本發(fā)明涉及視頻監(jiān)控領(lǐng)域，具體的說，涉及了一種基于車道模型的車輛來回變道檢測方法。
背景技術(shù)：
高速公路上車輛的異常行為主要包括車輛過快、車輛過慢、車輛滯留、車輛逆行和車輛來回變道等?，F(xiàn)階段通過gps定位技術(shù)已經(jīng)能夠?qū)崿F(xiàn)前幾種異常行為的精確檢測，而對(duì)車輛來回變道來說，由于現(xiàn)有的車道定位通常通過gps數(shù)據(jù)進(jìn)行分析和處理，其無法準(zhǔn)確獲取自身所在的車道，因此無法采用gps定位技術(shù)來精確定位車輛所在的車道，這就給后續(xù)的交通管理帶來不便。
為了解決以上存在的問題，人們一直在尋求一種理想的技術(shù)解決方案。
技術(shù)實(shí)現(xiàn)要素：
本發(fā)明的目的是針對(duì)現(xiàn)有技術(shù)的不足，從而提供了一種基于車道模型的車輛來回變道檢測方法，具有設(shè)計(jì)科學(xué)，且能有效的實(shí)現(xiàn)車輛所在車道的精確定位。
為了實(shí)現(xiàn)上述目的，本發(fā)明所采用的技術(shù)方案是：一種基于車道模型的車輛來回變道檢測方法，包括以下步驟：
步驟1，獲取目標(biāo)車輛的實(shí)時(shí)位置信息和車牌號(hào)；
步驟2，獲取包含所述目標(biāo)車輛的車道監(jiān)控圖像；
步驟3，在所述車道監(jiān)控圖像中檢測車道線，根據(jù)獲取的車道線建立車道模型，并對(duì)所有車道進(jìn)行編號(hào)；
步驟4，采用背景差法從所述車道監(jiān)控圖像中檢測出運(yùn)動(dòng)目標(biāo)，提取運(yùn)動(dòng)目標(biāo)的車牌號(hào)與所述目標(biāo)車輛的車牌號(hào)進(jìn)行匹配，選定所述目標(biāo)車輛，確定所述目標(biāo)車輛的所在車道；
步驟5，根據(jù)多個(gè)相鄰幀的車道監(jiān)控圖像中所述目標(biāo)車輛的所在車道，確定所述目標(biāo)車輛與所述車道模型的相交次數(shù)，當(dāng)所述相交次數(shù)大于預(yù)設(shè)值時(shí)，判斷所述車輛來回變道。
基于上述，所述步驟3的具體步驟為：
步驟3.1，對(duì)所述車道監(jiān)控圖像進(jìn)行預(yù)處理，并通過障礙物檢測法檢測出車道監(jiān)控圖像中的障礙區(qū)，最后在所述車道監(jiān)控圖像的預(yù)處理結(jié)果中將所述障礙區(qū)排除，獲得干凈且富含大量車道線信息的邊緣圖像；
步驟3.2，采用加權(quán)雙曲線擬合算法進(jìn)行車道線參數(shù)擬合，并對(duì)檢測得到的雙曲線曲率進(jìn)行曲率濾波，排除不正確的檢測結(jié)果；
步驟3.3，在車道線檢測結(jié)果中，將所有車道線按照相鄰兩條車道線組成一個(gè)車道建立車道模型，并按照一個(gè)方向?qū)λ熊嚨酪来尉幪?hào)。
基于上述，所述步驟4具體包括以下步驟：
步驟4.1，采用高斯混合模型從連續(xù)多幀車道監(jiān)控圖像中提取出背景模型,將所述車道監(jiān)控圖像與所述背景模型進(jìn)行差分處理，提取出運(yùn)動(dòng)目標(biāo)；
步驟4.2，將所述監(jiān)控圖像中所述運(yùn)動(dòng)目標(biāo)像素點(diǎn)進(jìn)行八連通域搜索，框定每個(gè)區(qū)域最小外接矩形；
步驟4.3，在每個(gè)區(qū)域最小外接矩形中定位車牌所在區(qū)域，然后將車牌所在區(qū)域分割成字符塊，識(shí)別字符塊并將識(shí)別結(jié)果組合成車牌信息，將識(shí)別出的車牌信息分別與所述目標(biāo)車輛的車牌信息一一進(jìn)行比對(duì)，查找出所述目標(biāo)車輛；
步驟4.4，將所述目標(biāo)車輛所在區(qū)域的最小外接矩形的中心像素點(diǎn)作為所述目標(biāo)車輛的質(zhì)心位置，根據(jù)所述目標(biāo)車輛的質(zhì)心位置和同一水平方向上所有車道線的像素位置判斷所述運(yùn)動(dòng)目標(biāo)的質(zhì)心位置所在的車道號(hào)碼。
基于上述，獲取所述車道線檢測結(jié)果后，還可以將車道線檢測結(jié)果傳入kalman濾波器中進(jìn)行預(yù)測跟蹤，預(yù)測包含車道線信息的感興趣區(qū)域，并將預(yù)測結(jié)果傳入下一幀車道監(jiān)控圖像，同時(shí)將計(jì)算得到的地平線高度信息也傳入下一幀進(jìn)行區(qū)域限制。
本發(fā)明相對(duì)現(xiàn)有技術(shù)具有突出的實(shí)質(zhì)性特點(diǎn)和顯著的進(jìn)步，具體的說，本發(fā)明將gps定位技術(shù)與視頻監(jiān)控技術(shù)結(jié)合起來，根據(jù)目標(biāo)車輛所在的位置獲取相應(yīng)區(qū)域的車道線監(jiān)控圖像，并進(jìn)一步建立車道模型；同時(shí)利用背景查分法和車牌提取法確定目標(biāo)車輛所在的車道，根據(jù)多幀車道線監(jiān)控圖像中目標(biāo)車輛所在的車道集合判斷目標(biāo)車輛的變道次數(shù)，從而實(shí)現(xiàn)目標(biāo)車輛來回變道的檢測，有利于交通管理部門更好的改善交通路況，方便出行。
附圖說明
圖1是本發(fā)明的流程示意圖。
具體實(shí)施方式
下面通過具體實(shí)施方式，對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)描述。
如圖1所示，一種基于車道模型的車輛來回變道檢測方法，包括以下步驟：
步驟1，獲取目標(biāo)車輛的實(shí)時(shí)位置信息和車牌號(hào)；本發(fā)明中，目標(biāo)車輛的實(shí)時(shí)位置信息由目標(biāo)車輛利用gps定位模塊獲得的；
步驟2，獲取包含所述目標(biāo)車輛的車道監(jiān)控圖像；一般來說，根據(jù)所述目標(biāo)車輛的實(shí)時(shí)位置選擇距離所述目標(biāo)車輛最近的監(jiān)控設(shè)備對(duì)道路進(jìn)行監(jiān)控，從而獲得包含所述目標(biāo)車輛的車道監(jiān)控圖像；
步驟3，在所述車道監(jiān)控圖像中檢測車道線，根據(jù)獲取的車道線建立車道模型，并對(duì)所有車道進(jìn)行編號(hào)；
步驟4，采用背景差法從所述車道監(jiān)控圖像中檢測出運(yùn)動(dòng)目標(biāo)，提取運(yùn)動(dòng)目標(biāo)的車牌號(hào)與所述目標(biāo)車輛的車牌號(hào)進(jìn)行匹配，選定所述目標(biāo)車輛，確定所述目標(biāo)車輛的所在車道；
步驟5，根據(jù)多個(gè)相鄰幀的車道監(jiān)控圖像中所述目標(biāo)車輛的所在車道，確定所述目標(biāo)車輛與所述車道模型的相交次數(shù)，當(dāng)所述相交次數(shù)大于預(yù)設(shè)值時(shí)，判斷所述車輛來回變道。
本發(fā)明將gps定位技術(shù)與視頻監(jiān)控技術(shù)結(jié)合起來，根據(jù)目標(biāo)車輛所在的位置獲取相應(yīng)區(qū)域的車道線監(jiān)控圖像，并進(jìn)一步建立車道模型；同時(shí)利用背景查分法和車牌提取法確定目標(biāo)車輛所在的車道，根據(jù)多幀車道線監(jiān)控圖像中目標(biāo)車輛所在的車道集合判斷目標(biāo)車輛的變道次數(shù)，從而實(shí)現(xiàn)目標(biāo)車輛來回變道的檢測，有利于交通管理部門更好的改善交通路況，方便出行。
具體的，所述步驟3的具體步驟為：
步驟3.1，對(duì)所述車道監(jiān)控圖像進(jìn)行預(yù)處理，并通過障礙物檢測法檢測出車道監(jiān)控圖像中的障礙區(qū)，最后在所述車道監(jiān)控圖像的預(yù)處理結(jié)果中將所述障礙區(qū)排除，獲得干凈且富含大量車道線信息的邊緣圖像；
監(jiān)控設(shè)備在采集車道監(jiān)控圖像的過程中，監(jiān)控設(shè)備所采集到的圖像受外界因素影響很大，會(huì)產(chǎn)生許多干擾信息，像附近樹木、建筑物以及過往車輛遮擋住車道線，或者由于車道線本身時(shí)間長磨損比較大模糊造成干擾信息，還有可能由于路面的不平整顛簸導(dǎo)致攝像設(shè)備采集圖像時(shí)產(chǎn)生的干擾噪聲，為了使圖像的特征信息顯現(xiàn)出來，使系統(tǒng)的成像質(zhì)量得到改善，也為了后續(xù)方面減小運(yùn)算量，需要對(duì)采集到的對(duì)象進(jìn)行預(yù)處理操作，本文的圖像預(yù)處理操作是通過各種變化來取得想要的車道線，主要包括了圖像灰度化、直方圖均衡化、濾波平滑、圖像增強(qiáng)、邊緣檢測等步驟；
步驟3.2，采用加權(quán)雙曲線擬合算法進(jìn)行車道線參數(shù)擬合，對(duì)于近視場區(qū)域內(nèi)的車道線采用直線模型的方法進(jìn)行擬合，同時(shí)直線檢測輸出結(jié)果為雙曲線模型擬合提供基礎(chǔ)參數(shù)，采用hough變換算法對(duì)近視場區(qū)域內(nèi)的邊緣進(jìn)行有限定的直線檢測，遠(yuǎn)視場區(qū)域則采用加權(quán)雙曲線模型進(jìn)行曲線擬合，并對(duì)檢測得到的雙曲線曲率進(jìn)行曲率濾波，排除不正確的檢測結(jié)果；
優(yōu)選的，本發(fā)明采用的雙曲線模板函數(shù)如下式所示：
其中，定位a為雙曲線曲率，其定義域?yàn)?-85°,85°)，a為常數(shù)，控制曲率的變化幅度，曲率相同時(shí)曲線變化幅度隨a值的增加而增大，參數(shù)k和b為車道線直線部分的斜率和截距，可以通過對(duì)近距離范圍內(nèi)車道線進(jìn)行直線檢測進(jìn)行提??；
曲線擬合算法通過在曲率定義域中對(duì)曲率逐一計(jì)算匹配率，將匹配率最高的曲率作為當(dāng)前車道線的檢測曲率；本發(fā)明采用一種以計(jì)算最短距離為基礎(chǔ)對(duì)像素點(diǎn)附加權(quán)值的雙曲線模型曲線匹配方法，定義匹配率公式如下所示：
其中，t為所求匹配率，m,n為圖像寬度和高度，(i,j)為圖像坐標(biāo)系中像素點(diǎn)坐標(biāo)，w(i,j)為權(quán)值函數(shù)，d(i,j)位像素點(diǎn)(i,j)到擬合曲線的距離，對(duì)對(duì)每個(gè)像素點(diǎn)進(jìn)行加權(quán)求和獲得最終的匹配率t；經(jīng)過計(jì)算得到匹配率最大的曲率值后，以該曲率作為雙曲線的候選曲率。經(jīng)過雙曲線擬合獲得曲率后，再根據(jù)左右車道線直線參數(shù)，最終能夠獲得多條擬合程度較好的雙曲線；
步驟3.3，在車道線檢測結(jié)果中，將所有車道線按照相鄰兩條車道線組成一個(gè)車道建立車道模型，并按照一個(gè)方向?qū)λ熊嚨酪来尉幪?hào)，具體的，可以從最外側(cè)車道線依次向最內(nèi)側(cè)車道線進(jìn)行編號(hào)，也可以由最內(nèi)側(cè)車道線依次向最外側(cè)車道線進(jìn)行編號(hào)。
優(yōu)選的，獲取所述車道線檢測結(jié)果后，還可以將車道線檢測結(jié)果傳入kalman濾波器中進(jìn)行預(yù)測跟蹤，預(yù)測包含車道線信息的感興趣區(qū)域，并將預(yù)測結(jié)果傳入下一幀車道監(jiān)控圖像，同時(shí)將計(jì)算得到的地平線高度信息也傳入下一幀進(jìn)行區(qū)域限制。
具體的，所述步驟4具體包括以下步驟：
步驟4.1，采用高斯混合模型從連續(xù)多幀車道監(jiān)控圖像中提取出背景模型,將所述車道監(jiān)控圖像與所述背景模型進(jìn)行差分處理，提取出運(yùn)動(dòng)目標(biāo)；
步驟4.2，將所述監(jiān)控圖像中所述運(yùn)動(dòng)目標(biāo)像素點(diǎn)進(jìn)行八連通域搜索，框定每個(gè)區(qū)域最小外接矩形；
步驟4.3，在每個(gè)區(qū)域最小外接矩形中定位車牌所在區(qū)域，然后將車牌所在區(qū)域分割成字符塊，識(shí)別字符塊并將識(shí)別結(jié)果組合成車牌信息，將識(shí)別出的車牌信息分別與所述目標(biāo)車輛的車牌信息一一進(jìn)行比對(duì)，查找出所述目標(biāo)車輛；
步驟4.4，將所述目標(biāo)車輛所在區(qū)域的最小外接矩形的中心像素點(diǎn)作為所述目標(biāo)車輛的質(zhì)心位置，根據(jù)所述目標(biāo)車輛的質(zhì)心位置和同一水平方向上所有車道線的像素位置判斷所述運(yùn)動(dòng)目標(biāo)的質(zhì)心位置所在的車道號(hào)碼。
最后應(yīng)當(dāng)說明的是:以上實(shí)施例僅用以說明本發(fā)明的技術(shù)方案而非對(duì)其限制；盡管參照較佳實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說明，所屬領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：依然可以對(duì)本發(fā)明的具體實(shí)施方式進(jìn)行修改或者對(duì)部分技術(shù)特征進(jìn)行等同替換；而不脫離本發(fā)明技術(shù)方案的精神，其均應(yīng)涵蓋在本發(fā)明請求保護(hù)的技術(shù)方案范圍當(dāng)中。