车辆轨迹异常判断方法及装置
阅读：245发布：2020-05-08
专利汇可以提供车辆轨迹异常判断方法及装置专利检索，专利查询，专利分析的服务。并且本 发明 提供一种车辆轨迹异常判断方法及装置，涉及轨迹检测技术领域。所述方法包括：从待分析的视频图像中获得目标车辆的轨迹数据；根据轨迹数据提取目标车辆的轨迹特征；将轨迹特征处理后得到轨迹 特征向量 ；将所述轨迹特征向量输入预先训练得到的分类模型中，对所述目标车辆的轨迹异常情况进行判断，得到目标车辆的异常情况。上述方法综合考虑目标车辆所在 位置 、移动速度、方向等多种因素，提高了 跟踪 异常检测 的准确性，并采用分类模型进行判断，减少了判断错误的情况，提高了判罚的有效性，避免判罚争议。，下面是车辆轨迹异常判断方法及装置专利的具体信息内容。
1.一种车辆轨迹异常判断方法，其特征在于，所述方法包括：
从待分析的视频图像中获得目标车辆的轨迹数据；
根据所述轨迹数据提取所述目标车辆的轨迹特征；
将所述轨迹特征处理后得到轨迹特征向量；
将所述轨迹特征向量输入预先训练得到的分类模型中，对所述目标车辆的轨迹异常情况进行判断，得到所述目标车辆的异常情况。
2.如权利要求1所述的车辆轨迹异常判断方法，其特征在于，所述方法还包括训练分类模型的步骤，该步骤包括：
从样本视频图像中获得样本车辆的轨迹数据；
根据所述样本车辆的轨迹数据得到所述样本车辆的轨迹特征；
将所述样本车辆的轨迹特征处理后得到样本车辆的轨迹特征向量；
将所述样本车辆的轨迹特征向量及所述样本车辆的轨迹异常情况输入分类模型，对所述分类模型进行训练。
3.如权利要求1所述的车辆轨迹异常判断方法，其特征在于，从待分析的视频图像中获得目标车辆的轨迹数据，包括：
采用跟踪算法计算得到所述目标车辆在每一视频图像帧中的轨迹点数据，由所有视频图像帧的轨迹点数据组成所述目标车辆在所述待分析的视频图像中的轨迹数据，其中，所述轨迹点数据包括轨迹点的坐标。
4.如权利要求3所述的车辆轨迹异常判断方法，其特征在于，所述轨迹特征包括轨迹点距离差直方图及轨迹点最大距离差，所述根据所述轨迹数据提取所述目标车辆的轨迹特征包括：
计算所述待分析的视频图像中等间隔采样的相邻视频图像帧的轨迹点之间的距离差，根据所述距离差得到轨迹点距离差直方图，并根据所述轨迹点距离差直方图提取轨迹点最大距离差。
5.如权利要求4所述的车辆轨迹异常判断方法，其特征在于，所述轨迹特征还包括轨迹点角度直方图及轨迹角度最大值，所述根据所述轨迹数据提取所述目标车辆的轨迹特征还包括：
计算所述待分析视频图像中等间隔采样的相邻三幅视频图像帧的轨迹点之间的角度值，根据所述角度值得到轨迹点角度直方图，并根据所述轨迹点角度直方图提取轨迹角度最大值。
6.如权利要求5所述的车辆轨迹异常判断方法，其特征在于，所述轨迹特征还包括轨迹稠密度，所述根据所述轨迹数据提取所述目标车辆的轨迹特征还包括：
统计所述目标车辆在所述待分析视频图像中的轨迹点的总数量；
从所述待分析视频图像的第一预设视频图像帧开始，计算相邻视频图像帧的轨迹点在第一预设方向上的第一距离差及第二预设方向上的第二距离差，并统计所述第一距离差与第二距离差之和小于预设阈值的轨迹点的数量；
由所述轨迹点的总数量、第一距离差与第二距离差之和小于预设阈值的轨迹点的数量组成所述轨迹稠密度。
7.如权利要求6所述的车辆轨迹异常判断方法，其特征在于，所述轨迹特征还包括轨迹垂直偏移量，所述根据所述轨迹数据提取所述目标车辆的轨迹特征还包括：
从所述目标车辆的第二预设视频图像帧开始，计算所述待分析视频图像中相邻视频图像帧的轨迹点在第三预设方向上的第三距离差，其中，所述第三预设方向为所述目标车辆所在道路的延伸方向；
计算所述轨迹点从第二预设视频图像帧到最后一帧的全部第三距离差之和，得到所述轨迹垂直偏移量。
8.如权利要求1-7任意一项所述的车辆轨迹异常判断方法，其特征在于，所述将所述轨迹特征处理后得到轨迹特征向量，包括：
对轨迹点距离差直方图及轨迹点最大距离差、轨迹点角度直方图及轨迹角度最大值、轨迹稠密度、轨迹垂直偏移量中的一项或多项特征进行归一化处理，得到所述轨迹特征向量。
9.一种车辆轨迹异常判断装置，其特征在于，所述装置包括：
数据获取模块，用于从待分析的视频图像中获得目标车辆的轨迹数据；
特征提取模块，用于根据所述轨迹数据提取所述目标车辆的轨迹特征；
向量获取模块，用于将所述轨迹特征处理后得到轨迹特征向量；
分类模块，将所述轨迹特征向量输入预先训练得到的分类模型中，对所述目标车辆的轨迹异常情况进行判断，得到所述目标车辆的异常情况。
10.如权利要求9所述的车辆轨迹异常判断装置，其特征在于，所述装置还用于训练分类模型，具体用于：
所述数据获取模块从样本视频图像中获得样本车辆的轨迹数据；
所述特征提取模块根据所述样本车辆的轨迹数据得到所述样本车辆的轨迹特征；
所述向量获取模块将所述样本车辆的轨迹特征处理后得到样本车辆的轨迹特征向量；
所述分类模块将所述样本车辆的轨迹特征向量及所述样本车辆的轨迹异常情况输入分类模型，对所述分类模型进行训练。
车辆轨迹异常判断方法及装置
技术领域
[0001] 本发明涉及轨迹检测技术领域，具体而言，涉及一种车辆轨迹异常判断方法及装置。
背景技术
[0002] 目前，交通管控中的电警相机主要用于路口车辆运动状态监控、违章行为分析、违章证据抓拍等，为交通违章处罚提供有效依据。车辆违章判罚依赖于车辆跟踪，然由于电警场景的复杂性和不可控性，使得车辆跟踪及轨迹异常情况判断存在较多偏差，导致违章判罚的准确性较低，引起处罚争议，严重影响交管部门的执法效率。
发明内容
[0003] 有鉴于此，本发明实施例的目的在于提供一种车辆轨迹异常判断方法及装置。
[0004] 第一方面，本发明实施例提供一种车辆轨迹异常判断方法，所述方法包括：
[0005] 从待分析的视频图像中获得目标车辆的轨迹数据；
[0006] 根据所述轨迹数据提取所述目标车辆的轨迹特征；
[0007] 将所述轨迹特征处理后得到轨迹特征向量；
[0008] 将所述轨迹特征向量输入预先训练得到的分类模型中，对所述目标车辆的轨迹异常情况进行判断，得到所述目标车辆的异常情况。
[0009] 可选地，所述方法还包括训练分类模型的步骤，该步骤包括：
[0010] 从样本视频图像中获得样本车辆的轨迹数据；
[0011] 根据所述样本车辆的轨迹数据得到所述样本车辆的轨迹特征；
[0012] 将所述样本车辆的轨迹特征处理后得到样本车辆的轨迹特征向量；
[0013] 将所述样本车辆的轨迹特征向量及所述样本车辆的轨迹异常情况输入分类模型，对所述分类模型进行训练。
[0014] 可选地，从待分析的视频图像中获得目标车辆的轨迹数据，包括：
[0016] 可选地，所述轨迹特征包括轨迹点距离差直方图及轨迹点最大距离差，所述根据所述轨迹数据提取所述目标车辆的轨迹特征包括：
[0017] 计算所述待分析的视频图像中等间隔采样的相邻视频图像帧的轨迹点之间的距离差，根据所述距离差得到轨迹点距离差直方图，并根据所述轨迹点距离差直方图提取轨迹点最大距离差。
[0018] 可选地，所述轨迹特征还包括轨迹点角度直方图及轨迹角度最大值，所述根据所述轨迹数据提取所述目标车辆的轨迹特征还包括：
[0019] 计算所述待分析视频图像中等间隔采样的相邻三幅视频图像帧的轨迹点之间的角度值，根据所述角度值得到轨迹点角度直方图，并根据所述轨迹点角度直方图提取轨迹角度最大值。
[0020] 可选地，所述轨迹特征还包括轨迹稠密度，所述根据所述轨迹数据提取所述目标车辆的轨迹特征还包括：
[0021] 统计所述目标车辆在所述待分析视频图像中的轨迹点的总数量；
[0022] 从所述待分析视频图像的第一预设视频图像帧开始，计算相邻视频图像帧的轨迹点在第一预设方向上的第一距离差及第二预设方向上的第二距离差，并统计所述第一距离差与第二距离差之和小于预设阈值的轨迹点的数量；
[0023] 由所述轨迹点的总数量、第一距离差与第二距离差之和小于预设阈值的轨迹点的数量组成所述轨迹稠密度。
[0024] 可选地，所述轨迹特征还包括轨迹垂直偏移量，所述根据所述轨迹数据提取所述目标车辆的轨迹特征还包括：
[0025] 从所述目标车辆的第二预设视频图像帧开始，计算所述待分析视频图像中相邻视频图像帧的轨迹点在第三预设方向上的第三距离差，其中，所述第三预设方向为所述目标车辆所在道路的延伸方向；
[0026] 计算所述轨迹点从第二预设视频图像帧到最后一帧的全部第三距离差之和，得到所述轨迹垂直偏移量。
[0027] 可选地，所述将所述轨迹特征处理后得到轨迹特征向量，包括：
[0028] 对轨迹点距离差直方图及轨迹点最大距离差、轨迹点角度直方图及轨迹角度最大值、轨迹稠密度、轨迹垂直偏移量中的一项或多项特征进行归一化处理，得到所述轨迹特征向量。
[0029] 第二方面，本发明实施例还提供一种车辆轨迹异常判断装置，所述装置包括：
[0030] 数据获取模块，用于从待分析的视频图像中获得目标车辆的轨迹数据；
[0031] 特征提取模块，用于根据所述轨迹数据提取所述目标车辆的轨迹特征；
[0032] 向量获取模块，用于将所述轨迹特征处理后得到轨迹特征向量；
[0033] 分类模块，将所述轨迹特征向量输入预先训练得到的分类模型中，对所述目标车辆的轨迹异常情况进行判断，得到所述目标车辆的异常情况。
[0034] 可选地，所述装置还用于训练分类模型，具体用于：
[0035] 所述数据获取模块从样本视频图像中获得样本车辆的轨迹数据；
[0036] 所述特征提取模块根据所述样本车辆的轨迹数据得到所述样本车辆的轨迹特征；
[0037] 所述向量获取模块将所述样本车辆的轨迹特征处理后得到样本车辆的轨迹特征向量；
[0038] 所述分类模块将所述样本车辆的轨迹特征向量及所述样本车辆的轨迹异常情况输入分类模型，对所述分类模型进行训练。
[0039] 相对于现有技术而言，本发明具有以下有益效果：
[0040] 本发明实施例提供的车辆轨迹异常判断方法及装置，根据样本视频图像中提取的样本车辆的轨迹特征向量及轨迹异常判断情况，经训练得到分类模型，再根据待分析视频图像中提取的目标车辆的轨迹数据得到目标车辆的轨迹特征向量，输入预先训练好的分类模型中进行判断，得到目标车辆的轨迹异常情况判定，采用多种轨迹特征组合成目标车辆的轨迹特征向量，综合考虑目标车辆所在位置、移动速度、方向等多种因素，提高了跟踪异常检测的准确性，并采用分类模型对采集获得的轨迹特征向量进行处理和判定，减少了判断错误的情况，降低错误违章判罚的数量，提高了判罚的有效性，避免判罚争议。附图说明
[0041] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应该看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0042] 图1为本发明实施例提供的车辆轨迹异常判断系统的结构示意图；
[0043] 图2为图1中服务器的结构示意图；
[0044] 图3为本发明实施例提供的车辆轨迹异常判断方法的流程图；
[0045] 图4为本发明实施例提供的分类模型训练方法的流程图；
[0046] 图5为本发明实施例提供的车辆轨迹异常判断装置的结构示意图。
[0047] 图标：1-车辆轨迹异常判断系统；10-服务器；11-视频采集端；100-车辆轨迹异常判断装置；101-存储单元；102-处理单元；103-通信单元；1001-数据获取模块；1002-特征提取模块；1003-向量获取模块；1004-分类模块。
具体实施方式
[0048] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0049] 应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0050] 在本发明的描述中，需要说明的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0051] 在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0052] 因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0053] 现有技术中，为了检测被跟踪的目标车辆的轨迹异常情况，通常有两种判断的方法。其一，通过检测与目标车辆临近的同类型车辆的数量来判断该目标车辆的轨迹是否异常。其二，根据目标车辆的最初两个轨迹点的位置，选择合适的计算函数和统计方法，计算出该目标车辆后续轨迹点落点的概率或概率范围，从第三个轨迹点开始，每个轨迹点的概率都由前两个轨迹点进行计算。
[0054] 然而，申请人发现，在上述方案中，一方面，若仅利用与待测车辆同类型的相邻车辆的数量来判断轨迹是否异常，或仅采用前面轨迹点的位置信息来判断后续轨迹点的位置的概率，忽略了其它因素，例如待测车辆的运动状态，以及待测车辆所处场景的差异性等，由于判断的条件有限，势必会影响判断结果的准确性；另一方面，若仅在轨迹数据的原始空间进行数据处理，也会降低轨迹特征的提取效果。上述两方面的内容都可能导致对目标车辆轨迹异常情况的误判。
[0056] 请参照图1，本发明实施例提供一种车辆轨迹异常判断系统1。所述车辆轨迹异常判断系统1包括服务器10及至少一个视频采集端11，所述服务器10与视频采集端11可通过无线或有线网络通信连接，以实现所述服务器10与视频采集端11之间的数据通信或交互。
[0057] 所述视频采集端11可以是智能摄像机，用于采集被跟踪的目标车辆的视频图像信息，并将采集到的视频图像通过网络传送给所述服务器10。
[0058] 所述服务器10可以是，但不限于，web(网站)服务器、ftp(file transfer protocol，文件传输协议)服务器等，用于对接收的信息进行处理和跟踪异常判断。
[0059] 请参照图2，是图1所示的服务器10的结构示意图。所述服务器10包括车辆轨迹异常判断装置100、存储单元101、处理单元102及通信单元103。
[0060] 所述存储单元101、处理单元102及通信单元103各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述车辆轨迹异常判断装置100包括至少一个可以软件(software)或固件(firmware)的形式存储于所述存储单元101中或固化在所述服务器10的操作系统(operating system，OS)中的软件功能模块。所述处理单元102用于执行所述存储单元101中存储的可执行模块，例如所述车辆轨迹异常判断装置100所包括的软件功能模块及计算机程序等。
[0061] 其中，所述存储单元101可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。所述处理单元102可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DSP))、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。所述通信单元103用于通过网络建立所述服务器10与所述视频采集端11之间的通信连接，并通过网络收发数据。
[0062] 请参照图3，本发明实施例还提供一种车辆轨迹异常判断方法，应用于图1及图2所示的服务器10。下面对车辆轨迹异常判断方法的具体流程进行详细阐述。
[0063] 所述车辆轨迹异常判断方法包括：
[0064] 步骤S11，从待分析的视频图像中获得目标车辆的轨迹数据。
[0065] 在本实施例中，所述待分析视频可以由所述视频采集端11采集获得。所述步骤S11具体包括：
[0066] 采用跟踪算法计算得到所述目标车辆在每一视频图像帧中的轨迹点数据，由所有视频图像帧的轨迹点数据组成所述目标车辆在所述待分析的视频图像中的轨迹数据，其中，所述轨迹点数据包括轨迹点的坐标。
[0067] 在本实施例中，所述跟踪算法用于识别和跟踪目标车辆，可以是质心跟踪算法、相关跟踪算法、边缘跟踪算法、相位相关跟踪算法、场景锁定算法等，在此不作具体限定。利用跟踪算法，将所述目标车辆在每一帧待分析的视频图像中均视作一个轨迹点，获取所述目标车辆在所述待分析的视频图像中的轨迹点坐标，集合成所述轨迹数据。为便于计算和分析，作为一种优选的方式，可将所述待分析的视频图像中目标车辆所在道路的延伸方向作为坐标点采样的纵轴，与道路延伸方向垂直的方向作为横轴，所述轨迹点坐标用(xi,yi)(i＝1,2,…,n)表示，其中，i表示所述目标车辆跟踪第i帧的轨迹点坐标，n表示所述待分析的视频图像中所述目标车辆的跟踪总帧数，也是轨迹点总数。需要说明的是，此种优选的方式同样可以应用于下面要描述的轨迹特征向量提取的过程。
[0068] 在得到所述目标车辆的轨迹数据后，进入步骤S12。
[0069] 步骤S12，根据所述轨迹数据提取所述目标车辆的轨迹特征。
[0070] 在本实施例中，利用所述目标车辆的轨迹数据提取多种轨迹特征，使得轨迹信息更全面，轨迹信息利用更加高效，提高跟踪异常检测的准确性。下面将对本申请实施例提供的轨迹点距离差直方图及轨迹点最大距离差、轨迹点角度直方图及轨迹角度最大值、轨迹稠密度及轨迹垂直偏移量这四种轨迹特征的提取过程作详细阐述。
[0071] 在本实施例中，所述轨迹特征包括轨迹点距离差直方图及轨迹点最大距离差，所述根据所述轨迹数据提取所述目标车辆的轨迹特征包括：
[0072] 计算所述待分析的视频图像中等间隔采样的相邻视频图像帧的轨迹点之间的距离差，根据所述距离差得到轨迹点距离差直方图，并根据所述轨迹点距离差直方图提取轨迹点最大距离差。
[0073] 以所述待分析视频图像的第i帧为例，当等间隔采样的间隔为0时，所述待分析视频图像的当前帧及与当前帧相邻的前一帧，即第i、i-1帧的轨迹点(xi,yi)、(xi-1,yi-1)之间距离差Δzi,i-1计算如下：
[0074]
[0075] 需要说明的是，若采样间隔不为0，需忽略间隔的视频图像帧，将等间隔采样获取的某一视频图像帧与其相邻的前一视频图像帧中的轨迹点坐标标记为(xi,yi)、(xi-1,yi-1)，并以此类推。
[0076] 从所述待分析的视频图像的起始帧开始至第i帧，根据所述距离差Δzi,i-1提取所述轨迹点距离差直方图D2[N2]，并遍历所述轨迹点距离差直方图D2[N2]获取所述轨迹点最大距离差D2max的过程如下：
[0077] 若Δzi,i-1≤D2max或者Δzi,i-1＝0，则当D2max＝0时，D2[0]加1；当D2max≠0时，加1。
[0078] 若Δzi,i-1＞D2max且Δzi,i-1≠0，则遍历D2[N2]，当D2[j]≠0(j＝1,2,…,N2-1)时，先取 值为 然后令D2[j]为0；并且D2[N2-1]值为1，D2max值为Δzi,i-1。
[0079] 其中，N2为预设值，表示轨迹点距离差直方图D2[N2]的元素个数，例如，当N2＝4时，所述轨迹点距离差直方图包括元素D2[0]，D2[1]，…，D2[3]。j为遍历过程中当前直方图的元素个数，j≤N2。
[0080] 采用轨迹点距离差直方图对轨迹点的距离差作统计，并用直方图的最后一个区间表示轨迹点最大距离差，当遍历到的当前轨迹点距离差大于之前统计的最大距离差时，用当前距离差的值替换原最大距离差的值，其余元素依次迁移到对应的前区间，从而从等间隔采样的相邻视频图像帧的轨迹点之间的距离差中提取出所述轨迹点最大距离差。所述轨迹点最大距离差用于表示某较短时间间隔内所述目标车辆的最大位移量，即表示所述目标车辆在所述待分析的视频图像中的最高行驶速度。
[0081] 在本实施例中，所述轨迹特征还包括轨迹点角度直方图及轨迹角度最大值，所述根据所述轨迹数据提取所述目标车辆的轨迹特征还包括：
[0082] 计算所述待分析视频图像中等间隔采样的相邻三幅视频图像帧的轨迹点之间的角度值，根据所述角度值得到轨迹点角度直方图，并根据所述轨迹点角度直方图提取轨迹角度最大值。
[0083] 以所述待分析的视频图像的第i帧为例，当等间隔采样的间隔为0时，所述待分析视频图像的当前帧及与当前帧相邻的前一帧、前两帧的轨迹点，即第i、i-1、i-2帧的轨迹点(xi,yi)、(xi-1,yi-1)、(xi-2,yi-2)。其中，前两帧与前一帧轨迹点之间的连线为li-1,i-2，前一帧与当前帧轨迹点之间的连线为li,i-1。计算连线li,i-1、li-1,i-2之间角度α，公式如下：
[0084]
[0085] α＝arccos(cosα)*180/π
[0086] 上式中，当且分子分母同号时，cosα＝1；当且分子分母异号时，cosα＝-1。Δzi,i-1为跟踪第i、i-1帧轨迹点(xi,yi)、(xi-1,yi-1)之间距离差，Δzi-1,i-2为跟踪第i-1、i-2帧轨迹点(xi-1,yi-1)、(xi-2,yi-2)之间距离差，Δzi,i-2为跟踪第i、i-2帧轨迹点(xi,yi)、(xi-2,yi-2)之间距离差，计算公式如下：
[0087]
[0088]
[0089]
[0090] 需要说明的是，若采样间隔不为0，需忽略间隔的视频图像帧，将等间隔采样获取的某一视频图像帧与其相邻的前一帧、前两帧视频图像中的轨迹点坐标标记为(xi,yi)、(xi-1,yi-1)、(xi-2,yi-2)，并以此类推。
[0091] 截止第i帧，所述轨迹点角度直方图A3[N3]以及等间隔采样的相邻三幅视频图像帧的轨迹点之间的轨迹角度最大值A3max提取过程如下：
[0092] 若α≤A3max或者α＝0，则当A3max＝0时，A3[0]加1；当A3max≠0时， 加1。
[0093] 若α＞A3max且α≠0，则遍历A3[N3]，当A3[k]≠0(k＝1,2,…,N3-1)时，先取值为 然后令A3[k]为0；并且A3[N3-1]值为1，A3max值为α。
[0094] 遍历所述轨迹角度直方图并提取所述轨迹角度最大值的方式与获取上述轨迹距离差直方图及轨迹点最大距离差的方式类似，在此不做过多描述。所述轨迹角度最大值用于表示所述目标车辆在某一时间间隔内的相邻三个轨迹点的连线之间的最大角度，即所述目标车辆在所述待分析的视频图像中的方向变化的最大值。
[0095] 在本实施例中，所述轨迹特征还包括轨迹稠密度，所述根据所述轨迹数据提取目标车辆的轨迹特征还包括：
[0096] 统计所述目标车辆在所述待分析视频图像中的轨迹点的总数量；
[0097] 从所述待分析视频图像的第一预设视频图像帧开始，计算相邻视频图像帧的轨迹点在第一预设方向上的第一距离差及第二预设方向上的第二距离差，并统计所述第一距离差与第二距离差之和小于预设阈值的轨迹点的数量；
[0098] 由所述轨迹点的总数量、第一距离差与第二距离差之和小于预设阈值的轨迹点的数量组成所述轨迹稠密度。
[0099] 需要说明的是，上述“第一”、“第二”等词语应做广义理解，其作用仅仅是为了区分所述第一距离差及第二距离差的取值方向，便于描述本发明和简化描述，而不是指示或暗示所指的对象必须具有某种特定的相对重要性，因此不能理解为对本发明的限制。以此类推，后文将要提及的“第三”等词语的作用亦类似，也不能理解为对本发明的限制。
[0100] 从第一预设视频图像帧nth1开始，可选地，所述第一预设方向可以是纵轴(y)方向，所述第二预设方向可以是横轴(x)方向，以所述待分析视频图像的第i帧为例，提取所述轨迹稠密度D[N4](N4＝2)如下：
[0101]
[0102] D[1]＝i
[0103] 上式中，M为阈值，可选地，M＝2。Δxi,i-1、Δyi,i-1分别为所述待分析视频图像的第i、i-1帧的轨迹点在纵轴(y)、横轴(x)方向上的距离差，计算公式如下：
[0104] Δxi,i-1＝xi-xi-1
[0105] Δyi,i-1＝yi-yi-1
[0106] 由以往统计经验显示，车辆跟踪轨迹发生异常的情况相对来说有比较大的概率会发生在车辆跟踪视频图像的末段，因此，本发明实施例在对所述轨迹稠密度进行提取时，也选取所述待分析视频图像的末段数帧。若当前第i帧的轨迹点与前一帧即第i-1帧的轨迹点的所述第一距离差与第二距离差之和小于预设阈值，则当前第i帧的轨迹点在所述待分析的视频图像中的位移量处于正常范围内，将当前第i帧的轨迹点统计为正常轨迹点，与所述轨迹点的总数量共同构成所述轨迹稠密度。
[0107] 在本实施例中，所述轨迹特征还包括轨迹垂直偏移量，所述根据所述轨迹数据提取所述目标车辆的轨迹特征还包括：
[0108] 从所述目标车辆的第二预设视频图像帧开始，计算所述待分析视频图像中相邻视频图像帧的轨迹点在第三预设方向上的第三距离差，其中，所述第三预设方向为所述目标车辆所在道路的延伸方向；
[0109] 计算所述轨迹点从第二预设视频图像帧到最后一帧的全部第三距离差之和，得到所述轨迹垂直偏移量。
[0110] 从所述第二预设视频图像帧nth2开始，以所述待分析视频图像的第i(i＝n-nth2+1,n-nth2+2,…,n)帧为例,提取所述轨迹点在最后(n-nth2)帧的轨迹垂直偏移量ΔYsum，计算公式如下：
[0111]
[0112] 将所述目标车辆在所述待分析视频的末尾数帧中，在纵轴方向上的总位移量作为轨迹特征，即作为判断轨迹是否异常的条件之一，以检测所述目标车辆在即将驶离所述视频采集端11的监控范围时的行驶速度是否过快。
[0113] 在得到所述目标车辆的轨迹特征后，进入步骤S13。
[0114] 步骤S13，将所述轨迹特征处理后得到轨迹特征向量。
[0115] 在本实施例中，上述步骤S13具体包括以下步骤：
[0116] 对轨迹点距离差直方图及轨迹点最大距离差、轨迹点角度直方图及轨迹角度最大值、轨迹稠密度、轨迹垂直偏移量中的一项或多项特征进行归一化处理，得到所述轨迹特征向量。
[0117] 在本实施例中，所述归一化处理的过程具体可以由以下公式来表示：
[0118]
[0119]
[0120]
[0121]
[0122] T[N2+N3+2]＝D2max
[0123] T[N2+N3+3]＝A3max
[0124] T[N2+N3+4]＝ΔYsum
[0125] 其中，r、s为参数，ND2、NA3分别为计算D2[N2]、A3[N3]所用到的轨迹点的数量。
[0126] 当完成对所述轨迹特征的归一化，得到所述轨迹特征向量后，进入步骤S14。
[0127] 步骤S14，将所述轨迹特征向量输入预先训练得到的分类模型中，对所述目标车辆的轨迹异常情况进行判断，得到所述目标车辆的异常情况。
[0128] 在本实施例中，可选地，所述分类模型可以是SVM(Support Vector Machine，支持向量机)模型，也可以是马尔可夫模型(Markov Model)。采用分类模型对轨迹特征向量进行检测，可以减少对信息的误判，据此获得的车辆轨迹跟踪异常判断结果的准确性更高，提高违章判罚的有效率。
[0129] 在本实施例中，所述的分类模型可以经过训练得到，具体训练过程阐述如下。
[0130] 请参照图4，本发明实施例提供的车辆轨迹异常判断方法中训练分类模型的步骤具体包括：
[0131] 步骤S21，从样本视频图像中获得样本车辆的轨迹数据。
[0132] 在本实施例中，所述样本视频图像可以是所述视频采集装置以往采集的视频素材。
[0133] 步骤S22，根据所述样本车辆的轨迹数据得到所述样本车辆的轨迹特征。
[0134] 在本实施例中，所述样本车辆的轨迹特征也包括轨迹点距离差直方图及轨迹点最大距离差、轨迹角度直方图及轨迹角度最大值、轨迹稠密度及轨迹垂直偏移量，提取过程与步骤S12类似，可以参考上述对步骤S12的描述。
[0135] 步骤S23，将所述样本车辆的轨迹特征处理后得到样本车辆的轨迹特征向量。
[0136] 在本实施例中，对所述样本车辆的轨迹特征也经过归一化处理，得到样本车辆的轨迹特征向量，归一化过程与步骤S13类似，可以参考上述对步骤S13的描述。
[0137] 步骤S24，将所述样本车辆的轨迹特征向量及所述样本车辆的轨迹异常情况输入分类模型，对所述分类模型进行训练。
[0138] 在本实施例中，由于已经得知了样本车辆的轨迹异常情况，将所述样本车辆的轨迹特征向量及所述样本车辆的轨迹异常情况输入分类模型，经过训练得到训练后的分类模型，所述训练后的分类模型用于对由待分析的视频图像中获取的轨迹特征向量进行处理和判断，得到目标车辆的轨迹异常判断结果。
[0139] 如果上述方法步骤的功能以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0140] 请参照图5，本发明实施例还提供一种车辆轨迹异常判断装置100，由于所述装置的各个模块的具体功能已经在上面方法步骤中介绍，下面对所述车辆轨迹异常判断装置100的各功能模块作简要介绍。所述装置包括：
[0141] 数据获取模块1001，用于从待分析的视频图像中获得目标车辆的轨迹数据。
[0142] 特征提取模块1002，用于根据所述轨迹数据提取所述目标车辆的轨迹特征。
[0143] 向量获取模块1003，用于将所述轨迹特征处理后得到轨迹特征向量。
[0144] 分类模块1004，将所述轨迹特征向量输入预先训练得到的分类模型中，对所述目标车辆的轨迹异常情况进行判断，得到所述目标车辆的异常情况。
[0145] 在本实施例中，所述装置还用于训练分类模型，具体用于：
[0146] 所述数据获取模块1001从样本视频图像中获得样本车辆的轨迹数据；
[0147] 所述特征提取模块1002根据所述样本车辆的轨迹数据得到所述样本车辆的轨迹特征；
[0148] 所述向量获取模块1003将所述样本车辆的轨迹特征处理后得到样本车辆的轨迹特征向量；
[0149] 所述分类模块1004将所述样本车辆的轨迹特征向量及所述样本车辆的轨迹异常情况输入分类模型，对所述分类模型进行训练。
[0150] 综上所述，本发明实施例提供的车辆轨迹异常判断方法及装置，根据样本视频图像中提取的样本车辆的轨迹特征向量及轨迹异常判断情况，经训练得到分类模型，再根据待分析视频图像中提取的目标车辆的轨迹数据得到目标车辆的轨迹特征向量，输入预先训练好的分类模型中进行判断，得到目标车辆的轨迹异常情况判定，采用多种轨迹特征组合成目标车辆的轨迹特征向量，综合考虑目标车辆所在位置、移动速度、方向等多种因素，提高了跟踪异常检测的准确性，并采用分类模型对采集获得的轨迹特征向量进行处理和判定，减少了判断错误的情况，降低错误违章判罚的数量，提高了判罚的有效性，避免判罚争议。
[0151] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种带有风随人动模式的风机 | 2020-05-08 | 373 |
| 高动态下直扩信号的伪码和多普勒的联合捕获方法 | 2020-05-08 | 604 |
| 一种机载发动机健康管理系统及方法 | 2020-05-11 | 944 |
| 一种电网调控系统的运维数据监视方法及运维系统 | 2020-05-08 | 78 |
| 一种高性能同频全双工自干扰抵消方法 | 2020-05-08 | 498 |
| 头戴式装置在用户上的位置的确定 | 2020-05-08 | 83 |
| 智能后勤平台管理系统 | 2020-05-08 | 626 |
| 一种基于人体骨架检测的多相机人员定位跟踪显示方法 | 2020-05-11 | 553 |
| 一种基于光电图像处理的精准智能停车管理方法及管理系统 | 2020-05-11 | 184 |
| 一种具有定位功能的试管架载入检测装置 | 2020-05-08 | 678 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈