一种公交车道占道检测方法及装置与流程

本发明涉及交通违章检测技术领域，尤其涉及一种公交车道占道检测方法及装置。

背景技术：

公交车道是公交车行驶的专用车道，通常仅供公交车行驶，若其他车辆，例如摩托车、三轮车或小轿车等非公交车在公交车道上行驶，则属于违章占道。为了保证城市公交正常行驶，可以对公交车道的占道情况进行检测。

发明人在实现本发明的过程中发现，目前，公交车道占道检测方法通常在检测到图像中的公交车道线区域被遮挡后，就判定公交车道被车辆占道，由于公交车道线区域不仅可能被车辆遮挡，还可能被人、动物、道路栏杆等道路上的物体遮挡，故检测准确度不高。

技术实现要素：

本发明的目的在于克服现有技术之缺陷，提供了一种公交车道占道检测方法及装置，以实现提高检测准确度。

本发明是这样实现的：

第一方面，本发明提供一种公交车道占道检测方法，公交车的前部安装有摄像头，所述方法包括：

获得所述公交车的位置；判断所述公交车的位置是否在预设的公交车专用车道区域内；

所述公交车的位置在所述公交车专用车道区域内，则获取所述摄像头采集的原始图像；确定所述原始图像中的公交车道线区域和运动目标区域；

在所述运动目标区域的尺寸在预设车辆区域尺寸范围内的情况下，判断所述公交车道线区域和所述运动目标区域的重叠区域的面积是否大于预设阈值；

所述重叠区域的面积大于预设阈值，则基于所述重叠区域确定目标检测区域，在所述目标检测区域中进行车辆检测，在检测到车辆区域后，对所述车辆区域进行车牌识别，得到所述车辆区域内车辆的车牌号。

可选的，在得到车牌号后，所述方法还包括：

将所述原始图像、所述车牌号、所述公交车的位置以及采集时间发送给管理平台。

可选的，所述运动目标区域的尺寸不在预设车辆区域尺寸范围内或在所述目标检测区域中未检测到车辆区域或重叠区域的面积不大于预设阈值，所述方法还包括：

获取所述原始图像的下一图像，将所述下一图像作为原始图像，继续执行确定所述原始图像中的公交车道线区域和运动目标区域。

可选的，确定所述原始图像中的公交车道线区域，包括：

识别所述原始图像中的公交车道线；

按照预设角度和预设宽度扩展所述公交车道线两侧的区域，得到公交车道线区域。

可选的，识别所述原始图像中的公交车道线，包括：

提取所述原始图像中的感兴趣区域；

建立稀疏网格图像，对所述稀疏网格图像与所述感兴趣区域取交集，得到交集图像；对所述交集图像进行颜色过滤，得到只保留预设公交车道线颜色的特征图；

利用边缘检测算法提取特征图内的公交车道线边缘特征点；

对公交车道线边缘特征点进行图像膨胀处理，得到公交车道线所在的范围区域；

对公交车道线所在的范围区域进行直线检测，将检测所得的直线作为所述原始图像中的公交车道线。

可选的，基于所述重叠区域确定目标检测区域，包括：

确定以所述重叠区域的几何中心点为中心的矩形区域为目标检测区域，其中，矩形区域的宽度为预设检测宽度、高度为预设倍数与目标比值之积，目标比值为所述重叠区域的几何中心点的纵坐标与所述感兴趣区域的纵向总像素的比值。

可选的，在所述目标检测区域中进行车辆检测，包括：

将所述目标检测区域缩放至预设尺寸；

从缩放后的目标检测区域中确定各个待检测图像；

针对每一待检测图像，将该待检测图像输入至目标卷积神经网络，得到该待检测图像内有车辆或没有车辆的分类结果；所述目标卷积神经网络是用第一训练样本集预先训练预设初始卷积神经网络所得的；

将分类结果为待检测图像内有车辆的所有待检测图像合并，得到目标检测区域中的车辆区域。

可选的，所述第一训练样本集包括正样本集和负样本集，正样本集包括含有车辆的图像，负样本集包括不含车辆的图像。

可选的，对所述车辆区域进行车牌识别，得到所述车辆区域内车辆的车牌号，包括：

对所述车辆区域进行颜色筛选，得到含有预设车牌颜色的第一车牌区域；

对所述第一车牌区域进行形态学滤波，并对形态学滤波后的第一车牌区域进行字符定位，得到字符区域；

将所述字符区域输入至目标svm网络，得到判别结果，所述判别结果为所述字符区域属于车牌区域或者不属于车牌区域；所述目标svm网络是用第二训练样本集预先训练预设初始svm网络所得的；

对判别结果为属于车牌区域的字符区域进行字符识别，将识别出的字符作为所述车辆区域内车辆的车牌号。

第二方面，本发明提供一种公交车道占道检测方法装置，公交车的前部安装有摄像头，所述装置包括：

第一获得模块，用于获得所述公交车的位置；判断所述公交车的位置是否在预设的公交车专用车道区域内；

确定模块，用于所述公交车的位置在所述公交车专用车道区域内，则获取所述摄像头采集的原始图像；确定所述原始图像中的公交车道线区域和运动目标区域；

判断模块，用于在所述运动目标区域的尺寸在预设车辆区域尺寸范围内的情况下，判断所述公交车道线区域和所述运动目标区域的重叠区域的面积是否大于预设阈值；

检测模块，用于在所述判断模块的判断结果为是时，基于所述重叠区域确定目标检测区域，在所述目标检测区域中进行车辆检测，在检测到车辆区域后，对所述车辆区域进行车牌识别，得到所述车辆区域内车辆的车牌号。

可选的，所述装置还包括发送模块，用于：

在得到车牌号后，将所述原始图像、所述车牌号、所述公交车的位置以及采集时间发送给管理平台。

可选的，所述装置还包括第二获得模块，用于：

所述运动目标区域的尺寸不在预设车辆区域尺寸范围内或在所述目标检测区域中未检测到车辆区域或重叠区域的面积不大于预设阈值，获取所述原始图像的下一图像，将所述下一图像作为原始图像，继续执行确定所述原始图像中的公交车道线区域和运动目标区域。

可选的，确定模块确定所述原始图像中的公交车道线区域，具体为：

识别所述原始图像中的公交车道线；

按照预设角度和预设宽度扩展所述公交车道线两侧的区域，得到公交车道线区域。

可选的，确定模块识别所述原始图像中的公交车道线，具体为：

提取所述原始图像中的感兴趣区域；

建立稀疏网格图像，对所述稀疏网格图像与所述感兴趣区域取交集，得到交集图像；对所述交集图像进行颜色过滤，得到只保留预设公交车道线颜色的特征图；

利用边缘检测算法提取特征图内的公交车道线边缘特征点；

对公交车道线边缘特征点进行图像膨胀处理，得到公交车道线所在的范围区域；

对公交车道线所在的范围区域进行直线检测，将检测所得的直线作为所述原始图像中的公交车道线。

可选的，检测模块基于所述重叠区域确定目标检测区域，具体为：

确定以所述重叠区域的几何中心点为中心的矩形区域为目标检测区域，其中，矩形区域的宽度为预设检测宽度、高度为预设倍数与目标比值之积，目标比值为所述重叠区域的几何中心点的纵坐标与所述感兴趣区域的纵向总像素的比值。

可选的，检测模块在所述目标检测区域中进行车辆检测，具体为：

将所述目标检测区域缩放至预设尺寸；

从缩放后的目标检测区域中确定各个待检测图像；

针对每一待检测图像，将该待检测图像输入至目标卷积神经网络，得到该待检测图像内有车辆或没有车辆的分类结果；所述目标卷积神经网络是用第一训练样本集预先训练预设初始卷积神经网络所得的；

将分类结果为待检测图像内有车辆的所有待检测图像合并，得到目标检测区域中的车辆区域。

可选的，所述第一训练样本集包括正样本集和负样本集，正样本集包括含有车辆的图像，负样本集包括不含车辆的图像。

可选的，检测模块对所述车辆区域进行车牌识别，得到所述车辆区域内车辆的车牌号，具体为：

对所述车辆区域进行颜色筛选，得到含有预设车牌颜色的第一车牌区域；

对所述第一车牌区域进行形态学滤波，并对形态学滤波后的第一车牌区域进行字符定位，得到字符区域；

将所述字符区域输入至目标svm网络，得到判别结果，所述判别结果为所述字符区域属于车牌区域或者不属于车牌区域；所述目标svm网络是用第二训练样本集预先训练预设初始svm网络所得的；

对判别结果为属于车牌区域的字符区域进行字符识别，将识别出的字符作为所述车辆区域内车辆的车牌号。

本发明具有以下有益效果：应用本发明实施例，在运动目标区域的尺寸在预设车辆区域尺寸范围内且重叠区域的面积大于预设阈值的情况下，基于所述重叠区域确定目标检测区域，进而在目标检测区域中进行车辆检测，排除了明显不是车辆的运动目标，减少了不必要的检测过程，提高了检测准确度和检测效率，并且仅在检测到车辆区域后，才对车辆区域进行车牌识别，进一步避免了对非车辆的检测，提高了检测准确度，并且缩小了车牌识别的图像处理区域，提高了识别效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的公交车道占道检测方法的一种流程示意图；

图2为本发明实施例提供的公交车道占道检测装置的一种结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

需要说明的是，本发明所提供的公交车道占道检测方法可以应用于电子设备，其中，在具体应用中，该电子设备可以为计算机、个人电脑、平板、手机、服务器等等，这都是合理的。另外，实现本发明实施例所提供的公交车道占道检测方法的功能软件可以为专门的公交车道占道检测软件，也可以为具有公交车道占道检测功能的软件中的插件。

参见图1，本发明实施例提供一种公交车道占道检测方法，方法包括如下步骤：

s101、获得公交车的位置；判断公交车的位置是否在预设的公交车专用车道区域内；

公交车的位置可以是安装于公交车或者是放置于公交车内的定位装置采集所得，定位装置可以是gps(globalpositioningsystem，全球定位系统)装置，rfid(radiofrequencyidentification，射频识别)定位装置等具有定位功能的装置。

公交车专用车道区域可以事先确定，当公交车在的位置在预设的公交车专用车道区域内时，表明公交车处于行驶或待行驶状态，这种情况下，为了保证公交车的正常行驶，避免公交专用车道被其他非公交车辆占用，可以对公交车专用车道的占道情况进行检测。

为了便于采集前方道路的图像，可以在公交车的前部安装摄像头，进一步的，为了有效采集到公交专用道的范围区域，并且避免普通小车或汽车对视线的遮挡，摄像头可以安装在公交车前车挡风玻璃顶部中央，并呈一定角度向下。摄像头的数量可以为一个或多个，类型可以为单目摄像头或双目摄像头。

s102、公交车的位置在公交车专用车道区域内，则获取所述摄像头采集的原始图像；确定所述原始图像中的公交车道线区域和运动目标区域；

若判定公交车的位置在公交车专用车道区域内，则可以启动摄像头，从而摄像头采集前方道路信息得到原始图像。或者，摄像头在公交车处于启动状态后，就一直在采集原始图像，电子设备(本发明的执行主体)在判定公交车的位置在公交车专用车道区域内后，开始获取摄像头所采集的原始图像。

电子设备在获得原始图像后，可以对原始图像进行运动目标检测，得到原始图像中的运动目标区域。运动目标区域是运动目标所在的区域，运动目标可以是人、车、树叶、动物等可移动的物体。运动目标检测可以是采用帧间差分算法或者是背景相减算法实现的。

具体可以采用以下方式确定所述原始图像中的公交车道线区域：

步骤a、识别原始图像中的公交车道线；

步骤b、按照预设角度和预设宽度扩展所述公交车道线两侧的区域，得到公交车道线区域。

公交车道线区域是指原始图像中包含公交车道线的区域。原始图像中的公交车道线可能有一条或两条，或者，原始图像中还可能没有公交车道线，在原始图像中有公交车道线的情况下，可以扩展每条公交车道线两侧的区域。预设角度和预设宽度可以事先设定，本发明对此不做限定。例如预设角度可以为30°、40°、50°、60°等等，预设宽度可以为5/6/7/8个像素宽度等。

识别所述原始图像中的公交车道线，具体可以包括以下步骤：

步骤a1、提取所述原始图像中的感兴趣区域；

感兴趣区域是原始图像中预先设定一个图像区域，这个图像区域就是图像分析所关注的重点，例如可以是公交车道线以及违章占道车辆可能出现的区域，通过设定感兴趣区域，可以排除原始图像内绝大部分干扰，将待处理的原始图像就从大图像变为一个小图像，缩小算法处理范围，从而减小了处理时间。感兴趣区域可以是预先设定的矩形区域，预先设定的矩形区域的方式可以为：预先设定矩形区域四个顶点的坐标，或者，也可以预先设定感兴趣的像素行/像素列范围。

步骤a2、建立稀疏网格图像，对所述稀疏网格图像与所述感兴趣区域取交集，得到交集图像；对交集图像进行颜色过滤，得到只保留预设公交车道线颜色的特征图；

稀疏网格图像是由一个个网格单元组成的，网格单元的可以是正方形或六边形，每个网格单元的尺寸相同且具体尺寸大小可以预先设定。对稀疏网格图像与所述感兴趣区域取交集，可以剔除掉网格线以外的图像信息，减少冗余计算，并且网格单元能够排除大量的环境干扰(例如天空、路边围栏、树木等)，而保留公交车道线像素及其灰度分布特性。预设公交车道线颜色可以根据现实生活中公交车道线的实际颜色事先设定，例如公交车道线的实际颜色为黄色，则预设公交车道线颜色为黄色。

为了便于合理提取公交车道线边缘特征点，可以根据原始图像的分辨率设置网格单元的尺寸，当原始图像的分辨率较高时，则网格单元尺寸可以设置较大，从而避免因提取的公交车道线特征点过多而降低处理速度；当原始图像的分辨率较小时，则网格单元尺寸可以设置较小，从而避免因提取的公交车道线特征点过少而无法进行后续处理。

可以利用hsv(huesaturationvalue)色彩模型，对交集图像进行颜色过滤，得到交集图像中含有公交车道线颜色的特征图。这个模型中颜色的参数分别是：色调(h)，饱和度(s)，明度(v)，可以采用颜色直方图方法进行颜色过滤，假设公交车道线为黄色，则经过颜色过滤后，交集图像中的黄色区域都保留，交集图像中的非黄色区域都过滤掉，从而形成特征图。

步骤a3、利用边缘检测算法提取特征图内的公交车道线边缘特征点；

边缘检测算法可以将图像中像素灰度有阶跃变化的像素检测出来，这些像素组成的集合就是该图像的边缘特征点。边缘检测算法可以为canny边缘检测算法、sobel边缘检测算法、laplace边缘检测算法等等。本发明实施例对具体采用的边缘检测算法不做限定。

为了便于快速的提取公交车道线边缘特征点，可以将特征图对称的分为左、右两个区域，在利用sobel边缘检测算法，分别提取左、右两个区域内的公交车道线边缘特征点，特征图左半区域采用sobel算子模板方向分别为0°、45°、90°、180°、225°、270°且权重分别为(1，2，1，1，1，2，1)的sobel边缘检测，得到特征图左半区域中各像素的灰度值。特征图右半区域采用sobel算子模板方向分别为0°、90°、135°、180°、270°、315°且权重分别为(1，1，2，1，1，1，2)的sobel边缘检测，得到特征图右半区域各像素的灰度值，如果某个像素的灰度值与周围像素的灰度值的差值大于预设差值，则将该像素作为公交车道线边缘特征点。理论上，sobel算子模板方向为0°-360°，应用本发明实施例，减少了待计算的模板方向，提高了计算效率。预设差值可以事先设定，例如可以为10、20、30等等。

步骤a4、对公交车道线边缘特征点进行图像膨胀处理，得到公交车道线所在的范围区域；

公交车道线边缘特征点可以有多个，可以对每一公交车道线边缘特征点进行图像膨胀处理，从而得到公交车道线所在的范围区域。具体的，可以用椭圆模版、方形模版或圆形模版等对公交车道线边缘特征点进行图像膨胀处理。

步骤a5、对公交车道线所在的范围区域进行直线检测，将检测所得的直线作为所述原始图像中的公交车道线。

由于公交车道线的倾斜角度通常在-75°到-40°以及40°到75°的角度范围之间，故可以对公交车道线所在的范围区域进行上述倾斜角度在角度范围内的直线检测。为了加快检测效率，也可以将公交车道线所在的范围区域分为左半车道线区域和右半车道线区域，由于摄像头采集的是前方道路图像，左半车道线区域内的公交车道线的斜率为正，右半车道线区域内的公交车道线的斜率为负，故可以对左半车道线区域进行倾斜角度为40°到75°的直线检测，对右半车道线区域进行倾斜角度为-75°到-40°的直线检测。

具体的，可以采用hough(霍夫)直线检测算法、freeman直线检测算法或尺蠖蠕行算法等直线检测算法，对左半车道线区域和右半车道线区域分别进行直线检测。

s103、在所述运动目标区域的尺寸在预设车辆区域尺寸范围内的情况下，判断所述公交车道线区域和所述运动目标区域的重叠区域的面积是否大于预设阈值；

可以理解的是，图像中车辆区域的尺寸通常在一定范围内，通过设置预设车辆区域尺寸范围，可以排除明显不是车辆的运动目标，例如鸟类、树叶、人等等，从而减少了不必要的检测过程，提高了处理效率。

重叠区域可以认为公交车道线是被运动目标遮挡的区域。预设阈值可以根据经验事先设定，当重叠区域的面积大于预设阈值，可以认为，公交车道可能被运动目标区域内的运动目标占用，当重叠区域的面积不大于预设阈值，可以认为，公交车道未被运动目标区域内的运动目标占用。

s104、重叠区域的面积大于预设阈值，则基于重叠区域确定目标检测区域，在所述目标检测区域中进行车辆检测，在检测到车辆区域后，对所述车辆区域进行车牌识别，得到所述车辆区域内车辆的车牌号。

为了更合理的对车辆可能存在的区域进行分析，一种实现方式中，基于所述重叠区域确定目标检测区域，包括：

确定以所述重叠区域的几何中心点为中心的矩形区域为目标检测区域，其中，矩形区域的宽度为预设检测宽度、高度为预设倍数与目标比值之积，目标比值为所述重叠区域的几何中心点的纵坐标与所述感兴趣区域的纵向总像素的比值。

预设检测宽度可以为车道在图像中的最大像素宽度或者最大像素宽度与预设宽度比例的乘积，预设宽度比例可以为1.8、1.9、2.0等等。例如，车道在图像中的最大像素宽度为x1个像素，预设检测宽度可以为x1，或者预设宽度比例为1.9，则预设检测宽度可以为1.9*x1。可以事先用像素总数测量工具测量车道在原始图像中的最大像素宽度。预设倍数可以为1.8、1.9、2.0等，假设目标比值为θ，预设倍数为1.9，则高度为1.9*θ。

重叠区域的几何中心点的纵坐标为重叠区域的几何中心点在图像坐标系或相机坐标系或世界坐标系下的纵坐标。从而通过重叠区域，可以确定出包含运动目标的目标检测区域。

当然，在其他实施方式中，也可以确定以所述重叠区域的几何中心点为中心的圆形区域/椭圆形区域/正方形区域为目标检测区域，对目标检测区域的形状不做限定，只有能包含整个运动目标即可。

具体的，在所述目标检测区域中进行车辆检测，包括：

将所述目标检测区域缩放至预设尺寸；

从缩放后的目标检测区域中确定各个待检测图像；

针对每一待检测图像，将该待检测图像输入至目标卷积神经网络，得到该待检测图像内有车辆或没有车辆的分类结果；所述目标卷积神经网络是用第一训练样本集预先训练预设初始卷积神经网络所得的；

将分类结果为待检测图像内有车辆的所有待检测图像合并，得到目标检测区域中的车辆区域。

若所有分类结果均为待检测图像内没有车辆，则在目标检测区域没有检测到车辆区域。

预设尺寸可以事先设定，例如可以为160*160、170*170、180*180等等。待检测图像的尺寸也可以固定，例如可以为40*40、50*50、60*60等等。

示例性的，将目标检测区域缩放至160*160，从缩放后的目标检测区域中确定各个待检测图像，每一待检测图像的尺寸均为40*40，可以通过在目标检测区域设置一个40*40的检测窗口，检测窗口的移动步径为10个像素，将检测窗口移动一次所得的图像作为一张待检测图像。

第一训练样本集包括正样本集和负样本集，正样本集包括含有车辆的图像，负样本集包括不含车辆的图像，例如，正样本集包括各个厂家、颜色、车型、多角度、多光线、多背景下的车辆图像；负样本集包括行人，树木，栏杆等图像。为了便于扩大样本集的数量，提高目标卷积神经网络的检测精度，正样本集和负样本集均由采集样本和重构样本构成，重构样本由改变采集样本的明度所得，采集样本和重构样本的图像尺寸均归一化至前述预设尺寸。

预设初始卷积神经网络可以分为以下几个部分：输入层、c1卷积层、s2池化层、c3卷积层、s4池化层、c5卷积层、s6池化层、l7全连接层以及输出层，每个池化层与前一层的一个卷积层连接。c1卷积层可以采用6个3*3的卷积核，该层训练参数可以为60个；s2池化层采用平均池化操作，池化感受野为2，步径为2；c3卷积层可以采用12个4*4卷积核，每个卷积核与上一层的6个特征图相连接，共产生12个卷积层的特征图，该层共有训练参数204个；s4池化层与s2池化层类似，每个池化层与c3的一个特征图连接，产生12个特征图，采用非重叠感受野，输出特征图尺寸为8*8；c5卷积层的每个卷积核连接s4池化层的所有特征图，共提取6个不同特征，共有60个训练参数；s6池化层中每个池化层连接一个c5特征图，共产生6个特征图，采用非重叠感受野，输出特征图尺寸为3*3；l7全连接层，将s6的特征按序排成列向量，大小为1*54；输出层使用权重矩阵与l7的列向量相乘，增加偏置量后通过sigmoid激活函数产生一个1*2的列向量。通过判别列向量中针对输入图像的分类值，判断输入的灰度图是车或者非车。例如，分类值为1，则判定输入的图像含有车；分类值为0，则判定输入的图像不含有车。

在综合了样本的分辨率、车辆特征的保留、特征图的尺寸等因素，可以将第一训练样本集中的每一样本预处理为40*40的灰度图，将预处理后的每一样本作为输入图像，并采用反向传播算法或梯度下降算法训练预设初始卷积神经网络，可以设置网络的学习率为2或1.5或1.6或1.7等等，每10个或20个或30个样本作为一批进行训练，在经过多次迭代后，可以使网络趋于稳定，并将趋于稳定的网络作为目标卷积神经网络。

对样本的预处理过程可以为：将样本裁剪与缩放至160*160，将样本由rgb颜色模型转成hsv颜色模型，改变hsv颜色模型中明度(v)的均值，得到改变明度后的图像，并将其由hsv颜色模型转成rgb颜色模型后，进行灰度化处理，将灰度化处理后的图像归一化至40*40，得到预处理后的40*40的灰度图。

对车辆区域进行车牌识别，得到所述车辆区域内车辆的车牌号，包括：

对车辆区域进行颜色筛选，得到含有预设车牌颜色的第一车牌区域；

对第一车牌区域进行形态学滤波，并对形态学滤波后的第一车牌区域进行字符定位，得到字符区域；

将字符区域输入至目标svm网络，得到判别结果，所述判别结果为所述字符区域属于车牌区域或者不属于车牌区域；所述目标svm网络是用第二训练样本集预先训练预设初始svm网络所得的；

对判别结果为属于车牌区域的字符区域进行字符识别，将识别出的字符作为所述车辆区域内车辆的车牌号。

预设车牌颜色可以根据现实生活中车牌可能出现的所有颜色进行预先设定，例如，预设车牌颜色可以包括黄色、绿色、黑色、蓝色等多种颜色。若车辆区域中某个区域的颜色属于预设车牌颜色中的某种颜色，可以认为该区域含有预设车牌颜色，进而可以将该区域作为第一车牌区域。

通过对第一车牌区域进行形态学滤波，可以消除第一车牌区域中的噪声干扰，使得第一车牌区域的边缘更加清晰和平滑，进而可以有利于进行字符定位，使所得的字符区域更加准确。

第二训练样本集包括多个车牌图像，用第二训练样本集训练预设初始svm(supportvectormachine，支持向量机)网络，在将预设初始svm网络训练至收敛后，可以得到目标svm网络。将某个图像目标svm网络，就可以得到该图像是否是车牌图像的判别结果。当字符区域属于车牌区域时，可以将字符区域输入至目标svm网络，就可以得到判别结果。

若字符区域属于车牌区域，可以利用ann(artificialneuralnetwork，人工神经网络)模型或其他字符识别算法对该字符区域进行字符识别，得到车牌号。

另外，对车辆区域进行颜色筛选，得到的第一车牌区域可能有多个，若针对由某个第一车牌区域所得的字符区域不属于车牌区域，则可以获取下一第一车牌区域，继续执行对第一车牌区域进行形态学滤波的步骤。

可见，应用本发明实施例提供的技术方案，在所述运动目标区域的尺寸在预设车辆区域尺寸范围内且重叠区域的面积大于预设阈值的情况下，基于所述重叠区域确定目标检测区域，进而在目标检测区域中进行车辆检测，排除了明显不是车辆的运动目标，减少了不必要的检测过程，提高了检测准确度和检测效率，并且仅在检测到车辆区域后，才对车辆区域进行车牌识别，进一步避免了对非车辆的检测，提高了检测准确度，并且缩小了车牌识别的图像处理区域，提高了识别效率。

为了便于对占道车辆进行统一监控管理，一种实现方式中，在得到车牌号后，所述方法还包括：

将所述原始图像、所述车牌号、所述公交车的位置以及采集时间发送给管理平台。

可以用管理平台对占道车辆进行统一监控管理。采集时间可以为摄像头采集原始图像的时间。

另外，还可以对原始图像、所述车牌号、所述公交车的位置以及采集时间进行存储，可以存储于本地或其他存储服务器。

另外，为了提高处理效率，所述运动目标区域的尺寸不在预设车辆区域尺寸范围内或在所述目标检测区域中未检测到车辆区域或重叠区域的面积不大于预设阈值，所述方法还包括：

获取所述原始图像的下一图像，将所述下一图像作为原始图像，继续执行确定所述原始图像中的公交车道线区域和运动目标区域。

运动目标区域的尺寸不在预设车辆区域尺寸范围内或在所述目标检测区域中未检测到车辆区域或重叠区域的面积不大于预设阈值，表明运动目标区域内的运动目标不为车辆，则可以直接检测下一原始图像，提高了检测效率。

与上述的方法实施例相对应，本发明实施例还提供一种公交车道占道检测装置。

参见图2，图2为本发明实施例所提供的一种公交车道占道检测装置的结构示意图，公交车的前部安装有摄像头，装置包括：

第一获得模块201，用于获得所述公交车的位置；判断所述公交车的位置是否在预设的公交车专用车道区域内；

确定模块202，用于所述公交车的位置在所述公交车专用车道区域内，获取所述摄像头采集的原始图像；确定所述原始图像中的公交车道线区域和运动目标区域；

判断模块203，用于在所述运动目标区域的尺寸在预设车辆区域尺寸范围内的情况下，判断所述公交车道线区域和所述运动目标区域的重叠区域的面积是否大于预设阈值；

检测模块204，用于在所述判断模块203的判断结果为是时，基于所述重叠区域确定目标检测区域，在所述目标检测区域中进行车辆检测，在检测到车辆区域后，对所述车辆区域进行车牌识别，得到所述车辆区域内车辆的车牌号。

可见，应用本发明实施例，在运动目标区域的尺寸在预设车辆区域尺寸范围内且重叠区域的面积大于预设阈值的情况下，基于所述重叠区域确定目标检测区域，进而在目标检测区域中进行车辆检测，排除了明显不是车辆的运动目标，减少了不必要的检测过程，提高了检测准确度和检测效率，并且仅在检测到车辆区域后，才对车辆区域进行车牌识别，进一步避免了对非车辆的检测，提高了检测准确度，并且缩小了车牌识别的图像处理区域，提高了识别效率。

可选的，所述装置还包括发送模块，用于：

在得到车牌号后，将所述原始图像、所述车牌号、所述公交车的位置以及采集时间发送给管理平台。

可选的，所述装置还包括第二获得模块，用于：

所述运动目标区域的尺寸不在预设车辆区域尺寸范围内或在所述目标检测区域中未检测到车辆区域或重叠区域的面积不大于预设阈值，获取所述原始图像的下一图像，将所述下一图像作为原始图像，继续执行确定所述原始图像中的公交车道线区域和运动目标区域。

可选的，确定模块202确定所述原始图像中的公交车道线区域，具体为：

识别所述原始图像中的公交车道线；

按照预设角度和预设宽度扩展所述公交车道线两侧的区域，得到公交车道线区域。

可选的，确定模块202识别所述原始图像中的公交车道线，具体为：

提取所述原始图像中的感兴趣区域；

建立稀疏网格图像，对所述稀疏网格图像与所述感兴趣区域取交集，得到交集图像；对所述交集图像进行颜色过滤，得到只保留预设公交车道线颜色的特征图；

利用边缘检测算法提取特征图内的公交车道线边缘特征点；

对公交车道线边缘特征点进行图像膨胀处理，得到公交车道线所在的范围区域；

对公交车道线所在的范围区域进行直线检测，将检测所得的直线作为所述原始图像中的公交车道线。

可选的，检测模块204基于所述重叠区域确定目标检测区域，具体为：

确定以所述重叠区域的几何中心点为中心的矩形区域为目标检测区域，其中，矩形区域的宽度为预设检测宽度、高度为预设倍数与目标比值之积，目标比值为所述重叠区域的几何中心点的纵坐标与所述感兴趣区域的纵向总像素的比值。

可选的，检测模块204在所述目标检测区域中进行车辆检测，具体为：

将所述目标检测区域缩放至预设尺寸；

从缩放后的目标检测区域中确定各个待检测图像；

针对每一待检测图像，将该待检测图像输入至目标卷积神经网络，得到该待检测图像内有车辆或没有车辆的分类结果；所述目标卷积神经网络是用第一训练样本集预先训练预设初始卷积神经网络所得的；

将分类结果为待检测图像内有车辆的所有待检测图像合并，得到目标检测区域中的车辆区域。

可选的，所述第一训练样本集包括正样本集和负样本集，正样本集包括含有车辆的图像，负样本集包括不含车辆的图像。

可选的，检测模块204对所述车辆区域进行车牌识别，得到所述车辆区域内车辆的车牌号，具体为：

对所述车辆区域进行颜色筛选，得到含有预设车牌颜色的第一车牌区域；

对所述第一车牌区域进行形态学滤波，并对形态学滤波后的第一车牌区域进行字符定位，得到字符区域；

将所述字符区域输入至目标svm网络，得到判别结果，所述判别结果为所述字符区域属于车牌区域或者不属于车牌区域；所述目标svm网络是用第二训练样本集预先训练预设初始svm网络所得的；

对判别结果为属于车牌区域的字符区域进行字符识别，将识别出的字符作为所述车辆区域内车辆的车牌号。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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。