一种道路异常驾驶行为的识别方法及系统与流程

本发明涉及图像处理技术领域，特别涉及一种道路异常驾驶行为的识别方法及系统。

背景技术：

目前，道路异常驾驶检测的方法有很多，主要有超声波检测、红外线检测、环形地埋式线圈检测等。其中，超声波检测中超声波容易受车辆遮挡和行人的影响，导致检测精度不高，检测的距离比较短。红外线检测会受车辆本身热源的影响，抗噪声的能力不强，检测精度不高。环形地埋式线圈检测的检测精度高，但要求设置于路面土木结构中，对路面有损坏，施工和安装不便，而且安装的数量多，成本很高。

近年来随着计算机技术、图像处理、人工智能、模式识别等技术的不断发展，计算机视觉检测在交通流检测中获得越来越广泛的应用。因此，如何利用计算机视觉检测更加精确、方便、快速的识别道路异常驾驶行为，是本领域技术人员需要解决的技术问题。

技术实现要素：

本发明的目的是提供一种道路异常驾驶行为的识别方法及系统，通过对道路视频帧的检测，能够全方位、实时准确和高效的对路面上的车辆进行检测和跟踪，在完全无需人为干涉的情况下实时监控当前道路违章驾驶行为。

为解决上述技术问题，本发明提供一种道路异常驾驶行为的识别方法，包括：

对获取的道路的当前视频帧图像进行车辆识别检测，提取检测到的车辆图像的比较信息；其中，所述比较信息包括检测到的车辆图像的位置信息与颜色直方图信息；

将检测到的车辆图像的比较信息与已完成视频帧数据库中各车辆图像的比较信息对应比较，并判断比较结果是否满足预定阈值条件；

若满足，则确定满足预定阈值条件的比较结果对应的两个车辆图像为同一个车辆，更新已完成视频帧数据库中对应车辆图像的比较信息；

若不满足，则将当前视频帧图像中对应的车辆图像及比较信息保存在已完成视频帧数据库中；

根据已完成视频帧数据库中各车辆图像的位置信息得到各车辆的运动轨迹，并根据运动轨迹确定各车辆的运动方向；

将各车辆的运动方向与设定行车方向或视频帧图像中的车道线所表示的行车方向进行对比确定逆向行驶车辆。

可选的，对获取的道路的当前视频帧图像进行车辆识别检测，包括：

对获取的当前视频帧图像进行预处理，并利用加权平均背景更新算法提取所述当前视频帧图像的背景图像；

利用帧间差二值图和背景差二值图提取当前视频帧图像中预选区域；

对预选区域进行形态滤波处理得到预选二值图像，并利用轮廓提取法提取预选二值图像中前景目标轮廓；

计算前景目标轮廓的外接矩形，选取外接矩形满足预定矩形条件的前景目标轮廓对应的车辆图像作为检测到的车辆图像。

可选的，选取外接矩形满足预定矩形条件的前景目标轮廓对应的车辆图像作为检测到的车辆图像，包括：

判断前景目标轮廓的外接矩形的宽、高以及白色像素比例是否同时满足对应阈值条件；

若满足，则所述前景目标轮廓对应的车辆图像作为检测到的车辆图像，并对检测到的车辆图像进行画框处理后存入初始化数组中。

可选的，提取检测到的车辆图像的比较信息，包括：

提取初始化数组中车辆图像的颜色特征和质心位置信息，根据所述颜色特征建立颜色直方图并进行归一化处理后得到颜色直方图信息。

可选的，将检测到的车辆图像的比较信息与已完成视频帧数据库中各车辆图像的比较信息对应比较，并判断比较结果是否满足预定阈值条件，包括：

将检测到的车辆图像的质心位置信息依次与已完成视频帧数组中各车辆图像的质心位置信息做差，并判断差值是否小于预定第一阈值；

若小于，则判断对应的颜色直方图信息的距离是否大于预定第二阈值；

若大于，则满足预定阈值条件。

可选的，根据已完成视频帧数据库中各车辆图像的位置信息得到各车辆的运动轨迹，并根据运动轨迹确定各车辆的运动方向，包括：

判断已完成视频帧数组中是否存在质心位置信息的数量大于预定数值的车辆图像；

若存在，则利用对应车辆图像在已完成视频帧数组中全部质心位置信息确定该车辆图像的运动轨迹；

确定运动轨迹中纵坐标数值变化规律，并根据纵坐标数值变化规律与运动方向对应关系，确定该车辆图像的运动方向。

可选的，该识别方法还包括：

对获取的道路的背景图像进行白线检测，并根据检测到的白线的位置信息确定包含白线的监测区域；

计算获取的道路的当前视频帧图像中对应所述监测区域的像素值；

将当前视频帧图像中对应所述监测区域的像素值与前一帧视频帧图像中对应所述监测区域的像素值做差，并判断差值是否大于预设像素阈值；

若超过，则获取当前视频帧图像中对应所述监测区域的运动目标；

当判断出所述运动目标为车辆时，则该车辆为违章变道压线车辆。

可选的，该识别方法还包括：

对获取的道路的背景图像进行车道线检测，并根据检测到的车道线的位置信息确定包含车道线的违章停车区域；

检测获取的违章停车区域的视频流图像中是否存在车辆目标；

若存在，则计算所述车辆目标的中心位置，及所述车辆目标在所述违章停车区域内的停留时间；

当所述中心位置在所述违章停车区域内，且与违章停车区域边界位置的距离大于阈值，同时所述停留时间大于时间阈值时，则所述车辆目标为违章停车车辆。

本发明还提供一种道路异常驾驶行为的识别系统，包括：

识别提取模块，用于对获取的道路的当前视频帧图像进行车辆识别检测，提取检测到的车辆图像的比较信息；其中，所述比较信息包括检测到的车辆图像的位置信息与颜色直方图信息；

比较模块，用于将检测到的车辆图像的比较信息与已完成视频帧数据库中各车辆图像的比较信息对应比较，并判断比较结果是否满足预定阈值条件；

更新模块，用于若满足预定阈值条件，则确定满足预定阈值条件的比较结果对应的两个车辆图像为同一个车辆，更新已完成视频帧数据库中对应车辆图像的比较信息；

添加模块，用于若不满足预定阈值条件，则将当前视频帧图像中对应的车辆图像及比较信息保存在已完成视频帧数据库中；

运动方向确定模块，用于根据已完成视频帧数据库中各车辆图像的位置信息得到各车辆的运动轨迹，并根据运动轨迹确定各车辆的运动方向；

逆向判定模块，用于将各车辆的运动方向与设定行车方向或视频帧图像中的车道线所表示的行车方向进行对比确定逆向行驶车辆。

可选的，该识别系统还包括：

违章变道压线模块，用于对获取的道路的背景图像进行白线检测，并根据检测到的白线的位置信息确定包含白线的监测区域；计算获取的道路的当前视频帧图像中对应所述监测区域的像素值；将当前视频帧图像中对应所述监测区域的像素值与前一帧视频帧图像中对应所述监测区域的像素值做差，并判断差值是否大于预设像素阈值；若超过，则获取当前视频帧图像中对应所述监测区域的运动目标；当判断出所述运动目标为车辆时，则该车辆为违章变道压线车辆；和/或，

违章停车模块，用于对获取的道路的背景图像进行车道线检测，并根据检测到的车道线的位置信息确定包含车道线的违章停车区域；检测获取的违章停车区域的视频流图像中是否存在车辆目标；若存在，则计算所述车辆目标的中心位置，及所述车辆目标在所述违章停车区域内的停留时间；当所述中心位置在所述违章停车区域内，且与违章停车区域边界位置的距离大于阈值，同时所述停留时间大于时间阈值时，则所述车辆目标为违章停车车辆。

本发明所提供的道路异常驾驶行为的识别方法，该方法通过对捕获到的视频帧进行车辆识别和车辆的比较信息的提取；在对识别到的车辆进行车辆跟踪时，结合车辆图像的位置信息与颜色直方图信息即比较信息的多特征匹配算法来准确跟踪视频帧中每个运动车辆；最后利用跟踪结果判断出车辆的行车方向，并与道路正常行车方向进行比较识别出逆向行驶即异常驾驶车辆；该方法通过对道路视频帧的检测，能够全方位、实时准确和高效的对路面上的车辆进行检测和跟踪，在完全无需人为干涉的情况下实时监控当前道路违章驾驶行为。本发明还提供的一种道路异常驾驶行为的识别系统，具有上述有益效果，在此不再赘述。

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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例所提供的道路逆向驾驶行为的识别方法的流程图；

图2为本发明实施例所提供的车辆检测过程的流程示意图；

图3为本发明实施例所提供的轮廓提取过程的流程示意图；

图4为本发明实施例所提供的车辆跟踪过程的流程示意图；

图5为本发明实施例所提供的道路违章变道驾驶行为的识别方法的流程示意图；

图6为本发明实施例所提供的道路异常驾驶行为的识别系统的结构框图。

具体实施方式

本发明的核心是提供一种道路异常驾驶行为的识别方法及系统，通过对道路视频帧的检测，能够全方位、实时准确和高效的对路面上的车辆进行检测和跟踪，在完全无需人为干涉的情况下实时监控当前道路违章驾驶行为。

为使本发明实施例的目的、技术方案和优点更加清楚，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他实施例，都属于本发明保护的范围。

请参考图1，图1为本发明实施例所提供的道路逆向驾驶行为的识别方法的流程图；该识别方法在硬件设施安装完成，进行初始化，系统会对道路信息建模，如各类车道线，作为后续处理的基础。该识别方法可以包括：

S100、对获取的道路的当前视频帧图像进行车辆识别检测，提取检测到的车辆图像的比较信息；其中，所述比较信息包括检测到的车辆图像的位置信息与颜色直方图信息；

具体的，本实施例要检测到车辆是否异常驾驶，因此首先要能够准确的识别到视频帧图像中车辆。在识别到车辆后才能够准确的进行后续异常驾驶的判定。本实施例并不限定具体车辆识别的方法，例如基于SVM的车辆识别，或者基于背景差和帧间差的识别方法等。道路异常驾驶行为识别的准确性在一定程度上依赖于车辆识别的准确性。可选的，对获取的道路的当前视频帧图像进行车辆识别检测可以包括：

对获取的当前视频帧图像进行预处理，并利用加权平均背景更新算法提取所述当前视频帧图像的背景图像；

利用帧间差二值图和背景差二值图提取当前视频帧图像中预选区域；

对预选区域进行形态滤波处理得到预选二值图像，并利用轮廓提取法提取预选二值图像中前景目标轮廓；

计算前景目标轮廓的外接矩形，选取外接矩形满足预定矩形条件的前景目标轮廓对应的车辆图像作为检测到的车辆图像。

具体的，该步骤利用背景差法，提取一个背景图像；再将当前视频帧中的图像与当前背景图进行比较，从而分割出前景即运动目标，最终根据车辆的特征在运动目标中选取车辆目标即检测到车辆图像。其中，由于彩色RGB图对噪声比较敏感，需要对图像进行预处理，这里将图像进去灰度化处理，可以采用中值滤波方法进行图像平滑处理，保证目标轮廓清晰又能去除高频噪声。预处理的过程可以包括对获取的当前帧图像转换颜色空间，然后对视频帧图像做灰度化和平滑预处理等。

由于光照、天气等环境的变化以及监控场景中物体移动等外界因素的影响，视频图像的背景也会不断的发生变化。因此，为了提高检测的准确性，本实施例可以采用加权平均背景更新算法这种背景更新方法来提取当前视频帧中的背景。即采用实时的动态背景更新机制来不断地更新背景图像。这样，当前帧和背景帧做差就能得到比较准确的运动前景目标。

上述分离出背景像素后，即获得视频中的运动前景目标后仍不能判断运动目标是否是车辆。因为运动前景目标有可能是行人、摩托车等。因此需要进行感兴趣区域(即预选区域)的提取。首先用帧间差和背景差相结合的方法提取感兴趣区域。进一步为了提高提取的感兴趣区域的准确性可以将提取到的预选区域进行形态滤波来消除噪音等外界干扰；此时得到的二值图(即预选二值图像)，并将预选二值图像中感兴趣区域用白色标记，背景用黑色标记。之后用轮廓提取法提取二值图中前景目标轮廓，将满足某特定条件的轮廓人为是车辆轮廓并进行存储。可以存储到数据库中或均以固定形式存储到数组中。由于每一帧图像中检测到的车辆图像很可能为多个，因此为了后续对车辆跟踪的方便，尤其是确定不同帧图像中同一车辆时的方便，优选的将检测到的车辆图像存到数组中。上述具体过程可以参考图2。

可选的，选取外接矩形满足预定矩形条件的前景目标轮廓对应的车辆图像作为检测到的车辆图像可以包括：

判断前景目标轮廓的外接矩形的宽、高以及白色像素比例是否同时满足对应阈值条件；

若满足，则所述前景目标轮廓对应的车辆图像作为检测到的车辆图像，并对检测到的车辆图像进行画框处理后存入初始化数组中。

具体的，提取的预选二值图像中前景目标轮廓(即提取二值图中的轮廓)可能不是车辆，例如是行人、路标或其他干扰物。这里需要进行筛选，例如行人的大小及形状和车辆大小及形状都有不同。因此可以通过判定前景目标轮廓的外接矩形的大小筛选出车辆图像。即通过比较外接矩形的宽、高以及白色像素比例。本实施例可以仅对外接矩形的宽和高进行比较，也可以为了进一步提高筛选的准确性增加例如白色像素比例等特征进行综合判定。本实施例并不限定具体比较的元素以及比较条件。

为了提高筛选的准确定本实施例同时对外接矩形的宽、高以及白色像素比例进行比较，同时满足各自阈值条件时，确定其为车辆。具体过程请参考图3。图3中对应阈值条件为高需要大于40，宽需要大于30，白色像素比例需要大于0.5。这里并不对具体数值进行限定。

为了后续车辆跟踪的方便，这里还可以将检测到的车辆图像进行画框处理后存入初始化数组中。

进一步，为了提高后续车辆跟踪过程的准确性和可靠性，避免出现跟踪车辆不是同一个车辆的情况。本实施例可以采取颜色和距离相结合的多特征匹配算法来跟踪视频中的运动车辆的方法。即需要提取检测到的车辆图像的比较信息；其中，比较信息包括检测到的车辆图像的位置信息与颜色直方图信息；这里的位置信息可以是任意的，但是要统一位置信息，这样在后续的比较的时候才具有可比性。一般情况下质心距离或中心距离比较好确定。即优选的，提取检测到的车辆图像的比较信息可以包括：

提取初始化数组中车辆图像的颜色特征和质心位置信息，根据所述颜色特征建立颜色直方图并进行归一化处理后得到颜色直方图信息。

具体的，对运动车辆的特征进行提取，建立颜色直方图并做归一化处理。

S110、将检测到的车辆图像的比较信息与已完成视频帧数据库中各车辆图像的比较信息对应比较，并判断比较结果是否满足预定阈值条件；

S120、若满足，则确定满足预定阈值条件的比较结果对应的两个车辆图像为同一个车辆，更新已完成视频帧数据库中对应车辆图像的比较信息；

S130、若不满足，则将当前视频帧图像中对应的车辆图像及比较信息保存在已完成视频帧数据库中；

具体的，即将提取的每一帧的轮廓(即前景目标轮廓)进行筛选，确定筛选后的车辆轮廓，根据计算水平可以每次选取筛选后的一个车辆轮廓进行后续比较，也可以并行对筛选后的全部车辆轮廓同时进行后续比较。

由于进行车辆运动轨迹的跟踪，因此需要对多帧视频图像(即视频流)进行分析，将检测到的车辆图像(即车辆轮廓)的比较信息与已完成视频帧数据库中各车辆图像(即车辆轮廓)的比较信息对应比较。已完成视频帧数据库中保存着当前帧之前的各帧的车辆图像信息。这里的已完成视频帧数据库也可以是已完成视频帧数组。

这里是将车辆轮廓的颜色直方图信息和位置信息分别与已完成视频帧数据库中的各车辆轮廓的颜色直方图信息和位置信息对应比较，即颜色直方图信息之间比较，位置信息之间进行比较。这里预定阈值条件可以由用户进行设定。这里的位置信息可以优选为质心位置信息。

可选的，将检测到的车辆图像的比较信息与已完成视频帧数据库中各车辆图像的比较信息对应比较，并判断比较结果是否满足预定阈值条件可以包括：

将检测到的车辆图像的质心位置信息依次与已完成视频帧数组中各车辆图像的质心位置信息做差，并判断差值是否小于预定第一阈值；

若小于，则判断对应的颜色直方图信息的距离是否大于预定第二阈值；

若大于，则满足预定阈值条件。

具体的，这里的预定第一阈值可以为30。预定第二阈值可以为0.9。具体过程可以参考图4，当质心距离小于30且颜色直方图距离大于0.9时。认定为同一车辆，更新原有车的位置及颜色直方图，并给车辆画框写编号。否则，视为新车，存入数组中。

即跟踪视频中的车辆，经过多特征匹配算法处理后视频中的运动车辆被用矩形框圈出来并编有序号，实现车辆的跟踪。利用颜色和质心距离相结合的多特征匹配算法对目标车辆进行跟踪，合理的提取运动车辆的质心和颜色两个特征，建立颜色概率模型，实现很好的跟踪效果。

S140、根据已完成视频帧数据库中各车辆图像的位置信息得到各车辆的运动轨迹，并根据运动轨迹确定各车辆的运动方向；

S150、将各车辆的运动方向与设定行车方向或视频帧图像中的车道线所表示的行车方向进行对比确定逆向行驶车辆。

具体的，将视频流中每一帧图像中同一个车辆的位置信息在坐标系中进行连接就可以形成该车辆的运动轨迹。并根据该运动轨迹在坐标系中的变化方向确定该车辆的运动方向。因为设定坐标系时可以对应设定其各变化方向表示的具体运动方向。例如纵坐标数值依次变大则表明向前行驶，可以根据规定的向前行驶方向对应的行驶方向即可确定该车辆的运动方向。例如计算多帧视频帧中车辆中心位置的坐标得到车辆的运动轨迹：

Vm＝{(X_M1，Y_M1)，(X_M2，X_M2)，......(X_Mn，Y_Mn)}，其中(X_M1，Y_M1)表示第一帧车辆M的中心位置，(X_M2，X_M2)表示第二帧时车辆M的中心位置，以此类推，(X_Mn，Y_Mn)表示第n帧时车辆M的中心位置。

分析车辆运动轨迹Y轴方向的序列,Y_M＝(y₁,y₂,......y_n)，假设视频左上角为坐标原点，如果y₁＜y₂＜......＜y_n，表示车辆M从视频的上方向摄像头方向行驶如果，如果y₁＞y₂＞......＞y_n，表示车辆M从视频下方逐渐远离摄像头方向行驶。

根据设定的当前的道路规范，判断车辆远离摄像头方向是正常行驶还是向摄像头方向行驶时正常行驶，如果车辆运动轨迹与既定的行驶方向相反则说明该车逆向行驶，属于逆向行驶。该过程为利用设定行车方向的方式进行逆向行驶的判定。还可以通过识别车道线，根据车道线对应的行车方向规则也可以确定逆向行驶车辆。这里的车道线可以利用Canny算子对公路上的车道线、斑马线进行边缘提取。

又由于运动轨迹的确定在一定帧数的情况下才有意义，因此可选的，根据已完成视频帧数据库中各车辆图像的位置信息得到各车辆的运动轨迹，并根据运动轨迹确定各车辆的运动方向可以包括：

判断已完成视频帧数组中是否存在质心位置信息的数量大于预定数值的车辆图像；

若存在，则利用对应车辆图像在已完成视频帧数组中全部质心位置信息确定该车辆图像的运动轨迹；

确定运动轨迹中纵坐标数值变化规律，并根据纵坐标数值变化规律与运动方向对应关系，确定该车辆图像的运动方向。

具体的，当n>F时，F为事先设定的车辆M在监测范围内出现的帧数的阂值，只有车辆M出现时间大于这个阂值F时才对车辆的运动轨迹分析。可以提高计算效率，避免不必要的判定。

即计算多帧视频中车辆中心位置的坐标或质心位置坐标，得到车辆M的运动轨迹组成的点集序列。如果车辆运动轨迹与既定的行驶方向相反则说明该车逆向行驶，属于逆向行驶。

基于上述技术方案，本发明实施例提供的道路异常驾驶行为的识别方法，根据输入视频流用背景差和帧间差相结合的方法检测识别运动车辆，颜色和质心距离相结合的多特征匹配算法跟踪已经检测识别出的车辆，最后依据逆向行驶的交通规则判断监控范围内的车辆是否违章即是否逆向行驶；通过对道路交通流的实时检测，能够全方位、实时准确和高效的对路面上的车辆进行检测和跟踪，在完全无需人为干涉的情况下实时监控当前道路逆向驾驶行为，减弱交通压力和防止意外的发生。

基于上述实施例，该识别方法还可以识别车辆是否违章变道，即白线位置是否存在遮挡车辆。具体的，请参考图5，对提取的背景图像，对背景图像进行识别检测到白线位置信息，即确定监测区域的位置信息；后续通过对实时获取的视频帧图像进行监测，判断监测区域是否被遮挡，若是，在判定遮挡物是否为车辆，一般情况下遮挡物为运动目标；若遮挡物是车辆，则对应车辆为违章压线。本实施例并不限定白线位置信息检测的具体方式以及监测区域遮挡的检测方式。即车辆是否违章变道的识别方法可以包括：

对获取的道路的背景图像进行白线检测，并根据检测到的白线的位置信息确定包含白线的监测区域；

计算获取的道路的当前视频帧图像中对应所述监测区域的像素值；

将当前视频帧图像中对应所述监测区域的像素值与前一帧视频帧图像中对应所述监测区域的像素值做差，并判断差值是否大于预设像素阈值；

若超过，则获取当前视频帧图像中对应所述监测区域的运动目标；

当判断出所述运动目标为车辆时，则该车辆为违章变道压线车辆。

具体的，首先检测视频帧中道路上的白线位置，之后设置合适的监测区域在白线位置上；设置监测区域的大小与监测精确程度相关，监测区域过大会发生误判，监测区域过小会发生漏判，因此监测区域大小一般即为白线区域，或者稍稍大于白线区域。检测是否有运动目标通过监测区域，当有运动目标通过监测区域时，监测区域的像素会发生变化，将当前视频帧与前一帧图像做差相比较，如果差值结果大于设定的阈值，则认为有运动目标通过。在确定有运动目标通过后再进一步确定是否为车辆(例如通过目标的长宽比、面积等来确定是否是车辆)，如果是车辆说明该车违反了交通规则压了车道线。

基于上述实施例，该识别方法还可以识别车辆是否违章停车，设定监测区域(即不能停车区域也即违章停车区域)，当该区域有车辆时，判定该车辆为违章停车。这里首先要判定该监测区域内是否车辆，当存在车辆时，为了减少误判断(例如车辆仅仅是经过等)现象，可以在检测到监控区域有车辆时对该车辆的状态进行判定。可以通过时间信息或者位置信息进行限定。例如当该车辆在监控区域停留时间超过阈值例如5分钟时认定该车辆为违章停车。或者判断出该监控区域出现车辆时，当车辆的中心位置在监控区域内则认定该车辆进入监控区域可能存在违章停车。再或者当车辆的中心位置在监控区域内则认定该车辆进入监控区域，再判定该车辆是否停留预定时间，若超过，则该车辆为违章停车。再或者通过比较车辆中心位置坐标判定车辆是否运动，若没有运动(例如连续预定帧数中该车辆的中心位置距离差值小于预定数值即认定为该车辆没有运动处于静止状态)，再判定该车辆是否停留预定时间，若超过，则该车辆为违章停车。例如设定监测区域，当有车辆通过时，计算车辆的中心，当车辆中心距离小于阈值m并且车辆停留时间阈值大于t时，判定为违章停车。即车辆是否违章停车的识别方法可以包括：

对获取的道路的背景图像进行车道线检测，并根据检测到的车道线的位置信息确定包含车道线的违章停车区域；

检测获取的违章停车区域的视频流图像中是否存在车辆目标；

若存在，则计算所述车辆目标的中心位置，及所述车辆目标在所述违章停车区域内的停留时间；

当所述中心位置在所述违章停车区域内，且与违章停车区域边界位置的距离大于阈值，同时所述停留时间大于时间阈值时，则所述车辆目标为违章停车车辆。

具体的，违章停车区域的设置可以大于等于车道线的位置信息确定的区域。中心位置在违章停车区域内，且与违章停车区域边界位置的距离大于阈值则判定该车辆进入监控区域；停留时间大于时间阈值则判定该车辆不是误入(例如转向，调头等)，两者同时满足则判定该车辆为违章停车。上述的几个判断条件一个不满足既可以不再进行其他判定，以便提高计算效率。

上述过程还可以为：首先在视频中设定某个监测区域即违章停车区域，判断是否有运动目标出现，如果有运动目标进入监测区域，图像的灰度会有很大的变化；如果车辆只是用过监测区域，则图像的灰度短时间内会回复原来的灰度；如果车辆停止在检测区域，图像的灰度会发生变化并且灰度会长时间保持稳定，所以可以通过设定时间段阈值来判断车辆是否停止行驶，在连续的视频图像帧中，如果监测区域内车辆中心的位置小于等于某个已经设定的阈值m，并且停车时间大于阈值t，则认为该车停止行驶即违章停车。

即上述各实施例可以输入视频流之后用背景差和帧间差相结合的方法检测识别运动车辆，颜色和质心距离相结合的多特征匹配算法跟踪已经检测识别出的车辆，最后依据一定的交通规则判断某检测区域内的车辆是否存在违章驾驶行为。

基于上述技术方案，本发明实施例提的道路异常驾驶行为的识别方法，捕捉到视频帧后，先转换颜色空间，然后对视频图像做灰度化和平滑预处理，提取视频流实时背景时采用了加权平均更新背景的方法。接下来利用背景差和帧间差结合的方法提取视频图像中的感兴趣区域。之后对二值图做腐蚀和膨胀的形态滤波处理，并从该二值图中提取轮廓，与此同时计算出轮廓的外接矩形，如果这个外接矩形满足一定的阂值条件，则认为是目标车辆，将它存到己经初始化的数组中，如果外接矩形不满足阂值条件，则该轮廓不是车辆，可能是行人、路标及其它干扰物等，这样就完成了对视频中的车辆的检测和识别。在车辆检测识别阶段采用了轮廓提取法提取二值图中的车辆轮廓；在车辆跟踪阶段提出了颜色和质心距离相结合的多特征匹配算法来跟踪视频中的运动车辆，并对违章停车、车辆逆向行驶、违章变道压线等车辆违章行为进行识别。

下面对本发明实施例提供的道路异常驾驶行为的识别系统进行介绍，下文描述的道路异常驾驶行为的识别系统与上文描述的道路异常驾驶行为的识别方法可相互对应参照。

请参考图6，图6为本发明实施例所提供的道路异常驾驶行为的识别系统的结构框图；该识别系统可以包括：

识别提取模块100，用于对获取的道路的当前视频帧图像进行车辆识别检测，提取检测到的车辆图像的比较信息；其中，所述比较信息包括检测到的车辆图像的位置信息与颜色直方图信息；

比较模块200，用于将检测到的车辆图像的比较信息与已完成视频帧数据库中各车辆图像的比较信息对应比较，并判断比较结果是否满足预定阈值条件；

更新模块300，用于若满足预定阈值条件，则确定满足预定阈值条件的比较结果对应的两个车辆图像为同一个车辆，更新已完成视频帧数据库中对应车辆图像的比较信息；

添加模块400，用于若不满足预定阈值条件，则将当前视频帧图像中对应的车辆图像及比较信息保存在已完成视频帧数据库中；

运动方向确定模块500，用于根据已完成视频帧数据库中各车辆图像的位置信息得到各车辆的运动轨迹，并根据运动轨迹确定各车辆的运动方向；

逆向判定模块600，用于将各车辆的运动方向与设定行车方向或视频帧图像中的车道线所表示的行车方向进行对比确定逆向行驶车辆。

基于上述实施例，该识别系统还可以包括：

违章变道压线模块，用于对获取的道路的背景图像进行白线检测，并根据检测到的白线的位置信息确定包含白线的监测区域；计算获取的道路的当前视频帧图像中对应所述监测区域的像素值；将当前视频帧图像中对应所述监测区域的像素值与前一帧视频帧图像中对应所述监测区域的像素值做差，并判断差值是否大于预设像素阈值；若超过，则获取当前视频帧图像中对应所述监测区域的运动目标；当判断出所述运动目标为车辆时，则该车辆为违章变道压线车辆；和/或，

违章停车模块，用于对获取的道路的背景图像进行车道线检测，并根据检测到的车道线的位置信息确定包含车道线的违章停车区域；检测获取的违章停车区域的视频流图像中是否存在车辆目标；若存在，则计算所述车辆目标的中心位置，及所述车辆目标在所述违章停车区域内的停留时间；当所述中心位置在所述违章停车区域内，且与违章停车区域边界位置的距离大于阈值，同时所述停留时间大于时间阈值时，则所述车辆目标为违章停车车辆。

具体的，本实施例中的识别系统中可以仅具有违章变道压线模块或违章停车模块，也可以具有违章变道压线模块和违章停车模块。具体功能模块的选择由用户根据实际情况进行确定。

基于上述技术方案，本发明实施例提的道路异常驾驶行为的识别系统，分别对违章停车、车辆逆向行驶、违章变道压线等车辆违章行为做了分析，检测识别出视频中的车辆违规事件。避免了单一算法分别识别的复杂性。因此更加快速，更加精准，有效地提升了道路异常驾驶行为识别的实时性与准确度。它能够全方位、实时准确和高效的对路面上的车辆进行检测和跟踪，然后根据道路运行状况以及交通流的动态变化迅速做出诱导控制，在一定程度上减轻了道路拥塞程度，缓解了道路交通压力，降低了事故发生率。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

以上对本发明所提供的道路异常驾驶行为的识别方法及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。