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。
[0077]在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
[0078]内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
[0079]计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPR0M)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-R0M)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0080]还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0081]本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
[0082]以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
【主权项】
1.一种车辆逆行的检测方法，其特征在于，包括: 米集视频图像； 确定所述视频图像中的各前景区域； 从各前景区域中提取图像特征； 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； 对所述有效前景区域在视频图像中的运动轨迹进行追踪； 根据追踪到的运动轨迹进行车辆逆行检测。2.如权利要求1所述的方法，其特征在于，确定所述视频图像中的各前景区域，具体包括: 采用预先建立的前景提取模型，确定所述视频图像中的各前景区域； 其中，所述前景提取模型是预先基于混合高斯模型GMM算法建立的。3.如权利要求1所述的方法，其特征在于，从各前景区域中提取图像特征，具体包括: 确定各前景区域的区域参数； 根据各前景区域的区域参数以及预先设定的参数条件，从各前景区域中筛选出满足所述参数条件的前景区域；其中，所述区域参数包括:前景区域的面积、周长、填充率、宽高比中的至少一种； 从筛选出的各前景区域中提取图像特征。4.如权利要求1所述的方法，其特征在于，从各前景区域中提取图像特征，具体包括: 根据各前景区域中的像素点，从各前景区域中提取HOG特征。5.如权利要求1或4所述的方法，其特征在于，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，具体包括: 根据提取的各前景区域的图像特征，采用预先建立的支持向量机SVM分类模型，对各前景区域进行分类。6.如权利要求5所述的方法，其特征在于，预先建立SVM分类模型，具体包括: 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； 分别从正样本图像和负样本图像中提取HOG特征； 采用从正样本图像和负样本图像中提取的HOG特征进行训练，得到SVM分类模型。7.如权利要求1所述的方法，其特征在于，对所述有效前景区域在视频图像中的运动轨迹进行追踪，具体包括: 针对相邻的两帧视频图像，确定前一帧视频图像中的有效前景区域的位置，作为当前位置； 在后一帧视频图像中，确定与所述当前位置距离最近的有效前景区域，作为匹配前景区域，将所述匹配前景区域的位置作为匹配位置； 将所述当前位置指向所述匹配位置的矢量，作为所述有效前景区域在该相邻的两帧视频图像中的运动轨迹。8.如权利要求1所述的方法，其特征在于，根据追踪到的运动轨迹进行车辆逆行检测，具体包括: 针对一个有效前景区域，根据追踪到的该有效前景区域的运动轨迹，确定该有效前景区域的运动方向； 判断所述运动方向与预设的标准方向之间的夹角是否大于设定角度； 若是，则确定该有效前景区域对应的车辆发生逆行行为； 否则，确定该有效前景区域对应的车辆未发生逆行行为。9.一种车辆逆行的检测装置，其特征在于，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: 所述图像获取模块，用于采集视频图像； 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； 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； 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； 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。10.如权利要求9所述的装置，其特征在于，所述前景求取模块具体用于，采用预先建立的前景提取模型，确定所述视频图像中的各前景区域，其中，所述前景提取模型是预先基于混合高斯模型GMM算法建立的。11.如权利要求9所述的装置，其特征在于，所述特征提取单元具体用于，确定各前景区域的区域参数； 根据各前景区域的区域参数以及预先设定的参数条件，从各前景区域中筛选出满足所述参数条件的前景区域，从筛选出的各前景区域中提取图像特征，其中，所述区域参数包括:前景区域的面积、周长、填充率、宽高比中的至少一种。12.如权利要求9所述的装置，其特征在于，所述特征提取单元具体用于，根据各前景区域中的像素点，从各前景区域中提取HOG特征。13.如权利要求9或12所述的装置，其特征在于，所述分类单元具体用于，根据提取的各前景区域的图像特征，采用预先建立的支持向量机SVM分类模型，对各前景区域进行分类。14.如权利要求13所述的装置，其特征在于，所述装置还包括: 分类模型建立模块，用于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，分别从正样本图像和负样本图像中提取HOG特征，采用从正样本图像和负样本图像中提取的HOG特征进行训练，得到SVM分类模型。15.如权利要求9所述的装置，其特征在于，所述追踪模块具体用于，针对相邻的两帧视频图像，确定前一帧视频图像中的有效前景区域的位置，作为当前位置，在后一帧视频图像中，确定与所述当前位置距离最近的有效前景区域，作为匹配前景区域，将所述匹配前景区域的位置作为匹配位置，将所述当前位置指向所述匹配位置的矢量，作为所述有效前景区域在该相邻的两帧视频图像中的运动轨迹。16.如权利要求9所述的装置，其特征在于，所述逆行判断模块具体用于，针对一个有效前景区域，根据追踪到的该有效前景区域的运动轨迹，确定该有效前景区域的运动方向，判断所述运动方向与预设的标准方向之间的夹角是否大于设定角度；若是，则确定该有效前景区域对应的车辆发生逆行行为；否则，确定该有效前景区域对应的车辆未发生逆行行 Vο (Τ /
【专利摘要】本申请公开了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。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。
【IPC分类】G06K9/00, G06K9/62
【公开号】CN105354529
【申请号】CN201510471006
【发明人】金辉, 傅慧源, 马华东, 孟滨申
【申请人】北京时代云英科技有限公司, 北京邮电大学
【公开日】2016年2月24日
【申请日】2015年8月4日