车辆未让行违章检测方法及其检测系统的制作方法
【技术领域】
[0001]本发明属于智能交通管理技术领域，尤其涉及一种车辆未让行违章检测方法及其检测系统。
【背景技术】
[0002]近年来，随着道路上行驶的车辆越来越多，由此引发的不按交通规则导致的交通事故也越来越多。其中，因车辆不按规定让行，遇行人在人行横道但强行通过发生事故的概率尤其高。而《中华人民共和国道路交通安全法》第四十七条第一款就有规定:机动车行经人行横道时，应当减速行驶；遇行人正在通过人行横道，应当停车让行。
[0003]由于车辆和行人是作为道路交通参与者的主体，为充分保障行人和车辆行驶的安全，尽量减少交通事故，有必要采取措施对车辆未礼让行人的违章行为进行识别，规范车辆交通出行。
【发明内容】
[0004]基于此，针对上述技术问题，提供一种车辆未让行违章检测方法及其检测系统。
[0005]为解决上述技术问题，本发明采用如下技术方案:
[0006]一种车辆未让行违章检测方法，包括:
[0007]视频图像采集:通过摄像机实时采集交通道路的视频图像；
[0008]特征提取:在所述视频图像中提取hog梯度特征以及Gabor纹理特征；
[0009]显著性区域检测:根据提取的特征，进行显著性目标检测，得到包含所述显著性目标的显著性区域；
[0010]目标分类:选择不同尺度的检测窗口，并通过预训练的structured SVM车辆分类器以及预训练的structured SVM行人分类器对所述显著性区域内的显著性目标进行分类，区分出车辆目标以及行人目标；将所述车辆目标的图像加入到所述车辆分类器的正样本集以及所述行人分类器的负样本集中，将所述行人目标的图像加入到所述行人分类器的正样本集以及所述车辆分类器的负样本集中，通过各自的正样本集以及负样本集更新所述车辆分类器以及行人分类器；
[0011]目标跟踪:分别建立车辆目标跟踪信息表以及行人目标跟踪信息表，所述车辆目标跟踪信息表以及行人目标跟踪信息表中均具有目标ID与目标特征的对应关系；每帧新出现的车辆目标或行人目标时，添加目标ID以及该目标ID与目标特征的对应关系至所述车辆目标跟踪信息表或行人目标跟踪信息表中；依据目标在上一帧视频图像中的位置，通过不同尺度的采样窗口在当前帧视频图像中的所述位置附近进行采样，在采样产生的多个子区域中提取该子区域的特征，与上一帧目标的特征进行匹配，将匹配相似度最高的子区域作为目标在当前帧的位置，利用目标在前后帧的位置关系，将视频图像中的相同目标串联起来，得到目标的运动轨迹。
[0012]违章判断:通过所述目标的运动轨迹，判断所述车辆目标是否即将行至人行横道区域，且行人目标是否在该人行横道区域横穿，若是，则检测所述车辆目标的运动状态是否为减速并停车，若否，则该车辆目标为违章车辆。
[0013]本方案还包括照片抓拍步骤:
[0014]当所述车辆目标的车头抵到停止线前时，抓拍照片；当所述车辆目标行驶到人行横道区域且行人目标在该人行横道区域横穿时，抓拍照片；当车辆目标行驶过所述行人目标所在的位置时，抓拍照片。
[0015]所述在所述视频图像中提取hog梯度特征以及Gabor纹理特征步骤包括:
[0016]通过hog梯度直方图提取hog梯度特征；
[0017]通过Gabor纹理描述子提取Gabor纹理特征；
[0018]为规范特征间的取值范围，对同种类型的特征进行归一化处理；
[0019]同种类型特征的匹配时，距离度量选用L2范数，梯度特征以及纹理特征各按50%的权重进行加权求和。
[0020]所述显著性区域检测步骤通过基于全局对比度的显著性目标检测算法进行显著性目标检测，得到包含所述显著性目标的显著性区域。
[0021]所述structured SVM车辆分类器的正样本集包括车辆，其负样本集包括行人、道路背景以及非机动车，所述structured SVM行人分类器的正样本集包括行人，其负样本集包括车辆、道路背景以及非机动车，通过hog梯度直方图以及Gabor纹理描述子提取上述样本集的特征，并通过该特征预训练所述structured SVM车辆分类器以及structured SVM行人分类器。
[0022]本方案还涉及一种车辆未让行违章检测系统，包括:
[0023]视频图像采集单元，用于通过摄像机实时采集交通道路的视频图像；
[0024]特征提取单元，用于在所述视频图像中提取hog梯度特征以及Gabor纹理特征；
[0025]显著性区域检测单元，用于根据提取的特征，进行显著性目标检测，得到包含所述显著性目标的显著性区域；
[0026]目标分类单元，用于选择不同尺度的检测窗口，并通过预训练的structured SVM车辆分类器以及预训练的structured SVM行人分类器对所述显著性区域内的显著性目标进行分类，区分出车辆目标以及行人目标；将所述车辆目标的图像加入到所述车辆分类器的正样本集以及所述行人分类器的负样本集中，将所述行人目标的图像加入到所述行人分类器的正样本集以及所述车辆分类器的负样本集中，通过各自的正样本集以及负样本集更新所述车辆分类器以及行人分类器；
[0027]目标跟踪单元，用于分别建立车辆目标跟踪信息表以及行人目标跟踪信息表，所述车辆目标跟踪信息表以及行人目标跟踪信息表中均具有目标ID与目标特征的对应关系；每帧新出现的车辆目标或行人目标时，添加目标ID以及该目标ID与目标特征的对应关系至所述车辆目标跟踪信息表或行人目标跟踪信息表中；依据目标在上一帧视频图像中的位置，通过不同尺度的采样窗口在当前帧视频图像中的所述位置附近进行采样，在采样产生的多个子区域中提取该子区域的特征，与上一帧目标的特征进行匹配，将匹配相似度最高的子区域作为目标在当前帧的位置，利用目标在前后帧的位置关系，将视频图像中的相同目标串联起来，得到目标的运动轨迹。
[0028]违章判断单元，用于通过所述目标的运动轨迹，判断所述车辆目标是否即将行至人行横道区域，且行人目标是否在该人行横道区域横穿，若是，则检测所述车辆目标的运动状态是否为减速并停车，若否，则该车辆目标为违章车辆。
[0029]本方案还包括照片抓拍单元，用于当所述车辆目标的车头抵到停止线前时，抓拍照片；当所述车辆目标行驶到人行横道区域且行人目标在该人行横道区域横穿时，抓拍照片；当车辆目标行驶过所述行人目标所在的位置时，抓拍照片。
[0030]所述在所述视频图像中提取hog梯度特征以及Gabor纹理特征步骤包括:
[0031]通过hog梯度直方图提取hog梯度特征；
[0032]通过Gabor纹理描述子提取Gabor纹理特征；
[0033]为规范特征间的取值范围，对同种类型的特征进行归一化处理；
[0034]同种类型特征的匹配时，距离度量选用L2范数，梯度特征以及纹理特征各按50%的权重进行加权求和。
[0035]所述显著性区域检测单元通过基于全局对比度的显著性目标检测算法进行显著性目标检测，得到包含所述显著性目标的显著性区域。
[0036]所述structured SVM车辆分类器的正样本集包括车辆，其负样本集包括行人、道路背景以及非机动车，所述structured SVM行人分类器的正样本集包括行人，其负样本集包括车辆、道路背景以及非机动车，通过hog梯度直方图以及Gabor纹理描述子提取上述样本集的特征，并通过该特征预训练所述structured SVM车辆分类器以及structured SVM行人分类器。
[0037]本发明通过使用摄像机对车辆和行人同时进行识别和跟踪，能够快速、高效、准确的检测到车辆未让行的违章行为，充分保障了行人和车辆行驶的安全，减少了交通事故，规范了交通；并且由于检测是在同一坐标系下，车辆和行人的位置关系和运动状态能很好的用于视频分析中，有效的避免了误检，同时减少取证不足引发的争议，节省了人力和物力成本。
【附图说明】
[0038]下面结合附图和【具体实施方式】本发明进行详细说明:
[0039]图1为本发明的一种车辆未让行违章检测方法的流程图；
[0040]图2为本发明的一种车辆未让行违章检测系统的结构示意图。
【具体实施方式】
[0041]如图1所示，一种车辆未让行违章检测方法，包括:
[0042]S101、视频图像采集:通过摄像机实时采集交通道路的视频图像，其中，摄像机采用单目智能摄像机。
[0043]S102、特征提取:在视频图像中提取hog梯度特征以及Gabor纹理特征。
[0044]具体地，先通过hog梯度直方图、Gabor纹理描述子进行特征联合提取，使得特征提取快速准确高效。
[0045]其中，通过hog梯度直方图提取hog梯度特征:将目标区域缩放为统一尺寸的大小图像，本实例中定为64*128的图像，每16*16的像素组成一个block，每个块分为2*2个cell,因为每个cell有9个特征