本發(fā)明涉及計算機(jī)視覺技術(shù)領(lǐng)域，特別是涉及一種公路交通事故判別方法及裝置。

背景技術(shù)：

現(xiàn)代智能交通視頻監(jiān)控系統(tǒng)已具備能夠較為準(zhǔn)確、全面獲得包括車道擁堵、車輛違章在內(nèi)的豐富信息的能力，并且能夠?qū)崟r監(jiān)控多個車道所需的各種交通狀況，具有非常良好的應(yīng)用和研究價值。

針對道路交通事故判別問題，目前的智能交通視頻監(jiān)控系統(tǒng)主要集中在對已有的交通事件的前景目標(biāo)進(jìn)行特征提取，分別針對包括轎車、客車和貨車在內(nèi)的各類車型進(jìn)行車輛尺寸細(xì)分，利用劃定檢測區(qū)域內(nèi)各類車輛的面積閉值和車輛寬長比閉值對交通事件進(jìn)行判定識別。此種現(xiàn)有的交通事故判別方式由于需要對多個圖像進(jìn)行訓(xùn)練，并采用分類器進(jìn)行實(shí)時分類，信息處理速度較慢，且缺乏對特殊交通事件，諸如車輛發(fā)生較大形變等問題的普適性。因此有必要在不增加現(xiàn)有交通視頻監(jiān)控系統(tǒng)成本的基礎(chǔ)上，研究新的交通事故判別方法。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種公路交通事故判別方法及裝置，以利用視頻跟蹤算法對公路的交通狀況進(jìn)行分析，達(dá)到自主識別交通事故有無發(fā)生的目的。

為解決上述技術(shù)問題，本發(fā)明提供一種公路交通事故判別方法，包括：

獲取被監(jiān)控路段的視頻圖像；

從所述視頻圖像中提取車道線，確定各車道的范圍；

對每一個車道上的車輛進(jìn)行多目標(biāo)檢測跟蹤，確定所述車輛的行駛軌跡；

根據(jù)所述車輛的行駛軌跡與所述車道線的相對位置，判斷各所述車輛是否發(fā)生變更車道現(xiàn)象，當(dāng)所述車輛的行駛軌跡偏離當(dāng)前所在車道的范圍時，則判定發(fā)生變更車道現(xiàn)象；

根據(jù)相鄰幀數(shù)所述視頻圖像中車輛特征點(diǎn)的坐標(biāo)差值，判斷各所述車輛是否發(fā)生驟停現(xiàn)象，當(dāng)所述坐標(biāo)差值低于預(yù)設(shè)閾值時，則判定發(fā)生驟停現(xiàn)象；

當(dāng)檢測到所述被監(jiān)控路段的同一車道中多個車輛發(fā)生變更車道現(xiàn)象和/或驟停現(xiàn)象時，判定所述被監(jiān)控路段發(fā)生交通事故。

可選地，還包括：

根據(jù)相鄰幀數(shù)所述視頻圖像中車輛特征點(diǎn)的坐標(biāo)差值與時間差值，確定當(dāng)前車道各車輛的平均行駛速度，并判斷所述被監(jiān)控路段是否發(fā)生交通擁堵現(xiàn)象。

可選地，所述從所述視頻圖像中提取車道線，確定各車道的范圍包括：

采用線性車道模型，通過結(jié)構(gòu)化隨機(jī)森林的邊緣檢測算法提取所述車道線，確定各車道的范圍。

可選地，對每一個車道上的車輛進(jìn)行檢測的步驟包括：

采用區(qū)域特征提取方法提取所述被監(jiān)控路段中車輛的極值穩(wěn)定區(qū)域；

獲取最大極值穩(wěn)定區(qū)域的二值化模板，并進(jìn)行連通域分析，通過閉運(yùn)算操作獲取候選的連通域；

對所述候選的連通域的彩色信息進(jìn)行噪聲濾除，定位出所述車輛的車牌對象。

可選地，對每一個車道上的車輛進(jìn)行跟蹤的步驟包括：

根據(jù)定位到的所述車輛的車牌對象建立車輛跟蹤目標(biāo)框；

提取所述車輛跟蹤目標(biāo)框的HOG特征，建立對應(yīng)車牌的回歸模型，對所述車輛進(jìn)行連續(xù)跟蹤。

可選地，所述根據(jù)所述車輛的行駛軌跡與所述車道線的相對位置，判斷各所述車輛是否發(fā)生變更車道現(xiàn)象包括：

獲取所述跟蹤目標(biāo)框的幾何中心坐標(biāo)變換，當(dāng)所述跟蹤目標(biāo)框的幾何中心偏離當(dāng)前車道的范圍時，判斷所述車輛變更車道線。

可選地，在所述獲取被監(jiān)控路段的視頻圖像之后還包括：

對所述視頻圖像進(jìn)行預(yù)處理，以濾除干擾噪聲。

本發(fā)明還提供了一種公路交通事故判別裝置，包括：

圖像獲取模塊，用于獲取被監(jiān)控路段的視頻圖像；

車道檢測模塊，用于從所述視頻圖像中提取車道線，確定各車道的范圍；

目標(biāo)檢測跟蹤模塊，用于對每一個車道上的車輛進(jìn)行多目標(biāo)檢測跟蹤，確定所述車輛的行駛軌跡；

車道變更檢測模塊，用于根據(jù)所述車輛的行駛軌跡與所述車道線的相對位置，判斷各所述車輛是否發(fā)生變更車道現(xiàn)象，當(dāng)所述車輛的行駛軌跡偏離當(dāng)前所在車道的范圍時，則判定發(fā)生變更車道現(xiàn)象；

驟停檢測模塊，用于根據(jù)相鄰幀數(shù)所述視頻圖像中車輛特征點(diǎn)的坐標(biāo)差值，判斷各所述車輛是否發(fā)生驟停現(xiàn)象，當(dāng)所述坐標(biāo)差值低于預(yù)設(shè)閾值時，則判定發(fā)生驟停現(xiàn)象；

交通事故判斷模塊，用于當(dāng)檢測到所述被監(jiān)控路段的同一車道中多個車輛發(fā)生變更車道現(xiàn)象和/或驟停現(xiàn)象時，判定所述被監(jiān)控路段發(fā)生交通事故。

可選地，還包括：

交通擁堵判斷模塊，用于根據(jù)相鄰幀數(shù)所述視頻圖像中車輛特征點(diǎn)的坐標(biāo)差值與時間差值，確定當(dāng)前車道各車輛的平均行駛速度，并判斷所述被監(jiān)控路段是否發(fā)生交通擁堵現(xiàn)象。

可選地，還包括：

預(yù)處理模塊，用于在獲取被監(jiān)控路段的視頻圖像之后，對所述視頻圖像進(jìn)行預(yù)處理，以濾除干擾噪聲。

本發(fā)明所提供的公路交通事故判別方法及裝置，通過獲取被監(jiān)控路段的視頻圖像；從視頻圖像中提取車道線，確定各車道的范圍；對每一個車道上的車輛進(jìn)行多目標(biāo)檢測跟蹤，確定車輛的行駛軌跡；根據(jù)車輛的行駛軌跡與車道線的相對位置，判斷各車輛是否發(fā)生變更車道現(xiàn)象，當(dāng)車輛的行駛軌跡偏離當(dāng)前所在車道的范圍時，則判定發(fā)生變更車道現(xiàn)象；根據(jù)相鄰幀數(shù)視頻圖像中車輛特征點(diǎn)的坐標(biāo)差值，判斷各車輛是否發(fā)生驟停現(xiàn)象，當(dāng)坐標(biāo)差值低于預(yù)設(shè)閾值時，則判定發(fā)生驟停現(xiàn)象；當(dāng)檢測到被監(jiān)控路段的同一車道中多個車輛發(fā)生變更車道現(xiàn)象和/或驟停現(xiàn)象時，判定被監(jiān)控路段發(fā)生交通事故。本申請將目標(biāo)檢測與跟蹤算法應(yīng)用于公路交通事故判別中，避免了傳統(tǒng)算法分別針對包括轎車、客車和貨車在內(nèi)的各類車型進(jìn)行車輛尺寸細(xì)分，利用劃定檢測區(qū)域內(nèi)各類車輛的面積閉值和車輛寬長比閉值對交通事件進(jìn)行識別造成的先驗知識匱乏的誤差，提高了事故判別的準(zhǔn)確率，能夠較好的適應(yīng)諸如車輛發(fā)生較大形變等各類極端車禍問題。

附圖說明

為了更清楚的說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)的技術(shù)方案，下面將對實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單的介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明所提供的公路交通事故判別方法的一種具體實(shí)施方式的流程圖；

圖2為本發(fā)明實(shí)施例所提供的對車輛進(jìn)行檢測的過程流程圖；

圖3為本發(fā)明實(shí)施例所提供的對車輛進(jìn)行跟蹤的流程圖；

圖4為車輛跟蹤示意圖；

圖5為基于視頻跟蹤算法的高速公路交通事故判別實(shí)施流程圖；

圖6為本發(fā)明實(shí)施例提供的公路交通事故判別裝置的結(jié)構(gòu)框圖。

具體實(shí)施方式

為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，下面結(jié)合附圖和具體實(shí)施方式對本發(fā)明作進(jìn)一步的詳細(xì)說明。顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

本發(fā)明所提供的公路交通事故判別方法的一種具體實(shí)施方式的流程圖如圖1所示，該方法包括：

步驟S101：獲取被監(jiān)控路段的視頻圖像；

本申請所提供的公路交通事故判別方法可用于高速公路上，在被監(jiān)控路段的固定位置設(shè)置俯拍攝像頭，對被監(jiān)控路段的視頻圖像進(jìn)行實(shí)時采集。

步驟S102：從所述視頻圖像中提取車道線，確定各車道的范圍；

在由位置角度均固定的攝像頭對視頻圖像進(jìn)行采集的具體實(shí)施例中，由于采集到的圖像中車道在圖像中的相對位置保持不變，因此僅需要對第一幀輸入圖像進(jìn)行車道檢測即可。

另外，優(yōu)選地，在輸入視頻圖像的第一幀圖像之后，還可以進(jìn)一步包括：對視頻圖像進(jìn)行預(yù)處理，以濾除干擾噪聲的過程。該步驟能夠加強(qiáng)圖像的有用信息并濾除各種干擾噪聲。

在現(xiàn)代道路設(shè)計中，道路有比較固定的設(shè)計模型，因此，對于高速公路等道路類型，車道的幾何模型可以以固定的形式表示。因此，可以采用簡單的線性車道模型，由結(jié)構(gòu)化隨機(jī)森林的快速邊緣檢測算法提取車道線，獲取各車道寬度，確定車道的范圍。為方便對車道進(jìn)行識別，可以對車道進(jìn)行編號。

結(jié)構(gòu)化隨機(jī)森林為現(xiàn)有道路檢測的一種常用算法，相比其他算法，其具有簡單容易實(shí)現(xiàn)、訓(xùn)練快、測試快、抵抗過擬合、支持并行化等優(yōu)點(diǎn)，當(dāng)然其他車道檢測的算法也可，并不限于此種方式。

步驟S103：對每一個車道上的車輛進(jìn)行多目標(biāo)檢測跟蹤，確定所述車輛的行駛軌跡；

該步驟中多目標(biāo)車輛跟蹤即對駛?cè)胪卉嚨赖亩鄠€車輛進(jìn)行行為分析，建立在車輛檢測與跟蹤的雙重基礎(chǔ)上進(jìn)行。

作為一種具體實(shí)施方式，本發(fā)明實(shí)施例在被監(jiān)控路段中設(shè)置初始車輛撞線檢測線以及跟蹤停止線。車輛在進(jìn)入被監(jiān)控路段中，經(jīng)過初始車輛撞線檢測線時，開始進(jìn)行檢測，并持續(xù)跟蹤。在經(jīng)過跟蹤停止線之后，結(jié)束對車輛的跟蹤。

首先對車輛進(jìn)行檢測的過程進(jìn)行詳細(xì)描述，本發(fā)明實(shí)施例中依據(jù)灰度圖像MSER最大穩(wěn)定極值區(qū)域算法和彩色圖像顏色濾波算法對車輛的車牌進(jìn)行識別。

需要指出的是，由于車輛的車牌色彩、大小較為固定，因此對車輛進(jìn)行檢測識別時，多采用對車牌進(jìn)行識別的方式，當(dāng)前其他能夠識別出車輛的部位均可。另外，本發(fā)明實(shí)施例中采用MSER(區(qū)域特征提取)方法，也可以采用其他方法，也并不限于此種方法。

具體地，參照圖2本發(fā)明實(shí)施例所提供的對車輛進(jìn)行檢測的過程流程圖，該過程具體包括：

步驟S1031：采用區(qū)域特征提取方法提取所述被監(jiān)控路段中車輛的極值穩(wěn)定區(qū)域；

步驟S1032：獲取最大極值穩(wěn)定區(qū)域的二值化模板，并進(jìn)行連通域分析，通過閉運(yùn)算操作獲取候選的連通域；

步驟S1033：對所述候選的連通域的彩色信息進(jìn)行噪聲濾除，定位出所述車輛的車牌對象。

在獲取車牌對象結(jié)果后，可以對車牌進(jìn)行編號。還可以進(jìn)一步對目標(biāo)大小、幾何中心、車道編號進(jìn)行標(biāo)定，并將結(jié)果輸入給車輛跟蹤模型。

值得注意的是，車輛檢測算法在整個監(jiān)控過程中與車輛跟蹤系統(tǒng)并行，持續(xù)更新新駛?cè)胲囕v的各項信息。

在檢測到車輛后，對車輛進(jìn)行跟蹤的過程可以具體采用基于KCF核相關(guān)濾波跟蹤算法對撞線車輛進(jìn)行跟蹤。記錄同一起始車道車輛的行駛軌跡。

請參照圖3本發(fā)明實(shí)施例所提供的對車輛進(jìn)行跟蹤的流程圖，該過程包括：

步驟S1034：根據(jù)定位到的所述車輛的車牌對象建立車輛跟蹤目標(biāo)框；

步驟S1035：提取所述車輛跟蹤目標(biāo)框的HOG特征，建立對應(yīng)車牌的回歸模型，對所述車輛進(jìn)行連續(xù)跟蹤。

如圖4車輛跟蹤示意圖所示，對于某一固定起始車道中，某輛輛剛駛?cè)肫鹗几櫡秶能囕v而言，其跟蹤過程如下：依據(jù)撞線車輛車牌對象結(jié)果確立車輛跟蹤目標(biāo)框，其大小可以具體為車牌尺寸的兩倍。提取跟蹤目標(biāo)框的HOG特征，建立對應(yīng)車牌的回歸模型，并進(jìn)行基于單目標(biāo)KCF算法的跟蹤。

HOG(Histogram of Oriented Gradient，方向梯度直方圖)特征是一種在計算機(jī)視覺和圖像處理中用來進(jìn)行物體檢測的特征描述子。它通過計算和統(tǒng)計圖像局部區(qū)域的梯度方向直方圖來構(gòu)成特征。

利用上述算法，對撞線檢測定位的每一輛車建立上述獨(dú)立的KCF跟蹤模型，即可構(gòu)成該高速公路區(qū)域內(nèi)的多目標(biāo)跟蹤模型。

步驟S104：根據(jù)所述車輛的行駛軌跡與所述車道線的相對位置，判斷各所述車輛是否發(fā)生變更車道現(xiàn)象，當(dāng)所述車輛的行駛軌跡偏離當(dāng)前所在車道的范圍時，則判定發(fā)生變更車道現(xiàn)象；

具體地，可以獲取跟蹤目標(biāo)框的幾何中心坐標(biāo)變換，當(dāng)跟蹤目標(biāo)框的幾何中心偏離當(dāng)前車道的范圍時，判斷所述車輛變更車道線。依據(jù)跟蹤結(jié)果實(shí)時更新車輛所在車道編號，并更新車輛標(biāo)簽。持續(xù)記錄車輛軌跡直至車輛駛出監(jiān)控觀測范圍。

步驟S105：根據(jù)相鄰幀數(shù)所述視頻圖像中車輛特征點(diǎn)的坐標(biāo)差值，判斷各所述車輛是否發(fā)生驟停現(xiàn)象，當(dāng)所述坐標(biāo)差值低于預(yù)設(shè)閾值時，則判定發(fā)生驟停現(xiàn)象；

一般情況下，相鄰幀數(shù)的視頻圖像的時間差值為一固定值，因此通過相鄰幀數(shù)拍攝的視頻圖像中車輛的位置信息即可得到車輛的當(dāng)前車速信息。因此，當(dāng)車輛在相鄰幀數(shù)的視頻圖像中位置變化很小甚至為0時，說明車輛處于急速剎車狀態(tài)，發(fā)生了驟停現(xiàn)象。

本實(shí)施例中車輛的位置通過車輛特征點(diǎn)的坐標(biāo)進(jìn)行描述，車輛特征點(diǎn)具體可以選取為檢測到車輛車牌的幾何中心點(diǎn)，當(dāng)然可以選擇其他特征點(diǎn)，并不限于這一種。

需要指出的是，步驟S104以及步驟S105的執(zhí)行順序可以互換，這均不影響本發(fā)明的實(shí)現(xiàn)。

步驟S106：當(dāng)檢測到所述被監(jiān)控路段的同一車道中多個車輛發(fā)生變更車道現(xiàn)象或驟停現(xiàn)象時，判定所述被監(jiān)控路段發(fā)生交通事故。

公路車輛的行駛軌跡包含非常豐富的路面信息，是道路有無異常情況發(fā)生的重要依據(jù)。區(qū)別于公路的正常行駛以及交通擁堵事件中同一車道行駛車輛的無規(guī)律變道現(xiàn)象，當(dāng)某一車道發(fā)生交通事件后，由于短時期內(nèi)該車道存在受損車輛障礙，于是將迫使該車道后續(xù)車輛發(fā)生減速與連續(xù)變道現(xiàn)象。因此，當(dāng)某一車道內(nèi)車輛序列中，連續(xù)多輛車發(fā)生變道或驟停后，在排除先驗的道路維修等人為干預(yù)信息后，即可判斷出該車道前方車輛發(fā)生了交通事故。

本發(fā)明所提供的公路交通事故判別方法，通過獲取被監(jiān)控路段的視頻圖像；從視頻圖像中提取車道線，確定各車道的范圍；對每一個車道上的車輛進(jìn)行多目標(biāo)檢測跟蹤，確定車輛的行駛軌跡；根據(jù)車輛的行駛軌跡與車道線的相對位置，判斷各車輛是否發(fā)生變更車道現(xiàn)象，當(dāng)車輛的行駛軌跡偏離當(dāng)前所在車道的范圍時，則判定發(fā)生變更車道現(xiàn)象；根據(jù)相鄰幀數(shù)視頻圖像中車輛特征點(diǎn)的坐標(biāo)差值，判斷各車輛是否發(fā)生驟停現(xiàn)象，當(dāng)坐標(biāo)差值低于預(yù)設(shè)閾值時，則判定發(fā)生驟停現(xiàn)象；當(dāng)檢測到被監(jiān)控路段的同一車道中多個車輛發(fā)生變更車道現(xiàn)象和/或驟停現(xiàn)象時，判定被監(jiān)控路段發(fā)生交通事故。本申請將目標(biāo)檢測與跟蹤算法應(yīng)用于公路交通事故判別中，避免了傳統(tǒng)算法分別針對包括轎車、客車和貨車在內(nèi)的各類車型進(jìn)行車輛尺寸細(xì)分，利用劃定檢測區(qū)域內(nèi)各類車輛的面積閉值和車輛寬長比閉值對交通事件進(jìn)行識別造成的先驗知識匱乏的誤差，提高了事故判別的準(zhǔn)確率，能夠較好的適應(yīng)諸如車輛發(fā)生較大形變等各類極端車禍問題。

在上述任一實(shí)施例的基礎(chǔ)上，本發(fā)明所提供的公路交通事故判別方法還可以進(jìn)一步包括：

根據(jù)相鄰幀數(shù)所述視頻圖像中車輛特征點(diǎn)的坐標(biāo)差值與時間差值，確定當(dāng)前車道各車輛的平均行駛速度，并判斷所述被監(jiān)控路段是否發(fā)生交通擁堵現(xiàn)象。

作為一種具體實(shí)施方式，車輛特征點(diǎn)也可以選取為檢測到車輛車牌的幾何中心點(diǎn)，當(dāng)然可以選擇其他特征點(diǎn)，并不限于這一種。利用視頻監(jiān)控系統(tǒng)中相鄰兩幀圖像各自對應(yīng)車輛車牌的連通區(qū)域質(zhì)心的坐標(biāo)差值和時間差，可以較為準(zhǔn)確的判別出道路車輛的平均行駛速度，從而判別出潛在的交通擁堵事件。當(dāng)平均行駛速度較小時，判定當(dāng)前車道交通較為擁堵。

本發(fā)明實(shí)施例基于現(xiàn)有的交通監(jiān)控系統(tǒng)，提出一種基于視頻跟蹤算法的公路交通事故判別方法。如圖5基于視頻跟蹤算法的高速公路交通事故判別實(shí)施流程圖所示，該方法包括：

步驟S201：由高速公路俯視角監(jiān)控系統(tǒng)采集被監(jiān)控路段的視頻，輸入至車道檢測系統(tǒng)；

步驟S202：車道檢測系統(tǒng)對第一幀圖像進(jìn)行圖像預(yù)處理，提取出車道線，并對車道線進(jìn)行編號；

步驟S203：依據(jù)車道檢測結(jié)果對每一車道車輛進(jìn)行多目標(biāo)檢測，具體包括：

當(dāng)檢測到車輛進(jìn)入初始車輛撞線檢測線后，提取撞線車輛極值穩(wěn)定區(qū)域；并利用彩色信息濾除噪聲，定位到最終跟蹤目標(biāo)，并獲取目標(biāo)尺寸、車道編號信息。

步驟S204：分別對各個車道中的車輛進(jìn)行目標(biāo)跟蹤。對單個目標(biāo)進(jìn)行跟蹤的過程具體包括：

確立單目標(biāo)跟蹤對象，提取目標(biāo)的HOG特征，對單目標(biāo)進(jìn)行KCF跟蹤。持續(xù)更新目標(biāo)車輛行駛車道的標(biāo)簽，直到車輛駛出跟蹤停止線。

步驟S205：監(jiān)視各車道車輛車道變更與驟停現(xiàn)象，若某一車道連續(xù)N輛車輛連續(xù)發(fā)生變道行為和/或驟停現(xiàn)象，則認(rèn)定該車道前方路段發(fā)生交通事故。

下面對本發(fā)明實(shí)施例提供的公路交通事故判別裝置進(jìn)行介紹，下文描述的公路交通事故判別裝置與上文描述的公路交通事故判別方法可相互對應(yīng)參照。

圖6為本發(fā)明實(shí)施例提供的公路交通事故判別裝置的結(jié)構(gòu)框圖，參照圖6公路交通事故判別裝置可以包括：

圖像獲取模塊100，用于獲取被監(jiān)控路段的視頻圖像；

車道檢測模塊200，用于從所述視頻圖像中提取車道線，確定各車道的范圍；

目標(biāo)檢測跟蹤模塊300，用于對每一個車道上的車輛進(jìn)行多目標(biāo)檢測跟蹤，確定所述車輛的行駛軌跡；

車道變更檢測模塊400，用于根據(jù)所述車輛的行駛軌跡與所述車道線的相對位置，判斷各所述車輛是否發(fā)生變更車道現(xiàn)象，當(dāng)所述車輛的行駛軌跡偏離當(dāng)前所在車道的范圍時，則判定發(fā)生變更車道現(xiàn)象；

驟停檢測模塊500，用于根據(jù)相鄰幀數(shù)所述視頻圖像中車輛特征點(diǎn)的坐標(biāo)差值，判斷各所述車輛是否發(fā)生驟停現(xiàn)象，當(dāng)所述坐標(biāo)差值低于預(yù)設(shè)閾值時，則判定發(fā)生驟停現(xiàn)象；

交通事故判斷模塊600，用于當(dāng)檢測到所述被監(jiān)控路段的同一車道中多個車輛發(fā)生變更車道現(xiàn)象和/或驟停現(xiàn)象時，判定所述被監(jiān)控路段發(fā)生交通事故。

作為一種具體實(shí)施方式，本發(fā)明所提供的公路交通事故判別裝置還可以包括：

交通擁堵判斷模塊，用于根據(jù)相鄰幀數(shù)所述視頻圖像中車輛特征點(diǎn)的坐標(biāo)差值與時間差值，確定當(dāng)前車道各車輛的平均行駛速度，并判斷所述被監(jiān)控路段是否發(fā)生交通擁堵現(xiàn)象。

在上述任一實(shí)施例的基礎(chǔ)上，本發(fā)明實(shí)施例所提供的公路交通事故判別裝置中，車道檢測模塊200具體用于：

采用線性車道模型，通過結(jié)構(gòu)化隨機(jī)森林的邊緣檢測算法提取所述車道線，確定各車道的范圍。

進(jìn)一步地，目標(biāo)檢測跟蹤模塊300可以具體包括：檢測單元以及跟蹤單元。

其中，檢測單元具體用于：采用區(qū)域特征提取方法提取所述被監(jiān)控路段中車輛的極值穩(wěn)定區(qū)域；獲取最大極值穩(wěn)定區(qū)域的二值化模板，并進(jìn)行連通域分析，通過閉運(yùn)算操作獲取候選的連通域；對所述候選的連通域的彩色信息進(jìn)行噪聲濾除，定位出所述車輛的車牌對象。

其中，跟蹤單元具體用于：根據(jù)定位到的所述車輛的車牌對象建立車輛跟蹤目標(biāo)框；提取所述車輛跟蹤目標(biāo)框的HOG特征，建立對應(yīng)車牌的回歸模型，對所述車輛進(jìn)行連續(xù)跟蹤。

作為一種具體實(shí)施方式，車道變更檢測模塊400可以具體用于：

獲取所述跟蹤目標(biāo)框的幾何中心坐標(biāo)變換，當(dāng)所述跟蹤目標(biāo)框的幾何中心偏離當(dāng)前車道的范圍時，判斷所述車輛變更車道線。

作為一種具體實(shí)施方式，本發(fā)明所提供的公路交通事故判別裝置還可以包括：

預(yù)處理模塊，用于在獲取被監(jiān)控路段的視頻圖像之后，對所述視頻圖像進(jìn)行預(yù)處理，以濾除干擾噪聲。

本實(shí)施例的公路交通事故判別裝置用于實(shí)現(xiàn)前述的公路交通事故判別方法，因此公路交通事故判別裝置中的具體實(shí)施方式可見前文中的公路交通事故判別方法的實(shí)施例部分，例如，圖像獲取模塊100，車道檢測模塊200，目標(biāo)檢測跟蹤模塊300，車道變更檢測模塊400，驟停檢測模塊500，交通事故判斷模塊600，分別用于實(shí)現(xiàn)上述公路交通事故判別方法中步驟S101，S102，S103，S104，S105和S106，所以，其具體實(shí)施方式可以參照相應(yīng)的各個部分實(shí)施例的描述，在此不再贅述。

本發(fā)明所提供的公路交通事故判別裝置，通過獲取被監(jiān)控路段的視頻圖像；從視頻圖像中提取車道線，確定各車道的范圍；對每一個車道上的車輛進(jìn)行多目標(biāo)檢測跟蹤，確定車輛的行駛軌跡；根據(jù)車輛的行駛軌跡與車道線的相對位置，判斷各車輛是否發(fā)生變更車道現(xiàn)象，當(dāng)車輛的行駛軌跡偏離當(dāng)前所在車道的范圍時，則判定發(fā)生變更車道現(xiàn)象；根據(jù)相鄰幀數(shù)視頻圖像中車輛特征點(diǎn)的坐標(biāo)差值，判斷各車輛是否發(fā)生驟停現(xiàn)象，當(dāng)坐標(biāo)差值低于預(yù)設(shè)閾值時，則判定發(fā)生驟停現(xiàn)象；當(dāng)檢測到被監(jiān)控路段的同一車道中多個車輛發(fā)生變更車道現(xiàn)象或驟停現(xiàn)象時，判定被監(jiān)控路段發(fā)生交通事故。本申請將目標(biāo)檢測與跟蹤算法應(yīng)用于公路交通事故判別中，避免了傳統(tǒng)算法分別針對包括轎車、客車和貨車在內(nèi)的各類車型進(jìn)行車輛尺寸細(xì)分，利用劃定檢測區(qū)域內(nèi)各類車輛的面積閉值和車輛寬長比閉值對交通事件進(jìn)行識別造成的先驗知識匱乏的誤差，能夠較好的適應(yīng)諸如車輛發(fā)生較大形變等各類極端車禍問題。

本說明書中各個實(shí)施例采用遞進(jìn)的方式描述，每個實(shí)施例重點(diǎn)說明的都是與其它實(shí)施例的不同之處，各個實(shí)施例之間相同或相似部分互相參見即可。對于實(shí)施例公開的裝置而言，由于其與實(shí)施例公開的方法相對應(yīng)，所以描述的比較簡單，相關(guān)之處參見方法部分說明即可。

專業(yè)人員還可以進(jìn)一步意識到，結(jié)合本文中所公開的實(shí)施例描述的各示例的單元及算法步驟，能夠以電子硬件、計算機(jī)軟件或者二者的結(jié)合來實(shí)現(xiàn)，為了清楚地說明硬件和軟件的可互換性，在上述說明中已經(jīng)按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計約束條件。專業(yè)技術(shù)人員可以對每個特定的應(yīng)用來使用不同方法來實(shí)現(xiàn)所描述的功能，但是這種實(shí)現(xiàn)不應(yīng)認(rèn)為超出本發(fā)明的范圍。

結(jié)合本文中所公開的實(shí)施例描述的方法或算法的步驟可以直接用硬件、處理器執(zhí)行的軟件模塊，或者二者的結(jié)合來實(shí)施。軟件模塊可以置于隨機(jī)存儲器(RAM)、內(nèi)存、只讀存儲器(ROM)、電可編程ROM、電可擦除可編程ROM、寄存器、硬盤、可移動磁盤、CD-ROM、或技術(shù)領(lǐng)域內(nèi)所公知的任意其它形式的存儲介質(zhì)中。

以上對本發(fā)明所提供的公路交通事故判別方法以及裝置進(jìn)行了詳細(xì)介紹。本文中應(yīng)用了具體個例對本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想。應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以對本發(fā)明進(jìn)行若干改進(jìn)和修飾，這些改進(jìn)和修飾也落入本發(fā)明權(quán)利要求的保護(hù)范圍內(nèi)。