安防监控
Security monitoring

高清闯红灯自动记录系统

作者: 来源: 发布时间: 2012-12-28 16:28:27 浏览: 6083 字体大小:大号 中号 小号

高清闯红灯抓拍系统总体构架拓扑图如下:


高清闯红灯-01.jpg


如上图所示,本项目总体设计可划分为:

 高清闯红灯(视频侦测)自动记录系统

 通讯网络传输系统

 智能交通综合管控平台


1.高清闯红灯(视频侦测)自动记录子系统

本系统建设充分考虑北方寒冷冰冻天气及公路路面质量不好等因素,采用视频侦测技术模式进行车辆检测,从而避免采用地感线圈方式的施工难度及后续维护成本。视频侦测检测模式可以不因路边变更渠化可能需重新埋设线圈、高纬度开冻期和低纬度夏季路面变化严重导致线圈断裂损坏而增加维护难度及成本,具有成本低(无需埋设地感线圈)、适应范围广、维护方便简单等特点。

高清闯红灯(视频侦测)自动记录系统一般也由车辆检测单元、图像采集单元、数据处理存储单元、传输单元和辅助照明单元等组成。

1.1车辆检测单元

本系统的车辆检测单元主要采用了虚拟线圈及号牌特征检测算法,并集合多种图像处理和分析技术来减少车牌的检测错误率,提高车辆精确度。其优势在于在虚拟线圈判断的基础上首先加入了在线学习模块,采用最新的反馈型学习模型来自适应环境的变化,提高了系统对环境的适应能力;其次本系统在时间轴上对图像信息密集采样,对每一帧的全景信息进行实时分析计算,用一种完全基于学习的多种特征融合的车辆定位新算法对图像进行车辆定位,判别出真正的车辆,进行车辆锁定并对锁定的车辆进行实时跟踪;然后得到车辆的精确位置以及车辆运动的矢量轨迹曲线图。

1.1.1车辆检测原理

虚拟线圈模块

虚拟线圈通过模式识别和计算机智能算法,对区域进行车辆检测,滤除大灯、阴影以及雨雪等的影响,提高系统捕获正确有效率,本系统采用每车道布设两个一组的虚拟线圈方式进行车辆是否存在及行驶方向的检测判断,进一步减少误拍率,提高系统准确率及有效率

噪声过滤模块

噪声过滤模块是针对全景中出现的各种噪声影响,对提高系统的判别正确率具有重要作用。由于噪声的产生以及影响复杂多样,因此如何滤除或减少噪声的影响,提高系统的鲁棒性,在学术科研领域和工程领域都是一个至关重要的课题内容和研究方向。

以往的闯红灯系统,虽然有些捕获率有一定保证,但仅仅是针对环境中一些简单的噪声进行滤除,甚至没有,因此导致闯红灯系统的捕获正确率较低。行人、非机动车辆、阴影、雨雪、灯光等都会对系统造成误差,导致捕获图片可用率较低,加大了业主筛选工作量。

本系统采用一种综合性混合优化的计算机人工智能算法,利用大量学习样本,综合分析各种噪声的整体特征和局部特征,并采用国际上先进的计算机启发式混合智能优化算法,实现对各种噪声的过滤和衰弱。经大量实验分析,该算法对噪声的滤除作用明显,对摄像机的系统噪声、车辆以及树木等等的阴影、行人、非机动车辆、夜晚车辆大灯、大雨、雪、地面有水时的反光等等各种环境噪声都有很好的滤除和衰减作用,大大提高了系统的捕获正确有效率。特别是对夜晚环境的噪声有较好的滤除作用,提高高清工业摄像机夜晚的画面质量。

车辆定位模块

车辆定位模块是一个十分重要的环节,是后续环节的基础,其准确性对整体系统性能的影响巨大。由于车辆种类繁多,大型车小型车在外形、大小方面的差别,各种车辆的颜色各异,对车辆的自动化定位实现提出了很大的挑战。

以往的车辆定位系统,通常经验性地使用一些低层特征(如颜色、边缘信息等),再利用简单的分类器(如经验性的阈值等)进行车辆定位。本系统完全摒弃了以往的算法思路,实现了一种完全基于学习的多种特征融合的车辆定位新算法。该算法结合车辆的低层特征与高层特征(如形状等),利用大量的学习样本,从海量特征中提取出车辆内部最不同于其他事物的特征,并采用最新的分类器算法,训练出快速而又可靠的车辆定位器,适用于各种复杂的背景环境,各种不同的天气变化与光照变化以及不同的摄像角度。这一算法检测率高、错误率低、检测速度快。

为了保证车辆的定位的速度,准确率以及抗击各种天气,关照变化的影响,本系统的车辆定位模块分成两个阶段:

粗定位:对整幅图像信息进行扫描,结合车辆的低层特征与高层特征,快速的找到车辆的位置。

精定位:为了适应各种天气,光照的变化,系统在粗定位的基础上,利用粗定位的所得到的车辆位置信息,利用车辆分割、去影、去雾等图像处理技术进行车辆的精定位,来排除各种干扰信息,达到准确判断车辆的位置的目的,并且可以准确判断多辆车的位置。

车辆跟踪模块

车辆跟踪模块是在车辆定位的基础上对时间轴上的图像信息进行密集采样,对已定位的车辆进行目标锁定,并对锁定的车辆进行实时跟踪,来计算出车辆的精确位置和车辆的运动矢量轨迹曲线图。本系统首先根据已得到的车辆的运动矢量轨迹曲线用最新的反馈模型对车辆的下一帧状态进行预测,然后结合车辆的低层特征和高层特征,进行车辆匹配,达到车辆目标锁定的目的。

本系统可以实现对全景中多个车辆进行跟踪,从而可以进行单方向多车道闯红灯违法行为的检测判断。

车牌定位模块

车牌定位模块是车牌识别的基础,本系统完全摒弃了以往的算法思路,实现了一种完全基于学习的多种特征融合的车牌定位新算法,适用于各种复杂的背景环境和不同的摄像角度。由于该算法是一种完全基于学习的算法,只要有足够的学习样本,可以快速训练出针对不同车牌类型的新的检测模型。

车牌识别模块

在车牌识别模块中,本系统采用了多种识别模型相结合的方法,构建了一种层次化的字符识别流程,有效地提高了字符识别的正确率。另一方面,本系统在字符识别之前,使用计算机智能算法对字符图像进行了前期处理,不仅尽可能保留了图像信息,而且提高了图像质量,提高了相似字符的可区分性,保证了字符识别的可靠性。

同步校准模块

同步校准模块对虚拟线圈与车辆跟踪模块进行时序上的调整,使得全景图像与虚拟线圈的触发达到正确的一一匹配。传统的匹配方法仅仅利用对全景图像和特写图像抓拍位置这一信息进行对应匹配,这种方法由于信息不完整,在车流量较大的情况会出现较大的误差。本系统综合了车辆的位置、通过时间,图像的特征等等更多的有用信息,通过对车辆跟踪模块中锁定的目标和虚拟线圈触发的信息进行一一匹配,进一步滤除噪声,提高系统的捕获正确有效率,保证了系统具有更好的可靠性,和对环境可以更好的适应能力。

在线学习模块

由于本系统的应用环境十分复杂,背景图像、光照条件、镜头焦距、成像质量。天气情况等因素变化无常,任何一种一成不变的检测和识别算法都不可能完全适应千变万化的应用环境。本系统特别添加了在线学习模块,该模块采用最新的反馈型学习模型,利用决策模块得到的图象质量、分类可信度评价等反馈信息,智能化地更新一些算法参数,使得系统能快速适应新的应用环境。该算法作为已有算法的一个有力补充,进一步提高了系统性能。

1.1.2 红绿灯检测原理

目前路口使用的交通信号机大多是多相位红绿灯,因此,交通信号检测单元将分别对每一个车道应遵循的信号灯进行检测,即分别将直行,左转、右转的红灯信号、绿灯信号和黄闪信号(220V交流电压信号)送至检测单元,以便路口检测主机能实时获得红绿灯变化信号,配合信号灯与车道视频检测的逻辑关系,可确保系统只对红灯状态下闯红灯违法车辆进行拍照记录,比如在红灯信号消失、黄闪时间段内通过停车线的车辆系统不予以拍照。

交通信号检测单元由红绿灯信号检测器及IO设备组成,红绿灯状态检测器是将接入的红路灯工作电源接入检测器,IO设备将220V交流模拟信号转换成5V开关量信号供路口检测主机使用,红绿灯信号检测器及IO设备一般都安装在路口落地设备箱中,用于获得车辆检测信号和路口红绿灯状态信号。

1.1.3 闯红灯检测原理

在红灯信号时,当车辆继续行驶进行闯红灯行为时,系统就通过先进的虚拟线圈检测及号牌特征检测算法相结合的办法进行确认判断,当确认在红灯状态下有车辆通过且具有完整车牌时系统就会进行闯红灯违法行为的记录,可有效剔除无牌及号牌遮挡的无效闯红灯违法记录信息。

1.2 图像采集单元

图像采集技术的应用主要为两百万CCD高清网络摄像机。

针对车速19km/h~180km/h范围内违法闯红灯的车辆在经过停车线区域附件内的图像捕获率可达99%以上,其中车辆闯红灯数据库完全符合公司部行业标准GAT496-2009《闯红灯自动记录系统通用技术条件》的数据库格式要求。

由于采用高清摄像系统,拍摄下来的车辆的图片分辨率可达1628*1236像素(200万),图像质量相当清晰,不仅可以清晰的分辨车辆的后牌照,车牌像素比以往的高两倍,而且可以有效判别箭头灯等;夜间由于采用了多种曝光技术和补光技术,车辆的车牌信息、红绿灯的状态信息及路口环境信息都能得以有效体现。

系统利用200W可有效记录机动车闯红灯过程中连续2-3张图片用以反映机动车违法过程:第一张闯红灯图片应能清晰辨别闯红灯时间、车辆类型、红灯信号、机动车车身未越过停止线的情况;第二和第三图片应能清晰辨别闯红灯时间、车辆类型、红灯信号和整个机动车车身已经越过停止线并且在相应红灯相位继续行驶的情况。系统连续2-3张闯红灯违法行为的记录不会应间距太大影响对违法机动车进行认为的判断。

高清闯红灯-02.jpg


高清闯红灯-03.jpg


未标题-1-04.jpg

白天闯红灯高清实例



上一篇: 没有了
下一篇: 高清卡口测速系统
展开