[發(fā)明專利]一種基于多目標(biāo)追蹤的單車道逆行檢測方法

在審

• 申請?zhí)枺?/td>: 202010585777.4
• 申請日: 2020-06-24
• 公開（公告）號: CN111695545A
• 公開（公告）日: 2020-09-22
• 發(fā)明（設(shè)計）人: 陳雋;徐宏偉;姚民偉;宋設(shè)
• 申請（專利權(quán)）人: 浪潮卓數(shù)大數(shù)據(jù)產(chǎn)業(yè)發(fā)展有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/46;G06K9/62;G06T7/246;G06T7/269
• 代理公司: 濟(jì)南信達(dá)專利事務(wù)所有限公司 37100
• 代理人: 闞恭勇

本發(fā)明提供一種基于多目標(biāo)追蹤的單車道逆行檢測方法，屬于視頻信息處理與模式識別技術(shù)領(lǐng)域，本發(fā)明利用HOG特征提取以及SVM分類算法檢測車輛，并且使用卡爾曼濾波和匈牙利算法匹配追蹤前后幀車輛運動軌跡的方法檢測單車道逆行的車輛。實現(xiàn)了對逆行違章車輛的自動識別，能夠及時地警示違章車輛，避免逆行導(dǎo)致的交通事故的發(fā)生。

技術(shù)領(lǐng)域

本發(fā)明涉及視頻信息處理與模式識別技術(shù)，尤其涉及一種基于多目標(biāo)追蹤的單車道逆行檢測方法。

背景技術(shù)

近年來，隨著社會的不斷發(fā)展和國民收入的不斷提高，國內(nèi)擁有私家車的人不再是少數(shù)，每年的機(jī)動車保有量持續(xù)大幅增長。眾多車輛在行駛的過程中，道路事故，交通擁堵，就成了當(dāng)今公路交通發(fā)展面臨的普遍性問題。道路交通安全狀況令人堪憂，而這些問題大多數(shù)來源于駕駛員的不規(guī)范行車行為，例如：倒車逆行，違章停車，行車途中向窗外仍拋灑物等。

目標(biāo)跟蹤是計算機(jī)視覺中一類被廣為研究的重要問題，分為單目標(biāo)跟蹤與多目標(biāo)跟蹤。前者跟蹤視頻畫面中的單個目標(biāo)，后者則同時跟蹤視頻畫面中的多個目標(biāo)，得到這些目標(biāo)的運動軌跡。同時視頻跟蹤技術(shù)在軍事和民用方面都有著十分廣泛的應(yīng)用,軍事方面包括無人飛行器、空中預(yù)警等；民用方面包括移動機(jī)器人、智能視頻監(jiān)控、智能交通系統(tǒng)、人機(jī)交互、虛擬現(xiàn)實等。

車輛違章逆行一般發(fā)生在路口或者單行道，逆行容易導(dǎo)致發(fā)送汽車追尾等一系列交通事故，往往具有很高的危險，會造成重大的人員傷亡，從而導(dǎo)致交通堵塞等連鎖反應(yīng)。

車輛逆行檢測算法是緩解交通堵塞，降低交通事故發(fā)生率的有效手段。由于機(jī)動車保有量的大幅攀升，道路監(jiān)控視頻也隨之大批量產(chǎn)生，有限的人工無法實現(xiàn)視頻資源的有效管理。

發(fā)明內(nèi)容

為了解決以上技術(shù)問題，本發(fā)明提供了一種基于多目標(biāo)追蹤的單車道逆行檢測方法，通過計算機(jī)視頻分析提取交通參數(shù)，自動檢測逆行違章車輛，可大幅度減少交通部門的人力成本，同時也可提高事件應(yīng)急的響應(yīng)能力。

本發(fā)明的技術(shù)方案是：

一種基于多目標(biāo)追蹤的單車道逆行檢測方法，利用HOG特征提取以及SVM分類算法檢測車輛，并且使用卡爾曼濾波和匈牙利算法匹配追蹤前后幀車輛運動軌跡的方法檢測單車道逆行的車輛。實現(xiàn)了對逆行違章車輛的自動識別，能夠及時地警示違章車輛，避免逆行導(dǎo)致的交通事故的發(fā)生。

主要包括：

1)在視頻中檢測出前景運動目標(biāo)，

2)構(gòu)建車輛識別訓(xùn)練集，使用OPENCV提取圖片特征，訓(xùn)練SVM分類器，分類車輛與非車輛，

3)提取記錄視頻中每一幀出現(xiàn)的車輛位置，使用卡爾曼濾波和匈牙利算法進(jìn)行前后幀出現(xiàn)車輛的匹配，將屬于同一個目標(biāo)的匹配點連接成行徑路線，

4)根據(jù)每個目標(biāo)的行徑方向，區(qū)別出與絕大多數(shù)目標(biāo)行徑方向相反的車輛。

進(jìn)一步的，在前景提取中，采用幀差法進(jìn)行前景目標(biāo)的提取。

利用幀差法和背景建模相結(jié)合分析靜態(tài)前景提取，首先通過均值法背景建模，在視頻圖像中取連續(xù)N幀，計算這N幀圖像像素灰度值的平均值來作為背景圖像的像素灰度值；然后將得到的背景圖像作為幀差法的背景幀，進(jìn)行幀差計算，得到前景目標(biāo)。

進(jìn)一步的，

在車輛訓(xùn)練及識別中，準(zhǔn)備訓(xùn)練樣本，分別是正樣本和負(fù)樣本以及測試樣本；負(fù)樣本是正樣本的2-3倍，提取圖片的HOG特征值，通過SVM分類器訓(xùn)練模型。

HOG特征提取算法的實現(xiàn)過程：

1)圖像灰度化；

2)采用Gamma校正法對輸入圖像進(jìn)行顏色空間的標(biāo)準(zhǔn)化；

3)計算圖像每個像素的梯度；