁇ x ⁇ x6, 1 ⁇ y ⁇ H ⁇ .
  • Step S2 Perform target vehicle detection according to the image collected by the first camera C1, and determine the lane where the target vehicle is located;
  • a three-frame difference solution method is used, and the difference image is obtained by subtracting pixel values of corresponding positions from two images of two adjacent frames.
  • the area with smaller pixel values in the difference image can be considered as the background, otherwise it is the target, and then a threshold is set for binarization.
  • x i and y i represent the coordinates of the target area
  • G i is the weight of the pixels
  • G is the number of pixels.
  • a unique ID number is assigned to the target vehicle for a period of time.
  • the rules are as follows: according to the time when the target is detected, the number is sequentially increased, and the initial lane where the vehicle is located is assigned to the ID number according to the marked lane code. If the counting time exceeds 24 hours, the number returns to zero. If the current target number is 200, if the initial state lane is C, then the ID of the target is 200-C.
  • the target vehicle is tracked according to the image collected by the first camera C1 to obtain a vehicle running track;
  • the present invention adopts a combined tracking algorithm of mean shift and Kalman filtering.
  • the process of tracking the target vehicle includes:
  • Step S20 initialization of the target window and parameters
  • Step S21 Use the Kalman filter algorithm to predict the rough position of the moving target at time k;
  • Step S22 Use the mean shift algorithm to find the true position of the moving target at time k by obtaining the optimal solution
  • Step S24 Repeat steps S21 to S23 until the image sequence ends;
  • the motion trajectory of the target center of each vehicle can be obtained. Assuming that the number of obtained coordinate points is K, the trajectory coordinate set of the target O i is ⁇ O i (x), O i (y) ⁇ .
  • Step S3 identify whether the target vehicle has changed lanes illegally according to the lane where the target vehicle is located and the vehicle running track.
  • the judgment rule is set as:
  • the method further comprises: performing retrograde detection of the target vehicle on the acquired image, the specific process is:
  • the lower left corner is the coordinate starting point (1,1)
  • the abscissa gradually increases from left to right
  • the ordinate gradually increases from bottom to top.
  • the vehicle running trajectory if the ordinate value gradually increases in the trajectory, it is considered that there is a reverse driving. It is expressed as:
  • the method further comprises: performing a target vehicle overspeed detection on the acquired image, and the specific process is:
  • the time taken by the target vehicle to pass through the collection area can be obtained;
  • v is greater than the maximum speed limit of the road segment, the target vehicle is considered to be overspeed.
  • the method further comprises: detecting that the target vehicle occupies a non-motorized lane on the acquired image, the specific process is:
  • the non-motorized lane area will form a set of coordinate points, which is represented by R N. If the coordinate point of the target vehicle motion trajectory belongs to R N , it is considered that the non-motorized lane has been occupied.
  • the judgment criteria are:
  • the image collected by the second camera and the image collected by the first camera have a partially overlapping area; the overlap area is used to make the image collected by the first camera consistent with the image collected by the second camera Processing to achieve the relay matching between the first camera and the second camera.
  • the specific process includes:
  • the image collected by the first camera is an image processed by the calibration lane line.
  • the method further includes: relay tracking of the same target by the first camera and the second camera, the specific process is:
  • the discriminant function of target visibility is defined as:
  • the target point whose target center point is closest to the sight line boundary L is the same target being tracked. Then the motor vehicles numbered in the monitoring range of C1, carry the information into the monitoring range of C2, and complete the handover of the target. This target is tracked to achieve coordinated relay tracking from the first camera C1 to the second camera C2.
  • P t represents the tracked target in camera C1 at time t
  • L represents the line of sight boundary between camera C1 and camera C2
  • N represents the number of moving targets detected within the range close to L in camera C2
  • P k represents camera C2 If the k-th moving target in camera C2 is closest to L, the target is given the same identifier as the tracked target that has just disappeared in the field of view of camera C1, thereby achieving the same target.
  • C1 and C2 use video capture cards of the same specifications and periodicity, so that the sampling rate between the cameras is the same.
  • the synchronization clock is set by software initialization, and the cameras C1 and C2 are driven to collect and Processing so that the video frame M1 collected by the camera C1 and the video frame M2 collected by the camera C2 at the same time correspond one-to-one.
  • the method further includes: detecting the target vehicle running through the red light on the acquired image, and the specific process is:
  • the vehicle's driving direction signal light is red
  • a vehicle enters the violation zone it is determined that the vehicle has violated the red light violation.
  • the method further comprises: identifying the identity of the offending vehicle in the image, the specific process is:
  • this method can also be extended to 3 or more cameras according to the needs of the road section.
  • the specific method is the same as the two cameras in this case.
  • the invention is based on a pattern recognition processing method that separates lane lines and roads through color analysis and clustering; avoids interference caused by size changes during vehicle tracking through geometric transformation; classifiers based on BP neural network training obtain lane markers, And the calibration of the area attributes is realized; on this basis, the trajectory point set of the particle movement is used to quickly determine violations within a certain degree of redundancy.
  • the monitoring range is expanded on the basis of maintaining the spatiotemporal consistency, avoiding the time loss caused by the re-detection of external features such as color and contour, and solving the problem of having a long solid line
  • the bottleneck of lane monitoring realizes the separation of illegal vehicle tracking and identification, which effectively reduces the impact of license plate occlusion caused by too close distance between vehicles during low-speed operation.
  • This method can realize the identification of violations such as speeding, lane changing, retrograde, speeding, illegal occupation of motor vehicle lanes, and red light at traffic intersections.
  • the method is simple and practical, has strong scalability, and has important application value.
  • Any process or method description in a flowchart or otherwise described herein can be understood as representing a module, fragment, or portion of code that includes one or more executable instructions for implementing a particular logical function or step of a process
  • the scope of the preferred embodiments of the present invention includes additional implementations in which the functions may be performed out of the order shown or discussed, including performing the functions in a substantially simultaneous manner or in the reverse order according to the functions involved, which It is understood by those skilled in the art to which the embodiments of the present invention pertain.
  • each part of the present invention may be implemented by hardware, software, firmware, or a combination thereof.
  • multiple steps or methods may be implemented by software or firmware stored in a memory and executed by a suitable instruction execution system.
  • a suitable instruction execution system For example, if implemented in hardware, as in another embodiment, it may be implemented using any one or a combination of the following techniques known in the art: Discrete logic circuits, application specific integrated circuits with suitable combinational logic gate circuits, programmable gate arrays (PGA), field programmable gate arrays (FPGA), etc.
  • a person of ordinary skill in the art can understand that all or part of the steps carried by the methods in the foregoing embodiments may be implemented by a program instructing related hardware.
  • the program may be stored in a computer-readable storage medium.
  • the program is When executed, one or a combination of the steps of the method embodiment is included.
  • each functional unit in each embodiment of the present invention may be integrated into one processing module, or each unit may exist separately physically, or two or more units may be integrated into one module.
  • the above integrated modules can be implemented in the form of hardware or software functional modules. If the integrated module is implemented in the form of a software functional module and sold or used as an independent product, it may also be stored in a computer-readable storage medium.
  • the aforementioned storage medium may be a read-only memory, a magnetic disk, or an optical disk.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于摄像机协同接力的路口违章视频识别方法，包括：步骤S1：标定车道线，并进行车道指示标志识别；步骤S2：根据第一摄像机采集的图像进行目标车辆检测，确定目标车辆所在的车道；并根据第一摄像机采集的图像进行目标车辆跟踪，得到车辆运行轨迹；步骤S3：根据目标车辆所在的车道以及车辆运行轨迹识别该目标车辆是否违规变道。本发明通过对摄像头采集的视频进行分析和识别，能够同时检测多辆机动车在路口发生的违章压线、违规变道、逆行、超速、闯红灯等行为，并适用于交叉路口长实线道路的场合。该方法简单实用，便于施工，可直接在原有***进行改造，扩展性强。

Description

基于摄像机协同接力的路口违章视频识别方法 技术领域
本发明涉及图像处理技术领域，具体涉及一种基于摄像机协同接力的路口违章视频识别方法。
背景技术
近年来，随着国民经济的发展和城市化程度的加快，汽车已经走入千家万户。机动车的出行带来了方便快捷的同时也导致了机动车违章行为的增加，特别是在道路交叉路口，随意变道、不按交通指示标志行车的情况时有发生，司机之间摩擦不断，不仅会扰***通秩序、引起交通堵塞，严重的还威胁着人们的生命财产安全。因此，如何通过行政处罚监督减少车辆违章行为已经成为社会发展的需要。
当前，常见的违章抓拍是通过在交叉路口埋压感应线圈，触发摄像头拍照实现的。该方法与红绿灯信号控制***连接，当某方向行车为红灯时，如果有车辆违章闯红灯，则触发感应线圈，启动摄像头进行抓拍。该方法主要实现闯红灯违章检测，对于随意变道、压实线、逆向行驶等束手无策。虽然可以采用通过在实线下部埋压线圈检测如上行为，但是该方法可扩展性差，由于路口实线区域较长，破土埋压费时费力费钱，如果道路重新布线，则导致前功尽弃。现有技术中还提出了其他的交通违规检测方法，但是现有的检测方法存在实施过程复杂，难度大，成本过高，且对于多目标同时违章的行为无法应付，难以保证准确率的问题。
发明内容
有鉴于此，本发明的目的在于克服现有技术的不足，提供一种基于摄像机协同接力的路口违章视频识别方法。
为实现以上目的，本发明采用如下技术方案：一种基于摄像机协同接力的路口违章视频识别方法，包括：
步骤S1：标定车道线，并进行车道指示标志识别；
步骤S2：根据第一摄像机采集的图像进行目标车辆检测，确定目标车辆所在的车道；
根据第一摄像机采集的图像进行目标车辆跟踪，得到车辆运行轨迹；
步骤S3：根据目标车辆所在的车道以及车辆运行轨迹识别该目标车辆是否违规变道。
可选的，所述步骤S1中的标定车道线的处理过程为：
在路面无车辆且无行人的情况下，第一摄像机采集路面图像，该图像采集的区域为到达路口前的实线区域；
对采集的图像进行预处理；
对预处理后的图像进行车道线识别，将图像中的车道线分割出来；
基于分割的车道获得感兴趣区域，对感兴趣区域进行裁剪；
对裁剪出的区域进行几何变换，得到平行等宽的车道图像；
对每条车道上的车辆行进指示标志进行识别，得到车道类别；
对于不同的车道类别，基于车道线将图像分割为不同的区域，并对每个区域的车道属性以及车道区域坐标范围进行标注。
可选的，所述对采集的图像进行预处理包括：
对采集的图像进行灰度化处理，得到灰度图像；
对所述灰度图像进行高斯平滑处理。
可选的，所述步骤S2中目标车辆检测的过程包括：
获取相邻两帧图像的差值：
Figure PCTCN2018093082-appb-000001
对上述差值进行二值化处理，得到：
Figure PCTCN2018093082-appb-000002
再进行逻辑与运算，得到最终的前景图像，即
Figure PCTCN2018093082-appb-000003
根据目标R k的灰度分布，再进行空洞填充处理后，根据目标R k所有像素点集合的边界形成凸壳，求取并保存该目标R k的质心，求取质心的公式如下：
Figure PCTCN2018093082-appb-000004
Figure PCTCN2018093082-appb-000005
其中，r n-1(i,j)、r n(i,j)和r n+1(i,j)分别表示第n-1帧、n帧和n+1帧在(i,j)处的像素值；Δ(n-1)和Δ(n+1)分别表示相邻两帧图像的差值；T为阈值；x i和y i表示目标区域坐标，G i为像素点的权重，G为像素点个数。
可选的，该方法还包括：对于检测得到的目标车辆，赋予唯一的ID编号。
可选的，所述步骤S2中目标车辆跟踪的过程包括：
步骤S21：利用卡尔曼滤波算法预测出移动目标k时刻的粗略位置；
步骤S22：利用均值漂移算法通过求取最优解找到移动目标k时刻的真正位置；
步骤S23：将移动目标k时刻的真正位置输送到卡尔曼滤波算法里，对卡尔曼滤波算法进行优化，并得到更新后的移动目标k时刻的跟踪位置，k＝k+1；
步骤S24：重复执行步骤S21～S23直到图像序列结束；
所述步骤S23得到的跟踪位置的集合即为该目标车辆的运行轨迹。
可选的，所述步骤S2中识别该目标车辆是否违规变道的过程为：
根据目标车辆所在的车道得到该车道区域的坐标范围；
根据该车道区域的坐标范围以及该车辆运行轨迹判断该车辆是否违规变道：
如果该车辆运行轨迹中的任一点的横坐标值大于该车道区域中的横坐标最大值，或是小于该车道区域中的横坐标最小值，则认为该车辆违规变道。
可选的，该方法还包括：对采集的图像进行目标车辆逆行检测，具体过程为：
对采集的图像进行坐标标注，其中，将车道线的方向设为纵轴方向；
确定车辆正常行驶时，行驶位置点的纵坐标变化趋势；
获得目标车辆运行轨迹，如果该运行轨迹中存在纵坐标变化趋势与正常行驶时纵坐标变化趋势不一致，则认为该目标车辆存在逆向行驶违章行为。
可选的，该方法还包括：对采集的图像进行目标车辆超速检测，具体过程为：
根据目标车辆初次进入采集区域的时间T H和目标车辆最终离开采集区域的时间T 1，能够得到该目标车辆经过该采集区域所用的时间；
根据该采集区域对应的实际道路长度，得到目标车辆通过该采集区域的时速v：
Figure PCTCN2018093082-appb-000006
其中，L为该采集区域对应的实际道路长度；ΔT＝T 1-T H；
如果v大于该路段的最高限速，则认为该目标车辆超速。
可选的，该方法还包括：对采集的图像进行目标车辆占用非机动车道的检测，具体过程为：
非机动车道区域有其对应的坐标范围，该坐标范围内的坐标点集合用R N表示；
如果目标车辆运行轨迹中的任一坐标点属于R N，则认为该目标车辆占用过非机动车道。
可选的，该方法还包括：第二摄像机采集路口区域的图像，所述第二摄像机采集的图像与第一摄像机采集的图像有部分重叠区域；
利用该重叠区域将第一摄像机采集的图像与第二摄像机采集的图像进行一致性处理，具体过程包括：
获取第二摄像机采集的图像，并对该图像进行校正，得到校正后的图像；
获取模板，该模板是通过裁剪第一摄像机采集的图像中的重叠区域得到的；
利用模板匹配方法在校正后的图像中进行搜索匹配，获得第一摄像机采集的图像相对于校正后的图像的放大比率；
将校正后的图像根据该放大比率进行缩放，使缩放后图像中的重叠区域与第一摄像机采集的图像中的重叠区域图像完全相同，实现第一摄像机与第二摄像机的接力匹配；
此过程中所述第一摄像机采集的图像为经过标定车道线处理后的图像。
可选的，在实现第一摄像机与第二摄像机的接力匹配后，还包括：第一摄像机和第二摄像机对同一目标的接力跟踪，具体过程为：
获取第一摄像机和第二摄像机的视域分界线L；
L的表达式为：Ax+By+C＝0；
令P＝Ax+By+C，
获取被跟踪目标车辆的坐标(x p，y p)；
如果P的数值由负变为正或者由正变为负，则说明该目标车辆在该帧发生了视域切换，在同一车道区域内，目标中心点距离视域分界线最近的那个目标点即是被跟踪的同一目标；
对该目标进行跟踪，实现第一摄像机和第二摄像机对同一目标的协同接力跟踪。
可选的，该方法还包括：对采集的图像进行目标车辆闯红灯检测，具体过程为：
将第二摄像机采集的图像中的区域划定为违章区；
在车辆行驶方向信号灯为红灯的情况下，如果有车辆驶入违章区，则判断该车辆为闯红灯违章。
可选的，该方法还包括：对图像中的违章车辆身份进行识别，具体过程为：
在第二摄像机采集的图像中，裁剪出违章车辆的车牌区域截图；
根据车牌区域截图识别出车牌号码；
将车牌号码发送至数据处理中心进行身份识别。
本发明采用以上技术方案，所述基于摄像机协同接力的路口违章视频识别方法包括：步骤S1：标定车道线，并进行车道指示标志识别；步骤S2：根据第一摄像机采集的图像进行目标车辆检测，确定目标车辆所在的车道；并根据第一摄像机采集的图像进行目标车辆跟踪，得到车辆运行轨迹；步骤S3：根据目标车辆所在的车道以及车辆运行轨迹识别该目标车辆是否违规变道。本发明通过对摄像头采集的视频进行分析和识别，能够同时检测多辆机动车在路口发生的违章压线、违规变道、逆行、超速、闯红灯等行为，并适用于交叉路口长实线道路的场合。该方法简单实用，便于施工，可直接在原有***进行改造，扩展性强。
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 出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的一个实施方式中摄像机的分布示意图；
图2是本发明提供的一个实施方式中路口违章视频识别方法的流程示意图；
图3是本发明提供的一个实施方式中车道识别的示意图；
图4是本发明提供的一个实施方式中梯形蒙版的示意图；
图5是本发明提供的一个实施方式中车道平面图几何变换的示意图；
图6是本发明提供的一个实施方式中对车道进行数字化标注的示意图；
图7是本发明提供的一个实施方式中对目标车辆进行跟踪的流程示意图；
图8是本发明提供的一个实施方式中目标运动的轨迹图；
图9是本发明提供的一个实施方式中第一摄像机与第二摄像机的图像接力匹配的处理流程图；
图10是本发明提供的一个实施方式中对第二摄像机采集的静态图像进行梯形校正的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
作为本发明提供的一个实施方式，如图1所示，在同一方向架设两部摄像机。其中一架设在路口前侧、另一架设在路口后侧。具体实施如下(为了描述方便，图中为单向道路图，双向道路方法相同)：其中路口前的第一摄像机C1采集区域如虚线所示，路口后第二摄像机C2采集区域如实线所示。其中虚线区域和实线区域邻接，略有重叠。以斑马线为分界线，斑马线区域属于C2的图像 采集区域。
C1采集的视频主要用于车道线和指示标志识别、车辆检测与跟踪、违规变道检测、超速检测、逆行检测、非法占用非机动车道检测。
C2采集的视频主要用于接力跟踪、闯红灯检测和车辆身份识别。
如图2所示，所述基于摄像机协同接力的路口违章视频识别方法包括：
步骤S1：标定车道线，并进行车道指示标志识别；
对于C1采集的视频，该方法能够自动识别车道线和行进指示标志，具体实施如下：
(1)预处理
对C1采集的图像先进行灰度处理，为了减小噪声干扰，再采用大小为5*5的模板进行高斯滤波平滑。公式表示为：
g(x,y)＝f(x,y)*Tmp
所用的核函数模板Tmp为：
Figure PCTCN2018093082-appb-000007
其中，f(x,y)为图像中(x,y)点的灰度值，g(x,y)为该点经过高斯滤波后的值，*为卷积运算。
(2)车道识别
该过程将图像中的车道线识别出来。如图3所示，对于C1采集的图像，设定搜索区域(假定宽度为W，高度为L，左下角坐标为(0,0)，将整个图像水平分成8份，竖直分成5份，则搜索区域左下角坐标为(1/8W+1，1/5L+1)，右上角坐标为(7/8W，2/5L))，获得仅仅包含车道线和路面的图像，对该区域进行颜色分析，获得潜在的车道线颜色和路面颜色信息。然后，基于车道线颜色和路面颜色作为聚类的起始信息进行自动聚类，最终将图中的车道线分割出 来。
(3)感兴趣区域的区域裁剪
为了减少车道外物体干扰，减小运算工作量，基于分割的车道获得感兴趣区域。如图4所示，车道识别之后，利用最***车道形成一个梯形蒙版，蒙版略大于车道区域，车道外的像素值为0。
(4)几何变换
为了避免后续车辆跟踪过程中尺寸变化带来的影响，结合车道线平行等宽的先验知识，通过几何变换，实现图像与在摄像机投影拍摄的图像所有位置保持相同大小。几何变换所用的映射矩阵根据梯形两腰的斜率计算得到，最终实现了车道的平行和等距。如图5所示，梯形ABCD可以被几何变换映射为另一个矩形形A’B’C’D’。
(5)车道标志识别
对于每条车道在路面上会喷涂有车辆行进指示标志，通过设计单层BP神经网络分类器进行识别。识别的类别主要包括：左转、右转、直行、直行合并右转、直行合并左转、直行合并右转和左转、非机动车道。由于车道类型有限，基于BP神经网络训练得到的分类器利用少量样本便可以达到速度快、识别率高的效果。
(6)数字化标注
对于不同的车道类别，基于车道线进行分割为不同的区域，同一区域含有相同的属性，分别用A、B、C、D、E、F、G进行标注。如图6所示，假设存在三条车道，(x,y)分别表示横、纵坐标，则属性为A的车道区域坐标为：{x1<x<x2，1≤y≤H}；属性为B的车道区域坐标为：{x3<x<x4，1≤y≤H}；属性为C的车道区域坐标为：{x5<x<x6，1≤y≤H}。
以上步骤在***初始化阶段实现，拍摄的视频在保证路面无车辆、行人的情况下设定完成。
步骤S2：根据第一摄像机C1采集的图像进行目标车辆检测，确定目标车辆所在的车道；
为了检测到进入第一摄像机C1视野区的车辆，采用了三帧差异求解的方法，通过相邻的两帧的两幅图像中将对应位置的像素值相减，获得差异图像。在差异图像中像素值较小的区域可认为背景，反之则为目标，随后设定阈值进行二值化处理。具体原理描述如下：
假设n帧、n+1帧和n-1帧在(i,j)处的像素值分别为r n+1(i,j)，r n(i,j)，r n-1(i,j)，阈值为T，相邻帧图像的差值为Δ(n)，则：
Figure PCTCN2018093082-appb-000008
对上述差值进行二值化处理，得到：
Figure PCTCN2018093082-appb-000009
再进行逻辑与运算，得到最终的前景图像，即
Figure PCTCN2018093082-appb-000010
根据目标R k的灰度分布，再进行空洞填充处理后，根据目标R k所有像素点集合的边界形成凸壳，求取并保存该目标R k的质心，求取质心的公式如下：
Figure PCTCN2018093082-appb-000011
Figure PCTCN2018093082-appb-000012
其中，x i和y i表示目标区域坐标，G i为像素点的权重，G为像素点个数。
对于检测得到的目标车辆，会赋予该目标车辆一段时间内唯一的ID号码。规则如下：根据目标被检测出的时间，编号依次增加，并且将车辆所处的初始车道根据标注的车道码，编入ID号码之中，计数时间超过24小时则编号重新 归零。如当前目标编号为200，如果初始状态车道为C，则该目标的ID为200-C。
进一步的，根据第一摄像机C1采集的图像进行目标车辆跟踪，得到车辆运行轨迹；
为了提高车辆跟踪的鲁棒性，避免因为车辆与背景颜色接近造成跟踪丢失的情况，本发明采用了一种均值漂移和卡尔曼滤波的组合式跟踪算法。如图7所示，对目标车辆进行跟踪的过程包括：
步骤S20：目标窗口及参数的初始化；
步骤S21：利用卡尔曼滤波算法预测出移动目标k时刻的粗略位置；
步骤S22：利用均值漂移算法通过求取最优解找到移动目标k时刻的真正位置；
步骤S23：将移动目标k时刻的真正位置输送到卡尔曼滤波算法里，对卡尔曼滤波算法进行优化，并得到更新后的移动目标k时刻的跟踪位置，k＝k+1；
步骤S24：重复执行步骤S21～S23直到图像序列结束；
最终，在摄像机C1的视野范围内，可以得到每个车辆目标中心的运动轨迹。假设获得的坐标点个数为K个，则目标O i的轨迹坐标集合为{O i(x),O i(y)}。
步骤S3：根据目标车辆所在的车道以及车辆运行轨迹识别该目标车辆是否违规变道。
具体的处理过程为：
根据划分的车道区域的坐标范围和车辆运行轨迹，如果轨迹中的横坐标点超出车道界标则认为违规变道，超越实线。为了保证一定的冗余度b，假设车道中心横坐标为x c，则设置判断规则为：
Figure PCTCN2018093082-appb-000013
如图8所示，对于A车道，中心为x c＝(x2-x1)/2，偏离冗余度为b＝(x2-x1)/4。则说明如果车辆运行的质心运行轨迹中的所有横坐标范围在(x2-x1)/4和3(x2-x1)/4之间，则说明车辆正常行驶。否则认为车辆违规变道或越过实线。
进一步的，该方法还包括：对采集的图像进行目标车辆逆行检测，具体过程为：
对于摄像机C1的采集区域，左下角为坐标起始点(1,1)，横坐标由左至右逐渐增大，纵坐标由下及上逐渐增大。根据车辆运行轨迹，如果轨迹中的存在纵坐标取值逐渐增大的情况，则认为有逆向行驶。其表示方法为：
Figure PCTCN2018093082-appb-000014
进一步的，该方法还包括：对采集的图像进行目标车辆超速检测，具体过程为：
根据目标车辆初次进入采集区域的时间T H和目标车辆最终离开采集区域的时间T 1，能够得到该目标车辆经过该采集区域所用的时间；
根据该采集区域对应的实际道路长度，得到目标车辆通过该采集区域的时速v：
Figure PCTCN2018093082-appb-000015
其中，L为该采集区域对应的实际道路长度；ΔT＝T 1-T H；
如果v大于该路段的最高限速，则认为该目标车辆超速。
进一步的，该方法还包括：对采集的图像进行目标车辆占用非机动车道的检测，具体过程为：
对于机动车占用非机动车道的情况，根据车道的划分，非机动车道区域会形成坐标点集合，用R N表示。如果目标车辆运动轨迹坐标点存在属于R N的情况，则认为曾经占用过非机动车道。判断标准为：
Figure PCTCN2018093082-appb-000016
进一步的，如图1所示，所述第二摄像机采集的图像与第一摄像机采集的图像有部分重叠区域；利用该重叠区域将第一摄像机采集的图像与第二摄像机采集的图像进行一致性处理，实现第一摄像机与第二摄像机的接力匹配。如图 9所示，具体过程包括：
获取第二摄像机采集的静态图像，并对该图像进行几何校正(如图10，梯形校正)，得到校正后的图像；
获取模板，该模板是通过裁剪第一摄像机采集的图像中的重叠区域得到的；
利用模板匹配方法在校正后的图像中进行搜索匹配，获得第一摄像机采集的图像相对于校正后的图像的放大比率，即得到变换矩阵；
将校正后的图像根据该放大比率进行缩放，使缩放后图像中的重叠区域与第一摄像机采集的图像中的重叠区域图像完全相同，实现第一摄像机与第二摄像机的接力匹配；
此过程中所述第一摄像机采集的图像为经过标定车道线处理后的图像。
进一步的，在实现第一摄像机与第二摄像机的接力匹配后，还包括：第一摄像机和第二摄像机对同一目标的接力跟踪，具体过程为：
获取第一摄像机和第二摄像机的视域分界线L，假设视域分界线L在C2中；
L的表达式为：Ax+By+C＝0；
令P＝Ax+By+C，
获取被跟踪目标车辆的坐标(x p，y p)；
目标可见性的判别函数定义为：
Figure PCTCN2018093082-appb-000017
如果P的数值由负变正，则说明目标在该帧从C1的视域中消失，而出现在C2视域中。在同一车道区域内，目标中心点距离视域分界线L最近的那个目标点即是被跟踪的同一目标。那么在C1监控范围内进行编号的机动车，携带信息进入C2监控范围，完成目标的交接。对该目标进行跟踪，实现由第一摄像机C1到第二摄像机C2的协同接力跟踪。
机动车目标标识交接可以由下式表示：
Figure PCTCN2018093082-appb-000018
其中，P t表示t时刻摄像机C1中被跟踪的目标，L表示摄像机C1与摄像机C2的视域分界线，N表示摄像机C2中靠近L范围内检测到的运动目标个数，P k表示摄像机C2中的第k个运动目标，若摄像机C2中第k个机动车目标距离L最近，那么就将该目标赋予在摄像机C1视野中刚刚消失的被跟踪目标相同的标识，从而实现了对同一目标的接力跟踪。
为了保证摄像机C1和C2的工作同步，C1和C2采用同规格等周期的视频采集卡，使得摄像机之间的采样率相同，通过软件初始化设置同步时钟，同时驱动摄像机C1和C2进行图像的采集和处理，使得同一时刻摄像机C1采集到的视频帧M1与摄像机C2采集到的视频帧M2一一对应。
可以理解的是，在C2阶段的画面中，车辆的跟踪方式同C1的跟踪方式。
进一步的，该方法还包括：对采集的图像进行目标车辆闯红灯检测，具体过程为：
将第二摄像机采集的图像中的区域划定为违章区；
在车辆行驶方向信号灯为红灯的情况下，如果有车辆驶入违章区，则判断该车辆为闯红灯违章。
可选的，该方法还包括：对图像中的违章车辆身份进行识别，具体过程为：
在第二摄像机采集的图像中，裁剪出违章车辆的车牌区域截图；
根据车牌区域截图识别出车牌号码；
将车牌号码发送至数据处理中心进行身份识别。
需要说明的是，本方法还可以根据路段需要扩展到3部及以上相机，具体方法同本案中的两部摄像机协同方法。
本发明基于模式识别处理方法，通过颜色分析和聚类分离了车道线和道路；通过几何变换避免了车辆跟踪过程中尺寸变化带来的干扰；基于BP神经网络训 练的分类器获得了车道标志，并实现了区域属性的标定；在此基础上利用质点运动的轨迹点集，在一定的冗余度范围内快速判定违章行为。通过设置双摄像头视域边界线完成接力跟踪的方法，在保持时空一致性的基础上扩大了监控范围，避免了颜色、轮廓等外部特征的重新检测带来的时间损耗，解决了具有长实线车道的监控瓶颈，实现了违章车辆跟踪与身份识别的分离，有效减少了在低速运行阶段车辆之间距离过近造成的车牌遮挡的影响。该方法能够实现交通路口多车辆超速、违规变道、逆行、超速、非法占用机动车道、闯红灯等违章行为的识别，方法简单实用，可扩展性强，具有重要的应用价值。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA) 等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (14)

  1. 一种基于摄像机协同接力的路口违章视频识别方法，其特征在于，包括：
    步骤S1：标定车道线，并进行车道指示标志识别；
    步骤S2：根据第一摄像机采集的图像进行目标车辆检测，确定目标车辆所在的车道；
    根据第一摄像机采集的图像进行目标车辆跟踪，得到车辆运行轨迹；
    步骤S3：根据目标车辆所在的车道以及车辆运行轨迹识别该目标车辆是否违规变道。
  2. 根据权利要求1所述的方法，其特征在于，所述步骤S1中的标定车道线的处理过程为：
    在路面无车辆且无行人的情况下，第一摄像机采集路面图像，该图像采集的区域为到达路口前的实线区域；
    对采集的图像进行预处理；
    对预处理后的图像进行车道线识别，将图像中的车道线分割出来；
    基于分割的车道获得感兴趣区域，对感兴趣区域进行裁剪；
    对裁剪出的区域进行几何变换，得到平行等宽的车道图像；
    对每条车道上的车辆行进指示标志进行识别，得到车道类别；
    对于不同的车道类别，基于车道线将图像分割为不同的区域，并对每个区域的车道属性以及车道区域坐标范围进行标注。
  3. 根据权利要求2所述的方法，其特征在于，所述对采集的图像进行预处理包括：
    对采集的图像进行灰度化处理，得到灰度图像；
    对所述灰度图像进行高斯平滑处理。
  4. 根据权利要求3所述的方法，其特征在于，所述步骤S2中目标车辆检测的过程包括：
    获取相邻两帧图像的差值：
    Figure PCTCN2018093082-appb-100001
    对上述差值进行二值化处理，得到：
    Figure PCTCN2018093082-appb-100002
    再进行逻辑与运算，得到最终的前景图像，即
    Figure PCTCN2018093082-appb-100003
    根据目标R k的灰度分布，再进行空洞填充处理后，根据目标R k所有像素点集合的边界形成凸壳，求取并保存该目标R k的质心，求取质心的公式如下：
    Figure PCTCN2018093082-appb-100004
    Figure PCTCN2018093082-appb-100005
    其中，r n-1(i,j)、r n(i,j)和r n+1(i,j)分别表示第n-1帧、n帧和n+1帧在(i,j)处的像素值；Δ(n-1)和Δ(n+1)分别表示相邻两帧图像的差值；T为阈值；x i和y i表示目标区域坐标，G i为像素点的权重，G为像素点个数。
  5. 根据权利要求4所述的方法，其特征在于，还包括：对于检测得到的目标车辆，赋予唯一的ID编号。
  6. 根据权利要求2所述的方法，其特征在于，所述步骤S2中目标车辆跟踪的过程包括：
    步骤S21：利用卡尔曼滤波算法预测出移动目标k时刻的粗略位置；
    步骤S22：利用均值漂移算法通过求取最优解找到移动目标k时刻的真正位置；
    步骤S23：将移动目标k时刻的真正位置输送到卡尔曼滤波算法里，对卡尔曼滤波算法进行优化，并得到更新后的移动目标k时刻的跟踪位置，k＝k+1；
    步骤S24：重复执行步骤S21～S23直到图像序列结束；
    所述步骤S23得到的跟踪位置的集合即为该目标车辆的运行轨迹。
  7. 根据权利要求2所述的方法，其特征在于，所述步骤S2中识别该目标车辆是否违规变道的过程为：
    根据目标车辆所在的车道得到该车道区域的坐标范围；
    根据该车道区域的坐标范围以及该车辆运行轨迹判断该车辆是否违规变道：
    如果该车辆运行轨迹中的任一点的横坐标值大于该车道区域中的横坐标最大值，或是小于该车道区域中的横坐标最小值，则认为该车辆违规变道。
  8. 根据权利要求2所述的方法，其特征在于，还包括：对采集的图像进行目标车辆逆行检测，具体过程为：
    对采集的图像进行坐标标注，其中，将车道线的方向设为纵轴方向；
    确定车辆正常行驶时，行驶位置点的纵坐标变化趋势；
    获得目标车辆运行轨迹，如果该运行轨迹中存在纵坐标变化趋势与正常行驶时纵坐标变化趋势不一致，则认为该目标车辆存在逆向行驶违章行为。
  9. 根据权利要求2所述的方法，其特征在于，还包括：对采集的图像进行目标车辆超速检测，具体过程为：
    根据目标车辆初次进入采集区域的时间T H和目标车辆最终离开采集区域的时间T 1，能够得到该目标车辆经过该采集区域所用的时间；
    根据该采集区域对应的实际道路长度，得到目标车辆通过该采集区域的时速v：
    Figure PCTCN2018093082-appb-100006
    其中，L为该采集区域对应的实际道路长度；ΔT＝T 1-T H；
    如果v大于该路段的最高限速，则认为该目标车辆超速。
  10. 根据权利要求2所述的方法，其特征在于，还包括：对采集的图像进行目标车辆占用非机动车道的检测，具体过程为：
    非机动车道区域有其对应的坐标范围，该坐标范围内的坐标点集合用R N表示；
    如果目标车辆运行轨迹中的任一坐标点属于R N，则认为该目标车辆占用过非机动车道。
  11. 根据权利要求2所述的方法，其特征在于，还包括：第二摄像机采集路口区域的图像，所述第二摄像机采集的图像与第一摄像机采集的图像有部分重叠区域；
    利用该重叠区域将第一摄像机采集的图像与第二摄像机采集的图像进行一致性处理，具体过程包括：
    获取第二摄像机采集的图像，并对该图像进行校正，得到校正后的图像；
    获取模板，该模板是通过裁剪第一摄像机采集的图像中的重叠区域得到的；
    利用模板匹配方法在校正后的图像中进行搜索匹配，获得第一摄像机采集的图像相对于校正后的图像的放大比率；
    将校正后的图像根据该放大比率进行缩放，使缩放后图像中的重叠区域与第一摄像机采集的图像中的重叠区域图像完全相同，实现第一摄像机与第二摄像机的接力匹配；
    此过程中所述第一摄像机采集的图像为经过标定车道线处理后的图像。
  12. 根据权利要求11所述的方法，其特征在于，在实现第一摄像机与第二摄像机的接力匹配后，还包括：第一摄像机和第二摄像机对同一目标的接力跟踪，具体过程为：
    获取第一摄像机和第二摄像机的视域分界线L；
    L的表达式为：Ax+By+C＝0；
    令P＝Ax+By+C，
    获取被跟踪目标车辆的坐标(x p，y p)；
    如果P的数值由负变为正或者由正变为负，则说明该目标车辆在该帧发生了视域切换，在同一车道区域内，目标中心点距离视域分界线最近的那个目标点即是被跟踪的同一目标；
    对该目标进行跟踪，实现第一摄像机和第二摄像机对同一目标的协同接力跟踪。
  13. 根据权利要求11所述的方法，其特征在于，还包括：对采集的图像进行目标车辆闯红灯检测，具体过程为：
    将第二摄像机采集的图像中的区域划定为违章区；
    在车辆行驶方向信号灯为红灯的情况下，如果有车辆驶入违章区，则判断该车辆为闯红灯违章。
  14. 根据权利要求13所述的方法，其特征在于，还包括：对图像中的违章车辆身份进行识别，具体过程为：
    在第二摄像机采集的图像中，裁剪出违章车辆的车牌区域截图；
    根据车牌区域截图识别出车牌号码；
    将车牌号码发送至数据处理中心进行身份识别。
PCT/CN2018/093082 2018-06-27 2018-06-27 基于摄像机协同接力的路口违章视频识别方法 WO2020000251A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201880005493.4A CN110178167B (zh) 2018-06-27 2018-06-27 基于摄像机协同接力的路口违章视频识别方法
PCT/CN2018/093082 WO2020000251A1 (zh) 2018-06-27 2018-06-27 基于摄像机协同接力的路口违章视频识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2018/093082 WO2020000251A1 (zh) 2018-06-27 2018-06-27 基于摄像机协同接力的路口违章视频识别方法

Publications (1)

Publication Number Publication Date
WO2020000251A1 true WO2020000251A1 (zh) 2020-01-02

Family

ID=67689265

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/093082 WO2020000251A1 (zh) 2018-06-27 2018-06-27 基于摄像机协同接力的路口违章视频识别方法

Country Status (2)

Country Link
CN (1) CN110178167B (zh)
WO (1) WO2020000251A1 (zh)

Cited By (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111241953A (zh) * 2020-01-03 2020-06-05 秒针信息技术有限公司 洗消验证方法和装置、存储介质及电子装置
CN111444798A (zh) * 2020-03-16 2020-07-24 平安国际智慧城市科技股份有限公司 电动自行车驾驶行为的识别方法、装置和计算机设备
CN111753634A (zh) * 2020-03-30 2020-10-09 上海高德威智能交通***有限公司 交通事件检测方法和设备
CN111784741A (zh) * 2020-06-29 2020-10-16 杭州海康威视数字技术股份有限公司 一种目标跨镜布控追踪的方法和***
CN112164227A (zh) * 2020-08-26 2021-01-01 深圳奇迹智慧网络有限公司 违停车辆告警方法、装置、计算机设备和存储介质
CN112270258A (zh) * 2020-10-27 2021-01-26 深圳英飞拓科技股份有限公司 一种非机动车的违规信息获取方法及装置
CN112329724A (zh) * 2020-11-26 2021-02-05 四川大学 机动车变道实时检测与抓拍方法
CN112364794A (zh) * 2020-11-18 2021-02-12 合肥湛达智能科技有限公司 一种基于嵌入式终端的深度学习逆行检测方法
CN112380993A (zh) * 2020-11-12 2021-02-19 青岛以萨数据技术有限公司 基于目标实时追踪信息的智能违法行为检测***及方法
CN112818866A (zh) * 2021-02-02 2021-05-18 苏州挚途科技有限公司 车辆定位的方法、装置及电子设备
CN112950538A (zh) * 2021-01-27 2021-06-11 浙江大华技术股份有限公司 一种检测车辆违章的方法及装置
CN112949465A (zh) * 2021-02-26 2021-06-11 上海商汤智能科技有限公司 车辆连续变道识别方法、装置、设备及存储介质
CN113177443A (zh) * 2021-04-13 2021-07-27 深圳市天双科技有限公司 一种基于图像视觉的智能识别道路交通违章的方法
CN113422938A (zh) * 2021-08-23 2021-09-21 深圳市旗扬特种装备技术工程有限公司 人工智能的道路事件监控方法、装置、***及存储介质
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
CN113592916A (zh) * 2021-07-30 2021-11-02 内蒙古科技大学 一种烧结机台车车轴故障检测方法及***
CN113592903A (zh) * 2021-06-28 2021-11-02 北京百度网讯科技有限公司 车辆轨迹识别方法、装置、电子设备和存储介质
CN113611124A (zh) * 2021-08-09 2021-11-05 茂名粤云信息技术有限公司 一种基于智慧城市车辆违规的智能识别方法
CN113706859A (zh) * 2021-07-14 2021-11-26 石家庄铁道大学 一种基于三帧差分法的道路交叉口路况预警***及方法
CN113744302A (zh) * 2020-05-27 2021-12-03 北京机械设备研究所 动态目标行为预测方法和***
CN114022791A (zh) * 2021-10-15 2022-02-08 武汉理工大学 一种基于高空视角识别***的车辆轨迹运动特征识别方法
CN114239272A (zh) * 2021-12-16 2022-03-25 北京工业大学 一种基于逆行行为的混合自行车流微观建模方法和装置
CN114283587A (zh) * 2021-12-29 2022-04-05 安徽达尔智能控制***股份有限公司 一种基于雷视监测的路口车辆违规变道预警管控方法和***
CN114299414A (zh) * 2021-11-30 2022-04-08 无锡数据湖信息技术有限公司 一种基于深度学习的车辆闯红灯识别判定方法
CN114333344A (zh) * 2021-12-29 2022-04-12 以萨技术股份有限公司 机动车违章抓拍方法、装置及电子设备
CN114399714A (zh) * 2022-01-12 2022-04-26 福州大学 基于车载相机视频的车辆违停检测方法
CN114613147A (zh) * 2020-11-25 2022-06-10 浙江宇视科技有限公司 一种车辆违章的识别方法、装置、介质及电子设备
CN115019511A (zh) * 2022-06-29 2022-09-06 九识(苏州)智能科技有限公司 基于自动驾驶车辆的识别机动车违规变道的方法和装置
CN115240435A (zh) * 2022-09-21 2022-10-25 广州市德赛西威智慧交通技术有限公司 一种基于ai技术的车辆违章行驶检测方法、装置
CN115797631A (zh) * 2022-12-01 2023-03-14 复亚智能科技(太仓)有限公司 一种不同行驶方向的道路范围1+1分割方法
CN116071688A (zh) * 2023-03-06 2023-05-05 台州天视智能科技有限公司 一种车辆的行为分析方法、装置、电子设备及存储介质
CN116721547A (zh) * 2023-08-04 2023-09-08 山东科技大学 一种面向交叉口右转区域大货车的安全指导***与方法
CN117636482A (zh) * 2024-01-26 2024-03-01 东莞市杰瑞智能科技有限公司 用于城市道路人员行为的视觉检测***

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110807932A (zh) * 2019-11-12 2020-02-18 汤建强 一种车辆实线变道检测方法
CN110930715B (zh) * 2019-11-21 2021-07-20 浙江大华技术股份有限公司 一种非机动车闯红灯识别方法、***及违章处理平台
CN111126323A (zh) * 2019-12-26 2020-05-08 广东星舆科技有限公司 服务于交通违规检测的卡口元素识别与分析方法、***
CN111179345B (zh) * 2019-12-27 2024-01-23 大连海事大学 基于车载机器视觉的前方车辆越线违章行为自动检测方法及***
CN111325988A (zh) * 2020-03-10 2020-06-23 北京以萨技术股份有限公司 基于视频的实时闯红灯检测方法、装置、***及存储介质
CN111259868B (zh) * 2020-03-10 2023-12-12 以萨技术股份有限公司 基于卷积神经网络的逆行车辆检测方法、***及介质
CN111654620B (zh) * 2020-05-26 2021-09-17 维沃移动通信有限公司 拍摄方法及装置
CN111582253B (zh) * 2020-06-19 2022-09-06 上海其高电子科技有限公司 基于事件触发的车牌跟踪识别方法
CN111753716B (zh) * 2020-06-23 2023-11-24 中国联合网络通信集团有限公司 一种停车压线检测方法及服务器
CN111741267B (zh) * 2020-06-24 2022-03-08 浙江大华技术股份有限公司 一种车辆延误的确定方法、装置、设备及介质
CN111770310A (zh) * 2020-07-02 2020-10-13 广州博冠智能科技有限公司 一种走失儿童识别定位的方法及装置
CN111898491B (zh) * 2020-07-15 2024-06-04 上海高德威智能交通***有限公司 一种车辆逆向行驶的识别方法、装置及电子设备
CN111899521A (zh) * 2020-07-17 2020-11-06 南京师范大学泰州学院 一种高速公路的车辆违规行为检测方法
CN112289022B (zh) * 2020-09-29 2022-02-25 西安电子科技大学 基于时空背景比对的黑烟车检测判定方法及***
CN112200044B (zh) * 2020-09-30 2024-04-30 北京四维图新科技股份有限公司 异常行为检测方法、装置及电子设备
CN112712708A (zh) * 2020-12-28 2021-04-27 上海眼控科技股份有限公司 信息检测方法、装置、设备及存储介质
CN115134558A (zh) * 2021-04-15 2022-09-30 江苏安靖通电子信息科技有限公司 基于微功耗监控的定向车道违法监测记录***
CN113538900B (zh) * 2021-06-11 2022-08-26 厦门路桥信息股份有限公司 停车场中车辆逆向行驶检测方法
CN113313051B (zh) * 2021-06-11 2023-04-18 昭通亮风台信息科技有限公司 一种违规使用他人etc行为的检测识别方法及***
CN113569666B (zh) * 2021-07-09 2023-12-15 东风汽车集团股份有限公司 车辆连续违法变道的检测方法及计算机设备
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***
CN113436279B (zh) * 2021-07-23 2023-02-28 杭州海康威视数字技术股份有限公司 一种图像处理方法、装置及设备
CN113696939B (zh) * 2021-08-25 2023-08-01 北京博研盛科科技有限公司 一种基于标识物的轨道车定位方法、***及设备
CN114627409A (zh) * 2022-02-25 2022-06-14 海信集团控股股份有限公司 一种车辆异常变道的检测方法及装置
CN114925747A (zh) * 2022-04-19 2022-08-19 五邑大学 车辆异常行驶检测方法、电子设备、存储介质
CN114758511B (zh) * 2022-06-14 2022-11-25 深圳市城市交通规划设计研究中心股份有限公司 一种跑车超速检测***、方法、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050209748A1 (en) * 2004-03-12 2005-09-22 Toyota Jidosha Kabushiki Kaisha Lane boundary detector
CN103778786A (zh) * 2013-12-17 2014-05-07 东莞中国科学院云计算产业技术创新与育成中心 一种基于显著车辆部件模型的交通违章检测方法
CN106652468A (zh) * 2016-12-09 2017-05-10 武汉极目智能技术有限公司 车辆道路前车违规检测和自车违规预警提醒装置及方法
CN106652465A (zh) * 2016-11-15 2017-05-10 成都通甲优博科技有限责任公司 一种道路异常驾驶行为的识别方法及***
CN107481526A (zh) * 2017-09-07 2017-12-15 公安部第三研究所 用于行车变道检测记录及违章变道举报控制的***及方法
CN107978165A (zh) * 2017-12-12 2018-05-01 南京理工大学 基于计算机视觉的交叉口标志标线与信号灯智能感知方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106682563B (zh) * 2015-11-05 2018-10-23 腾讯科技（深圳）有限公司 一种车道线检测自适应调整方法及装置
CN105718872B (zh) * 2016-01-15 2020-02-04 武汉光庭科技有限公司 两侧车道快速定位及检测车辆偏转角度的辅助方法及***
CN106412508A (zh) * 2016-09-30 2017-02-15 北京中星微电子有限公司 车辆违章压线智能监控方法和***
CN107389026B (zh) * 2017-06-12 2019-10-01 江苏大学 一种基于固定点射影变换的单目视觉测距方法
CN107580199A (zh) * 2017-09-08 2018-01-12 深圳市伊码泰珂电子有限公司 重叠视域多摄像机协同的目标定位与跟踪***

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050209748A1 (en) * 2004-03-12 2005-09-22 Toyota Jidosha Kabushiki Kaisha Lane boundary detector
CN103778786A (zh) * 2013-12-17 2014-05-07 东莞中国科学院云计算产业技术创新与育成中心 一种基于显著车辆部件模型的交通违章检测方法
CN106652465A (zh) * 2016-11-15 2017-05-10 成都通甲优博科技有限责任公司 一种道路异常驾驶行为的识别方法及***
CN106652468A (zh) * 2016-12-09 2017-05-10 武汉极目智能技术有限公司 车辆道路前车违规检测和自车违规预警提醒装置及方法
CN107481526A (zh) * 2017-09-07 2017-12-15 公安部第三研究所 用于行车变道检测记录及违章变道举报控制的***及方法
CN107978165A (zh) * 2017-12-12 2018-05-01 南京理工大学 基于计算机视觉的交叉口标志标线与信号灯智能感知方法

Cited By (48)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111241953B (zh) * 2020-01-03 2023-11-10 河北太行农牧供应链有限公司 洗消验证方法和装置、存储介质及电子装置
CN111241953A (zh) * 2020-01-03 2020-06-05 秒针信息技术有限公司 洗消验证方法和装置、存储介质及电子装置
CN111444798A (zh) * 2020-03-16 2020-07-24 平安国际智慧城市科技股份有限公司 电动自行车驾驶行为的识别方法、装置和计算机设备
CN111444798B (zh) * 2020-03-16 2024-05-28 平安国际智慧城市科技股份有限公司 电动自行车驾驶行为的识别方法、装置和计算机设备
CN111753634A (zh) * 2020-03-30 2020-10-09 上海高德威智能交通***有限公司 交通事件检测方法和设备
CN113744302A (zh) * 2020-05-27 2021-12-03 北京机械设备研究所 动态目标行为预测方法和***
CN113744302B (zh) * 2020-05-27 2024-02-02 北京机械设备研究所 动态目标行为预测方法和***
CN111784741A (zh) * 2020-06-29 2020-10-16 杭州海康威视数字技术股份有限公司 一种目标跨镜布控追踪的方法和***
CN111784741B (zh) * 2020-06-29 2024-03-29 杭州海康威视数字技术股份有限公司 一种目标跨镜布控追踪的方法和***
CN112164227A (zh) * 2020-08-26 2021-01-01 深圳奇迹智慧网络有限公司 违停车辆告警方法、装置、计算机设备和存储介质
CN112164227B (zh) * 2020-08-26 2022-06-28 深圳奇迹智慧网络有限公司 违停车辆告警方法、装置、计算机设备和存储介质
CN112270258A (zh) * 2020-10-27 2021-01-26 深圳英飞拓科技股份有限公司 一种非机动车的违规信息获取方法及装置
CN112380993A (zh) * 2020-11-12 2021-02-19 青岛以萨数据技术有限公司 基于目标实时追踪信息的智能违法行为检测***及方法
CN112364794A (zh) * 2020-11-18 2021-02-12 合肥湛达智能科技有限公司 一种基于嵌入式终端的深度学习逆行检测方法
CN114613147B (zh) * 2020-11-25 2023-08-04 浙江宇视科技有限公司 一种车辆违章的识别方法、装置、介质及电子设备
CN114613147A (zh) * 2020-11-25 2022-06-10 浙江宇视科技有限公司 一种车辆违章的识别方法、装置、介质及电子设备
CN112329724B (zh) * 2020-11-26 2022-08-05 四川大学 机动车变道实时检测与抓拍方法
CN112329724A (zh) * 2020-11-26 2021-02-05 四川大学 机动车变道实时检测与抓拍方法
CN112950538B (zh) * 2021-01-27 2024-05-14 浙江大华技术股份有限公司 一种检测车辆违章的方法及装置
CN112950538A (zh) * 2021-01-27 2021-06-11 浙江大华技术股份有限公司 一种检测车辆违章的方法及装置
CN112818866A (zh) * 2021-02-02 2021-05-18 苏州挚途科技有限公司 车辆定位的方法、装置及电子设备
CN112818866B (zh) * 2021-02-02 2023-11-07 苏州挚途科技有限公司 车辆定位的方法、装置及电子设备
CN112949465A (zh) * 2021-02-26 2021-06-11 上海商汤智能科技有限公司 车辆连续变道识别方法、装置、设备及存储介质
CN113177443A (zh) * 2021-04-13 2021-07-27 深圳市天双科技有限公司 一种基于图像视觉的智能识别道路交通违章的方法
CN113592903A (zh) * 2021-06-28 2021-11-02 北京百度网讯科技有限公司 车辆轨迹识别方法、装置、电子设备和存储介质
CN113706859A (zh) * 2021-07-14 2021-11-26 石家庄铁道大学 一种基于三帧差分法的道路交叉口路况预警***及方法
CN113592916B (zh) * 2021-07-30 2024-02-06 内蒙古科技大学 一种烧结机台车车轴故障检测方法及***
CN113592916A (zh) * 2021-07-30 2021-11-02 内蒙古科技大学 一种烧结机台车车轴故障检测方法及***
CN113611124A (zh) * 2021-08-09 2021-11-05 茂名粤云信息技术有限公司 一种基于智慧城市车辆违规的智能识别方法
CN113422938A (zh) * 2021-08-23 2021-09-21 深圳市旗扬特种装备技术工程有限公司 人工智能的道路事件监控方法、装置、***及存储介质
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
CN114022791A (zh) * 2021-10-15 2022-02-08 武汉理工大学 一种基于高空视角识别***的车辆轨迹运动特征识别方法
CN114022791B (zh) * 2021-10-15 2024-05-28 武汉理工大学 一种基于高空视角识别***的车辆轨迹运动特征识别方法
CN114299414A (zh) * 2021-11-30 2022-04-08 无锡数据湖信息技术有限公司 一种基于深度学习的车辆闯红灯识别判定方法
CN114299414B (zh) * 2021-11-30 2023-09-15 无锡数据湖信息技术有限公司 一种基于深度学习的车辆闯红灯识别判定方法
CN114239272A (zh) * 2021-12-16 2022-03-25 北京工业大学 一种基于逆行行为的混合自行车流微观建模方法和装置
CN114333344A (zh) * 2021-12-29 2022-04-12 以萨技术股份有限公司 机动车违章抓拍方法、装置及电子设备
CN114283587A (zh) * 2021-12-29 2022-04-05 安徽达尔智能控制***股份有限公司 一种基于雷视监测的路口车辆违规变道预警管控方法和***
CN114399714A (zh) * 2022-01-12 2022-04-26 福州大学 基于车载相机视频的车辆违停检测方法
CN115019511A (zh) * 2022-06-29 2022-09-06 九识(苏州)智能科技有限公司 基于自动驾驶车辆的识别机动车违规变道的方法和装置
CN115240435A (zh) * 2022-09-21 2022-10-25 广州市德赛西威智慧交通技术有限公司 一种基于ai技术的车辆违章行驶检测方法、装置
CN115797631B (zh) * 2022-12-01 2023-12-01 复亚智能科技(太仓)有限公司 一种不同行驶方向的道路范围1+1分割方法
CN115797631A (zh) * 2022-12-01 2023-03-14 复亚智能科技(太仓)有限公司 一种不同行驶方向的道路范围1+1分割方法
CN116071688A (zh) * 2023-03-06 2023-05-05 台州天视智能科技有限公司 一种车辆的行为分析方法、装置、电子设备及存储介质
CN116721547B (zh) * 2023-08-04 2023-10-20 山东科技大学 一种面向交叉口右转区域大货车的安全指导***与方法
CN116721547A (zh) * 2023-08-04 2023-09-08 山东科技大学 一种面向交叉口右转区域大货车的安全指导***与方法
CN117636482A (zh) * 2024-01-26 2024-03-01 东莞市杰瑞智能科技有限公司 用于城市道路人员行为的视觉检测***
CN117636482B (zh) * 2024-01-26 2024-04-09 东莞市杰瑞智能科技有限公司 用于城市道路人员行为的视觉检测***

Also Published As

Publication number Publication date
CN110178167A (zh) 2019-08-27
CN110178167B (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
WO2020000251A1 (zh) 基于摄像机协同接力的路口违章视频识别方法
CN110197589B (zh) 一种基于深度学习的闯红灯违法检测方法
KR101864066B1 (ko) 차선 인식 장치, 차선 이탈 판단 장치, 차선 인식 방법 및 차선 이탈 판단 방법
CN106647776B (zh) 车辆变道趋势的判断方法、判断装置和计算机存储介质
JP4871909B2 (ja) 物体認識装置、および物体認識方法
CN103824452B (zh) 一种轻量级的基于全景视觉的违章停车检测装置
AU2019100914A4 (en) Method for identifying an intersection violation video based on camera cooperative relay
CN102708356B (zh) 一种基于复杂背景下的车牌自动定位和识别方法
Abdullah et al. YOLO-based three-stage network for Bangla license plate recognition in Dhaka metropolitan city
US10552706B2 (en) Attachable matter detection apparatus and attachable matter detection method
CN110379168B (zh) 一种基于Mask R-CNN的交通车辆信息获取方法
CN104899554A (zh) 一种基于单目视觉的车辆测距方法
WO2015089867A1 (zh) 一种交通违章检测方法
Huang et al. Lane detection based on inverse perspective transformation and Kalman filter
CN104537841A (zh) 无牌车辆违章检测方法及其检测***
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***
EP2813973B1 (en) Method and system for processing video image
WO2014017600A1 (ja) 立体物検出装置および立体物検出方法
CN107918775B (zh) 一种辅助车辆安全驾驶的斑马线检测方法及***
Jiang et al. Lane line detection optimization algorithm based on improved Hough transform and R-least squares with dual removal
CN115546763A (zh) 基于视觉测距的交通信号灯识别网络训练方法及测试方法
Kanhere et al. Vehicle segmentation and tracking in the presence of occlusions
Choi et al. Cut-in vehicle warning system exploiting multiple rotational images of SVM cameras
Xuan et al. Robust lane-mark extraction for autonomous driving under complex real conditions
CN110782485A (zh) 一种车辆变道检测方法及装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18924603

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18924603

Country of ref document: EP

Kind code of ref document: A1