违规车辆处理方法及装置与流程

本发明涉及智能交通技术领域，具体而言，涉及一种违规车辆处理方法及装置。

背景技术：

车辆违法占道是非常典型的动态交通违法行为，这种违法行为不仅严重影响高速公路正常的行车秩序，致使通行效率严重降低，而且因其引发的道路交通事故呈逐年上升趋势，更是导致恶性道路交通事故频发的主要成因。此种行驶途中的动态违法行为靠人力不易治理，成为全国高速公路交通管理工作难点。

近年来，随着计算机图像处理与识别技术的发展，利用机器视觉代替人工视觉进行目标提取、识别，对不按规定车道行驶的违法行为实施自动检测的方法随之出现，这类方法相对于依靠人力的传统方法，极大程度地提高了车辆违法占道事件的自动化检测能力，是一种打击车辆违法占道行为的有效手段。

相关技术中，提供了一种车辆非法占道检测方法，包括：提取视频帧中包含车道的图像；判断图像中车道是否为预设颜色车道；当车道为预设颜色车道时，在所述视频帧中检测车牌；当检测到车牌时，对所述车牌进行颜色判别，判断所述车牌的颜色是否为限定颜色；当所述车牌的颜色为限定颜色时，检测所述车牌是否处于所述预设颜色车道内；当所述车牌处于所述预设颜色车道内时，在所述视频帧中标记所述车牌。以使有关部门可根据标记的车牌，处置占用公交车道或其它专用车道的社会车辆，从而提高了公交车辆或其它车辆的运行效率以及安全性。

但是，需要说明的是，上述的车辆非法占道的检测方式，存在一定的局限性，该方法只能针对具备特殊颜色的车牌和车道进行检测，而对于不同类型车辆对应不同行驶车道并不能实现自动检测。

针对相关技术中针对不同类型车辆对应不同行驶车道不能实现车辆非法占道的自动检测的问题，还未提出有效的解决方案。

技术实现要素：

本发明提供了一种违规车辆处理方法及装置，以至少解决相关技术中针对不同类型车辆对应不同行驶车道不能实现车辆非法占道的自动检测的问题。

根据本发明的一个方面，提供了一种违规车辆处理方法，包括：检测预定时间内监控视频中车辆的位置和类型；根据检测到的所述位置和所述类型，以及车辆类型与合法 行驶车道的预定关系，判断所述车辆是否位于检测到的所述类型对应的行驶车道内；在判断结果为否的情况下，确定所述车辆为违规车辆。

进一步地，在检测预定时间内监控视频中车辆的位置和类型之前，所述方法还包括：对所述监控视频做前景提取，得到前景车辆图片，并记录所述前景车辆图片中的车辆所在位置；对所述前景车辆图片进行识别，得到所述前景车辆图片中车辆对应的车辆类型；对预定时间内车辆的位置和类型进行统计，确定每种类型的车辆对应的合法行驶车道。

进一步地，对所述预定时间内车辆的位置和类型进行统计，确定每种类型的车辆对应的合法行驶车道包括：记录所述预定时间内多个车辆所在位置；将多个车辆所在位置按照车辆类型进行分组，其中，同一种类型车辆的位置放入同一组；将每个组中车辆所在位置的集中区域所在车道确定为每个类型车辆的合法行驶车道。

进一步地，在将每个组中车辆所在位置的集中区域所在车道确定为每个类型车辆的合法行驶车道之前，所述方法还包括：排除每个组中车辆所在位置位于所述集中区域所在车道之外的车辆。

进一步地，在确定所述车辆为所述违规车辆之后，还包括：对违规车辆的车辆信息进行识别，其中，所述车辆信息包括车牌号码和车身颜色；记录所述违规车辆的车辆信息、车辆类型以及车辆抓拍图片组成的车辆摘要信息。

根据本发明的另一方面，还提供了一种违规车辆处理装置，包括：检测模块，用于检测预定时间内监控视频中车辆的位置和类型；判断模块，用于根据检测到的所述位置和所述类型，以及车辆类型与合法行驶车道的预定关系，判断所述车辆是否位于检测到的所述类型对应的行驶车道内；确定模块，用于在判断结果为否的情况下，确定所述车辆为违规车辆。

进一步地，所述装置还包括：第一记录模块，用于对所述监控视频做前景提取，得到前景车辆图片，并记录所述前景车辆图片中的车辆所在位置；第一识别模块，用于对所述前景车辆图片进行识别，得到所述前景车辆图片中车辆对应的车辆类型；统计确定模块，用于对预定时间内车辆的位置和类型进行统计，确定每种类型的车辆对应的合法行驶车道。

进一步地，所述统计确定模块包括：记录单元，用于记录所述预定时间内多个车辆所在位置；

分组单元，用于将多个车辆所在位置按照车辆类型进行分组，其中，同一种类型车辆的位置放入同一组；确定单元，用于将每个组中车辆所在位置的集中区域所在车道确定为每个类型车辆的合法行驶车道。

进一步地，所述装置还包括：排除单元，用于排除每个组中车辆所在位置位于所述集中区域所在车道之外的车辆。

进一步地，所述装置还包括：第二识别模块，用于对违规车辆的车辆信息进行识别，其中，所述车辆信息包括车牌号码和车身颜色；第二记录模块，用于记录所述违规车辆的车辆信息、车辆类型以及车辆抓拍图片组成的车辆摘要信息。

通过本发明，采用检测预定时间内监控视频中车辆的位置和类型；根据检测到的所述位置和所述类型，以及车辆类型与合法行驶车道的预定关系，判断所述车辆是否位于检测到的所述类型对应的行驶车道内；在判断结果为否的情况下，确定所述车辆为违规车辆，解决了相关技术中针对不同类型车辆对应不同行驶车道不能实现车辆非法占道的自动检测的问题，实现了自动检测不同类型车辆非法占道。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的违规车辆处理方法的流程图；

图2是根据本发明实施例的违规车辆处理装置的框图；

图3是根据本发明优选实施例的违规车辆处理装置的框图一；

图4是根据本发明优选实施例的违规车辆处理装置的框图二；

图5是根据本发明优选实施例的违规车辆处理装置的框图三；

图6是根据本发明实施例的一种自适应不按规定车道行驶车辆检测方法的流程图；

图7是根据本发明实施例的自动检测出交通监控视频中每种类型车辆对应的合法行驶车道的流程图；

图8是根据本发明实施例的检测不按规定行驶的车辆的流程图；

图9是根据本发明实施例的一种自适应不按规定车道行驶车辆检测装置的结构框图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

本发明实施例提供了一种违规车辆处理方法，图1是根据本发明实施例的违规车辆处理方法的流程图，如图1所示，包括：

步骤s102，检测预定时间内监控视频中车辆的位置和类型；

步骤s104，根据检测到的该位置和该类型，以及车辆类型与合法行驶车道的预定 关系，判断该车辆是否位于检测到的该类型对应的行驶车道内；

步骤s106，在判断结果为否的情况下，确定该车辆为违规车辆。

通过上述步骤，检测预定时间内监控视频中车辆的位置和类型；根据检测到的该位置和该类型，以及车辆类型与合法行驶车道的预定关系，判断该车辆是否位于检测到的该类型对应的行驶车道内；在判断结果为否的情况下，确定该车辆为违规车辆，解决了相关技术中针对不同类型车辆对应不同行驶车道不能实现车辆非法占道的自动检测的问题，实现了自动检测不同类型车辆非法占道。

在开始对监控视频检测时，首先需要对监控视频进行学习，首先确定每种类型车辆的合法行驶车道，在检测预定时间内监控视频中车辆的位置和类型之前，对该监控视频做前景提取，得到前景车辆图片，并记录该前景车辆图片中的车辆所在位置；对该前景车辆图片进行识别，得到该前景车辆图片中车辆对应的车辆类型；对预定时间内车辆的位置和类型进行统计，确定每种类型的车辆对应的合法行驶车道。

进一步地，对该预定时间内车辆的位置和类型进行统计，确定每种类型的车辆对应的合法行驶车道可以包括：记录该预定时间内多个车辆所在位置；将多个车辆所在位置按照车辆类型进行分组，其中，同一种类型车辆的位置放入同一组；将每个组中车辆所在位置的集中区域所在车道确定为每个类型车辆的合法行驶车道。

由于在学习不同类型车辆对应的合法行驶车道的过程中，很可能就存在非法占道的车辆，对于此时非法行驶的车辆，应该予以剔除，因此，在将每个组中车辆所在位置的集中区域所在车道确定为每个类型车辆的合法行驶车道之前，可以将排除每个组中车辆所在位置位于该集中区域所在车道之外的车辆。

为了便于记录，在确定该车辆为该违规车辆之后，还可以对违规车辆的车辆信息进行识别，其中，该车辆信息包括车牌号码和车身颜色；记录该违规车辆的车辆信息、车辆类型以及车辆抓拍图片组成的车辆摘要信息。

本发明实施例还提供了一种违规车辆处理装置，图2是根据本发明实施例的违规车辆处理装置的框图，如图2所示，包括：

检测模块22，用于检测预定时间内监控视频中车辆的位置和类型；

判断模块24，用于根据检测到的该位置和该类型，以及车辆类型与合法行驶车道的预定关系，判断该车辆是否位于检测到的该类型对应的行驶车道内；

确定模块26，用于在判断结果为否的情况下，确定该车辆为违规车辆。

图3是根据本发明优选实施例的违规车辆处理装置的框图一，如图3所示，该装置还包括：

第一记录模块32，用于对该监控视频做前景提取，得到前景车辆图片，并记录该前 景车辆图片中的车辆所在位置；

第一识别模块34，用于对该前景车辆图片进行识别，得到该前景车辆图片中车辆对应的车辆类型；

统计确定模块36，用于对预定时间内车辆的位置和类型进行统计，确定每种类型的车辆对应的合法行驶车道。

图4是根据本发明优选实施例的违规车辆处理装置的框图二，如图4所示，统计确定模块36包括：

记录单元42，用于记录该预定时间内多个车辆所在位置；

分组单元44，用于将多个车辆所在位置按照车辆类型进行分组，其中，同一种类型车辆的位置放入同一组；

确定单元46，用于将每个组中车辆所在位置的集中区域所在车道确定为每个类型车辆的合法行驶车道。

进一步地，该装置还包括：排除单元，用于排除每个组中车辆所在位置位于该集中区域所在车道之外的车辆。

图5是根据本发明优选实施例的违规车辆处理装置的框图三，如图5所示，该装置还包括：

第二识别模块52，用于对违规车辆的车辆信息进行识别，其中，该车辆信息包括车牌号码和车身颜色；

第二记录模块54，用于记录该违规车辆的车辆信息、车辆类型以及车辆抓拍图片组成的车辆摘要信息。

下面结合具体实施例对本发明实施例进行进一步说明。

本发明实施例提供了一种自适应不按规定车道行驶车辆检测方法，通过对交通监控视频进行分析，自动检测出交通监控视频中每种类型车辆对应的合法行驶车道，进而根据检测出的车道区域及车道区域对应的规定车辆类型对车道区域类的车辆类型进行识别，检测出不按规定行驶的车辆，最后对违规行驶的车辆进行进一步识别，并对车辆摘要信息进行记录，便于查案取证。相对于现有方案和技术，无需人工介入指定每类车辆的车道区域，能够实现全自动处理和分析，同时具备高精度、高实时性等特点。

图6是根据本发明实施例的一种自适应不按规定车道行驶车辆检测方法的流程图，如图6所示，该方法可以包括：

步骤s602，对交通监控视频进行分析，自动检测出交通监控视频中每种类型车辆对应的合法行驶车道；

步骤s604，根据检测出的车道区域及车道区域对应的规定车辆类型对车道区域类的车辆类型进行识别，检测出不按规定行驶的车辆。

图7是根据本发明实施例的自动检测出交通监控视频中每种类型车辆对应的合法行驶车道的流程图，如图7所示，上述的步骤s604还包括：

步骤s702，采用基于霍夫(hough)变换的方法对待处理图像做车道线检测，得到图像中所有车道线坐标；

步骤s704，采用高斯混合模型(gaussianmixturemodel,gmm)对待处理图像做前景提取，得到前景车辆图片，同时记录前景车辆所在位置；

步骤s706，采用稀疏编码的密集尺度不变特征转换(scale-invariantfeaturetransform，简称sift)特征结合支持向量机(supportvectormachine，简称svm)分类器的车型识别方法对前景车辆图片进行识别，得到前景车辆图片对应的车辆类型：

步骤s708，对10分钟范围内前景车辆位置和类型进行统计，获取每种类型车辆对应的合法行驶车道：

假设10分钟内共检测到的200个车辆，根据前景检测方法的输出结果，该200个车辆的位置记为pos_1、pos_2、……、pos_200,其中每个位置pos_i(i∈[1,200])通过该位置车辆中心位置在监控视频图像中的横坐标,纵坐标点对即(pos_i_x，pos_i_y)来描述，根据车型识别方法，该200个车辆的类型记为class_1、class_2、……、class_200，其中每种类型class_i表示车型识别方法识别出的该车辆类型(假设共有3种车辆类型，分别是如小轿车、交通车、货车)；将200个车辆位置按照对应的车辆类型进行分组，同一种类型车辆的位置放入同一组，假设分组后,第j组的结果表示为第group_j(j∈[1,3])＝{pos_i|i∈[1,200]andclass_i＝＝j}；

假设汽车行驶朝向为纵坐标轴方向，依次对每个group_j(j∈[1,3])进行如下处理：

排除group_j中横坐标轴方向上的离群点，即横坐标轴方向上离该组所有位置均值点距离较远的点(这些点可能包含违规行驶车辆)；利用group_j中剩余位置点拟合出一条直线线段lineseg_j，lineseg_j左右两侧检测到的车道线所夹内部区域即该类型车辆的合法行驶车道，记录为driveway_j。

步骤s604，根据检测出的车道区域及车道区域对应的规定车辆类型对车道区域类的车辆类型进行识别，检测出不按规定行驶的车辆。

图8是根据本发明实施例的检测不按规定行驶的车辆的流程图，如图8所示，在本实施例中，上述的步骤s604还包括：

步骤s802，采用高斯混合模型(gaussianmixturemodel,gmm)对待处理图像做前景提取，得到前景车辆图片，并记录车辆覆盖的图像区域；

步骤s804，采用稀疏编码的密集尺度不变特征转换(scale-invariantfeaturetransform，简称sift)特征结合支持向量机(supportvectormachine，简称svm)分类器的车型识别方法对前景车辆图片进行识别，得到前景车辆图片对应的车辆类型；

步骤s806，计算该车辆覆盖的图像区域是否完全属于该类型车辆对应的合法车道，若不成立，则认为该车辆违规行驶；

假设当前处理的车辆编号为100，其车型识别结果class_100＝2，则该类型车辆的合法车道为driveway_2，其中driveway_2采用车道区域左右两侧车道线覆盖的区域的二值模板图像binmask_of_driveway_2来描述，即属于该区域的像素点坐标(x，y)满足binmask_of_driveway_2(x,y)＝1，反之，则取值为0；假设当前处理车辆的覆盖区域采用该区域外接矩形左上顶点(x0,y0)、右上顶点(x1,y1)、左下顶点(x2,y2)、右下顶点(x3,y3)进行描述；若以上四个坐标都位于driveway_2车道范围内，即任意的i∈[0,3]都满足binmask_of_driveway_2(xi,yi)＝1,则认为该车辆覆盖的图像区域完全属于该类型车辆对应的合法车道，否则，则认为该车辆违规行驶。

在一个优选的实施例中，还可以对违规行驶的车辆进行进一步识别，示例性的包括车牌识别、车身颜色识别，并将这些识别结果与车辆类型以及车辆抓拍图片组成的车辆摘要信息进行记录，便于查案取证。

图9是根据本发明实施例的一种自适应不按规定车道行驶车辆检测装置的结构框图，如图9所示，该装置可以包括：分析单元92、检测单元94、记录单元96，其中，分析单元92的功能由上述的第一记录模块32、第一识别模块34以及统计确定模块36一起实现，检测单元94的功能由上述的检测模块22、判断模块24以及确定模块26一起实现，记录单元96的功能由上述的第二识别模块62和第二记录模块64一起实现，下面对各个单元进行进一步说明。

分析单元92，用于对交通监控视频进行分析，自动检测出交通监控视频中每种类型车辆对应的合法行驶车道；

检测单元94，用于根据检测出的车道区域及车道区域对应的规定车辆类型对车道区域类的车辆类型进行识别，检测出不按规定行驶的车辆；

记录单元96，用于对违规行驶的车辆进行进一步识别，示例性的包括车牌识别、车身颜色识别，并将这些识别结果与车辆类型以及车辆抓拍图片组成的车辆摘要信息进行记录，便于查案取证。

进一步地，上述的分析单元92还可以包括车道检测子单元922，前景检测子单元924、车型识别子单元926、统计分析子单元928，下面对各个子单元进行简要说明。

车道检测子单元922，用于对待处理图像中的车道线进行检测，得到所有车道线位置坐标；

前景检测子单元924，用于对待处理图像做前景提取，得到前景车辆图片，同时记录前景车辆所在位置；

车型识别子单元926，用于对前景车辆图片进行识别，得到前景车辆图片对应的车辆类型；

统计分析子单元928，用于对一定时间范围内前景车辆位置和类型进行统计，获取每种类型车辆对应的合法行驶车道。

进一步地，上述的检测单元94还可以包括车辆区域获取子单元942、车型识别子单元944、判别子单元946，下面对各个子单元进行简要说明。

车辆区域获取子单元942，用于对待处理图像做前景提取，得到前景车辆图片，并记录车辆覆盖的图像区域；

车型识别子单元944，用于对前景车辆图片进行识别，得到前景车辆图片对应的车辆类型；

判别子单元946，用于计算该车辆覆盖的图像区域是否完全属于该类型车辆对应的合法车道，若不成立，则认为该车辆违规行驶。

本发明实施例中，通过分析单元92对交通监控视频进行分析，自动检测出交通监控视频中每种类型车辆对应的合法行驶车道，进而通过检测单元94根据检测出的车道区域及车道区域对应的规定车辆类型对车道区域类的车辆类型进行识别，检测出不按规定行驶的车辆，最后通过记录单元96对违规行驶的车辆进行进一步识别，并对车辆摘要信息进行记录，便于查案取证。该方法和设备能够实现全自动处理和分析，同时具备高精度、高实时性等特点。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。