[发明专利]一种基于车辆辅助驾驶的道路监控系统及方法

权利要求书

1.一种基于车辆辅助驾驶的道路监控系统，其特征在于，该系统包括：摄像头、车载辅助驾驶系统和云平台；其中：

摄像头用于实时获取车辆行驶过程中车辆前方的视频图像；

车载辅助驾驶系统包括：ADAS模块、车牌识别模块、定位模块和无线通信模块；ADAS模块用于分析视频图像进行辅助驾驶预警；车牌识别模块用于通过深度学习算法识别出视频图像中的车牌信息；定位模块用于获取车辆当前的位置信息；无线通信模块用于实现车载辅助驾驶系统与云平台之间的无线数据通信；

云平台用于向所有的车载辅助驾驶系统发送待监控车辆的车牌信息；各个车载辅助驾驶系统通过对视频图像进行汽车轮廓识别，从中提取出当前行驶过程中前方车辆的车牌信息，并将其与待监控车辆的车牌信息进行比对；识别到待监控车辆时，将其位置信息通过无线通信模块发送给云平台；云平台进而调取待监控车辆附近的其它车载辅助驾驶系统，对待监控车辆进行实时跟踪监控。

2.根据权利要求1所述的基于车辆辅助驾驶的道路监控系统，其特征在于，云平台向车载辅助驾驶系统发送的指令包括：待监控车辆的车牌识别、报警、上传位置信息、实时照片或视频传输以及语音播放。

3.根据权利要求1所述的基于车辆辅助驾驶的道路监控系统，其特征在于，车载辅助驾驶系统还包括计算机视觉处理装置，用于实现车型识别、运动中车辆车牌识别、前碰撞预警和车道偏离预警。

4.根据权利要求1所述的基于车辆辅助驾驶的道路监控系统，其特征在于，车载辅助驾驶系统为运动车辆上对其他运动车辆的车牌进行识别的装置和无线通信装置所组成的移动智能设备。

5.根据权利要求1所述的基于车辆辅助驾驶的道路监控系统，其特征在于，车载辅助驾驶系统为安装定位装置和远程无线操控装置所组成的移动智能设备。

6.根据权利要求1所述的基于车辆辅助驾驶的道路监控系统，其特征在于，摄像头中包括摄像头配置装置，用于根据接收的用户输入的车辆类型配置智能摄像头中的ADAS模块的参数。

7.根据权利要求1所述的基于车辆辅助驾驶的道路监控系统，其特征在于，摄像头设置在汽车前挡风玻璃中部。

8.根据权利要求1所述的基于车辆辅助驾驶的道路监控系统，其特征在于，云平台与车载辅助驾驶系统的通信模块之间通过4G信号连接通信。

9.一种基于车辆辅助驾驶的道路监控方法，其特征在于，包括以下步骤：

S1、摄像头实时采集车辆前方视频图像数据；

S2、ADAS模块根据采集到的视频图像数据进行视觉算法识别出前方车辆，并在一定距离范围内提取高清图片；

S3、车牌识别模块根据提取的高清图片进行车牌定位和识别，提取出包含车牌号、号牌颜色、车辆类型、车辆品牌的车辆特征信息；

S4、云平台通过网络下发需监控车辆的车辆特征，车辆特征包括车牌号、号牌颜色、车辆类型、车辆品牌中的一种或多种，将车辆特征发送到车载辅助驾驶系统中，与车牌识别模块提取出的车辆特征进行匹配；如配备成功，则通过无线通信模块实时上报当前车辆特征信息以及位置信息；云平台通过收到布控车辆特征和位置信息，安排警员对问题车辆进行围堵拦截。

10.根据权利要求9所述的基于车辆辅助驾驶的道路监控方法，其特征在于，步骤S2中的ADAS模块的通过视觉算法识别出前方车辆的方法具体为：

a、从摄像头采集到的视频图像数据中获得当前帧序列图片Fn，每帧图像数据由B、G、R三种颜色分量组成；

b、获取当前帧的灰度值，Bn(i，j)、Gn(i，j)、Rn(i，j)是第n帧图像的第i行第j列上B、G、R颜色分量的值，Yn(i，j)为第n帧图像的第i行第j列的灰度值；第n帧的灰度值矩阵简写为Yn，则视频图像的灰度图序列为：Y1、Y2、…、Yn；

c、获得当前帧边缘、帧间差边缘的二值化图像特征；

c1、获得当前帧边缘的二值化图像特征；

c101、获取当前帧灰度值图像的边缘特征；

采用Sobel算子将灰度值图像转换为边缘特征图像，转换后的边缘特征图像序列表示为：E(Y1)、E(Y2)、…、E(Yn)；

c102、二值化处理，将步骤B所得的边缘特征E(Yn)进行二值化处理；根据车辆检测经验获得二值化阈值；二值化之后的图片序列表示为：B(E(Y1))、B(E(Y2))、…、B(E(Yn))简写为：Bg(1)、Bg(2)、…、Bg(n)；

c2、获得图像帧间差边缘的二值化图像特征；

c201、获取当前帧与前一帧的灰度值差；

灰度值差图像序列表示为：

Y2-Y1、Y3-Y2、…、Yn-Yn-1

Dy2(1)＝Y2-Y1、Dy3(2)＝Y3-Y2、…、Dyn(n-1)＝Yn-Yn-1

c202、获取灰度值差图像的边缘特征，采用Sobel算子将灰度值差图像转换为边缘特征图像，灰度值差图像边缘特征的图像序列表示为：

E(Dy2(1))、E(Dy3(2))、…、E(Dyn(n-1))

c203、二值化处理，将边缘特征E(Dyn(n-1))进行二值化处理；根据车辆检测经验获得二值化阈值；二值化之后的图片序列表示为：B(E(Dy2(1)))、B(E(Dy3(2)))、…、B(E(Dyn(n-1)))，简写为：Bd(2)、Bd(3)、…、Bd(n)；

d、获得当前帧运动车辆的边缘特征；

将二值化处理之后的图像：Bg(n)、Bd(n)进行逻辑‘与’运算，即可得到运动车辆的边缘特征，Bg(n)&Bd(n)；

e、获得当前帧阴影的边缘特征；

e1、采用步骤c1过程获得的当前帧边缘的二值化图像特征得到当前帧阴影的边缘特征，所得到的图像序列表示为：

Bg(2)-Bg(2)&Bd(2)、Bg(3)-Bg(3)&Bd(3)、…、Bg(n)-Bg(n)&Bd(n)

e2、采用步骤c2过程获得的帧间差边缘的二值化图像特征得到当前帧阴影的边缘特征，所得到的图像序列表示为：

Bd(3)-Bg(2)&Bd(2)、Bd(4)-Bg(3)&Bd(3)、…、Bd(n+1)-Bg(n)&Bd(n)

f、获得当前帧阴影的准确边缘特征；

在步骤e中分别通过两种方法获得了当前帧背景的边缘特征二值化图像矩阵序列；最后，将这两组图像矩阵序列进行逻辑‘与’运算得到阴影的边缘特征的图片序列。当前帧阴影的准确边缘特征的图像矩阵序列表示如下：

{Bg(2)-Bg(2)&Bd(2)}&{Bd(3)-Bg(2)&Bd(2)}、

{Bg(3)-Bg(3)&Bd(3)}&{Bd(4)-Bg(3)&Bd(3)}、

…、

{Bg(n)-Bg(n)&Bd(n)}&{Bd(n+1)-Bg(n)&Bd(n)}

g、获得准确的运动车辆边缘特征的图片序列，该数据序列用公式可表示为：

{Bg(2)&Bd(2)-{Bg(2)-Bg(2)&Bd(2)}&{Bd(3)-Bg(2)&Bd(2)}、

{Bg(3)&Bd(3)-{Bg(3)-Bg(3)&Bd(3)}&{Bd(4)-Bg(3)&Bd(3)}、

…、

{Bg(n)&Bd(n)-{Bg(n)-Bg(n)&Bd(n)}&{Bd(n+1)-Bg(n)&Bd(n)}

h、从图片序列中提取运动车辆的具体坐标；在此阶段，对数据序列进行去噪处理、膨胀处理；最后，采用八邻域搜索算法获得运动车辆的具体位置坐标信息。