一种车辆逆行的检测方法及装置的制造方法
【技术领域】
[0001]本申请涉及计算机技术领域，尤其涉及一种车辆逆行的检测方法及装置。
【背景技术】
[0002]随着车辆的普及，车辆的使用与日倶增，车辆逆行事件频繁发生，逆行已经成为最具危害交通安全的行为之一。然而，人为的交通管控已经捉襟见肘，不足以满足现代交通的需要，因此，基于计算机的智能交通系统应运而生。
[0003]在现有技术中，检测车辆是否逆行的方法一般是:采集视频，在该视频的每帧图像中确定疑似车辆的区域，根据该区域的面积、周长、填充率、宽高比以及预设的相应阈值，判断该区域中的图像是否为车辆图像，如果确定该区域中的图像为车辆图像，则可根据该视频的每帧图像中的车辆图像的位置，确定出相应车辆的运动轨迹，进而判断该相应车辆是否发生逆行。
[0004]但是，在实际应用场景中，存在很多路况复杂的路段，如车辆行人较多的路段，采用现有技术中的检测方法对这些路段中的车辆进行检测时，仅根据疑似车辆区域的面积、周长、填充率、宽高比等参数识别车辆图像，会降低识别车辆图像的准确性，进而出现误检率和漏检率较高的问题。
【发明内容】
[0005]本申请实施例提供一种车辆逆行的检测方法及装置，用以解决现有技术中逆行检测的误检率和漏检率较高的问题。
[0006]本申请实施例提供的一种车辆逆行的检测方法，包括:
[0007]采集视频图像；
[0008]确定所述视频图像中的各前景区域；
[0009]从各前景区域中提取图像特征；
[0010]根据提取的各前景区域的图像特征以及预设的分类模型，对各前景区域进行分类，得到有效前景区域；
[0011]对所述有效前景区域在视频图像中的运动轨迹进行追踪；
[0012]根据追踪到的运动轨迹进行车辆逆行检测。
[0013]本申请实施例提供的一种车辆逆行的检测装置，包括图像获取模块、前景求取模块、有效前景甄别模块、追踪模块、逆行判断模块；其中:
[0014]所述图像获取模块，用于采集视频图像；
[0015]所述前景求取模块，用于确定所述视频图像中的各前景区域；
[0016]所述有效前景甄别模块，包括特征提取单元和分类单元；所述特征提取单元，用于从各前景区域中提取图像特征；所述分类单元，用于根据提取的各前景区域的图像特征以及预设的分类模型，对各前景区域进行分类，得到有效前景区域；
[0017]所述追踪模块，用于对所述有效前景区域在视频图像中的运动轨迹进行追踪；
[0018]所述逆行判断模块，用于根据追踪到的运动轨迹进行车辆逆行检测。
[0019]本申请实施例提供一种车辆逆行的检测方法及装置，该方法检测装置采集视频图像，确定视频图像中的各前景区域，从各前景区域中提取图像特征，并根据图像特征和预设的分类模型对各前景区域进行分类，对分类得到的有效前景区域的运动轨迹进行追踪，最后根据追踪到的运动轨迹进行车辆逆行检测。上述方法并不单单凭借前景区域的面积、周长等参数识别有效前景区域，而是根据前景区域的图像特征识别有效前景区域，因此可有效提高识别有效前景区域的准确性，进而可有效降低逆行检测的误检率和漏检率。
【附图说明】
[0020]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中:
[0021]图1为本申请实施例提供的车辆逆行检测的过程；
[0022]图2A?B为本申请实施例提供的追踪有效前景区域的运动轨迹的示意图；
[0023]图3为本申请实施例提供的基于H0G特征，采用SVM分类器识别有效前景区域的实际效果图；
[0024]图4、5为本申请实施例提供的追踪运动轨迹和逆行检测的实际效果图；
[0025]图6为本申请实施例提供的车辆逆行的检测装置结构示意图。
【具体实施方式】
[0026]为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
[0027]图1为本申请实施例提供的车辆逆行检测的过程，具体包括以下步骤:
[0028]S101:采集视频图像。
[0029]在本申请实施例中，可在车辆逆行的检测装置(以下简称为“检测装置”)上安装诸如摄像头等图像获取模块，并通过图像获取模块采集道路区域的视频图像，多帧视频图像即可构成一段视频。
[0030]S102:确定视频图像中的各前景区域。
[0031]检测装置采集到多帧视频图像后，则可针对每帧视频图像，采用背景去除的方法确定该视频图像中的各前景区域。本申请实施例中所述的前景区域即为视频图像中疑似车辆图像的区域。
[0032]具体的，检测装置可采用预先建立的前景提取模型，确定视频图像中的各前景区域。考虑到在实际应用场景中，以车辆图像为前景的实时路况视频图像中，作为背景的其他行人、非机动车辆等图像一般是动态变化的，尤其是在路况较为复杂的路段，因此，在本申请实施例中，该前景提取模型可以是预先基于混合高斯模型(Gaussian Mixture Model，GMM)算法建立的。由于GMM算法相比于其他算法更加稳定，而且具有自动更新学习的能力，因此，采用GMM算法建立的前景提取模型可以更加准确的确定疑似车辆图像的前景区域，对于路况较为复杂的实时路况视频图像中的动态背景具有较高的鲁棒性。
[0033]当然，本申请中所述的前景提取模型除了可根据GMM算法建立以外，也可根据其他具有自动更新学习能力的算法建立。
[0034]S103:从各前景区域中提取图像特征。
[0035]在本申请实施例中，检测装置确定了视频图像中的前景区域后，可从前景区域中提取出图像特征，用来进行后续的有效前景区域识别，即，针对一个疑似车辆图像，判断其到底是不是一个真正的车辆图像。
[0036]考虑到在实际应用场景中，对于一个车辆图像而言，车辆的边缘或梯度的方向密度分布可以很好的描述车辆的外观特征，灰度变化平稳的车辆图像内部梯度较小，而灰度变化剧烈的车辆图像边缘则梯度较大，因此，本申请实施例中可采用图像的H0G特征，作为前景区域的图像特征。即，检测装置在从各前景区域中提取图像特征时，可根据各前景区域中的像素点，从各前景区域中提取H0G特征。具体的，可先将前景区域中的各像素进行灰度化处理，再根据灰度化处理后的像素点，提取H0G特征。
[0037]由于提取H0G特征的计算量较小，而且H0G特征在描述检测的目标物体的光强梯度和边缘方向分布时，可保持几何和光学转化不变性，因此，本申请实施例中从前景区域中提取H0G特征，以进行后续的有效前景图像甄别，即可满足逆行检测的实时性，也可保证逆行检测的可靠性。
[0038]当然，检测装置也可提取前景区域中的其他图像特征，或者同时提取H0G特征和其他图像特征进行后续的有效前景区域甄别。
[0039]S104:根据提取的各前景区域的图像特征以及预设的分类模型，对各前景区域进行分类，得到有效前景区域。
[0040]检测装置从各前景区域中提取出图像特征(如，H0G特征)后，则可根据提取出的各前景区域的图像特征，采用预先建立的支持向量机(Support Vector Machine，SVM)分类模型，对各前景区域进行分类。
[0041]下面以提取的图像特征为H0G特征为例，说明SVM分类模型的建立方法。
[0042]检测装置可预先获取车辆图像作为正样本图像，获取非车辆图像作为负样本图像，再分别从正样本图像和负样本图像中提取H0G特征，最后采用正样本图像和负样本图像中提取的H0G特征进行训练，得到SVM分类模型。S卩，训练出一个SVM分类模型，使其对已知是车辆图像的H0G特征进行分类时，分类结果为有效前景区域，对已知是非车辆图像的H0G特征进行分类时，分类结果为无效前景区域。
[0043]由此训练处的SVM分类模型，对于未知是否是车辆图像的前景区域而言，即可根据从该前景区域中提取出的H0G特征，对其进行分类，分类结果即为有效前景区域(车辆图像)或无效前景区域(非车辆图像)。
[0044]当然，本申请实施例所述的分类模型除了可以是SVM分类模型以外，还可以采用其他分类模型。
[0045]S105:对有效前景区域在视频图像中的运动轨迹进行追踪。
[0046]在本申请实施例中，检测装置通过上述步骤S101?S105得到每帧视频图像中的有效前景区域后，则可针对每个有效前景区域，对该前