本发明涉及视频监控领域，具体的说，涉及了一种基于车道模型的车辆来回变道检测方法。
背景技术：
高速公路上车辆的异常行为主要包括车辆过快、车辆过慢、车辆滞留、车辆逆行和车辆来回变道等。现阶段通过gps定位技术已经能够实现前几种异常行为的精确检测，而对车辆来回变道来说，由于现有的车道定位通常通过gps数据进行分析和处理，其无法准确获取自身所在的车道，因此无法采用gps定位技术来精确定位车辆所在的车道，这就给后续的交通管理带来不便。
为了解决以上存在的问题，人们一直在寻求一种理想的技术解决方案。
技术实现要素：
本发明的目的是针对现有技术的不足，从而提供了一种基于车道模型的车辆来回变道检测方法，具有设计科学，且能有效的实现车辆所在车道的精确定位。
为了实现上述目的，本发明所采用的技术方案是：一种基于车道模型的车辆来回变道检测方法，包括以下步骤：
步骤1，获取目标车辆的实时位置信息和车牌号；
步骤2，获取包含所述目标车辆的车道监控图像；
步骤3，在所述车道监控图像中检测车道线，根据获取的车道线建立车道模型，并对所有车道进行编号；
步骤4，采用背景差法从所述车道监控图像中检测出运动目标，提取运动目标的车牌号与所述目标车辆的车牌号进行匹配，选定所述目标车辆，确定所述目标车辆的所在车道；
步骤5，根据多个相邻帧的车道监控图像中所述目标车辆的所在车道，确定所述目标车辆与所述车道模型的相交次数，当所述相交次数大于预设值时，判断所述车辆来回变道。
基于上述，所述步骤3的具体步骤为：
步骤3.1，对所述车道监控图像进行预处理，并通过障碍物检测法检测出车道监控图像中的障碍区，最后在所述车道监控图像的预处理结果中将所述障碍区排除，获得干净且富含大量车道线信息的边缘图像；
步骤3.2，采用加权双曲线拟合算法进行车道线参数拟合，并对检测得到的双曲线曲率进行曲率滤波，排除不正确的检测结果；
步骤3.3，在车道线检测结果中，将所有车道线按照相邻两条车道线组成一个车道建立车道模型，并按照一个方向对所有车道依次编号。
基于上述，所述步骤4具体包括以下步骤：
步骤4.1，采用高斯混合模型从连续多帧车道监控图像中提取出背景模型,将所述车道监控图像与所述背景模型进行差分处理，提取出运动目标；
步骤4.2，将所述监控图像中所述运动目标像素点进行八连通域搜索，框定每个区域最小外接矩形；
步骤4.3，在每个区域最小外接矩形中定位车牌所在区域，然后将车牌所在区域分割成字符块，识别字符块并将识别结果组合成车牌信息，将识别出的车牌信息分别与所述目标车辆的车牌信息一一进行比对，查找出所述目标车辆；
步骤4.4，将所述目标车辆所在区域的最小外接矩形的中心像素点作为所述目标车辆的质心位置，根据所述目标车辆的质心位置和同一水平方向上所有车道线的像素位置判断所述运动目标的质心位置所在的车道号码。
基于上述，获取所述车道线检测结果后，还可以将车道线检测结果传入kalman滤波器中进行预测跟踪，预测包含车道线信息的感兴趣区域，并将预测结果传入下一帧车道监控图像，同时将计算得到的地平线高度信息也传入下一帧进行区域限制。
本发明相对现有技术具有突出的实质性特点和显著的进步，具体的说，本发明将gps定位技术与视频监控技术结合起来，根据目标车辆所在的位置获取相应区域的车道线监控图像，并进一步建立车道模型；同时利用背景查分法和车牌提取法确定目标车辆所在的车道，根据多帧车道线监控图像中目标车辆所在的车道集合判断目标车辆的变道次数，从而实现目标车辆来回变道的检测，有利于交通管理部门更好的改善交通路况，方便出行。
附图说明
图1是本发明的流程示意图。
具体实施方式
下面通过具体实施方式，对本发明的技术方案做进一步的详细描述。
如图1所示，一种基于车道模型的车辆来回变道检测方法，包括以下步骤：
步骤1，获取目标车辆的实时位置信息和车牌号；本发明中，目标车辆的实时位置信息由目标车辆利用gps定位模块获得的；
步骤2，获取包含所述目标车辆的车道监控图像；一般来说，根据所述目标车辆的实时位置选择距离所述目标车辆最近的监控设备对道路进行监控，从而获得包含所述目标车辆的车道监控图像；
步骤3，在所述车道监控图像中检测车道线，根据获取的车道线建立车道模型，并对所有车道进行编号；
步骤4，采用背景差法从所述车道监控图像中检测出运动目标，提取运动目标的车牌号与所述目标车辆的车牌号进行匹配，选定所述目标车辆，确定所述目标车辆的所在车道；
步骤5，根据多个相邻帧的车道监控图像中所述目标车辆的所在车道，确定所述目标车辆与所述车道模型的相交次数，当所述相交次数大于预设值时，判断所述车辆来回变道。
本发明将gps定位技术与视频监控技术结合起来，根据目标车辆所在的位置获取相应区域的车道线监控图像，并进一步建立车道模型；同时利用背景查分法和车牌提取法确定目标车辆所在的车道，根据多帧车道线监控图像中目标车辆所在的车道集合判断目标车辆的变道次数，从而实现目标车辆来回变道的检测，有利于交通管理部门更好的改善交通路况，方便出行。
具体的，所述步骤3的具体步骤为：
步骤3.1，对所述车道监控图像进行预处理，并通过障碍物检测法检测出车道监控图像中的障碍区，最后在所述车道监控图像的预处理结果中将所述障碍区排除，获得干净且富含大量车道线信息的边缘图像；
监控设备在采集车道监控图像的过程中，监控设备所采集到的图像受外界因素影响很大，会产生许多干扰信息，像附近树木、建筑物以及过往车辆遮挡住车道线，或者由于车道线本身时间长磨损比较大模糊造成干扰信息，还有可能由于路面的不平整颠簸导致摄像设备采集图像时产生的干扰噪声，为了使图像的特征信息显现出来，使系统的成像质量得到改善，也为了后续方面减小运算量，需要对采集到的对象进行预处理操作，本文的图像预处理操作是通过各种变化来取得想要的车道线，主要包括了图像灰度化、直方图均衡化、滤波平滑、图像增强、边缘检测等步骤；
步骤3.2，采用加权双曲线拟合算法进行车道线参数拟合，对于近视场区域内的车道线采用直线模型的方法进行拟合，同时直线检测输出结果为双曲线模型拟合提供基础参数，采用hough变换算法对近视场区域内的边缘进行有限定的直线检测，远视场区域则采用加权双曲线模型进行曲线拟合，并对检测得到的双曲线曲率进行曲率滤波，排除不正确的检测结果；
优选的，本发明采用的双曲线模板函数如下式所示：
其中，定位a为双曲线曲率，其定义域为(-85°,85°)，a为常数，控制曲率的变化幅度，曲率相同时曲线变化幅度随a值的增加而增大，参数k和b为车道线直线部分的斜率和截距，可以通过对近距离范围内车道线进行直线检测进行提取；
曲线拟合算法通过在曲率定义域中对曲率逐一计算匹配率，将匹配率最高的曲率作为当前车道线的检测曲率；本发明采用一种以计算最短距离为基础对像素点附加权值的双曲线模型曲线匹配方法，定义匹配率公式如下所示：
其中，t为所求匹配率，m,n为图像宽度和高度，(i,j)为图像坐标系中像素点坐标，w(i,j)为权值函数，d(i,j)位像素点(i,j)到拟合曲线的距离，对对每个像素点进行加权求和获得最终的匹配率t；经过计算得到匹配率最大的曲率值后，以该曲率作为双曲线的候选曲率。经过双曲线拟合获得曲率后，再根据左右车道线直线参数，最终能够获得多条拟合程度较好的双曲线；
步骤3.3，在车道线检测结果中，将所有车道线按照相邻两条车道线组成一个车道建立车道模型，并按照一个方向对所有车道依次编号，具体的，可以从最外侧车道线依次向最内侧车道线进行编号，也可以由最内侧车道线依次向最外侧车道线进行编号。
优选的，获取所述车道线检测结果后，还可以将车道线检测结果传入kalman滤波器中进行预测跟踪，预测包含车道线信息的感兴趣区域，并将预测结果传入下一帧车道监控图像，同时将计算得到的地平线高度信息也传入下一帧进行区域限制。
具体的，所述步骤4具体包括以下步骤：
步骤4.1，采用高斯混合模型从连续多帧车道监控图像中提取出背景模型,将所述车道监控图像与所述背景模型进行差分处理，提取出运动目标；
步骤4.2，将所述监控图像中所述运动目标像素点进行八连通域搜索，框定每个区域最小外接矩形；
步骤4.3，在每个区域最小外接矩形中定位车牌所在区域，然后将车牌所在区域分割成字符块，识别字符块并将识别结果组合成车牌信息，将识别出的车牌信息分别与所述目标车辆的车牌信息一一进行比对，查找出所述目标车辆；
步骤4.4，将所述目标车辆所在区域的最小外接矩形的中心像素点作为所述目标车辆的质心位置，根据所述目标车辆的质心位置和同一水平方向上所有车道线的像素位置判断所述运动目标的质心位置所在的车道号码。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。