一种违规车让人行为实时检测方法
【技术领域】
[0001]本发明涉及视频监控技术和智能交通技术领域，具体涉及一种违规车让人行为实时检测方法。
【背景技术】
[0002]随着城市化进程加快，城市人口急剧增加，地面交通状况变得越来越复杂。目前在交通信息采集系统中，视频车辆检测一般用CCD摄像机对车道车辆进行拍摄，用硬件将拍摄到的图像进行数字化存储，用图像处理的方式对图像初步处理，去除图像噪声信息，对图像进行分区并采用一定算法对各分区图像处理，提取必要的车辆特征信息，根据特征信息进行车速、排队等交通信息统计。
[0003]视频检测算法是整个视频车辆检测系统的核心，直接影响到系统的检测精度和效率。视频检测算法可分为知识型、运动型、立体视觉型和像素强度型4类。中国专利CN101398932A公开的视频车辆检测方法和装置就是基于像素强度型的车辆检测方法，该方法通过获取视频图像、对视频图像进行车灯消干扰操作以及对检测区域进行监测等步骤来获取视频车辆检测结果，在光线较暗的情况下也能获得较好的结果。但该技术只能对车辆进行识别和检测，无法做到实时检测车辆在斑马线上不避让行人的违规行为。
【发明内容】
[0004]本发明的目的就是为了克服现有技术中的缺陷而提供一种检测速度快、检测性能好、鲁棒性强的违规车让人行为实时检测方法。
[0005]本发明的目的可以通过以下步骤实现:
[0006]一种违规车让人行为实时检测方法，该方法包括以下步骤:
[0007]I)获得实时视频，将视频数据解析成画面帧信息；
[0008]2)检测画面中的斑马线区域；
[0009]3)检测画面中车辆位置；
[0010]4)根据画面帧信息对车辆进行速度检测和轨迹追踪；
[0011]5)实时判断车辆是否同时满足以下条件:
[0012]a)车辆越过斑马线，b)车辆行驶速度超过阈值；
[0013]若是，则执行步骤6)，若否，则返回步骤I);
[0014]6)对斑马线两端区域进行行人检测，判断是否有行人处于等待状态，若是，则判定当前车辆违规，执行步骤7)，若否，则返回步骤I);
[0015]7)对违规车辆进行车牌识别，保存违规车辆信息和违规时刻画面信息。
[0016]所述步骤2)中，采用Adaboost检测器和haar特征相结合的方法检测画面中的斑马线区域。
[0017]所述步骤3)中，采用SVM分类器和HOG特征相结合的方法检测画面中车辆位置。
[0018]所述步骤4)中，轨迹追踪的具体过程为:
[0019]4-1)采用Optical flow算法进行车辆轨迹跟踪；
[0020]4-2)在车辆轨迹追踪的过程中，采用车辆检测算法修正每一个时刻的追踪位置；
[0021]4-3)根据所检测的车辆运动速度估计下一时刻位置，修正每一个时刻的追踪位置。
[0022]所述步骤6)中，行人检测具体步骤为:
[0023]6-1)采用DPM模型检测行人；
[0024]6_2)米用Optical flow算法进彳丁彳丁人轨迹追踪，并在彳丁人轨迹追踪过程中米用Kalman滤波器修正行人位置；
[0025]6-3)判断行人在斑马线两端区域的停留时间是否超过设定时间，若是，则判定行人处于等待状态，若否，则判定行人不处于等待状态。
[0026]所述步骤7)中，车牌识别具体为:
[0027]7-1)采用Adaboost检测器和Haar特征相结合的方法对车牌进行检测定位；
[0028]7-2)采用SVM分类器和HOG特征相结合的方法对车牌进行识别。
[0029]所述步骤7)中，违规时刻画面信息为车辆与斑马线区域的重合区域最大的时刻的画面。
[0030]与现有技术相比，本发明具有以下优点:
[0031](I)本发明速度快，能够做到实时检测。
[0032](2)本发明在采用Optical flow算法对车辆轨迹进行追踪时，采用了车辆检测算法来修正每一个时刻的追踪位置，在一定程度上能够实时地跟新目标的外观，避免了多次跟踪误差的累积导致轨迹不准确，另外，本发明还采用了根据车辆运动速度估计下一时刻位置的算法，在某些困难场景下(比如车辆在短时间内被遮挡)也能获得准确的车辆轨迹，检测性能好，鲁棒性强，违规的捕获率高，违规的误报率低。
[0033](3)本发明采用adaboost检测器与haar特征相结合的方法，对于不同形状的斑马线区域都能够自动检测。
[0034](4)本发明在采用Optical flow算法进行行人轨迹检测时，增加了 Kalman滤波器来提高追踪的精确度，行人跟踪的鲁棒性得到了提高，跟踪过程中不易丢失跟踪目标，可以很好的处理行人转身或者下蹲等情况。
[0035](5)本发明不仅能够检测车辆，还能检测出在斑马线旁等待的行人，从而检测车辆违规不避让行人的行为，并检测出违规车辆的车牌号码，从而促进交通秩序的改善，减少交通事故的发生。
【附图说明】
[0036]图1为本发明的流程图。
【具体实施方式】
[0037]下面结合附图对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
[0038]如图1所示，本实施例提供一种用于视频中的违规车让人行为实时检测方法，具体流程如下:
[0039]步骤S01，获得实时视频，将视频数据解析成画面帧信息，实时视频为一段斑马线场景的视频。
[0040]步骤S02，检测画面中的斑马线区域。本实施例采用Adaboost检测器和haar特征相结合的方法检测画面中的斑马线区域，提取检测画面的haar特征，通过Adaboost检测器检测出其中的斑马线区域。
[0041]Adaboost检测器是英文〃Adaptive Boosting〃(自适应增强)的缩写，是一种机器学习方法，相对于大多数其它学习算法而言，不会很容易出现过拟合现象。haar特征(哈尔特征)是用于物体识别的一种数字图像特征，它们因为与哈尔小波转换极为相似而得名。
[0042]步骤S03，检测画面中车辆位置。本实施例采用SVM分类器和HOG特征相结合的方法检测画面中车辆位置。提取检测画面的HOG特征，通过SVM分类器检测其中的车辆位置。
[0043]支持向量机(SVM)方法是一种训练机器学习的算法，可以用于解决分类和回归问题。根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折中，以求获得最好的推广能力。
[0044]方向梯度直方图(Histogram of Oriented Gradient，HOG)描述子是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。与其他的特征描述方法相比，方向梯度直方图(HOG)描述子有很多优点。首先，由于HOG方法是在图像的局部方格单元上操作，所以它对图像几何的和光学的形变都能保持很好的不变性，这两种形变只会出现在更大的空间领域上。其次，在粗的空域抽样、精细的方向抽样以及较强的局部光学归一化等条件下，只要行人大体上能够保持直立的姿势，可以容许行人有一些细微的肢体动作，这些细微的动作可以被忽略而不影响检测效果。方向梯度直方图方法是特别适合于做图像中的行人检测的。