一种公路交通事故判别方法及装置与流程

本发明涉及计算机视觉技术领域，特别是涉及一种公路交通事故判别方法及装置。

背景技术：

现代智能交通视频监控系统已具备能够较为准确、全面获得包括车道拥堵、车辆违章在内的丰富信息的能力，并且能够实时监控多个车道所需的各种交通状况，具有非常良好的应用和研究价值。

针对道路交通事故判别问题，目前的智能交通视频监控系统主要集中在对已有的交通事件的前景目标进行特征提取，分别针对包括轿车、客车和货车在内的各类车型进行车辆尺寸细分，利用划定检测区域内各类车辆的面积闭值和车辆宽长比闭值对交通事件进行判定识别。此种现有的交通事故判别方式由于需要对多个图像进行训练，并采用分类器进行实时分类，信息处理速度较慢，且缺乏对特殊交通事件，诸如车辆发生较大形变等问题的普适性。因此有必要在不增加现有交通视频监控系统成本的基础上，研究新的交通事故判别方法。

技术实现要素：

本发明的目的是提供一种公路交通事故判别方法及装置，以利用视频跟踪算法对公路的交通状况进行分析，达到自主识别交通事故有无发生的目的。

为解决上述技术问题，本发明提供一种公路交通事故判别方法，包括：

获取被监控路段的视频图像；

从所述视频图像中提取车道线，确定各车道的范围；

对每一个车道上的车辆进行多目标检测跟踪，确定所述车辆的行驶轨迹；

根据所述车辆的行驶轨迹与所述车道线的相对位置，判断各所述车辆是否发生变更车道现象，当所述车辆的行驶轨迹偏离当前所在车道的范围时，则判定发生变更车道现象；

根据相邻帧数所述视频图像中车辆特征点的坐标差值，判断各所述车辆是否发生骤停现象，当所述坐标差值低于预设阈值时，则判定发生骤停现象；

当检测到所述被监控路段的同一车道中多个车辆发生变更车道现象和/或骤停现象时，判定所述被监控路段发生交通事故。

可选地，还包括：

根据相邻帧数所述视频图像中车辆特征点的坐标差值与时间差值，确定当前车道各车辆的平均行驶速度，并判断所述被监控路段是否发生交通拥堵现象。

可选地，所述从所述视频图像中提取车道线，确定各车道的范围包括：

采用线性车道模型，通过结构化随机森林的边缘检测算法提取所述车道线，确定各车道的范围。

可选地，对每一个车道上的车辆进行检测的步骤包括：

采用区域特征提取方法提取所述被监控路段中车辆的极值稳定区域；

获取最大极值稳定区域的二值化模板，并进行连通域分析，通过闭运算操作获取候选的连通域；

对所述候选的连通域的彩色信息进行噪声滤除，定位出所述车辆的车牌对象。

可选地，对每一个车道上的车辆进行跟踪的步骤包括：

根据定位到的所述车辆的车牌对象建立车辆跟踪目标框；

提取所述车辆跟踪目标框的HOG特征，建立对应车牌的回归模型，对所述车辆进行连续跟踪。

可选地，所述根据所述车辆的行驶轨迹与所述车道线的相对位置，判断各所述车辆是否发生变更车道现象包括：

获取所述跟踪目标框的几何中心坐标变换，当所述跟踪目标框的几何中心偏离当前车道的范围时，判断所述车辆变更车道线。

可选地，在所述获取被监控路段的视频图像之后还包括：

对所述视频图像进行预处理，以滤除干扰噪声。

本发明还提供了一种公路交通事故判别装置，包括：

图像获取模块，用于获取被监控路段的视频图像；

车道检测模块，用于从所述视频图像中提取车道线，确定各车道的范围；

目标检测跟踪模块，用于对每一个车道上的车辆进行多目标检测跟踪，确定所述车辆的行驶轨迹；

车道变更检测模块，用于根据所述车辆的行驶轨迹与所述车道线的相对位置，判断各所述车辆是否发生变更车道现象，当所述车辆的行驶轨迹偏离当前所在车道的范围时，则判定发生变更车道现象；

骤停检测模块，用于根据相邻帧数所述视频图像中车辆特征点的坐标差值，判断各所述车辆是否发生骤停现象，当所述坐标差值低于预设阈值时，则判定发生骤停现象；

交通事故判断模块，用于当检测到所述被监控路段的同一车道中多个车辆发生变更车道现象和/或骤停现象时，判定所述被监控路段发生交通事故。

可选地，还包括：

交通拥堵判断模块，用于根据相邻帧数所述视频图像中车辆特征点的坐标差值与时间差值，确定当前车道各车辆的平均行驶速度，并判断所述被监控路段是否发生交通拥堵现象。

可选地，还包括：

预处理模块，用于在获取被监控路段的视频图像之后，对所述视频图像进行预处理，以滤除干扰噪声。

本发明所提供的公路交通事故判别方法及装置，通过获取被监控路段的视频图像；从视频图像中提取车道线，确定各车道的范围；对每一个车道上的车辆进行多目标检测跟踪，确定车辆的行驶轨迹；根据车辆的行驶轨迹与车道线的相对位置，判断各车辆是否发生变更车道现象，当车辆的行驶轨迹偏离当前所在车道的范围时，则判定发生变更车道现象；根据相邻帧数视频图像中车辆特征点的坐标差值，判断各车辆是否发生骤停现象，当坐标差值低于预设阈值时，则判定发生骤停现象；当检测到被监控路段的同一车道中多个车辆发生变更车道现象和/或骤停现象时，判定被监控路段发生交通事故。本申请将目标检测与跟踪算法应用于公路交通事故判别中，避免了传统算法分别针对包括轿车、客车和货车在内的各类车型进行车辆尺寸细分，利用划定检测区域内各类车辆的面积闭值和车辆宽长比闭值对交通事件进行识别造成的先验知识匮乏的误差，提高了事故判别的准确率，能够较好的适应诸如车辆发生较大形变等各类极端车祸问题。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，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的介绍，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为本发明所提供的公路交通事故判别方法的一种具体实施方式的流程图；

图2为本发明实施例所提供的对车辆进行检测的过程流程图；

图3为本发明实施例所提供的对车辆进行跟踪的流程图；

图4为车辆跟踪示意图；

图5为基于视频跟踪算法的高速公路交通事故判别实施流程图；

图6为本发明实施例提供的公路交通事故判别装置的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。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前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明所提供的公路交通事故判别方法的一种具体实施方式的流程图如图1所示，该方法包括：

步骤S101：获取被监控路段的视频图像；

本申请所提供的公路交通事故判别方法可用于高速公路上，在被监控路段的固定位置设置俯拍摄像头，对被监控路段的视频图像进行实时采集。

步骤S102：从所述视频图像中提取车道线，确定各车道的范围；

在由位置角度均固定的摄像头对视频图像进行采集的具体实施例中，由于采集到的图像中车道在图像中的相对位置保持不变，因此仅需要对第一帧输入图像进行车道检测即可。

另外，优选地，在输入视频图像的第一帧图像之后，还可以进一步包括：对视频图像进行预处理，以滤除干扰噪声的过程。该步骤能够加强图像的有用信息并滤除各种干扰噪声。

在现代道路设计中，道路有比较固定的设计模型，因此，对于高速公路等道路类型，车道的几何模型可以以固定的形式表示。因此，可以采用简单的线性车道模型，由结构化随机森林的快速边缘检测算法提取车道线，获取各车道宽度，确定车道的范围。为方便对车道进行识别，可以对车道进行编号。

结构化随机森林为现有道路检测的一种常用算法，相比其他算法，其具有简单容易实现、训练快、测试快、抵抗过拟合、支持并行化等优点，当然其他车道检测的算法也可，并不限于此种方式。

步骤S103：对每一个车道上的车辆进行多目标检测跟踪，确定所述车辆的行驶轨迹；

该步骤中多目标车辆跟踪即对驶入同一车道的多个车辆进行行为分析，建立在车辆检测与跟踪的双重基础上进行。

作为一种具体实施方式，本发明实施例在被监控路段中设置初始车辆撞线检测线以及跟踪停止线。车辆在进入被监控路段中，经过初始车辆撞线检测线时，开始进行检测，并持续跟踪。在经过跟踪停止线之后，结束对车辆的跟踪。

首先对车辆进行检测的过程进行详细描述，本发明实施例中依据灰度图像MSER最大稳定极值区域算法和彩色图像颜色滤波算法对车辆的车牌进行识别。

需要指出的是，由于车辆的车牌色彩、大小较为固定，因此对车辆进行检测识别时，多采用对车牌进行识别的方式，当前其他能够识别出车辆的部位均可。另外，本发明实施例中采用MSER(区域特征提取)方法，也可以采用其他方法，也并不限于此种方法。

具体地，参照图2本发明实施例所提供的对车辆进行检测的过程流程图，该过程具体包括：

步骤S1031：采用区域特征提取方法提取所述被监控路段中车辆的极值稳定区域；

步骤S1032：获取最大极值稳定区域的二值化模板，并进行连通域分析，通过闭运算操作获取候选的连通域；

步骤S1033：对所述候选的连通域的彩色信息进行噪声滤除，定位出所述车辆的车牌对象。

在获取车牌对象结果后，可以对车牌进行编号。还可以进一步对目标大小、几何中心、车道编号进行标定，并将结果输入给车辆跟踪模型。

值得注意的是，车辆检测算法在整个监控过程中与车辆跟踪系统并行，持续更新新驶入车辆的各项信息。

在检测到车辆后，对车辆进行跟踪的过程可以具体采用基于KCF核相关滤波跟踪算法对撞线车辆进行跟踪。记录同一起始车道车辆的行驶轨迹。

请参照图3本发明实施例所提供的对车辆进行跟踪的流程图，该过程包括：

步骤S1034：根据定位到的所述车辆的车牌对象建立车辆跟踪目标框；

步骤S1035：提取所述车辆跟踪目标框的HOG特征，建立对应车牌的回归模型，对所述车辆进行连续跟踪。

如图4车辆跟踪示意图所示，对于某一固定起始车道中，某辆辆刚驶入起始跟踪范围的车辆而言，其跟踪过程如下：依据撞线车辆车牌对象结果确立车辆跟踪目标框，其大小可以具体为车牌尺寸的两倍。提取跟踪目标框的HOG特征，建立对应车牌的回归模型，并进行基于单目标KCF算法的跟踪。

HOG(Histogram of Oriented Gradient，方向梯度直方图)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。

利用上述算法，对撞线检测定位的每一辆车建立上述独立的KCF跟踪模型，即可构成该高速公路区域内的多目标跟踪模型。

步骤S104：根据所述车辆的行驶轨迹与所述车道线的相对位置，判断各所述车辆是否发生变更车道现象，当所述车辆的行驶轨迹偏离当前所在车道的范围时，则判定发生变更车道现象；

具体地，可以获取跟踪目标框的几何中心坐标变换，当跟踪目标框的几何中心偏离当前车道的范围时，判断所述车辆变更车道线。依据跟踪结果实时更新车辆所在车道编号，并更新车辆标签。持续记录车辆轨迹直至车辆驶出监控观测范围。

步骤S105：根据相邻帧数所述视频图像中车辆特征点的坐标差值，判断各所述车辆是否发生骤停现象，当所述坐标差值低于预设阈值时，则判定发生骤停现象；

一般情况下，相邻帧数的视频图像的时间差值为一固定值，因此通过相邻帧数拍摄的视频图像中车辆的位置信息即可得到车辆的当前车速信息。因此，当车辆在相邻帧数的视频图像中位置变化很小甚至为0时，说明车辆处于急速刹车状态，发生了骤停现象。

本实施例中车辆的位置通过车辆特征点的坐标进行描述，车辆特征点具体可以选取为检测到车辆车牌的几何中心点，当然可以选择其他特征点，并不限于这一种。

需要指出的是，步骤S104以及步骤S105的执行顺序可以互换，这均不影响本发明的实现。

步骤S106：当检测到所述被监控路段的同一车道中多个车辆发生变更车道现象或骤停现象时，判定所述被监控路段发生交通事故。

公路车辆的行驶轨迹包含非常丰富的路面信息，是道路有无异常情况发生的重要依据。区别于公路的正常行驶以及交通拥堵事件中同一车道行驶车辆的无规律变道现象，当某一车道发生交通事件后，由于短时期内该车道存在受损车辆障碍，于是将迫使该车道后续车辆发生减速与连续变道现象。因此，当某一车道内车辆序列中，连续多辆车发生变道或骤停后，在排除先验的道路维修等人为干预信息后，即可判断出该车道前方车辆发生了交通事故。

本发明所提供的公路交通事故判别方法，通过获取被监控路段的视频图像；从视频图像中提取车道线，确定各车道的范围；对每一个车道上的车辆进行多目标检测跟踪，确定车辆的行驶轨迹；根据车辆的行驶轨迹与车道线的相对位置，判断各车辆是否发生变更车道现象，当车辆的行驶轨迹偏离当前所在车道的范围时，则判定发生变更车道现象；根据相邻帧数视频图像中车辆特征点的坐标差值，判断各车辆是否发生骤停现象，当坐标差值低于预设阈值时，则判定发生骤停现象；当检测到被监控路段的同一车道中多个车辆发生变更车道现象和/或骤停现象时，判定被监控路段发生交通事故。本申请将目标检测与跟踪算法应用于公路交通事故判别中，避免了传统算法分别针对包括轿车、客车和货车在内的各类车型进行车辆尺寸细分，利用划定检测区域内各类车辆的面积闭值和车辆宽长比闭值对交通事件进行识别造成的先验知识匮乏的误差，提高了事故判别的准确率，能够较好的适应诸如车辆发生较大形变等各类极端车祸问题。

在上述任一实施例的基础上，本发明所提供的公路交通事故判别方法还可以进一步包括：

根据相邻帧数所述视频图像中车辆特征点的坐标差值与时间差值，确定当前车道各车辆的平均行驶速度，并判断所述被监控路段是否发生交通拥堵现象。

作为一种具体实施方式，车辆特征点也可以选取为检测到车辆车牌的几何中心点，当然可以选择其他特征点，并不限于这一种。利用视频监控系统中相邻两帧图像各自对应车辆车牌的连通区域质心的坐标差值和时间差，可以较为准确的判别出道路车辆的平均行驶速度，从而判别出潜在的交通拥堵事件。当平均行驶速度较小时，判定当前车道交通较为拥堵。

本发明实施例基于现有的交通监控系统，提出一种基于视频跟踪算法的公路交通事故判别方法。如图5基于视频跟踪算法的高速公路交通事故判别实施流程图所示，该方法包括：

步骤S201：由高速公路俯视角监控系统采集被监控路段的视频，输入至车道检测系统；

步骤S202：车道检测系统对第一帧图像进行图像预处理，提取出车道线，并对车道线进行编号；

步骤S203：依据车道检测结果对每一车道车辆进行多目标检测，具体包括：

当检测到车辆进入初始车辆撞线检测线后，提取撞线车辆极值稳定区域；并利用彩色信息滤除噪声，定位到最终跟踪目标，并获取目标尺寸、车道编号信息。

步骤S204：分别对各个车道中的车辆进行目标跟踪。对单个目标进行跟踪的过程具体包括：

确立单目标跟踪对象，提取目标的HOG特征，对单目标进行KCF跟踪。持续更新目标车辆行驶车道的标签，直到车辆驶出跟踪停止线。

步骤S205：监视各车道车辆车道变更与骤停现象，若某一车道连续N辆车辆连续发生变道行为和/或骤停现象，则认定该车道前方路段发生交通事故。

下面对本发明实施例提供的公路交通事故判别装置进行介绍，下文描述的公路交通事故判别装置与上文描述的公路交通事故判别方法可相互对应参照。

图6为本发明实施例提供的公路交通事故判别装置的结构框图，参照图6公路交通事故判别装置可以包括：

图像获取模块100，用于获取被监控路段的视频图像；

车道检测模块200，用于从所述视频图像中提取车道线，确定各车道的范围；

目标检测跟踪模块300，用于对每一个车道上的车辆进行多目标检测跟踪，确定所述车辆的行驶轨迹；

车道变更检测模块400，用于根据所述车辆的行驶轨迹与所述车道线的相对位置，判断各所述车辆是否发生变更车道现象，当所述车辆的行驶轨迹偏离当前所在车道的范围时，则判定发生变更车道现象；

骤停检测模块500，用于根据相邻帧数所述视频图像中车辆特征点的坐标差值，判断各所述车辆是否发生骤停现象，当所述坐标差值低于预设阈值时，则判定发生骤停现象；

交通事故判断模块600，用于当检测到所述被监控路段的同一车道中多个车辆发生变更车道现象和/或骤停现象时，判定所述被监控路段发生交通事故。

作为一种具体实施方式，本发明所提供的公路交通事故判别装置还可以包括：

交通拥堵判断模块，用于根据相邻帧数所述视频图像中车辆特征点的坐标差值与时间差值，确定当前车道各车辆的平均行驶速度，并判断所述被监控路段是否发生交通拥堵现象。

在上述任一实施例的基础上，本发明实施例所提供的公路交通事故判别装置中，车道检测模块200具体用于：

采用线性车道模型，通过结构化随机森林的边缘检测算法提取所述车道线，确定各车道的范围。

进一步地，目标检测跟踪模块300可以具体包括：检测单元以及跟踪单元。

其中，检测单元具体用于：采用区域特征提取方法提取所述被监控路段中车辆的极值稳定区域；获取最大极值稳定区域的二值化模板，并进行连通域分析，通过闭运算操作获取候选的连通域；对所述候选的连通域的彩色信息进行噪声滤除，定位出所述车辆的车牌对象。

其中，跟踪单元具体用于：根据定位到的所述车辆的车牌对象建立车辆跟踪目标框；提取所述车辆跟踪目标框的HOG特征，建立对应车牌的回归模型，对所述车辆进行连续跟踪。

作为一种具体实施方式，车道变更检测模块400可以具体用于：

获取所述跟踪目标框的几何中心坐标变换，当所述跟踪目标框的几何中心偏离当前车道的范围时，判断所述车辆变更车道线。

作为一种具体实施方式，本发明所提供的公路交通事故判别装置还可以包括：

预处理模块，用于在获取被监控路段的视频图像之后，对所述视频图像进行预处理，以滤除干扰噪声。

本实施例的公路交通事故判别装置用于实现前述的公路交通事故判别方法，因此公路交通事故判别装置中的具体实施方式可见前文中的公路交通事故判别方法的实施例部分，例如，图像获取模块100，车道检测模块200，目标检测跟踪模块300，车道变更检测模块400，骤停检测模块500，交通事故判断模块600，分别用于实现上述公路交通事故判别方法中步骤S101，S102，S103，S104，S105和S106，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。

本发明所提供的公路交通事故判别装置，通过获取被监控路段的视频图像；从视频图像中提取车道线，确定各车道的范围；对每一个车道上的车辆进行多目标检测跟踪，确定车辆的行驶轨迹；根据车辆的行驶轨迹与车道线的相对位置，判断各车辆是否发生变更车道现象，当车辆的行驶轨迹偏离当前所在车道的范围时，则判定发生变更车道现象；根据相邻帧数视频图像中车辆特征点的坐标差值，判断各车辆是否发生骤停现象，当坐标差值低于预设阈值时，则判定发生骤停现象；当检测到被监控路段的同一车道中多个车辆发生变更车道现象或骤停现象时，判定被监控路段发生交通事故。本申请将目标检测与跟踪算法应用于公路交通事故判别中，避免了传统算法分别针对包括轿车、客车和货车在内的各类车型进行车辆尺寸细分，利用划定检测区域内各类车辆的面积闭值和车辆宽长比闭值对交通事件进行识别造成的先验知识匮乏的误差，能够较好的适应诸如车辆发生较大形变等各类极端车祸问题。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的公路交通事故判别方法以及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。