本发明涉及交通检测技术领域，尤其涉及一种高速公路摄像头监控范围偏差检测方法。
背景技术：
高速公路是国家公路交通网络的主干，由于车流量大、车速高，高速公路的交通安全问题也十分突出。高速公路一旦发生异常交通状态，对行车安全的影响极大，极易因为一些小的抛锚或故障，导致发生重大二次事故或严重的车辆连环相撞事故。为了最大程度上确保高速公路行车安全，视频监控系统是目前国内外高速公路运行管理系统中主要依赖的技术手段。为了使视频监控系统能够正常工作，摄像头必须监控到道路的区域，不能使监控范围发生偏差，否则起不到应有的作用。因此判断摄像头的监控范围是否发生偏差，是保证视频监控系统正常运行的前提和基础。考虑到摄像头监控的是高速公路，因此可以通过检测其监控范围内是否存在道路区域来检测其监控范围是否发生偏差。目前关于道路检测的算法从实现原理上看大致可分为：基于道路特征的检测算法和基于道路模型的检测算法。基于道路特征的方法主要利用道路路面的特征，如梯度、颜色、纹理等，运用区域增长、边缘梯度变化检测等方法提取道路信息；基于道路模型的检测算法将实际道路看作边界是近似的直线或特定形式的曲线，从而建立道路边界的数学模型，而后通过一定的算法确定道路边界数学模型的相关参数再进一步确定道路边界的位置和方向，从而检测出视频画面中的道路区域。现有文献中提到的方法只是单纯的检测道路本身，从含有道路区域的视频中分离出道路，而没有将道路检测和摄像头监控范围偏差联系起来。因此，如何根据高速公路的特点，寻找一种检测摄像头监控范围偏差的方法显的越来越重要。
技术实现要素：
有鉴于此，本发明提供一种高速公路摄像头监控范围偏差检测方法，适应性强。本发明通过以下技术手段解决上述技术问题：高速公路摄像头监控范围偏差检测方法，包括如下步骤：1)从高速公路隧道摄像头获取的视频中按预设帧率抽取图片；2)划分内存区域存储步骤1)获得的图片；3)根据步骤2)存储的图片获取当前道路的背景图像；4)从步骤3)获取的背景图像中提取疑似公路标志线图像；5)通过对步骤4)获得的疑似公路标志线图像进行分析，判断摄像头监控范围是否发生偏差，具体包括如下步骤：51)对步骤4)获得的疑似公路标志线图像进行筛选，所述疑似公路标志线图像包括多段直线，选出斜率的绝对值大于0.3，且长度大于80个像素点的直线；52)从步骤51)筛选获得的直线中选出横截距最小和最大的两条直线，所述横截距是指直线与x轴的交点到坐标原点的距离；若未筛选出符合要求的直线，则判定摄像头监控范围发生偏差；53)判断步骤52)获得的两条直线是否符合下列要求：两条直线横截距的平均值avg_x：-50≤avg_x≤400；两条直线横截距的差值sub_x：50≤sub_x≤500；两条直线朝向x轴的夹角是锐角；若不同时满足以上三个条件则说明摄像头的监控范围发生了偏差。进一步，所述步骤3)中，采用平均统计法得到当前道路的背景图像。进一步，所述步骤2)中，至少存储20帧图像供步骤3)进行处理。进一步，所述步骤4)具体包括如下步骤：41)对步骤3)中获得的背景图像进行阈值分割，获得二值图像；42)对步骤3)中获得的背景图像进行边缘检测；43)将步骤41)、42)获得的二值图像进行逻辑与运算；44)从步骤43)获得的二值图像中检测出直线，获得疑似公路标志线图像。进一步，所述步骤41)中，采用自适应法选取阈值。进一步，所述步骤42)中，采用Canny算法进行边缘检测。进一步，所述步骤44)中采用霍夫变换算法检测直线。进一步，所述步骤41)中，还对阈值分割后获得二值图像进行形态学的膨胀处理。进一步，所述步骤42)中，还对边缘检测后获得的二值图像进行形态学的膨胀处理。进一步，所述步骤43)中，还对逻辑与运算获得的二值图像进行做形态学的腐蚀处理。本发明的高速公路摄像头监控范围偏差检测方法具有如下优点：本发明只检测道路中的标志线，因此可以快速、准确的根据当前摄像头采集的视频图像，判断摄像头监控范围偏差事件的发生。具体实施方式图1示出了高速公路摄像头监控范围偏差检测方法的流程示意图。具体实施方式以下将结合附图，对本发明进行详细说明。参见图1，高速公路摄像头监控范围偏差检测方法，高速公路摄像头监控范围偏差检测方法，包括如下步骤：1)从高速公路隧道摄像头获取的视频中按预设帧率抽取图片；2)划分内存区域存储步骤1)获得的N帧图片，N>20；3)采用平均统计法，根据步骤2)存储的图片获取当前道路的背景图像img_background；4)从步骤3)获取的背景图像中提取疑似公路标志线图像；具体包括如下步骤：41)对步骤3)中获得的背景图像进行阈值分割，获得二值图像；由于高速公路上标志线为白色，灰度值要高于路面上的其他区域，根据这一特点，可以通过阈值分割对其进行分离，步骤3)获得的背景图像img_background采用公式：进行阈值分割，得到一幅二值图像img_threshold。阈值threshold的选取采用如下表一所示的自适应方法，既根据背景图像的平均亮度自适应的选取阈值。之所以没有用Otsu算法选取阈值，是因为通过实验发现由Otsu算法得到的阈值分割后会出现大量的前景，不适合用于对单一道路背景图像进行分割。表一得到img_threshold后，对其进行形态学的膨胀处理，结构元素可以根据需要自行选取，本实例选取的是3×3的长方形结构元素。42)对步骤3)中获得的背景图像进行边缘检测；由于Canny边缘检测算子具有不漏检真实边缘、好的定位性能并且对于单个边缘点仅有一个响应等优点，综合考虑算子的性能与速度特性，本发明采用Canny算法进行边缘提取。利用Canny边缘检测算子对步骤3)中得到的背景图像img_background进行边缘检测，本发明中用OpenCV中的cvCanny函数，低阈值选取50，高阈值选取220，Sobel算子内核大小选取3，得到二值图像img_canny，得到的背景图像边缘包括白色标志线的边缘、道路边界的边缘以及其他一些物体的边缘。然后对二值图像img_canny进行形态学的膨胀处理，结构元素可以根据需要自行选取，本实例选取的是3×3的长方形结构元素。43)将步骤41)、42)获得的二值图像进行逻辑与运算；对上面41)、42)中得到的图像img_threshold和img_canny进行“逻辑与”运算并且做形态学的腐蚀处理，得到最终的二值图像img_and。44)从步骤43)获得的二值图像中检测出直线，获得疑似公路标志线图像。高速公路上的白色标志线有连续的，也有不连续的，Hough霍夫变换算法对直线是否连续不敏感。因此对img_and进行Hough霍夫变换，得到一个直线组，即疑似公路标志线图像。5)通过对步骤4)获得的疑似公路标志线图像进行分析，判断摄像头监控范围是否发生偏差，具体包括如下步骤：51)对步骤4)获得的疑似公路标志线图像进行筛选，所述疑似公路标志线图像包括多段直线，选出斜率的绝对值大于0.3，且长度大于80个像素点的直线；52)从步骤51)筛选获得的直线中选出横截距最小和最大的两条直线，所述横截距是指直线与x轴的交点到坐标原点的距离；若未筛选出符合要求的直线，则判定摄像头监控范围发生偏差；53)判断步骤52)获得的两条直线是否符合下列要求：两条直线横截距的平均值avg_x：-50≤avg_x≤400；两条直线横截距的差值sub_x：50≤sub_x≤500；两条直线朝向x轴的夹角是锐角；若不同时满足以上三个条件则说明摄像头的监控范围发生了偏差。最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。