[發(fā)明專利]車輛未讓行違章檢測方法及其檢測系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201510021398.1
• 申請日: 2015-01-15
• 公開（公告）號: CN104537360B
• 公開（公告）日: 2018-01-02
• 發(fā)明（設(shè)計）人: 楊凱鵬;譙帥;謝月飛;張如高;虞正華
• 申請（專利權(quán)）人: 上海博康智能信息技術(shù)有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46
• 代理公司: 上海勝康律師事務(wù)所31263
• 代理人: 張堅

1.一種車輛未讓行違章檢測方法，其特征在于，包括：

視頻圖像采集：通過攝像機(jī)實時采集交通道路的視頻圖像；

特征提取：在所述視頻圖像中提取hog梯度特征以及Gabor紋理特征；

顯著性區(qū)域檢測：根據(jù)提取的特征，進(jìn)行顯著性目標(biāo)檢測，得到包含所述顯著性目標(biāo)的顯著性區(qū)域；

目標(biāo)分類：選擇不同尺度的檢測窗口，并通過預(yù)訓(xùn)練的structured SVM車輛分類器以及預(yù)訓(xùn)練的structured SVM行人分類器對所述顯著性區(qū)域內(nèi)的顯著性目標(biāo)進(jìn)行分類，區(qū)分出車輛目標(biāo)以及行人目標(biāo)；將所述車輛目標(biāo)的圖像加入到所述車輛分類器的正樣本集以及所述行人分類器的負(fù)樣本集中，將所述行人目標(biāo)的圖像加入到所述行人分類器的正樣本集以及所述車輛分類器的負(fù)樣本集中，通過各自的正樣本集以及負(fù)樣本集更新所述車輛分類器以及行人分類器；

目標(biāo)跟蹤：分別建立車輛目標(biāo)跟蹤信息表以及行人目標(biāo)跟蹤信息表，所述車輛目標(biāo)跟蹤信息表以及行人目標(biāo)跟蹤信息表中均具有目標(biāo)ID與目標(biāo)特征的對應(yīng)關(guān)系；每幀新出現(xiàn)的車輛目標(biāo)或行人目標(biāo)時，添加目標(biāo)ID以及該目標(biāo)ID與目標(biāo)特征的對應(yīng)關(guān)系至所述車輛目標(biāo)跟蹤信息表或行人目標(biāo)跟蹤信息表中；依據(jù)目標(biāo)在上一幀視頻圖像中的位置，通過不同尺度的采樣窗口在當(dāng)前幀視頻圖像中的所述位置附近進(jìn)行采樣，在采樣產(chǎn)生的多個子區(qū)域中提取該子區(qū)域的特征，與上一幀目標(biāo)的特征進(jìn)行匹配，將匹配相似度最高的子區(qū)域作為目標(biāo)在當(dāng)前幀的位置，利用目標(biāo)在前后幀的位置關(guān)系，將視頻圖像中的相同目標(biāo)串聯(lián)起來，得到目標(biāo)的運(yùn)動軌跡；

違章判斷：通過所述目標(biāo)的運(yùn)動軌跡，判斷所述車輛目標(biāo)是否即將行至人行橫道區(qū)域，且行人目標(biāo)是否在該人行橫道區(qū)域橫穿，若是，則檢測所述車輛目標(biāo)的運(yùn)動狀態(tài)是否為減速并停車，若否，則該車輛目標(biāo)為違章車輛。

2.根據(jù)權(quán)利要求1所述的一種車輛未讓行違章檢測方法，其特征在于，還包括照片抓拍步驟：

當(dāng)所述車輛目標(biāo)的車頭抵到停止線前時，抓拍照片；當(dāng)所述車輛目標(biāo)行駛到人行橫道區(qū)域且行人目標(biāo)在該人行橫道區(qū)域橫穿時，抓拍照片；當(dāng)車輛目標(biāo)行駛過所述行人目標(biāo)所在的位置時，抓拍照片。

3.根據(jù)權(quán)利要求1或2所述的一種車輛未讓行違章檢測方法，其特征在于，所述在所述視頻圖像中提取hog梯度特征以及Gabor紋理特征步驟包括：

通過hog梯度直方圖提取hog梯度特征；

通過Gabor紋理描述子提取Gabor紋理特征；

為規(guī)范特征間的取值范圍，對同種類型的特征進(jìn)行歸一化處理；

同種類型特征的匹配時，距離度量選用L2范數(shù)，梯度特征以及紋理特征各按50％的權(quán)重進(jìn)行加權(quán)求和。

4.根據(jù)權(quán)利要求3所述的一種車輛未讓行違章檢測方法，其特征在于，所述顯著性區(qū)域檢測步驟通過基于全局對比度的顯著性目標(biāo)檢測算法進(jìn)行顯著性目標(biāo)檢測，得到包含所述顯著性目標(biāo)的顯著性區(qū)域。

5.根據(jù)權(quán)利要求4所述的一種車輛未讓行違章檢測方法，其特征在于，所述structured SVM車輛分類器的正樣本集包括車輛，其負(fù)樣本集包括行人、道路背景以及非機(jī)動車，所述structured SVM行人分類器的正樣本集包括行人，其負(fù)樣本集包括車輛、道路背景以及非機(jī)動車，通過hog梯度直方圖以及Gabor紋理描述子提取上述樣本集的特征，并通過該特征預(yù)訓(xùn)練所述structured SVM車輛分類器以及structured SVM行人分類器。