CN105574502A - 一种自助发卡机违章行为自动检测方法 - Google Patents

Abstract

本发明公开了一种自助发卡机违章行为自动检测方法，采用视频监控手段，对于自助发卡机区域的车辆和行人的行为进行自动识别，所述自动检测方法包括3个主步骤，分别是目标分割、违章行为识别和违章行为检测，所述自动检测方法中的处理步骤均是针对自助发卡机区域监控视频图像的按照先后顺序处理。

Description

一种自助发卡机违章行为自动检测方法

技术领域

本发明属于智能交通技术领域，特别涉及一种自助发卡机违章行为自动检测方法。

背景技术

随着社会经济的快速发展，我国高速公路通行量日益增长，收费站面临人手严重不足，效率太低的问题。因此，在一些人员编制不足的收费站设置了自助发卡车道，方便司机自助快速取卡，快速通过。

但是高科技在带给我们便捷的同时，也逐步显现出一些漏洞。一些不法分子利用自动发卡机的漏洞，多次取卡，倒卖高速通行卡，从而进行逃费、漏费等一系列违法犯罪活动。这种行为一方面让国家经济遭受损失，另一方面也扰乱高速正常的通行秩序，造成交通安全隐患。

随着计算机视频分析技术在各行各业的广泛应用，智能分析系统能让前端摄像机实时自动“发现情况”，并主动“分析”视野中的监视目标，同时判断出这些被监视目标的行为是否存在异常动作，对已经出现或将要出现的异常行为，及时向值班人员发出警报，切实提高高速公路的安全防范能力，实现智能化监控。

发明内容

本发明的目的是提供一种自助发卡机违章行为自动检测方法，以解决对于高速公路中针对自助发卡机的违法行为的自动识别。

本发明的技术方案是，一种自助发卡机违章行为自动检测方法，采用视频监控手段，对于自助发卡机区域的车辆和行人的行为进行自动识别，所述自动检测方法包括3个主步骤，分别是目标分割、违章行为识别和违章行为检测，所述自动检测方法中的处理步骤均是针对自助发卡机区域监控视频图像的按照先后顺序处理，

所述目标分割，包括分步骤始背景提取、帧差分割目标和形态学滤波，

所述的初始背景提取的实现步骤为：

a1)统计连续N帧视频变化情况，记录像素中个点灰度出现情况

$P(x,y,k)=\left\{\begin{array}{cc}p+1,\mathrm{if}& {\mathrm{image}}_i(x,y,m)=k\\ p,\mathrm{if}& {\mathrm{image}}_i(x,y,m)\≠k\end{array}\right.i=\mathrm{1,2}...N---\left(1.1\right)$

其中，P(x,y,k)表示像素点(x,y)处亮度值为k出现的次数，image_i(x,y,m)表示某一帧图像像素点(x,y)处亮度值为m，

a2)将连续N帧某点灰度出现频率最大值，作为该点的灰度值，即初始背景灰度值。

Background(x,y)＝max(P(x,y,k))k＝0,1,2…255(1.2)

所述的帧差分割目标的具体实现步骤为：

b1)为方便后续计算，首先将抽样后的结果进行块化，设原始图像宽度及高度为W、H，块的大小为w、h，则块化后的图像大小为

$\left\{\begin{array}{c}wid=W/w\\ hei=H/h\end{array}\right.---\left(1.3\right)$

b2)使用当前图像与背景图像进行差分，以获得运动目标，其中DifGray_i为背景差分后某块的灰度值，Gray_n为当前帧某块内像素灰度值，Background_n为背景中对应块内像素灰度值

${\mathrm{DifGray}}_i=\underset{n=0}{\overset{w*h}{\&Sigma;}}{\mathrm{Gray}}_n-\underset{n=0}{\overset{w*h}{\&Sigma;}}{\mathrm{Background}}_n,0<i<wid*hei---\left(1.4\right)$

b3)二值化阈值的选择使用迭代式阈值选择法，

A)选择视频图像中的灰度的中值作为首先的估计阈值T₀；

B)利用开始估计的阈值T₀把图像的灰度值分成两个不同的区域：R₁、R₂，根据式(1.5)计算区域R₁和R₂的灰度的均值u₁和u₂：

$u_1=\frac{\underset{i=0}{\overset{T_i}{\&Sigma;}}{\mathrm{in}}_i}{\underset{i=0}{\overset{T_i}{\&Sigma;}}{n}_i},u_2=\frac{\underset{i=T_i}{\overset{L-1}{\&Sigma;}}{\mathrm{in}}_i}{\underset{i=T_i}{\overset{L-1}{\&Sigma;}}{n}_i},$ n为个数(1.5)

C)计算出u₁和u₂后，计算出新的阈值T_i+1：

$T_{i+1}=\frac{1}{2}(u_1+u_2)---\left(1.6\right)$

D)重复步骤B)、C)，直到T_i+1和T_i无限接近时，其值即为二值化阈值T，

b4)当差分结果大于阈值T时，则将该块结果置为255，否则置为0，实现目标的二值化，

$TwoVal=\left\{\begin{array}{c}255,DifGray>T\\ 0,DifGray<T\end{array}\right.---\left(1.7\right)$

所述的形态学滤波实现的步骤为：

c1)对二值化分割结果进行横向扫描，当相邻两白块间间隔小于2个块时，则将中间区域的黑块置为255，否则保留原值；

c2)对二值化分割结果进行纵向扫描，当相邻两白块间间隔小于2个块时，则将中间区域的黑块置为255，否则保留原值；

所述的违章行为识别，包括分步骤车辆定位和车型识别，

所述的车辆定位的实现步骤为：

d1)统计图像范围内各行不为0的像素点，记录其个数，获得该行图像的宽度，

d2)统计图像范围内各列不为0的像素点，记录其个数，获得该列图像的高度，

根据d1)和d2)的统计结果，即可获得目标的位置信息和目标的宽度高度信息，根据目标的位置信息判断其是否在违章行为抓拍区域，如在检测区域内则对车型进行识别，反之，不对其进行检测；

所述的车型识别实现步骤为：

针对检测目标机动车、摩托车和行人，对摩托车和行人不做区分，确定机动车和摩托车目标模型，即在图像显示区域内，设置机动车和摩托车的模版大小，以方便后续检测，

机动车： $\mathrm{\&eta;}=\frac{\mathrm{width}}{\mathrm{height}}<1,$ S_机-S_机模|<20(1.8)

摩托车： $\mathrm{\&eta;}=\frac{\mathrm{width}}{\mathrm{height}}<0.5,$ S_摩-S_摩模|<20(1.9)

其中，η为目标区域宽度高度之比，对于机动车、摩托车η取值范围根据多次实验获得，S＝width*height为目标区域面积，根据其与模版面积大小比对，判断目标所属类型；

所述的违章行为检测，包括对机动车辆逆行行为检测和摩托车及行人在检测区域内偷卡行为检测，

机动车辆逆行行为检测，通过对车辆目标轨迹进行跟踪，根据其轨迹方向判断是否有逆行行为发生，具体实现步骤为：

e1)采用角点跟踪算法，目标运行过程中，用变模板正向最小差值匹配跟踪算法，同步寻找角点在每帧图像中出现的位置，每当找到新的目标位置，则用当前位置信息更新模版数据；

e2)对每行像素进行车辆正确行驶方向的标定，由于采样频率及车辆速度的限制，设定在相邻三个像素范围内其运动轨迹呈均匀变化，此时计算误差较小；

e3)从图像下边沿第0行像素开始分别对各行像素进行方向标定，对于远离摄像机方向为行驶正方向的路段，其第k行方向矢量分别为：

$\left\{\begin{array}{cc}(Lane\&lsqb;1\&rsqb;.x-Lane\&lsqb;0\&rsqb;.x,1)& k=0\\ (Lane\&lsqb;k+1\&rsqb;.x-Lane\&lsqb;k-1\&rsqb;.x,2)& 0<k<hei-1\\ (Lane\&lsqb;hei-1\&rsqb;.x-Lane\&lsqb;hei-2\&rsqb;.x,1)& k=hei-1\end{array}\right.---\left(1.10\right)$

对于驶向摄像机方向为行驶正方向的路段，其第k行方向矢量分别为：

$\left\{\begin{array}{cc}Lane\&lsqb;0\&rsqb;.x-Lane\&lsqb;1\&rsqb;.x,-1)& k=0\\ (Lane\&lsqb;k-1\&rsqb;.x-Lane\&lsqb;k+1\&rsqb;.x,-2)& 0<k<hei-1\\ (Lane\&lsqb;hei-2\&rsqb;.x-Lane\&lsqb;hei-1\&rsqb;.x,-1)& k=hei-1\end{array}\right.---\left(1.11\right)$

e4)根据对于逆行车辆，其轨迹方向与车辆正确行驶方向的夹角具有一定特征，将车辆发生逆行时跟踪轨迹与标定车道线正确行驶方向的夹角定义为120°，规定对于每条目标运动轨迹，当其与车道正常行驶方向夹角超过120°的数量大于设定的阈值时，则判定该条运动轨迹为逆行轨迹，即被跟踪车辆出现逆行行为；

e5)为标定车道线的车辆正确行驶矢量，为轨迹实际运动矢量，其中，则车辆实际行驶方向与规定的车辆正确行驶方向的夹角θ可表示为：

$\mathrm{\&theta;}=\left|\arccos \left(\frac{x_1{x}_2+y_1{y}_2}{\sqrt{x_1^2+y_1^2}\sqrt{x_2^2+y_2^2}}\right)\right|---\left(1.12\right)$

e6)在实际检测过程中，当θ>120°时，则将相应计数器加1，当满足逆行条件数量大于设定阈值时，则可判定当前跟踪车辆逆行；

所述的偷卡行为检测是指，对于在监控视频图像检测区域内已经确定为摩托车和行人的目标，则直接对其进行报警，记录其车牌信息；

对于确定的机动车车辆，如果其有逆行行为则认为其有偷卡行为，则对其进行报警。

进一步的，在所述的目标分割、违章行为识别和违章行为检测之前，还包括预处理步骤，

所述预处理是指由于监控视频的高分辨率，为减少运算量，对采集到的图像进行横向及纵向抽样处理。

与现有技术相比，采用本发明具有以下的技术效果：

1、大场景实时监控

前端相机选用高清摄像机，保证整个监控范围内车辆图像清晰，保证可以看清进入监控区域车辆的车牌，以便于后续对于违章车辆的处罚。

2、高精度检测

本方法结合角点跟踪方法进行逆行车辆检测，通过轨迹运动方向对逆行车辆进行判断。使用角点跟踪方法可以有效的提高检测准确率，提高算法检测精度，有效消除阴影抖动等其他因素的干扰。

3、强适应性检测

本方法在传统的背景估计基础上，提出背景更新算法，更好的适应场景的变化，加入背景更新方法可以敏锐的发现背景中细微的变化，有效消除光线、抖动对小目标检测的影响，实现目标的准确分割，为后续事件的判断提供准确的依据。

附图说明

图1为本发明实施例中监控摄像机安装示意图；

图2为本发明实施例中摄像机监控实景图；

图3为本发明的自助发卡机违章行为自动检测方法原理示意图；

图4为本发明实施例中背景估计结果图；

图5为本发明实施例中初始目标分割结果图；

图6为本发明实施例中图像纵向和横向投影图；

图7为本发明实施例中摩托车及机动车尺寸对比图；

图8为本发明匹配跟踪原理图；

图9为本发明复杂场景车道正确行驶方向设置示意图。

具体实施方式

具体施工过程中，摄像机安装在自动发卡车道的雨棚灯附近，采用照射车尾的安装方式，如图1所示，摄像机安装及监控范围实景如图2所示。

参见图3，本发明在实现过程中主要由四部分组成，具体为图像预处理部分、目标分割部分、违章行为识别部分、违章行为检测部分。由于高清视频分辨率较高，获取数据信息丰富，为减少运算量，在图像预处理阶段对采集到的图像进行横向及纵向抽样，即原图像大小为W*H，则实际处理的图像大小为(W/2)*(H/2)。在进行目标分割时结合背景灰度变化情况，实时更新背景图像，并进行当前图像与背景图像的差分，以便更准确的分割目标，同时对分割结果进行相应的形态学滤波，同时将相邻的块进行连通域合并，以获得饱满的目标块，同时获得目标块的长度、宽度，便于后续进行可疑目标块的长宽比、面积等计算。以确定目标车型，即为机动车或者摩托车、行人，在获得目标块的基础上要对机动车进行跟踪，进而获得目标运动轨迹，本方法采用基于角点的轨迹跟踪方法，通过轨迹的运动方向确定目标是否为逆行车辆，进而对违法行为进行后续判断。

本发明的实现方法包括：

一、目标分割

1.初始背景提取

本方法采用基于统计直方图的方法进行初始背景估计，该算法基于运动目标在场景中运动不会长时间停留在一个位置上的假设，在某一时间段内，视频序列特定像素位置处出现频率最高的像素值就是该点背景像素值，采用直方图法对视频序列灰度出现频率信息进行统计结果。其具体实现步骤为：

1)统计连续N帧(通过对多种不同场景及不同统计时间的测试，最终确定当N取200时，具有较好的测试效果，故在实际使用中，取N＝200)视频变化情况，记录像素中个点灰度出现情况

$P(x,y,k)=\left\{\begin{array}{cc}p+1,\mathrm{if}& {\mathrm{image}}_i(x,y,m)=k\\ p,\mathrm{if}& {\mathrm{image}}_i(x,y,m)\&NotEqual;k\end{array}\right.i=\mathrm{1,2}...N---\left(1.1\right)$

其中，P(x,y,k)表示像素点(x,y)处亮度值为k出现的次数，image_i(x,y,m)表示某一帧图像像素点(x,y)处亮度值为m。

2)将连续N帧某点灰度出现频率最大值，作为该点的灰度值，即初始背景灰度值。

Background(x,y)＝max(P(x,y,k))k＝0,1,2…255(1.2)

采用直方图法进行背景更新的结果如图4所示，其中N为200。

2.帧差分割目标

在获取实时背景图像后，为寻找行人目标，需要对目标进行分割，本算法采用基于背景差的方法分割运动目标，并对分割出结果进行形态学滤波及连通域计算，以便获得饱满的运动目标。具体实现步骤如下：

1)为方便后续计算，首先将抽样后的结果进行块化，设原始图像宽度及高度为W、H，块的大小为w、h，则块化后的图像大小为

$\left\{\begin{array}{c}wid=W/w\\ hei=H/h\end{array}\right.---\left(1.3\right)$

2)使用当前图像与背景图像进行差分，以获得运动目标，其中DifGray_i为背景差分后某块的灰度值，Gray_n为当前帧某块内像素灰度值，Background_n为背景中对应块内像素灰度值

${\mathrm{DifGray}}_i=\underset{n=0}{\overset{w*h}{\&Sigma;}}{\mathrm{Gray}}_n-\underset{n=0}{\overset{w*h}{\&Sigma;}}{\mathrm{Background}}_n,0<i<wid*hei---\left(1.4\right)$

3)二值化阈值的选择使用迭代式阈值选择法

A)选择视频图像中的灰度的中值作为首先的估计阈值T₀；

B)利用开始估计的阈值T₀把图像的灰度值分成两个不同的区域：R₁、R₂，根据式(1.5)计算区域R₁和R₂的灰度的均值u₁和u₂：

$u_1=\frac{\underset{i=0}{\overset{T_i}{\&Sigma;}}{\mathrm{in}}_i}{\underset{i=0}{\overset{T_i}{\&Sigma;}}{n}_i},u_2=\frac{\underset{i=T}{\overset{L-1}{\&Sigma;}}{\mathrm{in}}_i}{\underset{i=T_i}{\overset{L-1}{\&Sigma;}}{n}_i},$ n为个数(1.5)

C)计算出u₁和u₂后，计算出新的阈值T_i+1：

$T_{i+1}=\frac{1}{2}(u_1+u_2)---\left(1.6\right)$

D)重复步骤B)、C)，直到T_i+1和T_i无限接近时，其值即为二值化阈值T。

b4)当差分结果大于阈值T时，则将该块结果置为255，否则置为0，实现目标的二值化。

$TwoVal=\left\{\begin{array}{c}255,DifGray>T\\ 0,\mathrm{DifGray}<T\end{array}\right.---\left(1.7\right)$

使用该方法进行目标分割后的结果如图5所示。

3.形态学滤波

该部分使用基于横向及纵向扫描的方法对相邻将近的二值化区域空白位置进行填充。

1)对二值化分割结果进行横向扫描，当相邻两白块间间隔小于2个块时，则将中间区域的黑块置为255，否则保留原值；

2)对二值化分割结果进行纵向扫描，当相邻两白块间间隔小于2个块时，则将中间区域的黑块置为255，否则保留原值；

二、违章行为识别

1.车辆定位

本方法在实现之初，需设置违法行为检测区域，对检测区域内目标行为进行判断。

1)统计图像范围内各行不为0的像素点，记录其个数，获得该行图像的宽度，

2)统计图像范围内各列不为0的像素点，记录其个数，获得该列图像的高度，

目标经过横向纵向扫描后其结果如图6所示。

根据上述统计结果，即可获得目标的位置信息和目标的宽度高度信息，根据目标的位置信息判断其是否在违章行为抓拍区域，如在检测区域内则对车型进行识别，反之，不对其进行检测。

2.车型识别

实际使用过程中，机动车、摩托车大小如图7所示。本方法在实现之初，需设置目标物体的大小，即确定机动车、摩托车及行人目标的模版，以便于程序实现时与模版大小比对，进而确定目标类型，对车型进行识别，在本方法中对摩托车和行人不做具体区分。

本发明主要检测的目标为机动车、摩托车和行人，根据检测目标确定各目标模型，即在图像显示区域内，设置机动车和摩托车的模版大小，以方便后续检测，

机动车： $\mathrm{\&eta;}=\frac{\mathrm{width}}{\mathrm{height}}<1,$ S_机-S_机模|<20(1.8)

摩托车： $\mathrm{\&eta;}=\frac{\mathrm{width}}{\mathrm{height}}<0.5,$ S_摩-S_摩模|<20(1.9)

上式中，η为目标区域宽度高度之比，对于机动车、摩托车η取值范围根据多次实验获得，S＝width*height为目标区域面积，根据其与模版面积大小比对，判断目标所属类型。

三、违章行为检测

1.逆行行为检测

1)采用角点跟踪算法。目标运行过程中，用变模板正向最小差值匹配跟踪算法，同步寻找角点在每帧图像中出现的位置，每当找到新的目标位置，则用当前位置信息更新模版数据，其原理图如图8所示。

2)对每行像素进行车辆正确行驶方向的标定，由于采样频率及车辆速度的限制，可以认定在相邻三个像素范围内其运动轨迹呈均匀变化，此时计算误差较小。

3)从图像下边沿第0行像素开始分别对各行像素进行方向标定，对于远离摄像机方向为行驶正方向的路段，其第k行方向矢量分别为：

$\left\{\begin{array}{cc}(Lane\&lsqb;1\&rsqb;.x-Lane\&lsqb;0\&rsqb;.x,1)& k=0\\ (Lane\&lsqb;k+1\&rsqb;.x-Lane\&lsqb;k-1\&rsqb;.x,2)& 0<k<hei-1\\ (Lane\&lsqb;hei-1\&rsqb;.x-Lane\&lsqb;hei-2\&rsqb;.x,1)& k=hei-1\end{array}\right.---\left(1.10\right)$

对于驶向摄像机方向为行驶正方向的路段，其第k行方向矢量分别为：

$\left\{\begin{array}{cc}Lane\&lsqb;0\&rsqb;.x-Lane\&lsqb;1\&rsqb;.x,-1)& k=0\\ (Lane\&lsqb;k-1\&rsqb;.x-Lane\&lsqb;k+1\&rsqb;.x,-2)& 0<k<hei-1\\ (Lane\&lsqb;hei-2\&rsqb;.x-Lane\&lsqb;hei-1\&rsqb;.x,-1)& k=hei-1\end{array}\right.---\left(1.11\right)$

4)对于逆行车辆，其轨迹方向与车辆正确行驶方向的夹角具有一定特征，车辆在正常行驶过程中，其行驶方向并不会突然发生剧烈的转变，复杂场景中车道正确行驶方向设置设意图如图9所示，本发明将车辆发生逆行时跟踪轨迹与标定车道线正确行驶方向的夹角定义为120°，为实现事件的精确检测，规定对于每条目标运动轨迹，当其与车道正常行驶方向夹角超过120°的数量大于设定的阈值时，则判定该条运动轨迹为逆行轨迹，即被跟踪车辆出现逆行行为。

5)为标定的车辆正确行驶矢量，为轨迹实际运动矢量，其中，则车辆实际行驶方向与规定的车辆正确行驶方向的夹角θ可表示为：

$\mathrm{\&theta;}=\left|\arccos \left(\frac{x_1{x}_2+y_1{y}_2}{\sqrt{x_1^2+y_1^2}\sqrt{x_2^2+y_2^2}}\right)\right|---\left(1.12\right)$

6)在实际检测过程中，当θ>120°时，则将相应计数器加1，当满足逆行条件数量大于设定阈值时，则可判定当前跟踪车辆逆行。

2.偷卡行为检测

对于在检测区域内已经确定为摩托车和行人的目标，则直接对其进行报警，记录其车牌信息；对于确定的机动车车辆，如果其有逆行行为则认为其有偷卡行为，则对其进行报警。

Claims (2)

1.一种自助发卡机违章行为自动检测方法，采用视频监控手段，对于自助发卡机区域的车辆和行人的行为进行自动识别，其特征在于，所述自动检测方法包括3个主步骤，分别是目标分割、违章行为识别和违章行为检测，所述自动检测方法中的处理步骤均是针对自助发卡机区域监控视频图像的按照先后顺序处理，

所述目标分割，包括分步骤始背景提取、帧差分割目标和形态学滤波，

所述的初始背景提取的实现步骤为：

a1)统计连续N帧视频变化情况，记录像素中个点灰度出现情况

$P(x,y,k)=\left\{\begin{array}{cc}p+1,& \begin{array}{cc}if& {\mathrm{image}}_i(x,y,m)=k\end{array}\\ p,& \begin{array}{cc}if& {\mathrm{image}}_i(x,y,m)\&NotEqual;k\end{array}\end{array}\right.,i=1,\mathrm{2...}N---\left(1.1\right)$

其中，P(x,y,k)表示像素点(x,y)处亮度值为k出现的次数，image_i(x,y,m)表示某一帧图像像素点(x,y)处亮度值为m，

a2)将连续N帧某点灰度出现频率最大值，作为该点的灰度值，即初始背景灰度值。

Background(x,y)＝max(P(x,y,k))k＝0,1,2…255(1.2)所述的帧差分割目标的具体实现步骤为：

b1)为方便后续计算，首先将抽样后的结果进行块化，设原始图像宽度及高度为W、H，块的大小为w、h，则块化后的图像大小为

$\left\{\begin{array}{c}wid=W/w\\ hei=H/h\end{array}\right.---\left(1.3\right)$

b2)使用当前图像与背景图像进行差分，以获得运动目标，其中DifGray_i为背景差分后某块的灰度值，Gray_n为当前帧某块内像素灰度值，Background_n为背景中对应块内像素灰度值

${\mathrm{DifGray}}_i=\underset{n=0}{\overset{w*h}{\&Sigma;}}{\mathrm{Gray}}_n-\underset{n=0}{\overset{w*h}{\&Sigma;}}{\mathrm{Background}}_n,0<i<wid*hei---\left(1.4\right)$

b3)二值化阈值的选择使用迭代式阈值选择法，

A)选择视频图像中的灰度的中值作为首先的估计阈值T₀；

B)利用开始估计的阈值T₀把图像的灰度值分成两个不同的区域：R₁、R₂，根据式(1.5)计算区域R₁和R₂的灰度的均值u₁和u₂：

$u_1=\frac{\underset{i=0}{\overset{T_i}{\mathrm{\&Sigma;}}}{\mathrm{in}}_i}{\underset{i=0}{\overset{T_i}{\mathrm{\&Sigma;}}}{n}_i},u_2=\frac{\underset{i=T_i}{\overset{L-1}{\mathrm{\&Sigma;}}}{\mathrm{in}}_i}{\underset{i=T_i}{\overset{L-1}{\mathrm{\&Sigma;}}}{n}_i},$ n为个数(1.5)

C)计算出u₁和u₂后，计算出新的阈值T_i+1：

$T_{i+1}=\frac{1}{2}(u_1+u_2)---\left(1.6\right)$

D)重复步骤B)、C)，直到T_i+1和T_i无限接近时，其值即为二值化阈值T，

b4)当差分结果大于阈值T时，则将该块结果置为255，否则置为0，实现目标的二值化，

$TwoVal=\left\{\begin{array}{c}255,DifGray>T\\ 0,DifGray<T\end{array}\right.---\left(1.7\right)$

所述的形态学滤波实现的步骤为：

c1)对二值化分割结果进行横向扫描，当相邻两白块间间隔小于2个块时，则将中间区域的黑块置为255，否则保留原值；

c2)对二值化分割结果进行纵向扫描，当相邻两白块间间隔小于2个块时，则将中间区域的黑块置为255，否则保留原值；

所述的违章行为识别，包括分步骤车辆定位和车型识别，

所述的车辆定位的实现步骤为：

d1)统计图像范围内各行不为0的像素点，记录其个数，获得该行图像的宽度，

d2)统计图像范围内各列不为0的像素点，记录其个数，获得该列图像的高度，

根据d1)和d2)的统计结果，即可获得目标的位置信息和目标的宽度高度信息，根据目标的位置信息判断其是否在违章行为抓拍区域，如在检测区域内则对车型进行识别，反之，不对其进行检测；

所述的车型识别实现步骤为：

针对检测目标机动车、摩托车和行人，对摩托车和行人不做区分，确定机动车和摩托车目标模型，即在图像显示区域内，设置机动车和摩托车的模版大小，以方便后续检测，

机动车：|S_机-S_机模|＜20(1.8)

摩托车：|S_摩-S_摩模|＜20(1.9)

其中，η为目标区域宽度高度之比，对于机动车、摩托车η取值范围根据多次实验获得，S＝width*height为目标区域面积，根据其与模版面积大小比对，判断目标所属类型；

所述的违章行为检测，包括对机动车辆逆行行为检测和摩托车及行人在检测区域内偷卡行为检测，

机动车辆逆行行为检测，通过对车辆目标轨迹进行跟踪，根据其轨迹方向判断是否有逆行行为发生，具体实现步骤为：

e1)采用角点跟踪算法，目标运行过程中，用变模板正向最小差值匹配跟踪算法，同步寻找角点在每帧图像中出现的位置，每当找到新的目标位置，则用当前位置信息更新模版数据；

e2)对每行像素进行车辆正确行驶方向的标定，由于采样频率及车辆速度的限制，设定在相邻三个像素范围内其运动轨迹呈均匀变化，此时计算误差较小；

e3)从图像下边沿第0行像素开始分别对各行像素进行方向标定，对于远离摄像机方向为行驶正方向的路段，其第k行方向矢量分别为：

$\left\{\begin{array}{cc}(Lane\&lsqb;1\&rsqb;.x-Lane\&lsqb;0\&rsqb;.x,1)& k=0\\ (Lane\&lsqb;k+1\&rsqb;.x-Lane\&lsqb;k-1\&rsqb;.x,2)& 0<k<hei-1\\ (Lane\&lsqb;hei-1\&rsqb;.x-Lane\&lsqb;hei-2\&rsqb;.x,1)& k=hei-1\end{array}\right.---\left(1.10\right)$

对于驶向摄像机方向为行驶正方向的路段，其第k行方向矢量分别为：

$\left\{\begin{array}{cc}(Lane\&lsqb;0\&rsqb;.x-Lane\&lsqb;1\&rsqb;.x,-1)& k=0\\ (Lane\&lsqb;k-1\&rsqb;.x-Lane\&lsqb;k+1\&rsqb;.x,-2)& 0<k<hei-1\\ (Lane\&lsqb;hei-2\&rsqb;.x-Lane\&lsqb;hei-1\&rsqb;.x,-1)& k=hei-1\end{array}\right.---\left(1.11\right)$

e4)根据对于逆行车辆，其轨迹方向与车辆正确行驶方向的夹角具有一定特征，将车辆发生逆行时跟踪轨迹与标定车道线正确行驶方向的夹角定义为120°，规定对于每条目标运动轨迹，当其与车道正常行驶方向夹角超过120°的数量大于设定的阈值时，则判定该条运动轨迹为逆行轨迹，即被跟踪车辆出现逆行行为；

e5)为标定车道线的车辆正确行驶矢量，为轨迹实际运动矢量，其中，则车辆实际行驶方向与规定的车辆正确行驶方向的夹角θ可表示为：

$\mathrm{\&theta;}=\left|\arccos \left(\frac{x_1{x}_2+y_1{y}_2}{\sqrt{x_1^2+y_1^2}\sqrt{x_2^2+y_2^2}}\right)\right|---\left(1.12\right)$

e6)在实际检测过程中，当θ＞120°时，则将相应计数器加1，当满足逆行条件数量大于设定阈值时，则可判定当前跟踪车辆逆行；

所述的偷卡行为检测是指，对于在监控视频图像检测区域内已经确定为摩托车和行人的目标，则直接对其进行报警，记录其车牌信息；

对于确定的机动车车辆，如果其有逆行行为则认为其有偷卡行为，则对其进行报警。

2.如权利要求1所述的自助发卡机违章行为自动检测方法，其特征在于，在所述的目标分割、违章行为识别和违章行为检测之前，还包括预处理步骤，

所述预处理是指由于监控视频的高分辨率，为减少运算量，对采集到的图像进行横向及纵向抽样处理。