[发明专利]一种大货车违章上高架报警方法

说明书

技术领域

本发明涉及智能交通领域，尤其是涉及一种大货车违章上高架报警方法。

背景技术

高架桥上，随着行驶速度加快和货车重量的增加，桥面受力也就越大，从而缩短高架使用寿命。因此为了防止交通事故，市区高架禁止大货车通行。然而货运司机为了节省成本，常常超载，对他人生命造成威胁。

目前，交警大多采取人为检查拦截或设限高杆方式阻止大货车上高架。但现场拦截危险性高，只适用于白天，很多大货车趁夜晚冲撞限高杆导致限高杆损坏。即使有路口监控，从长达几个小时的夜晚视频中发现违章货车也很不易，且无法做到快速报警。

现有技术通过在路口加设摄像头，处理视频图片，能从视频中检测出车辆速度、位置等信息，从而对违规行驶、占道等行为自动检测，但没有针对大货车上高架的行为做出检测和报警。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种识别准确、自动快捷的大货车违章上高架报警方法。

本发明的目的可以通过以下技术方案来实现：

一种大货车违章上高架报警方法，包括以下步骤：

(1)根据货车数据对车辆外部可见部件的某种形态在任意位置的置信度进行训练；

(2)获取待识别画面，采用路面分类器获取待识别画面的路面区域；

(3)对非路面区域进行车辆外部可见部件的检测，根据步骤(1)的训练结果，计算各车辆外部可见部件组合的置信度；

(4)根据所述置信度获得各车辆外部可见部件的最终位置；

(5)对获得最终位置的待识别画面进行后处理，获得车型最终识别结果，若最终识别结果为大货车，则报警。

所述步骤(1)中，每个可见部件采用HOG的表达方式，通过SVM分类器训练得到各可见部件的某种形态在任意位置的置信度。

所述步骤(2)中，路面分类器由纹理和颜色特征训练得到。

所述步骤(3)中，计算各车辆外部可见部件组合的置信度具体为：

(3-1)采用N-Best方式获得各车辆外部可见部件的形态组合，组合数目为(N*P)^k种，其中，K为部件数目，P为每个部件的形态数，N为每种形态的可能位置数；

(3-2)采用分支定界方式进行截枝处理，获得最终形态组合；

(3-3)计算步骤(3-2)中获得的每种组合的置信度；

(3-4)进行非极大值抑制，相同位置只输出一个置信度最大的结果。

所述步骤(4)中，以置信度最大的组合作为各车辆外部可见部件的最终位置。

所述步骤(5)中，后处理具体为：

(5-1)根据各车辆外部可见部件的最终位置关系判断待识别画面是否为小型车辆；

(5-2)对车厢形状和颜色进行识别，判断待识别画面是否大客车。

所述步骤(5-2)中，对车厢形状和颜色进行识别具体为：

对挡风玻璃上方区间采用GraphCut算法切割出车厢区间，抽取LBP和Colar Histogram特征，采用AbaBoosting分类识别。

所述车辆外部可见部件包括车灯、挡风玻璃和车前栅。

与现有技术相比，本发明具有以下优点：

1、抗遮挡。大货车被其他车辆挡住，其对各部件的检测能够较好处理部分遮挡情况。

2、无误报：采用后处理方式，基本无误报，提高了报警准确率。

3、适用范围广：不同天气，不同角度的摄像头均可使用。

附图说明

图1为本发明的流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，本实施例提供一种大货车违章上高架报警方法，包括以下步骤：

步骤S01，根据货车数据对车辆外部可见部件的某种形态在任意位置的置信度进行训练。由于不同品牌车辆的部件形状不同，因此每个部件都有多种形态，每个可见部件采用HOG的表达方式，通过SVM分类器训练得到各可见部件的某种形态在任意位置的置信度。车辆外部可见部件包括车灯、挡风玻璃和车前栅等。

步骤S02，获取待识别画面，采用路面分类器获取待识别画面的路面区域。路面分类器由纹理和颜色特征训练得到，采用经典的Texton Boost算法获得。Texton Boost算法是一种半监督的机器学习方法。