【技术实现步骤摘要】
车辆违章行为的检测方法及检测装置、车载电子设备
[0001]本专利技术涉及图像分析
，具体而言，涉及一种车辆违章行为的检测方法及检测装置、车载电子设备。
技术介绍
[0002]随着经济水平提升和基础建设的进步，公路上的车辆也越来越多，然而繁忙的交通也导致了日益增多的交通事故，给个人家庭和社会带来巨大的伤害。因此，通过规范司机驾驶行为，提升出行安全的诉求日益提升。
[0003]在众多的交通事故中，因违章实线变道产生的交通事故占了相当一部分，减少违章实线变道行为将有效减少交通事故的发生。为了有效减少司机违章实线变道行为次数，提供一种实时监测司机驾驶行为，及时上报其违章变道行为成为一种有效的途径。
[0004]通过安装摄像头拍摄车辆的实时视频，对车辆的运动轨迹进行分析，并利用预先制定好的规则判定被监测的车辆是否有违章变道行为。该技术主要有两大核心问题：车道线属性和车辆运行轨迹。基于此，当前检测方式是在固定场景(路口等)安装高速摄像头，并且标定车道线属性，通过分析车辆运行轨迹，结合实线制定的规则来检测实线变道。...
【技术保护点】
【技术特征摘要】
1.一种车辆违章行为的检测方法，其特征在于，包括：基于预设标定参数，控制摄像头采集在当前车辆前方的道路图像；基于解析多张所述道路图像获取的每张道路图像对应的相对位置，判别前方道路上的其它车辆在行驶过程中是否存在越线行为；若所述其它车辆存在越线行为，提取所述其它车辆的完整越线过程中的原始时序车道线特征；基于所述原始时序车道线特征，利用已训练好的行为判定模型判别所述其它车辆的越线行为是否为违章变道。2.根据权利要求1所述的检测方法，其特征在于，基于解析多张所述道路图像获取的每张道路图像对应的相对位置，判别前方道路上的其它车辆在行驶过程中是否存在越线行为，包括：结合通过解析每张所述道路图像获得的车辆信息和车道线信息，确定每张所述道路图像包含的所述其它车辆与车道线之间的相对位置，其中，所述相对位置为所述其它车辆到所述车道线的距离占车辆宽度的比例；综合多张所述道路图像的所述相对位置，判别前方道路上的其它车辆在行驶过程中是否存在越线行为。3.根据权利要求2所述的检测方法，其特征在于，通过解析每张所述道路图像获得的车辆信息和车道线信息，包括：解析每张所述道路图像，以标定至少一个车辆检测框和至少一个车道线检测框，其中，每个所述车辆检测框内对应有一辆其它车辆，每个所述车道线检测框对应有一条车道线；通过至少一个车辆检测框和至少一个车道线检测框，确定每辆所述其它车辆的车辆信息和所述车道线信息。4.根据权利要求2所述的检测方法，其特征在于，综合多张所述道路图像的所述相对位置，判别前方道路上的其它车辆在行驶过程中是否存在越线行为，包括：若第一相对位置的绝对值小于第一阈值，且第二相对位置与所述第一相对位置存在正负变化，则所述其它车辆在行驶过程中存在越线行为；否则，所述其它车辆在行驶过程中不存在越线行为。5.根据权利要求2所述的检测方法，其特征在于，结合通过解析每张所述道路图像获得的车辆信息和车道线信息，确定每张所述道路图像包含的所述其它车辆与所述车道线之间的相对位置，包括：基于所述车辆信息和所述车道线信息，获得车辆检测区域预设点的点位置和车辆车道线交点的点位置，其中，所述车辆车道线交点包括所述车辆检测区域预设点所在水平直线到所述车道线或车道线延长线的交点，或所述车辆检测区域预设点的点位置到所述车道线或车道线延长线的垂直交点；根据所述车辆检测区域预设点的点位置、所述车辆车道线交点的点位置以及车辆检测框的宽度值，采用第一公式确定所述相对位置。6.根据权利要求3所述的检测方法，其特征在于，通过至少一个车辆检测框和至少一个车道线检测框，确定每辆所述其它车辆的车辆信息和所述车道线信息，包括：基于所述车道线检测框，分析车道线走向向量和车道线属性信息，得到所述车道线信
息；基于所述车辆检测框，分析每辆所述其它车辆的车辆位置、车辆高度以及车辆宽度，得到所述车辆信息。7.根据权利要求6所述的检测方法，其特征在于，基于所述车道线检测框，分析车道线走向向量和车道线属性信息，得到所述车道线信息，包括：将所述车道线检测框输入至车道线模型，采用所述车道线模型分析车道线的属性特征向量，得到所述车道线信息，其中，所述车道线模型是预先训练完成的模型，在训练过程中，采用预设分类框架根据车道线标注位置，提取车道线训练样本集，并将车道线训练样本集输入到卷积神经网络系统，以进行检测网络的训练，得到所述车道线模型，或者，采用传统图像处理方法获得所述车道线信息，其中，所述传统图像处理方法是在对所述车道线检测框进行图像预处理后，得到车道线标注位置，并基于所述车道线标注位置分析车道线走向向量和车道线属性信息，得到所述车道线信息，其中，所述图像预处理包括：二值化处理、图像去噪、车道线分割。8.根据权利要求1所述的检测方法，其特征在于，提取所述其它车辆的完整越线过程中的原始时序车道线特征，包括：根据所述多张所述道路图像的所述相对位置，确定完整越线过程的靠近帧和结束帧，并获取完整越线过程的时序图；从所述时序图中提取所述原始时序车道线特征。9.根据权利要求8所述的检测方法，其特征在于，确定完整越线过程的靠近帧和结束帧，包括：若所述相对位置的绝对值小于第二阈值，则确定为所述完整越线过程的靠近帧；若所述相对位置的绝对值大于第三阈值，且所述相对位置与所述靠近帧对应的相对位置存在正负变化，则确定为所述完整越线过程的结束帧。10.根据权利要求1所述的检测方法，其特征在于，基于所述原始时序车道线特征，利用已训练好的行为判定模型判别所述其它车辆的越线行为是否为违章变道，包括：将所述原始时序车道线特征输入至实线置信度网络，以获取时序实线置信度；将完整越线过程中对应帧包含的所述相对位置和所述时序实线置信度输入所述行为判定模型，以判别所述其它车辆的越线行为是否为违章变道，其中，所述行为判定模型分类为集成行为判定模型或时序行为判定模型。11.根据权利要求10所述的检测方法，其特征在于，当所述行为判定模型为集成行为判定模型时,所述检测方法包括：结合完整越线过程各时序对应帧包含的所述相对位置，通过对所述时序实线置信度进行分类和统计，得到直方图特征；将所述直方图特征输入所述集成行为判定模型，以判别所述其它车辆的越线行为是否为违章变道。12.根据权利要求11所述的检测方法，其特征在于，结合完整越线过程各时序对应帧包含的所述相对位置，通过对所述时序实线置信度进行分类和统计，得到直方图特征，包括：结合完整越线过程各时序对应帧包含的所述相对位置以及预设分割阈值，将时序实线置信度分为n个置信度集合；
对于每个置信度集合中对应于每帧道路图像的分类置信度，提取k维直方图特征，得到n个k维直方图特征；将得到的n个k维直方图特征按照历史过程中的时序关系串联，得到n*k维直方图特征。13.根据权利要求11所述的检测方法，其特征在于，所述集成行为判定模型是利用信息熵增益进行集成学习训练得到的模型。14.根据权利要求10所述的检测方法，其特征在于，当所述行为判定模型为时序行为判定模型时，所述检测方法包括：将完整越线过程中对应帧包含的所述相对位置和所述时序实线置信度直接按照时序排列输入所述时序行为判定模型，以判别所述其它车辆的越线行为是否为违章变道。15.根据权利要求14所述的检测方法，其特征在于，所述时序行为判定模型通过基础网络卷积计算，并将计算的交叉熵损失反向传播训练获得。16.根据权利要求1所述的检测方法，其特征在于，所述检测方法还包括：基于所述原始时序车道线特征和每张所述道路图像中的车辆信息，利用可越线模块判别所述其它车辆的越线行为是否为可越线的变道。17.根据权利要求16所述的检测方法，其特征在于，基于所述原始时序车道线特征和每张所述道路图像中的车辆信息，利用可越线模块判别所述其它车辆的越线行为是否为可越线的变道，包括：控制所述可越线模块各分模块分别采用预设时序长度的滑动窗口在所述时序车道线特征上滑动，以确定车道线的线性类别，其中，所述可越线模块包括虚实双线分模块，公交车区域分模块和其它可越线分模块；基于所述车辆信息和所述车道线的线性类别，利用所述可越线模块各分模块判别所述其它车辆的越线行为是否为可越线的变道。18.根据权利要求17所述的检测方法，其特征在于，若所述可越线模块为虚实双线分模块，通过所述虚实双线分模块判别所述其它车辆的越线行为是否为可越线的变道，包括：采用预设时序长度的滑动窗口在所述原始时序车道线特征上滑动，以确定车道线为虚实双线的多个置信度；计算多个置信度的第一平均值，以基于第一平均值判定车道线是否为虚实双线，得到车道线的线性类别；基于车辆越线方向以及所述车道线的线性类别，判别所述其它车辆的越线行为是否为可越线的变道。19.根据权利要求18所述的检测方法，其特征在于，基于车辆越线方向以及所述车道线的线性类别，判别所述其它车辆的越线行为是否为可越线的变道，包括：若所述车辆越线方向指示所述其它车辆的越线行为是从当前车道线的右侧开始压线，且所述车道线的线性类别为左虚右实线，确定所述其它车辆的越线行为不是可越线的变道；若所述车辆越线方向指示所述其它车辆的越线行为是从当前车道线的左侧开始压线，且所述车道线的线性类别为左实右虚线，确定所述其它车辆的越线行为不是可越线的变道。20.根据权利要求17所述的检测方法，其特征在于，若所述可越线模块为公交车区域分
模块，通过所述公交车区...
【专利技术属性】
技术研发人员：邱翰，胡桂雷，
申请(专利权)人：虹软科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。