技术领域本发明涉及一种异常车辆的检测方法，具体说是一种基于图像处理的其他车辆异常的检测方法。
背景技术：
对于如今的交通事故中，有相当一部分是非本车的驾驶失误造成的，而是由于其他车辆的错误操作给本车带来了不必要的损失和生命危险，如何避免这一部分的交通事故，保护车内人员的生命财产的安全，也是汽车生产商非常重视的一个环节。目标自动识别技术是利用成像系统进来的图像，自动地提取目标并识别出来，目前的目标自动识别算法有经典的统计模式识别方法，基于知识的自动目标识别方法，基于模型的自动目标识别方法，基于多传感器信息融合的自动目标识别方法，基于统计学习的自动目标识别方法，运动目标识别方法。而目标跟踪技术可以分为基于模版的跟踪、基于区域的跟踪、基于轮廓的跟踪，基于特征匹配的跟踪和基于运动特性的跟踪。目前基于图像的自动识别和跟踪技术已经发展多年，车辆交通事故预防也已经有多项措施，这些异常以及预防措施大多针对本车的驾驶员设计的，但是没有检测其他车辆的，目前没有基于图像的其他车辆的实时检测并判断是否异常的发明，本发明具有一定的实际意义，也具有一定的理论基础。
技术实现要素：
针对上述技术不足，本发明的目的提供一种基于图像处理的异常车辆的检测方法。本发明解决其技术问题所采用的技术方案是：一种基于图像处理的异常车辆的检测方法，包括以下步骤：对本车拍摄的车辆图像通过模版匹配识别含有目标车辆的目标区域：对目标区域进行粒子滤波得到目标车辆在当前图像中的位置；将当前图像进行透视变换得到当前图像中目标车辆与本车的距离；连接当前图像中目标车辆的位置以及前一帧图像中目标车辆的位置得到目标车辆的运动轨迹；根据目标车辆的运动轨迹和与本车的距离判断出异常车辆。所述对本车拍摄的车辆图像通过模版匹配识别含有目标车辆的目标区域包括以下步骤：分别将从本车前后左右拍摄的各种车辆图像形成预设模版；将本车实时采集的四个方向的原始车辆图像分别与对应方向的模板进行差值运算：D(x,y)=Σx′Σy′[T(x′,y′)-F(x′+x,y′+y)]2]]>D(x,y)为差值测度，(x,y)为车辆图像的坐标，T()是模版，F()是目标车辆，(x’,y’)是预设模版图像的坐标系上的点；在图像中选取差值小于阈值的区域为含有目标车辆的目标区域。所述对目标区域进行粒子滤波得到目标车辆在当前图像中的位置包括以下步骤：1)将车辆图像中目标区域的RGB转换为HSV中的h空间，将h空间转换为直方图作为目标特征向量V；2)采用高斯分布设置与目标区域相同尺寸的搜索粒子，对当前图像进行搜索得到所有搜索粒子的直方图向量Vi与目标特征向量V的相似度；3)对各搜索粒子获取的相似度加权得到目标区域的位置。所述将原始车辆图像中目标区域的RGB转换为HSV中的h空间通过以下公式实现：其中，R、G、B为原始图像的RGB空间中的信息，max为RGB中的最大值，min为RGB中的最小值。所述采用高斯分布设置与目标区域相同尺寸的搜索粒子具体为：在原始图像中目标区域的若干倍范围内设置总搜索粒子的80％，若干倍范围以外的区域放置其余20％搜索粒子。所述对当前图像进行搜索得到所有搜索粒子的直方图向量Vi与目标特征向量V的相似度包括以下步骤：计算每个搜索粒子的h直方图，进而得到色调直方图，即向量Vi；计算每个搜索粒子的向量Vi与目标特征向量V的相似度sum(abs(Vi-V))；将所有搜索粒子对应的相似度进行归一化，使所有相似度的和为1。所述对各搜索粒子获取的相似度加权得到目标区域的位置具体为：对各搜索粒子的相似度分别对于横纵坐标做加权处理，得到目标区域的位置：X＝sum(Xn×Wn)Y＝sum(Yn×Wn)其中Xn、Yn表示搜索粒子的横、纵坐标，Wn为该搜索粒子对应的相似度。所述对各搜索粒子获取的相似度加权得到目标区域的位置后，进入重采样阶段：当目标图像区域的差值测度与模版的差值测度的相似度小于设定值时，返回步骤2)，直到目标图像区域的差值测度与模版的差值测度的差值小于设定差时，得到的粒子中心的坐标为目标区域在当前图像中的位置。所述根据目标车辆的运动轨迹和与本车的距离判断出异常车辆具体为：当运动轨迹的延长线是朝向本车时，则为一级预警，将目标车辆作为异常车辆；当一级预警且距离小于设定距离时，则为二级预警，进行声音报警；当二级预警且本车的速度仍不变或增加时，则自动刹车。本发明具有以下有益效果及优点：1.本发明基于图像处理技术，对车辆周围车辆进行跟踪检测，及时发现异常并进行预警或处理，有效的降低了由于其他车辆的意外驾驶造成本车的意外发生的概率。2.本发明实时的以本车为圆心，一定半径内的车辆进行实时行车状态的监督，以发现异常车辆，并及时的采取措施，防患于未然。3.本发明采用粒子滤波等一系列图像处理手段，目的在于能够有效的基于图像的对本车周围一定范围内的车辆进行时时的监控，并判断是否会出现异常危害到本车的安全。附图说明图1是本发明的方法流程图；图2是本发明的透视效果图。具体实施方式下面结合实施例对本发明做进一步的详细说明。如图1所示，本发明包括以下步骤：1.模版匹配进行图像车辆自动识别：分别在本车的正前、正后、正左、正右方设置一个摄像头，可以用于离线制作标准模板，时时采集图像用于后期的图像处理的数据源。图2所示构造轿车，货车，客车的标准模版，分别从本车前后左右4个角度拍摄各种类型车辆图片形成标准模版，模版为以车辆为目标的矩形框，即能够包含车辆整车的最小矩形框，框内主要部分为汽车，最终的模版样式包括各种角度各种车型的尽可能多的角度的图片。采集标准模版的目的是为了用于对于从视频的图片中提取车辆信息进行对比，从而实时跟踪与实时的监测。对于本车在行驶过程中所获取的视频中的图像中存在噪声，有空间的和幅度的量化误差，以及待检测物体形状和结构方面的不确定性，模版匹配总是难以绝对准确的。因而每一版都要在图像的每一点上求模版与图像之间的差值测度D(x,y)(其中x,y为图像的坐标，以左上角为圆心的坐标系)。凡是D(x,y)小于某一门限值Ld(x,y)的地方(为了提高准确率本实施例设定Ld(x,y)的值为在图像上所有点的差值度量的前10％)，都表明该地方存在要检测的物体。通常门限在整个图像内是恒定的。本发明采用的是差值度量如下：D(x,y)=Σx′Σy′[T(x′,y′)-F(x′+x,y′+y)]2]]>其中T()是模版，F()是被检测对象，x,y是图像对应的坐标，x’,y’是模版图像坐标系上的点的位置；对于结果与Ld(x,y)进行判断，小于阈值的则为匹配的区域。匹配之后对图像进行粒子滤波处理。2.基于粒子滤波的图像跟踪技术：基于自动识别检测到的车辆，计算该区域的色调(Hue)空间的直方图，色度空间是HSV颜色空间三个分量彩色、饱和度、值中的一个，与传统RGB颜色空间的转化公式为：其中，R，G，B为原始图像的RGB空间中的信息，max为RGB中的最大值，min为RGB中的最小值。根据公式，通过对目标区域的RGB转换为HSV中的h空间，并对目标框中的h信息统计为直方图作为搜索目标的特征，直方图可以用一个向量来表示，所以特征目标就是一个N*1的向量V。搜索阶段采用高斯分布来设置搜索粒子(与目标区域相同尺寸)，即在上一帧确定的目标区域附近，靠近目标的区域(目标区域的1倍范围内)设置总粒子的80％，远离目标区域放置其余20％，对每个放置的粒子计算该粒子所处图像的颜色特征，即h直方图，得到一个色调直方图，用向量Vi表示，并计算该直方图与目标直方图的相似性。相似性有多种度量，最简单的一种是计算sum(abs(Vi-V)),即计算该直方图向量与目标直方图向量之间绝对值的和，为了简化后续的计算，对于所有粒子得到相似度需要进行一次归一化，使得所有的相似度的的和为1。决策阶段对各个粒子获取的相似度分别对于横纵坐标做加权处理，于是目标最可能的像素坐标X＝sum(Xn×Wn),Y＝sum(Yn×Wn),其中Xn，Yn表示粒子的横纵坐标，Wn为该粒子的相似度。重采样阶段，根据相似度的结果重新释放搜索粒子，相似度高的地方设置总粒子数的80％，相似度低的位置放置粒子总数的20％，这样重复搜索阶段，然后计算决策阶段，然后继续循环，直到找到相似度与目标非常接近的区域，即直到找到搜索粒子范围内的目标区域图像的差值测度与模版图像的差值测度的相似度的差非常接近0，例如两个目标区域的最终差值小于0.01，最终确定目标在当前帧的位置。其中，相似性度量采用直方图向量之差进行度量，公式如下：sum(abs(Vi-V))。3.对于跟踪的车辆进行实时的检测，对图像进行透视变换，根据已知的四个点预先对摄像机进行标定，形成上帝视角的透视变换图，以检测车辆周围的状况，示意图如图2所示，计算车辆的运动轨迹，如果发现车辆的运动轨迹是的延长线是朝向本车的，该轨迹是通过多帧信息的统计在透视图上向的时时显示，启动一级预警，将目标车辆作为重点关注车辆。在投影图像上判断目标车辆的速度和距离本车的车距，该距离的设定通过透视变换的实际距离，设定距离阈值为5米，车速根据视频的帧数与透视实际距离可计算，如果距离小于阈值，则采取第二预警警报提醒驾驶员采取措施，如果驾驶员没有采取措施则开启第三预警模式，汽车紧急刹车，以避开目标车辆。