一种航空场站车辆违章行为实时检测方法

1.本发明涉及车辆违章行为检测技术领域，尤其涉及一种航空场站车辆违章行为实时检测方法。


背景技术：

2.近年来，随着我国经济的迅速发展，国内航空场站建设越来越完善，数量越来越多。航空场站中有许多工作车辆和社会车辆，这些车辆必须在规定的区域内，按照规定的方式进行行驶。违规行驶的车辆可能会行入飞机跑道上，与起降中的飞机发生撞击事故；车辆违规使用灯光，会对飞机的灯光使用产生影响；超速行驶的车辆，容易产生事故，影响航空场站的正常运行。因此，需要一种针对航空场站的车辆违规行为实时检测方法，对航空场站进行实时、全天候的自动监视、检测，维护航空场站的安全，避免国家的经济损失。


技术实现要素：

3.本发明要解决的技术问题是针对上述现有技术的不足，提供一种航空场站车辆违章行为实时检测方法。
4.为解决上述技术问题，本发明所采取的技术方案是：
5.步骤1:对输入的水平相机拍摄的图像帧进行错误使用灯光的检测；
6.步骤1.1:初始化集合o1,o1表示违规车辆的检测框坐标集合，初始化o为空，o表示俯视图坐标下，违规车辆的坐标的集合；
7.o1中的元素为(x,y,w,h),(x,y)表示目标区域左上角坐标，w表示目标框的宽度，h表示目标框的高度；
8.步骤1.2:利用yolo算法对当前帧进行车辆检测，得到车辆检测框；
9.步骤1.3:利用svm算法对步骤1.2得到的车辆进行分类；
10.步骤1.4:把1.3中分类为违规使用灯光的车辆坐标放入o1；
11.步骤2:建立俯视视角与相机视角的对应关系；
12.步骤2.1:图像坐标系到世界坐标系：
[0013][0014][0015]
(m,n)为图像宽和高，(u,v)为水平图像坐标系坐标，x0(r,c)和y0(r,c)为水平图像坐标系映射到世界坐标系坐标，(c
x
,cy,cz)为世界坐标系中相机位置，alphav和alphau代表
相机在垂直和水平方向上的角光圈,θ为相机当前位置与初始位置的方向夹角；
[0016]
步骤2.2:世界坐标系到图像坐标系：
[0017][0018]
x(r,c)和y(r,c)表示俯视图图像坐标系坐标，γ为相机与道路车道线的偏转角；
[0019]
步骤2.3:输入当前帧相机参数，取o1中每个元素，执行步骤2.1、2.2，得到新的坐标，放入o，o表示俯视图坐标下，违规车辆的坐标的集合；
[0020]
步骤3:俯视图车道线检测；
[0021]
步骤3.1:取步骤2转化后的俯视图图像，该图像为rgb彩图，仅保留图中白色部分；
[0022]
步骤3.2:将步骤3.1处理后的图像进行灰度化；
[0023]
步骤3.3:灰度图进行边缘检测；
[0024]
步骤3.4:对边缘检测出的点集进行霍夫转换，将检测出的线条坐标放入line中,line表示车道线的像素坐标；
[0025]
步骤4:俯视图车辆检测；
[0026]
步骤4.1:构建航拍俯视图中的车辆检测数据集，对常见车辆进行标记；
[0027]
步骤4.2:利用聚类算法计算4.1中常见的标记框尺寸；
[0028]
步骤4.3:对于当前视频帧，通过滑动窗口的方式对视频帧进行遍历，滑动窗口尺寸设计为4.2中聚类得到的尺寸；
[0029]
步骤4.4:对于每个窗口，构建3维检测块；
[0030]
检测的3维块记为block＝s
x
sys
t
，s
x
sy表示检测块的空间维度，与4.3中滑动窗口尺寸相等，s
t
为检测块的时间维度，表示由s
t
帧的s
x
sy共同构成一个三维检测块，其中，若s
t
前帧或后帧序列不存在，在对相反方向做对应数量的补齐；
[0031]
步骤4.5：利用卷积神经网络将每个确定的时间帧下的三维检测块中的车辆目标回归到检测块中心；
[0032]
步骤4.6：计算每个检测块的3d-hog特征；
[0033]
步骤4.7：利用svm算法对每个检测块的3d-hog特征进行分类；
[0034]
步骤4.8：将分类为存在目标的检测块对应的视频帧目标区域坐标，存放进集合car，car表示当前步骤中检测出的所有俯视图中的车辆坐标框的集合；
[0035]
步骤5：建立车辆跟踪模型；
[0036]
步骤5.1：利用卡尔曼滤波，对第k-1帧中检测出的每个车辆坐标框，得到一个预测框；
[0037]
步骤5.2：计算hungarian算法代价矩阵；
[0038]
步骤5.2.1：计算第i个检测框和第j个预测框的空间距离；
[0039]d(1)
(i,j)＝t
i-p
j2
[0040]
其中，ti表示第i个检测坐标框坐标的向量格式，pj表示第j个卡尔曼算法预测框坐标的向量格式，d
(1)
(i,j)表示第i个检测框和第j个预测框之间的空间距离；
[0041]
步骤5.2.2：计算每个检测框和预测框对应区域的hog特征，得到特征向量；
[0042]
步骤5.2.3：计算第i个检测框和第j个预测框的特征距离：
[0043]d(2)
(i,j)＝v
i-v
j2
[0044]
其中vi表示第i个检测框对应区域的hog特征向量，vj表示第j个预测框对应区域的h og特征向量，d
(2)
(i,j)表示第i个检测框和第j个预测框之间的特征距离；
[0045]
步骤5.2.4：计算所有空间距离的平均值计算所有空间距离的极差r(d
(1)
)；
[0046]
步骤5.2.5：计算所有空间距离的平均值计算所有空间距离的极差r(d
(2)
)；
[0047]
步骤5.2.6：计算每个组合的空间距离与平均值的差，记为
[0048]
步骤5.2.7：计算每个组合的特征距离与平均值的差，记为
[0049]
步骤5.2.8：计算代价矩阵：
[0050][0051]
a(i,j)表示代价矩阵中位置为(i,j)的元素，权重w之和为1，k取值为0.7，公式表示，若两个特征距离，任意一个过大，则将代价矩阵对应位置设置为无穷大；否则，则将两个距离，进行加权融合；
[0052]
步骤5.3：利用hungarian算法对检测框和预测框进行匹配，得到俯视图中车辆轨迹；
[0053]
步骤6：俯视图违法行为检测；
[0054]
步骤6.1：压线行驶检测；
[0055]
步骤6.1.1：初始化k＝0；
[0056]
步骤6.1.2：计算car中第k个元素，与line集合中全体元素，是否存在相交；
[0057]
步骤6.1.3：若第k个元素与line没有相交，则放入o中；
[0058]
步骤6.1.4：若坐标框为car中最后一个元素则结束；否则，k＝k+1，返回步骤6.1.2；
[0059]
步骤6.2：超速行为检测；
[0060]
步骤6.2.1：由步骤5建立的车辆跟踪模型，得到每个车辆的轨迹；
[0061]
步骤6.2.2：计算车辆在图像中的速度ν；
[0062]
步骤6.2.3：由步骤2中建立的对应关系，取ν＝u,ν＝v带入公式，得到估算的车辆的实际距离ν
world
＝x0；
[0063]
步骤6.2.4：如果v
world
＞v
max
+t，则将车辆坐标放入o中，v
max
为航空场站的最大允许车辆行驶速度，t为减小误报涉及的弹性阈值；
[0064]
步骤7：对集合o中元素进行非极大值抑制算法，剔除重复出现的车辆框；
[0065]
步骤8：提取违规车辆的车牌信息；
[0066]
步骤8.1：取o中每一个元素，元素为俯视图中的车辆坐标，对其执行步骤2，将其转化为相机视角对应的车辆检测框坐标；
[0067]
步骤8.2：利用转化后的相机视角的违法车辆坐标集合，将车辆区域从水平相机视频帧中裁剪出；
[0068]
步骤8.3：对裁剪出的每一个车辆区域进行车牌检测；
[0069]
步骤8.3.1：对裁剪出的图片进行灰度化、二值化、图像膨胀，得到保留关键信息的图像集，仅保留可能存在车牌的区域；
[0070]
步骤8.3.2：设置一系列矩形框，矩形框长宽比设置为车牌的长宽比；
[0071]
步骤8.3.3：用矩形框以滑动窗口的方式，对处理后的图像，进行遍历；
[0072]
步骤8.3.4：用svm分类器，对每个窗口区域进行分类，得到车牌区域；
[0073]
步骤8.3.5：将车牌区域按长边等比分为5部分，对每部分进行数字、字母识别，得到最终车牌号；
[0074]
步骤8.3.6：按照o中元素的顺序，存储车牌号信息，记录为集合number，集合number中元素为字符串，表示车牌信息。
[0075]
步骤9：将o中坐标框绘制在视频帧上，将number中字符串绘制在对应的坐标框上方。
[0076]
步骤10：若当前处理帧为最后一帧图像，则流程结束，否则读取下一帧重复执行步骤2-10。
[0077]
采用上述技术方案所产生的有益效果在于：
[0078]
1.利用水平视角的相机采集输入视频，利用坐标变换转化为俯视视角视频，进行检测、跟踪，降低了检测跟踪难度，提高了可视化效果；
[0079]
2.利用卡尔曼滤波和匈牙利算法进行跟踪，对匈牙立算法的代价矩阵计算，综合考虑到了空间距离和外观特征距离；
[0080]
3.选取3d-hog作为特征，滑动窗口的方式提取特征，以极小的运算量完成了输入帧的特征提取，减小了硬件算力占用；利用卷积神经网络进行运动补偿，提高了特征提取的精准度；利用svm分类器对特征进行分类，运行速度高，硬件算力要求低；
[0081]
4.俯视图的压线行为检测，利用简单的几何是否相交完成；
[0082]
5.俯视图的超速检测，利用车辆轨迹的一阶导进行估算，引入估计误差，对实际速度进行估算；
[0083]
6.违章行为的检测，考虑到了错误使用灯光、车辆压线、车辆超速3类违章行为；
[0084]
7.针对车牌区域特点设计分割方法，以极低的运算量分离出车牌区域，利用svm分类器得到最终车牌信息，内存占用小，处理速度快，适合在无gpu、对处理速度存在要求的设备上进行使用。
附图说明
[0085]
图1为本发明实施例提供的系统流程图。
具体实施方式
[0086]
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0087]
如图1所示，本实施例的方法如下所述。
[0088]
步骤1:对输入的水平相机拍摄的图像帧进行错误使用灯光的检测；
[0089]
步骤1.1:初始化集合o1,o1表示违规车辆的检测框坐标集合，初始化o为空，o表示俯视图坐标下，违规车辆的坐标的集合；
[0090]
o1中的元素为(x,y,w,h),(x,y)表示目标区域左上角坐标，w表示目标框的宽度，h表示目标框的高度；
[0091]
步骤1.2:利用yolo算法对当前帧进行车辆检测，得到车辆检测框；
[0092]
步骤1.3:利用svm算法对步骤1.2得到的车辆进行分类；
[0093]
步骤1.4:把1.3中分类为违规使用灯光的车辆坐标放入o1；
[0094]
步骤2:建立俯视视角与相机视角的对应关系；
[0095]
步骤2.1:图像坐标系到世界坐标系：
[0096][0097][0098]
(m,n)为图像宽和高，(u,v)为水平图像坐标系坐标，x0(r,c)和y0(r,c)为水平图像坐标系映射到世界坐标系坐标，(c
x
,cy,cz)为世界坐标系中相机位置，alphav和alphau代表相机在垂直和水平方向上的角光圈，θ为相机当前位置与初始位置的方向夹角。
[0099]
步骤2.2:世界坐标系到图像坐标系：
[0100][0101]
x(r,c)和y(r,c)表示俯视图图像坐标系坐标，γ为相机与道路车道线的偏转角；
[0102]
步骤2.3:输入当前帧相机参数，取o1中每个元素，执行步骤2.1、2.2，得到新的坐标，放入o，o表示俯视图坐标下，违规车辆的坐标的集合。
[0103]
步骤3:俯视图车道线检测
[0104]
步骤3.1:取步骤2转化后的，俯视图图像，该图像为rgb彩图，仅保留图中白色部分；
[0105]
步骤3.2:将步骤3.1处理后的图像进行灰度化；
[0106]
步骤3.3:灰度图进行边缘检测；
[0107]
步骤3.4:对边缘检测出的点集进行霍夫转换，将检测出的线条坐标放入line中,line表示车道线的像素坐标；
[0108]
步骤4:俯视图车辆检测；
[0109]
步骤4.1:构建航拍俯视图中的车辆检测数据集，对常见车辆进行标记；
[0110]
步骤4.2:对步骤4.1中标记的坐标框集合进行k均值聚类算法，将包含元素最多的k均值聚类算法得到的聚类中心作为输出，记为(x,y,w,h)；
[0111]
步骤4.3:对于当前视频帧，通过滑动窗口的方式对视频帧进行遍历，窗口尺寸设
计为4.2中聚类得到的常见尺寸；
[0112]
步骤4.4:对于每个窗口，构建3维检测块；
[0113]
检测的3维块记为block＝s
x
sys
t
，s
x
sy表示检测块的空间维度，与4.3中滑动窗口尺寸相等，s
t
为检测块的时间维度，表示由s
t
帧的s
x
sy共同构成一个三维检测块，优选的s
t
＝5，s
x
＝sy＝40，其中，若s
t
前帧或后帧序列不存在，在对相反方向做对应数量的补齐；
[0114]
步骤4.5：利用卷积神经网络将每个确定的时间帧下的三维检测块中的车辆目标回归到检测块中心；
[0115]
步骤4.6：计算每个检测块的3d-hog特征；
[0116]
步骤4.7：利用svm算法对每个检测块的3d-hog特征进行分类；
[0117]
步骤4.8：将分类为存在目标的检测块对应的视频帧目标区域坐标，存放进集合car，car表示当前步骤中检测出的所有俯视图中的车辆坐标框的集合；
[0118]
步骤5：建立车辆跟踪模型；
[0119]
步骤5.1：利用卡尔曼滤波，对第k-1帧中检测出的每个车辆坐标框，得到一个预测框；
[0120]
步骤5.2：计算hungarian算法代价矩阵；
[0121]
步骤5.2.1：计算第i个检测框和第j个预测框的空间距离:
[0122]d(1)
(i,j)＝t
i-p
j2
[0123]
其中，ti表示第i个检测坐标框坐标的向量格式，pj表示第j个卡尔曼算法预测框坐标的向量格式，d
(1)
(i,j)表示第i个检测框和第j个预测框之间的空间距离；
[0124]
步骤5.2.2：计算每个检测框和预测框对应区域的hog特征，得到特征向量；
[0125]
步骤5.2.3：计算第i个检测框和第j个预测框的特征距离：
[0126]d(2)
(i,j)＝v
i-v
j2
[0127]
其中vi表示第i个检测框对应区域的hog特征向量，vj表示第j个预测框对应区域的h og特征向量，d
(2)
(i,j)表示第i个检测框和第j个预测框之间的特征距离；
[0128]
步骤5.2.4：计算所有空间距离的平均值计算所有空间距离的极差r(d
(1)
)；
[0129]
步骤5.2.5：计算所有空间距离的平均值计算所有空间距离的极差r(d
(2)
)；
[0130]
步骤5.2.6：计算每个组合的空间距离与平均值的差，记为
[0131]
步骤5.2.7：计算每个组合的特征距离与平均值的差，记为
[0132]
步骤5.2.8：计算代价矩阵：
[0133][0134]
a(i,j)表示代价矩阵中位置为(i,j)的元素，权重w之和为1，k取值为0.7，公式表
示，若两个特征距离，任意一个过大，则将代价矩阵对应位置设置为无穷大；否则，则将两个距离，进行加权融合；
[0135]
步骤5.3：利用hungarian算法对检测框和预测框进行匹配，得到俯视图中车辆轨迹；
[0136]
步骤6：俯视图违法行为检测；
[0137]
步骤6.1：压线行驶检测；
[0138]
步骤6.1.1：初始化k＝0；
[0139]
步骤6.1.2：计算car中第k个元素，与line集合中全体元素，是否存在相交；
[0140]
步骤6.1.3：若第k个元素与line没有相交，放入o中；
[0141]
步骤6.1.4：若坐标框为car中最后一个元素，则结束；否则，k＝k+1，返回步骤6.1.2；
[0142]
步骤6.2：超速行为检测；
[0143]
步骤6.2.1：由步骤5建立的车辆跟踪模型，得到每个车辆的轨迹；
[0144]
步骤6.2.2：计算车辆在图像中的速度ν；
[0145]
步骤6.2.3：由步骤2中建立的对应关系，取ν＝u,ν＝v带入公式，得到估算的车辆的实际距离ν
world
＝x0；
[0146]
步骤6.2.4：如果v
world
＞v
max
+t，将车辆坐标放入o中，v
max
为航空场站的最大允许车辆行驶速度，t为减小误报涉及的弹性阈值，优选的，t设置为30；
[0147]
步骤7：对集合o中元素进行非极大值抑制算法，剔除重复出现的车辆框；
[0148]
步骤8：提取违规车辆的车牌信息；
[0149]
步骤8.1：取o中每一个元素，元素为俯视图中的车辆坐标，对其执行步骤2，将其转化为相机视角对应的车辆检测框坐标；
[0150]
步骤8.2：利用转化后的相机视角的违法车辆坐标集合，将车辆区域从水平相机视频帧中裁剪出；
[0151]
步骤8.3：对裁剪出的每一个车辆区域，进行车牌检测；
[0152]
步骤8.3.1：对裁剪出的图片进行灰度化、二值化、图像膨胀，得到保留关键信息的图像集，仅保留可能存在车牌的区域；
[0153]
步骤8.3.2：设置一系列矩形框，矩形框长宽比设置为车牌的长宽比；
[0154]
步骤8.3.3：用矩形框以滑动窗口的方式，对处理后的图像，进行遍历，步长设置为3像素点；
[0155]
步骤8.3.4：用svm分类器，对每个窗口区域进行分类，得到车牌区域；
[0156]
步骤8.3.5：将车牌区域按长边等比分为5部分，对每部分进行数字、字母识别，得到最终车牌号；
[0157]
步骤8.3.6：按照o中元素的顺序，存储车牌号信息，记录为集合number，集合number中元素为字符串，表示车牌信息。
[0158]
步骤9：将o中坐标框绘制在视频帧上，将number中字符串绘制在对应的，坐标框上方。
[0159]
步骤10：若当前处理帧为最后一帧图像，则流程结束，否则读取下一帧重复执行步骤2-10。
[0160]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

技术特征：
1.一种航空场站车辆违章行为实时检测方法，其特征在于，包括以下步骤：步骤1:对输入的水平相机拍摄的图像帧进行错误使用灯光的检测；步骤1.1:初始化集合o1,o1表示违规车辆的检测框坐标集合，初始化o为空，o表示俯视图坐标下，违规车辆的坐标的集合；o1中的元素为(x,y,w,h),(x,y)表示目标区域左上角坐标，w表示目标框的宽度，h表示目标框的高度；步骤1.2:利用yolo算法对当前帧进行车辆检测，得到车辆检测框；步骤1.3:利用svm算法对步骤1.2得到的车辆检测框进行分类；步骤1.4:把1.3中分类为违规使用灯光的车辆坐标放入o1；步骤2:建立俯视视角与相机视角的对应关系；步骤2.1:图像坐标系到世界坐标系：步骤2.1:图像坐标系到世界坐标系：(m,n)为图像宽和高，(u,v)为水平图像坐标系坐标，x0(r,c)和y0(r,c)为水平图像坐标系映射到世界坐标系坐标，(c
x
,c
y
,c
z
)为世界坐标系中相机位置，alphav和alphau代表相机在垂直和水平方向上的角光圈,θ为相机当前位置与初始位置的方向夹角；步骤2.2:世界坐标系到图像坐标系：x(r,c)和y(r,c)表示俯视图图像坐标系坐标，γ为相机与道路车道线的偏转角；步骤2.3:输入当前帧相机参数，取o1中每个元素，执行步骤2.1、2.2，得到新的坐标，放入o，o表示俯视图坐标下，违规车辆的坐标的集合；步骤3:俯视图车道线检测；步骤3.1:取步骤2转化后的俯视图图像，该图像为rgb彩图，仅保留图中白色部分；步骤3.2:将步骤3.1处理后的图像进行灰度化；步骤3.3:灰度图进行边缘检测；步骤3.4:对边缘检测出的点集进行霍夫转换，将检测出的线条坐标放入line中,line表示车道线的像素坐标；步骤4:俯视图车辆检测；步骤5：建立车辆跟踪模型；步骤5.1：利用卡尔曼滤波，对第k-1帧中检测出的每个车辆坐标框，得到一个预测框；步骤5.2：计算hungarian算法代价矩阵；步骤5.3：利用hungarian算法对检测框和预测框进行匹配，得到俯视图中车辆轨迹；步骤6：俯视图违法行为检测；
步骤6.1：压线行驶检测；步骤6.2：超速行为检测；步骤6.2.1：由步骤5建立的车辆跟踪模型，得到每个车辆的轨迹；步骤6.2.2：计算车辆在图像中的速度ν；步骤6.2.3：由步骤2中建立的对应关系，取ν＝u,ν＝v带入公式，得到估算的车辆的实际距离ν
world
＝x0；步骤6.2.4：如果v
world
＞v
max
+t，则将车辆坐标放入o中，v
max
为航空场站的最大允许车辆行驶速度，t为减小误报涉及的弹性阈值；步骤7：对集合o中元素进行非极大值抑制算法，剔除重复出现的车辆框；步骤8：提取违规车辆的车牌信息；步骤8.1：取o中每一个元素，元素为俯视图中的车辆坐标，对其执行步骤2，将其转化为相机视角对应的车辆检测框坐标；步骤8.2：利用转化后的相机视角的违法车辆坐标集合，将车辆区域从水平相机视频帧中裁剪出；步骤8.3：对裁剪出的每一个车辆区域进行车牌检测；步骤9：将o中坐标框绘制在视频帧上，将number中字符串绘制在对应的坐标框上方；步骤10：若当前处理帧为最后一帧图像，则流程结束，否则读取下一帧重复执行步骤2-10。2.根据权利要求1所述的一种航空场站车辆违章行为实时检测方法，其特征在于，所述步骤4具体包括以下步骤：步骤4.1:构建航拍俯视图中的车辆检测数据集，对常见车辆进行标记；步骤4.2:利用聚类算法计算4.1中常见的标记框尺寸；步骤4.3:对于当前视频帧，通过滑动窗口的方式对视频帧进行遍历，滑动窗口尺寸设计为4.2中聚类得到的尺寸；步骤4.4:对于每个窗口，构建3维检测块；检测的3维块记为block＝s
x
s
y
s
t
，s
x
s
y
表示检测块的空间维度，与4.3中滑动窗口尺寸相等，s
t
为检测块的时间维度，表示由s
t
帧的s
x
s
y
共同构成一个三维检测块，其中，若s
t
前帧或后帧序列不存在，在对相反方向做对应数量的补齐；步骤4.5：利用卷积神经网络将每个确定的时间帧下的三维检测块中的车辆目标回归到检测块中心；步骤4.6：计算每个检测块的3d-hog特征；步骤4.7：利用svm算法对每个检测块的3d-hog特征进行分类；步骤4.8：将分类为存在目标的检测块对应的视频帧目标区域坐标，存放进集合car，car表示当前步骤中检测出的所有俯视图中的车辆坐标框的集合。3.根据权利要求1所述的一种航空场站车辆违章行为实时检测方法，其特征在于，所述步骤5.2具体包括以下步骤：步骤5.2.1：计算第i个检测框和第j个预测框的空间距离；d
(1)
(i,j)＝||t
i-p
j
||2其中，t
i
表示第i个检测坐标框坐标的向量格式，p
j
表示第j个卡尔曼算法预测框坐标的
向量格式，d
(1)
(i,j)表示第i个检测框和第j个预测框之间的空间距离；步骤5.2.2：计算每个检测框和预测框对应区域的hog特征，得到特征向量；步骤5.2.3：计算第i个检测框和第j个预测框的特征距离：d
(2)
(i,j)＝||v
i-v
j
||2其中v
i
表示第i个检测框对应区域的hog特征向量，v
j
表示第j个预测框对应区域的hog特征向量，d
(2)
(i,j)表示第i个检测框和第j个预测框之间的特征距离；步骤5.2.4：计算所有空间距离的平均值计算所有空间距离的极差r(d
(1)
)；步骤5.2.5：计算所有空间距离的平均值计算所有空间距离的极差r(d
(2)
)；步骤5.2.6：计算每个组合的空间距离与平均值的差，记为步骤5.2.7：计算每个组合的特征距离与平均值的差，记为步骤5.2.8：计算代价矩阵：a(i,j)表示代价矩阵中位置为(i,j)的元素，权重w之和为1，k取值为0.7，公式表示，若两个特征距离，任意一个过大，则将代价矩阵对应位置设置为无穷大；否则，则将两个距离，进行加权融合。4.根据权利要求1所述的一种航空场站车辆违章行为实时检测方法，其特征在于，所述步骤6.1具体包括以下步骤：步骤6.1.1：初始化k＝0；步骤6.1.2：计算car中第k个元素，与line集合中全体元素，是否存在相交；步骤6.1.3：若第k个元素与line没有相交，则放入o中；步骤6.1.4：若坐标框为car中最后一个元素则结束；否则，k＝k+1，返回步骤6.1.2。5.根据权利要求1所述的一种航空场站车辆违章行为实时检测方法，其特征在于，所述步骤8.3具体包括以下步骤：步骤8.3.1：对裁剪出的图片进行灰度化、二值化、图像膨胀，得到保留关键信息的图像集，仅保留可能存在车牌的区域；步骤8.3.2：设置一系列矩形框，矩形框长宽比设置为车牌的长宽比；步骤8.3.3：用矩形框以滑动窗口的方式，对处理后的图像，进行遍历；步骤8.3.4：用svm分类器，对每个窗口区域进行分类，得到车牌区域；步骤8.3.5：将车牌区域按长边等比分为5部分，对每部分进行数字、字母识别，得到最终车牌号；步骤8.3.6：按照o中元素的顺序，存储车牌号信息，记录为集合number，集合number中
元素为字符串，表示车牌信息。

技术总结
本发明提供一种航空场站车辆违章行为实时检测方法，涉及车辆违章行为检测技术领域。该方法首先通过获取水平视角图，对水平视角进行车辆违规使用灯光检测，得到检测框；接着进行坐标变换，得到水平视角图对应的俯视图和违规使用灯光的车辆在俯视图中的坐标；然后对俯视图进行车道线检测；再对俯视图进行车辆检测，得到俯视图中所有的车辆检测框，并建立跟踪模型；然后再利用俯视图进行车辆压线行驶检测和超速行驶检测；最后对所有的违规车辆进行车牌号检测，并将车牌信息显示在俯视图中。本发明填补了航空场站车辆违章行为检测领域的空白，算法运算速度快，资源占用低，系统稳定性高，可以在便携的、算力低的移动终端设备上进行使用。行使用。


技术研发人员：高骞 王传云 孙冬冬 王恩刚 杨健祺 胡安琪 刘明慧 孙云飞
受保护的技术使用者：沈阳航空航天大学
技术研发日：2023.01.05
技术公布日：2023/5/30