本發明涉及視頻監控領域，具體的說，涉及了一種基于車道模型的車輛來回變道檢測方法。
背景技術：
高速公路上車輛的異常行為主要包括車輛過快、車輛過慢、車輛滯留、車輛逆行和車輛來回變道等。現階段通過gps定位技術已經能夠實現前幾種異常行為的精確檢測，而對車輛來回變道來說，由于現有的車道定位通常通過gps數據進行分析和處理，其無法準確獲取自身所在的車道，因此無法采用gps定位技術來精確定位車輛所在的車道，這就給后續的交通管理帶來不便。
為了解決以上存在的問題，人們一直在尋求一種理想的技術解決方案。
技術實現要素：
本發明的目的是針對現有技術的不足，從而提供了一種基于車道模型的車輛來回變道檢測方法，具有設計科學，且能有效的實現車輛所在車道的精確定位。
為了實現上述目的，本發明所采用的技術方案是：一種基于車道模型的車輛來回變道檢測方法，包括以下步驟：
步驟1，獲取目標車輛的實時位置信息和車牌號；
步驟2，獲取包含所述目標車輛的車道監控圖像；
步驟3，在所述車道監控圖像中檢測車道線，根據獲取的車道線建立車道模型，并對所有車道進行編號；
步驟4，采用背景差法從所述車道監控圖像中檢測出運動目標，提取運動目標的車牌號與所述目標車輛的車牌號進行匹配，選定所述目標車輛，確定所述目標車輛的所在車道；
步驟5，根據多個相鄰幀的車道監控圖像中所述目標車輛的所在車道，確定所述目標車輛與所述車道模型的相交次數，當所述相交次數大于預設值時，判斷所述車輛來回變道。
基于上述，所述步驟3的具體步驟為：
步驟3.1，對所述車道監控圖像進行預處理，并通過障礙物檢測法檢測出車道監控圖像中的障礙區，最后在所述車道監控圖像的預處理結果中將所述障礙區排除，獲得干凈且富含大量車道線信息的邊緣圖像；
步驟3.2，采用加權雙曲線擬合算法進行車道線參數擬合，并對檢測得到的雙曲線曲率進行曲率濾波，排除不正確的檢測結果；
步驟3.3，在車道線檢測結果中，將所有車道線按照相鄰兩條車道線組成一個車道建立車道模型，并按照一個方向對所有車道依次編號。
基于上述，所述步驟4具體包括以下步驟：
步驟4.1，采用高斯混合模型從連續多幀車道監控圖像中提取出背景模型,將所述車道監控圖像與所述背景模型進行差分處理，提取出運動目標；
步驟4.2，將所述監控圖像中所述運動目標像素點進行八連通域搜索，框定每個區域最小外接矩形；
步驟4.3，在每個區域最小外接矩形中定位車牌所在區域，然后將車牌所在區域分割成字符塊，識別字符塊并將識別結果組合成車牌信息，將識別出的車牌信息分別與所述目標車輛的車牌信息一一進行比對，查找出所述目標車輛；
步驟4.4，將所述目標車輛所在區域的最小外接矩形的中心像素點作為所述目標車輛的質心位置，根據所述目標車輛的質心位置和同一水平方向上所有車道線的像素位置判斷所述運動目標的質心位置所在的車道號碼。
基于上述，獲取所述車道線檢測結果后，還可以將車道線檢測結果傳入kalman濾波器中進行預測跟蹤，預測包含車道線信息的感興趣區域，并將預測結果傳入下一幀車道監控圖像，同時將計算得到的地平線高度信息也傳入下一幀進行區域限制。
本發明相對現有技術具有突出的實質性特點和顯著的進步，具體的說，本發明將gps定位技術與視頻監控技術結合起來，根據目標車輛所在的位置獲取相應區域的車道線監控圖像，并進一步建立車道模型；同時利用背景查分法和車牌提取法確定目標車輛所在的車道，根據多幀車道線監控圖像中目標車輛所在的車道集合判斷目標車輛的變道次數，從而實現目標車輛來回變道的檢測，有利于交通管理部門更好的改善交通路況，方便出行。
附圖說明
圖1是本發明的流程示意圖。
具體實施方式
下面通過具體實施方式，對本發明的技術方案做進一步的詳細描述。
如圖1所示，一種基于車道模型的車輛來回變道檢測方法，包括以下步驟：
步驟1，獲取目標車輛的實時位置信息和車牌號；本發明中，目標車輛的實時位置信息由目標車輛利用gps定位模塊獲得的；
步驟2，獲取包含所述目標車輛的車道監控圖像；一般來說，根據所述目標車輛的實時位置選擇距離所述目標車輛最近的監控設備對道路進行監控，從而獲得包含所述目標車輛的車道監控圖像；
步驟3，在所述車道監控圖像中檢測車道線，根據獲取的車道線建立車道模型，并對所有車道進行編號；
步驟4，采用背景差法從所述車道監控圖像中檢測出運動目標，提取運動目標的車牌號與所述目標車輛的車牌號進行匹配，選定所述目標車輛，確定所述目標車輛的所在車道；
步驟5，根據多個相鄰幀的車道監控圖像中所述目標車輛的所在車道，確定所述目標車輛與所述車道模型的相交次數，當所述相交次數大于預設值時，判斷所述車輛來回變道。
本發明將gps定位技術與視頻監控技術結合起來，根據目標車輛所在的位置獲取相應區域的車道線監控圖像，并進一步建立車道模型；同時利用背景查分法和車牌提取法確定目標車輛所在的車道，根據多幀車道線監控圖像中目標車輛所在的車道集合判斷目標車輛的變道次數，從而實現目標車輛來回變道的檢測，有利于交通管理部門更好的改善交通路況，方便出行。
具體的，所述步驟3的具體步驟為：
步驟3.1，對所述車道監控圖像進行預處理，并通過障礙物檢測法檢測出車道監控圖像中的障礙區，最后在所述車道監控圖像的預處理結果中將所述障礙區排除，獲得干凈且富含大量車道線信息的邊緣圖像；
監控設備在采集車道監控圖像的過程中，監控設備所采集到的圖像受外界因素影響很大，會產生許多干擾信息，像附近樹木、建筑物以及過往車輛遮擋住車道線，或者由于車道線本身時間長磨損比較大模糊造成干擾信息，還有可能由于路面的不平整顛簸導致攝像設備采集圖像時產生的干擾噪聲，為了使圖像的特征信息顯現出來，使系統的成像質量得到改善，也為了后續方面減小運算量，需要對采集到的對象進行預處理操作，本文的圖像預處理操作是通過各種變化來取得想要的車道線，主要包括了圖像灰度化、直方圖均衡化、濾波平滑、圖像增強、邊緣檢測等步驟；
步驟3.2，采用加權雙曲線擬合算法進行車道線參數擬合，對于近視場區域內的車道線采用直線模型的方法進行擬合，同時直線檢測輸出結果為雙曲線模型擬合提供基礎參數，采用hough變換算法對近視場區域內的邊緣進行有限定的直線檢測，遠視場區域則采用加權雙曲線模型進行曲線擬合，并對檢測得到的雙曲線曲率進行曲率濾波，排除不正確的檢測結果；
優選的，本發明采用的雙曲線模板函數如下式所示：
其中，定位a為雙曲線曲率，其定義域為(-85°,85°)，a為常數，控制曲率的變化幅度，曲率相同時曲線變化幅度隨a值的增加而增大，參數k和b為車道線直線部分的斜率和截距，可以通過對近距離范圍內車道線進行直線檢測進行提取；
曲線擬合算法通過在曲率定義域中對曲率逐一計算匹配率，將匹配率最高的曲率作為當前車道線的檢測曲率；本發明采用一種以計算最短距離為基礎對像素點附加權值的雙曲線模型曲線匹配方法，定義匹配率公式如下所示：
其中，t為所求匹配率，m,n為圖像寬度和高度，(i,j)為圖像坐標系中像素點坐標，w(i,j)為權值函數，d(i,j)位像素點(i,j)到擬合曲線的距離，對對每個像素點進行加權求和獲得最終的匹配率t；經過計算得到匹配率最大的曲率值后，以該曲率作為雙曲線的候選曲率。經過雙曲線擬合獲得曲率后，再根據左右車道線直線參數，最終能夠獲得多條擬合程度較好的雙曲線；
步驟3.3，在車道線檢測結果中，將所有車道線按照相鄰兩條車道線組成一個車道建立車道模型，并按照一個方向對所有車道依次編號，具體的，可以從最外側車道線依次向最內側車道線進行編號，也可以由最內側車道線依次向最外側車道線進行編號。
優選的，獲取所述車道線檢測結果后，還可以將車道線檢測結果傳入kalman濾波器中進行預測跟蹤，預測包含車道線信息的感興趣區域，并將預測結果傳入下一幀車道監控圖像，同時將計算得到的地平線高度信息也傳入下一幀進行區域限制。
具體的，所述步驟4具體包括以下步驟：
步驟4.1，采用高斯混合模型從連續多幀車道監控圖像中提取出背景模型,將所述車道監控圖像與所述背景模型進行差分處理，提取出運動目標；
步驟4.2，將所述監控圖像中所述運動目標像素點進行八連通域搜索，框定每個區域最小外接矩形；
步驟4.3，在每個區域最小外接矩形中定位車牌所在區域，然后將車牌所在區域分割成字符塊，識別字符塊并將識別結果組合成車牌信息，將識別出的車牌信息分別與所述目標車輛的車牌信息一一進行比對，查找出所述目標車輛；
步驟4.4，將所述目標車輛所在區域的最小外接矩形的中心像素點作為所述目標車輛的質心位置，根據所述目標車輛的質心位置和同一水平方向上所有車道線的像素位置判斷所述運動目標的質心位置所在的車道號碼。
最后應當說明的是:以上實施例僅用以說明本發明的技術方案而非對其限制；盡管參照較佳實施例對本發明進行了詳細的說明，所屬領域的普通技術人員應當理解：依然可以對本發明的具體實施方式進行修改或者對部分技術特征進行等同替換；而不脫離本發明技術方案的精神，其均應涵蓋在本發明請求保護的技術方案范圍當中。