本發(fā)明涉及一種高速公路違章停車檢測方法，屬于圖像處理技術領域。

背景技術：

隨著信息時代的告訴發(fā)展，人們的生活水平逐步提高，機動車輛成為更多人出行的代步工具。然而隨之而來的諸多交通安全問題也日益凸顯，其中高速公路違章停車就是較大的安全隱患。目前，高速公路車輛行駛監(jiān)管工作仍需大量的人力物力投入，加之節(jié)假日出行車輛流量之大也足以引起重視，尤其是大霧等不利于出行的天氣狀況會加大高速公路的事故發(fā)生概率。因此，如何高效精準的檢測路段車輛行駛成為亟待解決的問題。高速公路違停檢測采用數(shù)字圖像處理技術，可以以計算機直接運行的形式得出檢測結(jié)果，在任何情況下均能可靠的工作，且具有較高的精確率，達到實時檢測，提高工作效率的功能。

技術實現(xiàn)要素：

本發(fā)明要解決的技術問題是提出一種高速公路違章停車檢測的方法，用以解決上述問題。

本發(fā)明的技術方案是：一種高速公路違章停車檢測的方法，首先，針對區(qū)域內(nèi)高速公路進行視頻序列提取并進行編碼標識，建立該高速路段視頻序列信息庫；其次，進行該路段視頻序列圖像處理，提取運動車輛車牌并標定出車輛質(zhì)心，記錄車輛質(zhì)心距離該區(qū)域高速公路初始位置的距離，并建立車輛實時位置信息庫進行存儲；然后，對行駛車輛進行跟蹤標定，判斷視頻序列中該車輛距初始位置的變化，判斷車輛行駛狀態(tài)，并計算車輛違章停車時間；最后，根據(jù)車輛在該段高速公路違章停車時長，發(fā)出違停警告。

具體步驟為：

Step1：建立高速公路路段視頻序列信息庫：對區(qū)域內(nèi)高速公路進行實時監(jiān)控，并提取視頻序列圖像，根據(jù)時間先后對所提取的序列進行編碼標識。建立該高速公路路段視頻序列信息庫進行圖像信息存儲；

Step2：建立車輛實時位置信息庫：以高速公路路段視頻序列信息庫中的原始圖像作為輸入，將彩色車牌圖像進行背景分離，提取出車輛的車牌信息，應用圖像處理方法進行車牌定位識別，區(qū)分出不同車輛；

Step2.1：車牌目標提取：首先，請求視頻序列信息庫中抓拍的高速公路車輛行駛圖像信息作為輸入，利用車牌區(qū)域的特征來判斷牌照，將車牌區(qū)域從整幅車輛圖像中分割出來。

Step2.2：基于彩色分割方法的車牌定位：根據(jù)車牌的不同特征，選擇采用基于彩色分割方法的定位技術進行車牌定位識別。該方法包括彩色分割和目標定位兩個模塊，使用多層感知器網(wǎng)絡對彩色圖像進行分割，然后通過投影法分割出潛在的車牌區(qū)域。

1、彩色分割模塊：在進行彩色分割時采用神經(jīng)網(wǎng)絡模型，此處為了更好地進行彩色分割，將普通RGB模式的彩色圖像轉(zhuǎn)化為HSI模式，即色調(diào)(hue)、飽和度(saturability)和亮度(luminance)，然后對輸出圖像的飽和度作調(diào)整。

2、目標定位：為了減少計算量，將彩色圖像抽稀后再進行模式轉(zhuǎn)化。同時，為了減少光照條件對圖像分割產(chǎn)生的影響，采用對數(shù)方法進行彩色飽和度調(diào)整。然后對模式轉(zhuǎn)化后的彩色圖像進行彩色神經(jīng)網(wǎng)絡分割，最后根據(jù)車牌底色及長寬比等先驗知識，采用投影法分割出合理的車牌區(qū)域。

Step2.3：基于字符分割方法的車牌識別：首先，將已經(jīng)確定的車牌區(qū)域變換成灰度圖。利用中值濾波進行預處理，然后利用中值濾波消除牌照上的污點，利用HOUGH變換對車牌進行傾斜度矯正。接著采用自適應閾值法，將圖像二值化。利用豎直方向的投影具有波峰、波谷間隔出現(xiàn)的特性，將字符進行分割。最后，將分割的字符大小歸一化后，送入BP神經(jīng)網(wǎng)絡進行字符識別。在BP神經(jīng)網(wǎng)絡中加入動量因子，縮短網(wǎng)絡的訓練時間。

Step3：提取車輛駛離初始位置距離：由于車輛依據(jù)拍照已經(jīng)進行區(qū)分標記，此處采用邊緣圖像處理，提取出車輛質(zhì)心的灰度圖像。應用卡爾曼濾波跟蹤算法追蹤車輛的blob圖像，使用動態(tài)模型預測車輛的行進路線，并用觀測模型矯正預測，降低預測誤差。以監(jiān)測高速公路路段起始位置為標記原點O，測量追蹤車輛F_t的距初始位置的距離O F_t。在動態(tài)圖像處理中，前一幀圖像中F_t-1的位置作為卡爾曼濾波預測的輸入值，如此重復預測及修訂測量結(jié)果，得出檢測區(qū)視頻序列中不同時刻車輛質(zhì)心與初始位置間的距離，并進行記錄存儲，登記車輛實時位置信息庫中；

Step4：判斷車輛行駛狀態(tài)：

Step4.1：獲取車輛實時位置信息庫中隔幀信息，記錄車輛駛離初始位置距離在不同時刻的數(shù)值。則該質(zhì)心位移差可表示為：

ΔF_t-1,t(x)＝|OF_t(x)-OF_t-1(x)|,t＝1,2,3…

式中：OF_t(x)表示車輛x在時刻t的駛離距離，OF_t-1(x)表示車輛x在時刻t-1的駛離距離速度，ΔOF_t-1,t(x)表示車輛x在隔幀中的位移；

Step4.2：根據(jù)車輛駛離位移的變化判斷車輛行駛的狀態(tài)：

1、當車輛位移ΔOF_t-1,t(x)＞ΔOF_t,t+1(x),t＝1,2,3...時，表明車輛位移在逐漸減小，判斷車輛正在減速，有較大的停車可能，需要保持較高的關注度；

2、當車輛位移ΔOF_t-1,t(x)≥ΔOF_t,t+1(x),t＝1,2,3...時，判斷車輛為正常行駛，非檢測路段違停監(jiān)控對象；

3、當車輛駛離位移ΔOF_t-1,t(x)→ΔOF_t,t+1(x),t＝1,2,3...時，表明車輛行駛速度趨近于零，判斷車輛已經(jīng)停車，記錄該幀圖片拍攝時間，作為車輛違停初始時間，進行重點監(jiān)測。同時繼續(xù)監(jiān)測接下來的視頻序列中，車輛速度始終保持為零的時間，并計算車輛違停時間。計算模型如下：

T＝(t_n-t₀)*T_f,n＝1,2,3…

式中：T表示違停的時間，T_n表示車輛速度為零的視頻拍攝時間點，T₀表示車輛第一次速度為零的幀視頻拍攝時間點，T_f表示該檢測設備的幀率；

Step5：根據(jù)車輛違章停車時長T，判斷車輛違停時間與規(guī)定違停時間門限值T_m的關系，當超出門限值時，即T＞T_m，發(fā)出違停警告。

本發(fā)明的有益效果是：

1、本發(fā)明專利通過建立視頻序列信息庫、車輛實時位置信息庫，并采用數(shù)字圖像處理等技術，實現(xiàn)了對高速公路違章停車現(xiàn)象的智能檢測；并針對智能識別的結(jié)果，實現(xiàn)了對高速公路違?，F(xiàn)象的自動預警。

2、本發(fā)明專利針對高速公路違?，F(xiàn)象，提供了指定路段實時檢測功能，改善了傳統(tǒng)人工監(jiān)管的低效工作模式。以計算機直接運行的形式得出檢測結(jié)果，在任何情況下均能可靠的工作，且具有較高的精確率，達到實時檢測，提高工作效率的功能。

附圖說明

圖1是本發(fā)明高速公路違章停車檢測的方法總體流程圖；

圖2是本發(fā)明基于彩色分割方法的車牌定位流程框圖；

圖3是本發(fā)明基于字符分割方法的車牌識別流程框圖；

圖4是本發(fā)明卡爾曼濾波器的定位流程框圖。

具體實施方式

下面結(jié)合附圖和具體實施方式，對本發(fā)明作進一步說明。

實施例1：如圖1所示，一種高速公路違章停車檢測的方法，首先，針對區(qū)域內(nèi)高速公路進行視頻序列提取并進行編碼標識，建立該高速路段視頻序列信息庫；其次，進行該路段視頻序列圖像處理，提取運動車輛車牌并標定出車輛質(zhì)心，記錄車輛質(zhì)心距離該區(qū)域高速公路初始位置的距離，并建立車輛實時位置信息庫進行存儲；然后，對行駛車輛進行跟蹤標定，判斷視頻序列中該車輛距初始位置的變化，判斷車輛行駛狀態(tài)，并計算車輛違章停車時間；最后，根據(jù)車輛在該段高速公路違章停車時長，發(fā)出違停警告。

具體步驟為：

Step1：建立高速公路路段視頻序列信息庫：對區(qū)域內(nèi)高速公路進行實時監(jiān)控，并提取視頻序列圖像，根據(jù)時間先后對所提取的序列進行編碼標識。建立該高速公路路段視頻序列信息庫進行圖像信息存儲；

Step2：建立車輛實時位置信息庫：以高速公路路段視頻序列信息庫中的原始圖像作為輸入，將彩色車牌圖像進行背景分離，提取出車輛的車牌信息，應用圖像處理方法進行車牌定位識別，區(qū)分出不同車輛；

Step2.1：車牌目標提?。菏紫?，請求視頻序列信息庫中抓拍的高速公路車輛行駛圖像信息作為輸入，利用車牌區(qū)域的特征來判斷牌照，將車牌區(qū)域從整幅車輛圖像中分割出來。

Step2.2：基于彩色分割方法的車牌定位：根據(jù)車牌的不同特征，選擇采用基于彩色分割方法的定位技術進行車牌定位識別。該方法包括彩色分割和目標定位兩個模塊，使用多層感知器網(wǎng)絡對彩色圖像進行分割，然后通過投影法分割出潛在的車牌區(qū)域。

1、彩色分割模塊：在進行彩色分割時采用神經(jīng)網(wǎng)絡模型，此處為了更好地進行彩色分割，將普通RGB模式的彩色圖像轉(zhuǎn)化為HSI模式，即色調(diào)(hue)、飽和度(saturability)和亮度(luminance)，然后對輸出圖像的飽和度作調(diào)整。

2、目標定位：為了減少計算量，將彩色圖像抽稀后再進行模式轉(zhuǎn)化。同時，為了減少光照條件對圖像分割產(chǎn)生的影響，采用對數(shù)方法進行彩色飽和度調(diào)整。然后對模式轉(zhuǎn)化后的彩色圖像進行彩色神經(jīng)網(wǎng)絡分割，最后根據(jù)車牌底色及長寬比等先驗知識，采用投影法分割出合理的車牌區(qū)域。

Step2.3：基于字符分割方法的車牌識別：首先，將已經(jīng)確定的車牌區(qū)域變換成灰度圖。利用中值濾波進行預處理，然后利用中值濾波消除牌照上的污點，利用HOUGH變換對車牌進行傾斜度矯正。接著采用自適應閾值法，將圖像二值化。利用豎直方向的投影具有波峰、波谷間隔出現(xiàn)的特性，將字符進行分割。最后，將分割的字符大小歸一化后，送入BP神經(jīng)網(wǎng)絡進行字符識別。在BP神經(jīng)網(wǎng)絡中加入動量因子，縮短網(wǎng)絡的訓練時間。

Step3：提取車輛駛離初始位置距離：由于車輛依據(jù)拍照已經(jīng)進行區(qū)分標記，此處采用邊緣圖像處理，提取出車輛質(zhì)心的灰度圖像。應用卡爾曼濾波跟蹤算法追蹤車輛的blob圖像，使用動態(tài)模型預測車輛的行進路線，并用觀測模型矯正預測，降低預測誤差。以監(jiān)測高速公路路段起始位置為標記原點O，測量追蹤車輛F_t的距初始位置的距離O F_t。在動態(tài)圖像處理中，前一幀圖像中F_t-1的位置作為卡爾曼濾波預測的輸入值，如此重復預測及修訂測量結(jié)果，得出檢測區(qū)視頻序列中不同時刻車輛質(zhì)心與初始位置間的距離，并進行記錄存儲，登記車輛實時位置信息庫中；

Step4：判斷車輛行駛狀態(tài)：

Step4.1：獲取車輛實時位置信息庫中隔幀信息，記錄車輛駛離初始位置距離在不同時刻的數(shù)值。則該質(zhì)心位移差可表示為：

ΔF_t-1,_t(x)＝|OF_t(x)-OF_t-1(x)|,t＝1,2,3…

式中：OF_t(x)表示車輛x在時刻t的駛離距離，OF_t-1(x)表示車輛x在時刻t-1的駛離距離速度，ΔOF_t-1,t(x)表示車輛x在隔幀中的位移；

Step4.2：根據(jù)車輛駛離位移的變化判斷車輛行駛的狀態(tài)：

1、當車輛位移ΔOF_t-1,t(x)＞ΔOF_t,t+1(x),t＝1,2,3…時，表明車輛位移在逐漸減小，判斷車輛正在減速，有較大的停車可能，需要保持較高的關注度；

2、當車輛位移ΔOF_t-1,t(x)≥ΔOF_t,t+1(x),t＝1,2,3…時，判斷車輛為正常行駛，非檢測路段違停監(jiān)控對象；

3、當車輛駛離位移ΔOF_t-1,t(x)→ΔOF_t,t+1(x),t＝1,2,3…時，表明車輛行駛速度趨近于零，判斷車輛已經(jīng)停車，記錄該幀圖片拍攝時間，作為車輛違停初始時間，進行重點監(jiān)測。同時繼續(xù)監(jiān)測接下來的視頻序列中，車輛速度始終保持為零的時間，并計算車輛違停時間。計算模型如下：

T＝(t_n-t₀)*T_f,n＝1,2,3…

式中：T表示違停的時間，T_n表示車輛速度為零的視頻拍攝時間點，T₀表示車輛第一次速度為零的幀視頻拍攝時間點，T_f表示該檢測設備的幀率；

Step5：根據(jù)車輛違章停車時長T，判斷車輛違停時間與規(guī)定違停時間門限值T_m的關系，當超出門限值時，即T＞T_m，發(fā)出違停警告。

實施例2：如圖1所示，一種高速公路違章停車檢測的方法，首先，針對區(qū)域內(nèi)高速公路進行視頻序列提取并進行編碼標識，建立該高速路段視頻序列信息庫；其次，進行該路段視頻序列圖像處理，提取運動車輛車牌并標定出車輛質(zhì)心，記錄車輛質(zhì)心距離該區(qū)域高速公路初始位置的距離，并建立車輛實時位置信息庫進行存儲；然后，對行駛車輛進行跟蹤標定，判斷視頻序列中該車輛距初始位置的變化，判斷車輛行駛狀態(tài)，并計算車輛違章停車時間；最后，根據(jù)車輛在該段高速公路違章停車時長，發(fā)出違停警告。

以上結(jié)合附圖對本發(fā)明的具體實施方式作了詳細說明，但是本發(fā)明并不限于上述實施方式，在本領域普通技術人員所具備的知識范圍內(nèi)，還可以在不脫離本發(fā)明宗旨的前提下作出各種變化。