本发明涉及一种占用公交车道的检测方法。
背景技术：
随着我国人民生活水平的日益提高，导致我国的汽车保有量连年升高，而我国城市交通基础设施的建设与城市交通规划还有待完善，因此城市交通拥堵问题日益严重。这是我国在“城市化”进程中面临的首要问题，不断完善公共交通设施可以有效缓解道路堵塞，公共交通在解决城市人群出行困难，实现节能减排，改善道路环境方面体现出了极大的优势。
但是随着公交车专用道不断建设，部分驾驶人缺乏公德意识和法制意识，社会车辆占用公交车道的现象日益严峻，这样在很大程度上影响了城市公交系统的正常运行，因此及时监测监督这样的违法行为势在必行。
目前常用的检测占用公交车道违章的方法包括人工监控和公交站固定摄像头监控方法，人工监控的方法存在着工作量巨大的严重弊端，而且耗费大量人力物力，而公交站固定摄像头的方法存在着证据采集难度大，采集目标易被遮挡，抓拍效果不理想，系统部署工作量大难度大等缺点，不能很好的解决违章占用公交车道的问题，不适于大规模应用。
技术实现要素：
本发明要解决的技术问题是提供一种占用公交车道的检测方法。
一种占用公交车道的检测方法，包括以下步骤：
S1:车道的检测与判别,具体方法如下：
S1-1：图像预处理：视频采集车道信息，读取视频图像，选定检测公交车道的ROI区域，对车载视频中的ROI区域进行图像的预处理，包括图像灰度化、图像的平滑去噪、图像边缘检测；
S1-2：对预处理过后的图像，采用改进的Hough变换进行车道检测；
S1-3：公交车道判别：利用两种车道在颜色上的不同，提取出车道检测区域的像素点，然后使用事先训练出的SVM分类器，对检测出的车道线进行公交车道判别，以区分普通车道和公交车道；
S1-4：车道筛选和状态判定：对车道进行帧内约束和帧间约束的筛选，使用状态机对检测结果进行状态的判定，并根据状态确定检测结果；
S2：车牌的检测,具体方法如下：
S2-1：将ROI区域按照图像高度从上到下等分为三个区域，相邻两个区域之间存在重合,公交车前方的汽车至少占据ROI所分割的三个区域中的两个区域，先检测区域二，若车牌被检测出在第二个区域，区域一和区域三不会有车牌，若车牌被检测出在第三个区域，区域一可能有车牌，区域二不会有车牌；
S2-2：按照步骤S2-1选出来的待检测区域(区域二)，用不同尺度大小的扫描窗，并用导入的AdaBoost分类器，计算该扫描窗口的Haar特征值，判断其是否达到分类器的阈值，如果阈值通过了Adaboost分类器的多重强分类器的分类，说明该区域为车牌，即可筛选出疑似车牌区域；
S2-3：区域二若检测出车牌信息，进行车牌合并操作，对不同尺度扫描窗扫描出来的同一块车牌区域进行合并,若未检测到车牌信息，则继续对区域一和区域三进行步骤S2-2的操作，若检测到车牌，进行车牌合并操作；
S2-4：RGB最大差值特征判断法对车牌进行重判断，具体如下：
1)对检测出来的待定车牌区域进行去噪预处理；
2)分别计算车牌区域像素点的RGB均值；
3)分别计算三均值两两差值的绝对值，选取三个差值绝对值中的最大值；
4)根据确定的阈值区间，进行阈值判断，不在此阈值区间内的车牌，判定为有效车牌；
S3：车牌分类，具体如下：
S3-1：将步骤2判断之后判定为有效车牌的，利用载入的SVM分类器进行分类，将车牌区域映射到HSV空间，计算图像H值的平均值；
S3-2：设置H值的平均值为特征值，利用SVM分类器对车牌进行颜色分类，挑选出蓝色车牌；
S3-3：对上一步判断为蓝色的车牌，还需要判断该车牌是否处于两条公交车道之内，如果当前车牌不在公交车道区域内，那么该机动车没有违章；
S3-4：标记违章车牌，具体为：若蓝色车牌数量大于0，则将每个对应区域的边缘像素标记为蓝色，并将当前的车牌图像记录下来，然后进行下一帧处理。
进一步的，利用改进的Hough变换进行车道的检测的具体方法如下：
1)将公交车道的ROI区域平均分成左右两个部分，即可将左右两条车道线分开在左右两个部分；
2)左右两条车道线的斜率的范围分别是kl∈(1,+∞)，kr∈(-1，-∞)，两条车道线与水平横轴的夹角的范围分别是θl∈(45，90]，θr∈[90，135)，两条车道线到原点的距离r的范围是其中width和heigth分别为ROI区域的宽和高；
3)根据r、θl、θr、kl、kr参数的范围，加入到hough算法中，分别找到左右两个部分概率最大的车道线即可。
进一步的，公交车道判别具体如下：
1)生成SVM分类器：提取大量公交车的RGB值作为SVM分类器的正样本，普通车道和道路背景作为SVM分类器的负样本，进行SVM训练；
2)对使用hough变换检测出来的左右两条车道线，在车道线两侧扩展一定的宽度，形成两条车道检测带，使用SVM分类器，判断像素点的RGB值是否符合黄色公交车道像素点RGB值分布，当检测带内黄色点超过一定比例时，则判断为公交车道，同时将该车道线标为黄色，否则为非公交车道，同时将表示车道的车道线标为白色。
进一步的，车道筛选和状态判别的具体方法如下：
1)帧内约束：假设左右车道线最上端的距离是L1，最下端的距离是L2，然后假定k＝L1/L2，当lowThres＜k＜highThres时，则判定两个车道线为合理的车道线；
2)帧间约束：当满足下列条件时，则判定前后两帧检测出的车道是一致的：
abs(θ_left0-θ_left1)＜thres1，
abs(R_left0-R_left1)＜thres2，
abs(θ_right0-θ_right1)＜thres1，
abs(R_right0-R_right1)＜thres2，
其中，θ_left0，θ_left1，θ_right0，θ_right1分别为前后两帧中左右车道线的极角，R_left0，R_left1，R_right0，R_right1分别为前后两帧中左右车道线的垂线距离；
3)车道检测的状态判别：
a)状态1：初始状态，在该状态时，检测次数为0，然后判断检测区域的左右部分检测到的车道线是否满足帧内约束，如果满足，则保存车道线，进入状态2；否则不保存左右车道线，状态停留在状态1，检测次数重新记为0；
b)状态2：准备状态，在该状态时，判断当前检测出的左右车道线和上一次记录的有效车道线是否距离接近。如果距离小于设定的阈值，如果连续检测正确次数超过N，那么状态转至状态3，正确检测次数清零，保存当前检测出的车道线；如果检测正确次数小于N则继续保持在状态2，正确检测次数加1，保存当前检测出的车道线，作为下一帧的前一帧进行处理；如果距离大于设定的阈值，说明当前帧相对于上一帧是错误的，当前检测状态不稳定，状态转移至状态1，保存当前车道线，检测次数记为0；
c)状态3：稳定状态，在该状态时，判断当前检测出的左右车道线和上一帧正确检测的车道线是否相近；如果距离小于设定的阈值，那么状态还是保持在状态3，说明检测的结果是正确的；如果距离大于设定的阈值，说明当前帧检测出的左右车道线是错误的，将状态转移到状态4，当前检测出的车道线还是上一帧正确检测到的车道线；
d)状态4：波动状态，在该状态时，判断当前检测出的左右车道线和上一帧正确保存的车道线是否相近；如果距离小于之前设定的阈值，说明当前帧所检测到的车道线是正确的车道线，那么此时状态转移到3，错误的检测次数记为0如果距离大于设定的阈值，说明当前帧的结果是错误的，将错误记数加1，如果连续检测错误的次数超过N，那么将状态转移到状态1，错误检测次数记为0；如果连续检测错误的次数小于N，那么状态依旧保持在状态4；
e)状态1为初始状态，表示还没有连续的视频检测到相同的结果；状态2为准备状态，说明已经开始有连续的相同结果了，但是还没有达到设定的阈值N；状态3为稳定状态，表示已经有连续N帧视频检测出了一致的结果，在状态3时判定车道检测的结果是正确的；状态4为波动状态，在稳定状态时，一旦出现不同的检测结果，说明这帧为错误的结果，继续显示状态3的结果，而如果连续出现N帧与之前结果不一致的情况，说明当前的车道改变了，需要重新对车道进行检测。
本发明的有益效果是：
1)在解决车道检测的问题时，研究了Hough直线检测算法的原理，并提出了改进Hough算法的实现，快速有效的检测出了公交车前方区域的车道；
2)提出了Sobel边缘特征验证和RGB特征验证方法，对Adaboost算法检测出的车牌进一步验证，通过大量实验证明，该车牌检测算法能够快速的检测出目标场景中的车牌；
3)将RGB颜色空间转换成HSV空间，从而提取出颜色中的H分量，通过蓝色比例判断法和SVM分类器对车牌的H值进行分类，保证了结果的平滑性，降低了漏检率。
具体实施方式
以下具体实施例对本发明作进一步阐述，但不作为对本发明的限定。
实验1车道检测实验
使用了五组视频进行测试，分别对本发明的车道检测正确率、车道判别准确率以及最终的车道检测判别准确率进行统计，统计结果如下表1所示。
表1车道检测与判别实验结果统计表
通过统计得出的结果，车道被正确检测出的概率为95.97％，具有很高的识别率，能够满足实际应用的需求，并且每帧的处理速度在25-31ms之间，运行速度满足了项目对实时性的要求。
实验2车牌检测与分类实验
训练Adaboost分类器：在样本训练过程中，选取了12830个车牌图像作为正样本，选取了23720个不含有车牌图像的其他图像(道路，建筑，树木等)作为负样本，使用OpenCV开源库中的HaarTraining模块对正负样本进行分类器的训练，设定的样本尺度为60*16，强分类器为10级，总体准确率设为99.2％，错误率为0.75。
分别对两组视频进行了实验，实验中由于车载摄像头拍摄到的范围不同，采用了不同的ROI检测区域，为了测试方便，选取了出现违章车辆的视频进行了统计分析，视频为每秒30帧，得到的统计结果如下表2所示。
表2车牌检测与分类实验结果统计表
通过统计结果我们得到，车牌检测的准确率达到了92.57％，在对车牌进行分类判断时，准确率达到了99％以上，综合检测违章车牌的准确率为91.89％，实际检测效果较好，达到了项目对准确率的要求。经统计，每帧视频的处理速度集中在23-31ms之间，达到了实时处理的要求，具有良好的应用价值。