基于视频分析的车辆变道检测方法与流程

本发明涉及一种车辆变道检测方法，具体地涉及一种基于视频分析的车辆变道检测方法。

背景技术：

随着汽车需求量的迅速增长，我国的汽车生产数量已经居世界首位。出行方便的同时也带来了交通拥挤、交通事故频发等问题。汽车数量大，车辆违章相应增长，交通违章是交通拥挤、交通事故频发的重要原因之一。车辆违章种类很多，在车流量大，且行车速度较高的道路上随意变更车道存在极大的交通隐患。会导致交通事故。随意变道是引发交通事故的重要原因之一，越来越受到政府和社会各界的关注。因此如何有效的检测和识别车辆违法变道，预防和减少交通事故造成的损失，已成为当今交通管理部门亟待解决的一项紧迫的任务。

传统的车辆变道检测方法是通过交警现场观测或者对监控视频进行人工判读，这种方法既耗时又耗力并且检测精度较低。目前也有基于图像分析的检测方法，但是都没有很好的解决如下问题：

(1)不同车辆颜色、大小差异，等因素影响检测的正确率；

(2)天气、光照的变化对检测结果的影响；

(3)车辆速度的变化对检测结果的影响。

技术实现要素：

为了解决上述存在的技术问题，本发明提供了一种基于视频分析的车辆变道检测方法，可以大大提高检测效率和检测精度。

本发明的技术方案是：

一种基于视频分析的车辆变道检测方法，包括以下步骤：

s01：获取监控图像，并进行预处理；

s02：采用二分类svm模型，判断图像中是否有车辆；

s03：以车辆检测结果为跟踪起点进行追踪，检测出每个车辆区域，提取每个车辆的特征，若追踪的特征差值小于设定的阈值，则追踪成功，反之追踪失败；

s04：对车道线进行识别，获得车道线在视频图像中的位置坐标；

s05：根据车道线的坐标，从左到右对车道划分区域，设置坐标区间，跟踪车辆质心点，当车辆质心点在不同的车道区域内时，则判定该车辆变道。

优选的技术方案中，所述步骤s01用高斯滤波对图像降噪处理，滤波函数为：

其中，x的平方和y的平方分别表示邻域内其他像素与邻域内中心像素的距离，σ是标准差。

优选的技术方案中，所述步骤s03中若追踪失败次数大于设定的阈值时，不进行跟踪。

优选的技术方案中，所述步骤s03中提取的车辆的特征包括质心点、面积和外接矩形。

优选的技术方案中，所述步骤s04包括以下步骤：

对道路建立直角坐标系；

通过hough变换检测直线，直线为ρ＝xcosθ+ysinθ，ρ为直线上的点到原点的距离，θ为垂线与x轴夹角；

获得车道线在视频图像中的位置坐标。

与现有技术相比，本发明的优点是：

该方法可以对多个车辆进行识别，车辆跟踪，车辆在某区域内检测，检测率高，能在各种复杂的交通环境下对车辆是否变道、多次变道，可以很好的排除天气、光照、车道上的行人、杂物、阴影等对车道检测的影响，且经过大量的测试显示，该方法正确率为92％以上，能够满足各种道路环境下，对车辆是否变道和违章变道的检测要求。

附图说明

下面结合附图及实施例对本发明作进一步描述：

图1为本发明基于视频分析的车辆变道检测方法的流程图。

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明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

实施例：

下面结合附图，对本发明的较佳实施例作进一步说明。

如图1所示，本发明基于视频分析的车辆变道检测方法，包括以下步骤：

步骤一：从监控摄像头中获取视频，从视频中获得图像，多获取的图像进行预处理，例如用高斯滤波对图像降噪处理，滤波函数为：

其中，x的平方和y的平方分别表示的是邻域内其他像素与邻域内中心像素的距离，σ代表的是标准差。

步骤二：车辆检测中采用二分类svm模型，判断图像中是否有车辆：

f(x)＝β+w^tx；

其中，β为经过训练得到的常数，w为将训练得到的支持向量加权求和后得到的系数向量。x为在待分类图像上提取的特征向量，如果f(x)大于0，则待分类图像为车辆，否则不是车辆。

检测出每个车辆区域,提取每个车辆的质心点，面积，外接矩形等特征。首次检测结果作为检测目标{trackj|j＝1,2,3,…,m}，之后的检测结果{blobi|i＝1,2,…,n}则用于追踪。初步排除非机动车辆。摩托车、自行车等非机动车一般比机动车小，因此tracki的面积特征小于阈值areai时不检测。另外，因为摄像头的安装位置，当车辆区域接近或驶离摄像头时，检测出车辆的面积特征差异较大，所以接近图片边缘的tracki也不检测。tracki质心没有进入入侵检测范围也不检测。

当blobi质心点centeri、面积areai与tracki的质心点centerj(x,y)、面积areaj(x,y)的差值都满足不超过阈值tcenter和阈值tarea，则认为追踪成功。trackj的追踪失败次数inactivej初始化为0，若追踪成功，更新trackj的特征，否则inactivej自增1；如果trackj的追踪失败次数inactivej超过最大追踪失败次数阈值t1，则认为该车辆已驶出摄像头拍摄范围，可以删除不用再追踪。

步骤三：对车道线进行识别，包括以下步骤：

对道路建立直角坐标系；

通过hough变换检测直线，直线为ρ＝xcosθ+ysinθ，ρ为直线上的点到原点的距离，θ为垂线与x轴夹角；

获得车道线在视频图像中的位置坐标。

通过hough变换对车道线进行识别中，假设在直角坐标系中有一条直线，设直线上的点到原点的距离为ρ，垂线与x轴夹角为θ，这条直线可以表示为：

ρ＝xcosθ+ysinθ

在极坐标系空间中该直线仅为一个点(ρ,θ)，hough变换是将直角坐标系中的一条直线映射到极坐标空间中的一个点。

在直角坐标系中通过(x,y)处的所有直线映射到极坐标中是一条通过(ρ,θ)点的正弦曲线，直角坐标系中的某一点对应于极坐标中位于这条正弦曲线上的的点。所以,直角坐标系中的若干点映射到极坐标中就是若干的正弦曲线，若这些点在直角坐标系中构成一条直线，设为(ρ'，θ')，对应的直线方程表示为：

ρ'＝xcosθ'+ysinθ'

通过hough变换检测直线获得车道标志线在视频图像中的位置坐标。

步骤四：将摄像头拍到的区域，根据步骤三的方法获得车道线坐标，每条车道线有两个顶点坐标，从左到右对车道进行划分区域，设置坐标区间。通过步骤二的方法获得运动车辆的质心坐标(cx,cy)，通过opencv里的函数pointpolygontest检测车辆质心点起始位置在哪条车道的区域内。跟踪该质心点，获取实时坐标，得到车辆变道轨迹，如发现车辆质心点出现在其它的车道区域内，则判定该车辆变道。若在设置的时间内，该车质心点坐标出现在多个车到区域内，则判定为违章变道。

步骤五：得到检测结果后，保存相关图片或者视频。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。