车辆违规变道行为检测方法、装置和计算机设备与流程

1.本技术涉及视频监控技术领域，具体涉及一种车辆违规变道行为检测方法、装置和计算机设备。

背景技术：

2.随着我国经济的快速发展，受之影响的城镇化速度虽然也在飞速提升，但城市交通事故频发已成为交通整治的一大痛点与隐患，尤其是车辆违规变道行为，其相较于疲劳驾驶、酒后驾驶等违规行为发生更加频繁，因此对车辆违规变道行为的检测显得尤为重要。
3.现有的车辆违规变道检测方法，主要是通过视频监控、地感线圈感应等。其中，视频监控就是在固定地点安装静态摄像头对车辆驾驶行为进行监控，但这种方式不仅人工成本较高、效率低，而且受人的主观因素影响较大，所以检测结果可靠性不高。而地感线圈感应方法，则是通过在某些特殊路段埋设地感线圈，并标定禁止变道区域，当车辆经过时，金属车体会切割地感线圈的磁感线，从而产生感应电动势来检测车辆违规变道行为，但是这种方法同样存在成本高的问题，且有很大局限性，如在地感线圈突发故障之后维修费时，短期内将严重影响检测结果的可靠性。
4.因此，现有的车辆违规变道检测方法存在着因检测方式局限性较大，而导致检测结果可靠性低的技术问题。

技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种车辆违规变道行为检测方法、装置和计算机设备，用以提高车辆违规便道行为的检测准确率，提升检测结果的可靠性，同时提高车辆违规行为的检测效率。
6.第一方面，本技术提供一种车辆违规变道行为检测方法，方法包括：
7.获取待检测视频中的第一视频帧和第二视频帧，第一视频帧和第二视频帧为待检测视频中包含目标车辆的相邻视频帧；
8.确定第一视频帧和第二视频帧中的目标车道线，目标车道线在相邻视频帧中的位置相匹配；
9.针对第一视频帧和第二视频帧，分别获取目标车辆相对于目标车道线的横向方位和纵向方位；
10.根据横向方位和纵向方位，对目标车辆的车辆违规变道行为进行检测。
11.在本技术一些实施例中，获取待检测视频中的第一视频帧和第二视频帧，包括：获取待检测视频；基于预设频率，对待检测视频进行抽帧，得到多于一个的视频帧；分析视频帧，筛选出包含目标车辆和候选车道线的相邻视频帧，得到第一视频帧和第二视频帧；其中，候选车道线在相邻视频帧中的位置相匹配。
12.在本技术一些实施例中，分析视频帧，筛选出包含目标车辆和候选车道线的相邻视频帧，得到第一视频帧和第二视频帧，包括：对视频帧进行车辆检测，筛选出包含目标车
辆的相邻视频帧，作为第一候选视频帧；对第一候选视频帧进行车道线检测，筛选出包含车道线的第一候选视频帧，作为第二候选视频帧获取第二候选视频帧中的各个车道线的车道线位置信息；针对第二候选视频帧，将各自对应的车道线位置信息相匹配的车道线作为候选车道线，筛选得到第一视频帧和第二视频帧。
13.在本技术一些实施例中，获取第二候选视频帧中的各个车道线的车道线位置信息，包括：对第二候选视频帧进行二值化处理，得到第二候选视频帧中的各个车道线的掩码信息；基于掩码信息，对第二候选视频帧进行连通域检测，得到车道线连通域；对车道线连通域的中轴线进行直线拟合，筛选得到各个车道线的车道线位置信息。
14.在本技术一些实施例中，对车道线连通域的中轴线进行直线拟合，筛选得到各个车道线的车道线位置信息，包括：采用最小二乘法，分析车道线连通域包含的像素点坐标，得到车道线连通域的中轴线；车道线连通域的中轴线进行直线拟合，得到中轴线在对应第二候选视频帧中的位置信息，位置信息包含直线斜率值；统计像素点坐标，对应获取车道线连通域的掩码面积；筛选出对应掩码面积大于或等于预设面积阈值，且对应直线斜率值小于或等于预设斜率阈值的中轴线，作为目标中轴线；将目标中轴线的位置信息作为各个车道线的车道线位置信息。
15.在本技术一些实施例中，针对第二候选视频帧，将各自对应的车道线位置信息相匹配的车道线作为候选车道线，筛选得到第一视频帧和第二视频帧，包括：分别提取第一车道线位置信息和第二车道线位置信息的纵截距值，得到第一纵截距值和第二纵截距值；获取第一纵截距值与第二纵截距值之间的差值绝对值，得到路线相似分数；若路线相似分数达到预设分数阈值，则判定对应的车道线相匹配；将相匹配的车道线作为候选车道线，筛选出包含候选车道线的第二候选视频帧，作为第一视频帧和第二视频帧；其中，第一车道线位置信息和第二车道线位置信息，分别为第二候选视频帧中任意两个相邻视频帧各自所含车道线的车道线位置信息。
16.在本技术一些实施例中，确定第一视频帧和第二视频帧中的目标车道线，包括：若第一视频帧和第二视频帧中包含至少两个候选车道线，则获取目标车辆在第一视频帧和第二视频帧中的车辆位置信息；计算车辆位置信息与各候选车道线之间的距离信息；分析各候选车道线对应的各距离信息，确定各距离信息中距离最小值对应的候选车道线，作为目标车道线。
17.在本技术一些实施例中，针对第一视频帧和第二视频帧，分别获取目标车辆相对于目标车道线的横向方位和纵向方位，包括：针对第一视频帧和第二视频帧，分别获取目标车辆相对于目标车道线的横向方位，得到目标车辆在第一视频帧中的第一横向方位，并得到目标车辆在第二视频帧中的第二横向方位；针对第一视频帧和第二视频帧，分别获取目标车辆相对于目标车道线的纵向方位，得到目标车辆在第一视频帧中的第一纵向方位，并得到目标车辆在第二视频帧中的第二纵向方位；其中，横向方位包括左方位和右方位，纵向方位包括有效纵方位和无效纵方位。
18.在本技术一些实施例中，横向方位包括第一横向方位和第二横向方位，纵向方位包括第一纵向方位和第二纵向方位，根据横向方位和纵向方位，对目标车辆的车辆违规变道行为进行检测，包括：若第一横向方位与第二横向方位不匹配，则分析第一纵向方位与第二纵向方位；若第一纵向方位与第二纵向方位相匹配，且第一纵向方位和第二纵向方位均
为有效纵方位，则判定目标车辆存在有车辆违规变道行为；其中，有效纵方位被定义为是车辆纵向最大值大于路线纵向最小值的方位，车辆纵向最大值为目标车辆对应的车辆检测框的纵向最大值，路线纵向最小值为目标车道线的纵向最小值。
19.第二方面，本技术提供一种车辆违规变道行为检测装置，装置包括：
20.视频获取模块，用于获取待检测视频中的第一视频帧和第二视频帧，第一视频帧和第二视频帧为待检测视频中包含目标车辆的相邻视频帧；
21.路线确定模块，用于确定第一视频帧和第二视频帧中的目标车道线，目标车道线在相邻视频帧中的位置相匹配；
22.方位获取模块，用于针对第一视频帧和第二视频帧，分别获取目标车辆相对于目标车道线的横向方位和纵向方位；
23.行为检测模块，用于根据横向方位和纵向方位，对目标车辆的车辆违规变道行为进行检测。
24.第三方面，本技术还提供一种计算机设备，包括：
25.一个或多个处理器；
26.存储器；以及一个或多个应用程序，其中的一个或多个应用程序被存储于存储器中，并配置为由处理器执行以实现车辆违规变道行为检测方法。
27.第四方面，本技术还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器进行加载，以执行车辆违规变道行为检测方法中的步骤。
28.第五方面，本技术实施例提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述第一方面提供的方法。
29.上述车辆违规变道行为检测方法、装置和计算机设备，服务器通过获取待检测视频中包含目标车辆的第一视频帧和第二视频帧，并确定第一视频帧和第二视频帧中的目标车道线，来针对第一视频帧和第二视频帧，分别获取目标车辆相对于目标车道线的横向方位和纵向方位，以根据横向方位和纵向方位，对目标车辆的车辆违规变道行为进行检测，该检测方法能有效提高车辆违规便道行为的检测准确率，进而提升检测结果的可靠性。
附图说明
30.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域技术人员来讲，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的附图。
31.图1是本技术实施例中车辆违规变道行为检测方法的场景示意图；
32.图2是本技术实施例中车辆违规变道行为检测方法的流程示意图；
33.图3是本技术实施例中车辆违规变道行为检测方法的具体流程示意图；
34.图4是本技术实施例中车辆检测步骤的效果示意图；
35.图5是本技术实施例中车道线检测步骤的效果示意图；
36.图6是本技术实施例中车辆违规变道行为检测步骤的效果示意图；
37.图7是本技术实施例中车辆违规变道行为检测装置的结构示意图；
38.图8是本技术实施例中计算机设备的结构示意图。
具体实施方式
39.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域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，都属于本技术保护的范围。
40.在本技术的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
41.在本技术的描述中，术语“例如”一词用来表示“用作例子、例证或说明”。本技术中被描述为“例如”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本技术所公开的原理和特征的最广范围相一致。
42.在本技术实施例中，车辆违规变道行为检测方法主要涉及人工智能(artificial intelligence，ai)中的计算机视觉技术(computer vision，cv)。其中，人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。
43.在本技术实施例中，计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、光学字符识别(optical character recognition，ocr)、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3d技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。在本技术中，针对待检测视频，cv主要实现图像语义理解(image semantic understanding，isu)中图像检测(image detection)。
44.还需说明的是，本技术实施例提供的车辆违规变道行为检测方法，可以应用于如图1所示的车辆违规变道行为检测系统中。其中，该车辆违规变道行为检测系统包括终端100和服务器200，终端100可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。终端
100具体可以是台式终端或移动终端，终端100具体还可以是手机、平板电脑、笔记本电脑等中的一种，又或是安装于监控现场用于信息采集、存储、传输的摄像头，又或是车辆行车记录仪。服务器200可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(cloud computing)的大量计算机或网络服务器构成。
45.本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本技术方案一种应用场景，并不构成对本技术方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的计算机设备，例如图1中仅示出1个服务器200，可以理解的，该车辆违规变道行为检测系统还可以包括一个或多个其他服务器，具体此处不作限定。另外，如图1所示，该车辆违规变道行为检测系统还可以包括存储器，用于存储数据，如存储视频监控数据。
46.还需说明的是，图1所示车辆违规变道行为检测系统的场景示意图仅仅是一个示例，本发明实施例描述的车辆违规变道行为检测系统以及场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着车辆违规变道行为检测系统的演变和新业务场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。
47.参阅图2，本技术实施例提供了一种车辆违规变道行为检测方法，本实施例主要以该方法应用于上述图1中的服务器200来举例说明，该方法包括步骤s201至s204，具体如下：
48.s201，获取待检测视频中的第一视频帧和第二视频帧，第一视频帧和第二视频帧为待检测视频中包含目标车辆的相邻视频帧。
49.其中，待检测视频包括但不局限于短视频、长视频等格式，短视频可以是长度小于10分钟的视频，长视频可以是长度大于10分钟的视频。待检测视频具体可以是一段交通监控视频，用于供服务器200对其中出现的车辆进行部分违规行为检测，包括但不限于是下文提及的违规变道行为。而提供该待检测视频的设备，可以是上文所述的静态摄像头，也可以是装载于车内的动态摄像头，具体本技术不做限定。
50.其中，第一视频帧和第二视频帧是源于同一段待检测视频中的相邻视频帧，且该相邻视频帧中应当包含可供检测的车辆以及车道线。
51.其中，目标车辆可以是同时出现于第一视频帧和第二视频帧中，且被用户指定或按默认顺序规划作为当前检测的车辆。
52.具体实现中，服务器200可获取终端100反馈的实时视频作为待检测视频，但若是服务器200在当前时刻未连接终端100，则服务器200可随机确定数据库中的某个交通监控视频作为待检测视频，进而对待检测视频进行抽帧处理，以获取多于一个的视频帧，最终从所得视频帧中筛选获取可作为后续处理依据的第一视频帧和第二视频帧。本实施例中涉及的视频帧筛选步骤将在下文详细说明。
53.在一个实施例中，本步骤包括：获取待检测视频；基于预设频率，对待检测视频进行抽帧，得到多于一个的视频帧；分析视频帧，筛选出包含目标车辆和候选车道线的相邻视频帧，得到第一视频帧和第二视频帧；其中，候选车道线在相邻视频帧中的位置相匹配。
54.其中，预设频率可以是为抽帧所预设的采帧率，且该采帧率在本技术实施例中应用是应该足够大，以使得连续两个采集帧图像中的车道线和车辆在图像中位置变化不大。
55.其中，候选车道线可以是目标车道线，也可以不是候选车道线，候选车道线应该在相邻视频帧中的位置相匹配，即可作为选取目标车道线的候选路线。例如，第一视频帧中包含有车道线a、车道线b和车道线c，第二视频帧中包含有车道线a、车道线c和车道线d，相邻视频帧中位置相匹配的有车道线a和车道线c，那么候选车道线可以是车道线a和车道线c，而目标车道线可在车道线a和车道线c之间选择。
56.具体实现中，车辆违规变道行为的检测判定主要依靠对视频中图像特征的分析判定。因此，服务器200在获取到待检测视频之后，可通过opencv或ffmpeg等工具，对待检测视频进行抽帧处理，即抽取获得多于一个的视频帧。然后，针对多于一个的视频帧进行车辆及车道线的分析，初步筛选出包含目标车辆和候选车道线的相邻视频帧，作为第一视频帧和第二视频帧。最后，即可对第一视频帧和第二视频帧中的车辆和车道线进行分析，判断待检测视频中的目标车辆是否存在违规变道行为。
57.在一个实施例中，分析视频帧，筛选出包含目标车辆和候选车道线的相邻视频帧，得到第一视频帧和第二视频帧，包括：对视频帧进行车辆检测，筛选出包含目标车辆的相邻视频帧，作为第一候选视频帧；对第一候选视频帧进行车道线检测，筛选出包含车道线的第一候选视频帧，作为第二候选视频帧获取第二候选视频帧中的各个车道线的车道线位置信息；针对第二候选视频帧，将各自对应的车道线位置信息相匹配的车道线作为候选车道线，筛选得到第一视频帧和第二视频帧。
58.其中，相邻视频帧包括但不限于是两个相邻的视频帧，也可以是至少两个相邻的视频帧，但本技术实施例中仅针对两个相邻的视频帧进行解释说明，但不排除在其他实施例中可以分析多于两个相邻的视频帧，甚至于在连续多个画面类似的视频帧中，间隔抽取两个或多个视频帧作为相邻视频帧。
59.具体实现中，可参阅图3，本技术提出可采用已训练的神经网络模型，对待检测的视频帧进行车辆检测，即该已训练的神经网络模型是经过多次迭代训练，具备有车辆检测能力的模型。由此，服务器200在获取到多于一个的视频帧之后，可将各个视频帧输入至上述已训练的神经网络模型，使之输出具有车辆检测框的视频帧，即实现了对视频帧的车辆检测目的。
60.此时，由于是将多个视频帧顺序输入至已训练的神经网络模型，所以已训练的神经网络模型输出是与视频帧输入顺序相同的视频帧序列。该视频帧序列中的各个视频帧，可以是包含至少一个车辆检测框的图像，即一帧图像中检测有多辆车。此外，该视频帧序列中的各个视频帧，也可以是不包含车辆检测框的图像，即一帧图像中未检测到车辆。针对该视频帧序列进行筛选，即可得到包含同一个目标车辆的相邻视频帧，作为第一候选视频帧。可以理解的是，该目标车辆可以是用户指定具有某项特殊特征的车辆，如颜特征、纹理特征等，也可以是随机确定的车辆。
61.进一步地，服务器200获取到第一候选视频帧之后，可对第一候选视频帧进行车道线检测，车道线检测步骤同样可采用人工智能技术，如上文所提及采用已训练的神经网络模型进行目标识别检测，车道线检测步骤也可采用基于卷积神经网络的语义分割技术，具体将在下文详细说明。总而言之，服务器200获取到包含目标车辆的第一候选视频帧，并对其进行车道线检测之后，可得到包含目标车辆和车道线的第二候选视频帧。然后，服务器200可进一步分析各个第二候选视频帧中的车道线，以获取车道线位置信息，最终利用车道
线位置信息筛选出第一视频帧和第二视频帧，具体也将在下文详细说明。
62.在一个实施例中，获取第二候选视频帧中的各个车道线的车道线位置信息，包括：对第二候选视频帧进行二值化处理，得到第二候选视频帧中的各个车道线的掩码信息；基于掩码信息，对第二候选视频帧进行连通域检测，得到车道线连通域；对车道线连通域的中轴线进行直线拟合，筛选得到各个车道线的车道线位置信息。
63.其中，车道线位置信息可以表示为各个车道线的直线方程式，例如，aix+biy+ci＝0。该直线方程式是作用于对应车道线所在视频帧图像中的图像坐标系，该图像坐标系的原点位于视频帧图像的左上角顶点，原点以右是坐标系的正向横轴(x)，原点以下是坐标系的正向纵轴(y)。
64.具体实现中，可参阅图4，服务器200对第二候选视频帧进行连通域检测之前，可基于卷积神经网络的语义分割技术，对第二候选视频帧进行二值化处理，获取第二候选视频帧中的各个车道线的掩码信息依次对掩码信息进行连通域划分，确定第二候选视频帧中的各个连通域，作为车道线连通域，即图像中连续不中断的一块区域的边界点集合，且这些点再图像坐标系中存在(x，y)坐标。然后，服务器200可分析各个边界点集合，获取各个车道线连通域的中轴线，以对各个中轴线进行直线拟合，筛选得到各个车道线的车道线位置信息。本实施例中的车道线位置信息筛选步骤将在下文详细说明。
65.在一个实施例中，对车道线连通域的中轴线进行直线拟合，筛选得到各个车道线的车道线位置信息，包括：采用最小二乘法，分析车道线连通域包含的像素点坐标，得到车道线连通域的中轴线；车道线连通域的中轴线进行直线拟合，得到中轴线在对应第二候选视频帧中的位置信息，位置信息包含直线斜率值；统计像素点坐标，对应获取车道线连通域的掩码面积；筛选出对应掩码面积大于或等于预设面积阈值，且对应直线斜率值小于或等于预设斜率阈值的中轴线，作为目标中轴线；将目标中轴线的位置信息作为各个车道线的车道线位置信息。
66.其中，最小二乘法是一种在误差估计、不确定度、系统辨识及预测、预报等数据处理诸多学科领域得到广泛应用的数学工具。最小二乘法可用于曲线拟合。
67.其中，预设面积阈值可以是用于筛除无效车道线的连通域掩码面积下限值，主要构成为像素总和，可表示为s
min
。
68.其中，预设斜率阈值可以是用于筛除无效车道线的连通域中轴线斜率上限值，可表示为g
max
。
69.具体实现中，服务器200可采用最小二乘法获取车道线连通域的中轴线，存在两个前提条件，包括：假设在一个平面上采了三个点，分别是u(10,10)、v(40,42)、w(20,45)；已知想把这三个点拟合成一条直线，这条直线的方程则是y＝ax+b。如果a、b的数值不一样，那么这个直线在空间中的方向和位置也不一样。所以所谓的拟合过程就是求直线方程中的a和b的过程，a和b一旦得出，那么这个直线也就得出来了。
70.进一步地，可参阅图3，服务器200分析车道线连通域包含的像素点坐标得到的中轴线不一定满足实际应用需求，即该中轴线此时的状态不够平滑，所以服务器200需要对其进行直线拟合操作，即平滑处理，使得各个车道线在第二候选视频帧中的位置信息(直线方程式)精度更佳，即可得到高精度的直线斜率值，该直线斜率值可用于进行无效车道线的筛除。
71.更进一步地，服务器200获取得到各个车道线连通域包含的像素点坐标之后，即可统计像素点坐标，即获取各个车道线连通域包含的像素点总和，作为各个车道线连通域的掩码面积。最后，服务器200可分析各个车道线连通域的掩码面积和直线斜率值，筛除掉掩码面积(s)小于预设面积阈值(s
min
)，或者直线斜率值(g)大于预设斜率阈值(g
max
)的中轴线，剩余的中轴线即为目标中轴线，而目标中轴线对应的直线方程式等同于各个车道线的车道线位置信息。
72.在一个实施例中，针对第二候选视频帧，将各自对应的车道线位置信息相匹配的车道线作为候选车道线，筛选得到第一视频帧和第二视频帧，包括：分别提取第一车道线位置信息和第二车道线位置信息的纵截距值，得到第一纵截距值和第二纵截距值；获取第一纵截距值与第二纵截距值之间的差值绝对值，得到路线相似分数；若路线相似分数达到预设分数阈值，则判定对应的车道线相匹配；将相匹配的车道线作为候选车道线，筛选出包含候选车道线的第二候选视频帧，作为第一视频帧和第二视频帧；其中，第一车道线位置信息和第二车道线位置信息，分别为第二候选视频帧中任意两个相邻视频帧各自所含车道线的车道线位置信息。
73.其中，直线的截距分为横截距和纵截距，横截距是直线与x轴交点的横坐标，纵截距是直线与y轴交点的纵坐标。要求出横截距只需令y＝0，求出x，求纵截距就令x＝0，求出y。如y＝x-1横截距为1，纵截距为-1。直线截距可正，可为负，可为0。
74.具体实现中，当采帧率足够大时，可以假定视频中车辆相对于车道线的空间位置变化不大，继而根据此先验信息，对车道线位置信息进行更新。服务器200分析各个第二候选视频帧，得到各个车道线的车道线位置信息之后，为了避免在后续判断过程中错将不同的车道线与目标车辆进行比较分析，进而对目标车辆相对于车道线的所在方位判断失误，所以需要为选取第一视频帧和第二视频帧设置前提条件，即第一视频帧和第二视频帧应该同时包含至少一条相同的车道线。由此，服务器200可针对两个相邻的第二候选视频帧，分别提取第一车道线位置信息和第二车道线位置信息的纵截距值，以获取各个车道线在前一帧图像中的第一纵截距值，以及，获取各个车道线在后一帧图像中的第二纵截距值。
75.进一步地，第一纵截距值与所述第二纵截距值之间的差值绝对值，即可得到路线相似分数。此时，若该路线相似分数达到预设的分数阈值，即可判定达到阈值的路线相似分数，其对应的车道线是同一条车道线，进而可将该车道线作为候选车道线。由此，包含候选车道线的相邻第二候选视频帧，即可被筛选作为第一视频帧和第二视频帧。
76.例如，当前存在两个相邻的第二候选视频帧，分别是第n帧和第n+1帧，第n帧图像中包含有n条车道线，其中有一条车道线a的第一车道线位置信息为aix+biy+ci＝0；第n+1帧图像中包含有n’条车道线，其中有一条车道线a的第二车道线位置信息为a
′ix+b
′iy+c
′i＝0。此时，第一纵截距值为“ci/b
i”，第二纵截距值为“c’i
/b’i”，路线相似分数“l
score”表示为当路线相似分数“l
score”达到满足于实际应用需求所设最小的分数阈值时，可判定车道线a与车道线a是同一条车道线，可作为候选车道线b。由此，服务器200可在各个第二候选视频帧中筛选出同时包含候选车道线b的相邻视频帧之一，作为第一视频帧和第二视频帧。
77.s202，确定第一视频帧和第二视频帧中的目标车道线，目标车道线在相邻视频帧
中的位置相匹配。
78.具体地，若第一视频帧和第二视频帧中包含有不止一条候选车道线，即包含多条候选车道线，则服务器200可依据预定规则对多个候选车道线进行下一步筛选，选出其中可用于车辆违规变道行为检测参照物的目标车道线。本实施例中涉及的目标车道线筛选步骤将在下文详细说明。
79.在一个实施例中，本步骤包括：若第一视频帧和第二视频帧中包含至少两个候选车道线，则获取目标车辆在第一视频帧和第二视频帧中的车辆位置信息；计算车辆位置信息与各候选车道线之间的距离信息；分析各候选车道线对应的各距离信息，确定各距离信息中距离最小值对应的候选车道线，作为目标车道线。
80.具体地，若服务器200检测到其所获第一视频帧和第二视频帧中，包含有不止一条候选车道线，则可针对各个候选车道线的车辆位置信息，即各个候选车道线的直线方程式，结合图像中目标车辆的车辆位置信息，分析点与直线之间的距离，以此获取目标车辆与各个候选车道线之间的距离信息。可以理解的是，服务器200在前序车辆检测步骤环节，获取到的是包含车辆检测框的输出结果，所以本技术实施例涉及的车辆位置信息实际是各个车辆检测框的中心点，该中心点的坐标可参考其所属图像帧中的图像坐标系。
81.进一步地，服务器200在分析获取到各候选车道线与目标车辆的距离信息之后，可将各个距离信息按数值大小进行升序排列，得到距离序列。进而选取该距离序列中的第一个值，即距离最小值对应的候选车道线，作为目标车道线。
82.s203，针对第一视频帧和第二视频帧，分别获取目标车辆相对于目标车道线的横向方位和纵向方位。
83.具体地，横向方位可以是用于说明目标车辆与目标车道线在图像坐标系x轴上的方位。例如，左方位、右方位。而纵向方位可以是用于说明目标车辆与目标车道线在图像坐标系y轴上的方位。例如，有效纵方位、无效纵方位。其中，有效纵方位具体还可以是目标车道线在x轴延伸范围内能够覆盖目标车辆的方位。本实施例中涉及的方位获取步骤将在下文详细说明。
84.在一个实施例中，本步骤包括：针对第一视频帧和第二视频帧，分别获取目标车辆相对于目标车道线的横向方位，得到目标车辆在第一视频帧中的第一横向方位，并得到目标车辆在第二视频帧中的第二横向方位；针对第一视频帧和第二视频帧，分别获取目标车辆相对于目标车道线的纵向方位，得到目标车辆在第一视频帧中的第一纵向方位，并得到目标车辆在第二视频帧中的第二纵向方位；其中，横向方位包括左方位和右方位，纵向方位包括有效纵方位和无效纵方位。
85.具体地，服务器200要判定目标车辆是否存在有违规变道行为，即需在连续多帧图像中分析目标车辆相对于目标车道线的方位变化。例如，若目标车辆在前一帧图像中相对于目标车道线的方位，不同于其在后一帧图像中相对于目标车道线的方位，则可判定该目标车辆存在违规变道的信息。
86.例如，可参阅图5，所示方框表示为目标车辆的车辆检测框，车辆检测框中的中心点表示为目标车辆的车辆位置信息，而所示直线则表示为目标车道线。第一横向方位和第一纵向方位均为目标车辆在第一视频帧中相对于目标车道线的方位，而第二横向方位和第二纵向方位均为目标车辆在第二视频帧中相对于目标车道线的方位。
87.s204，根据横向方位和纵向方位，对目标车辆的车辆违规变道行为进行检测。
88.具体实现中，虽然理论上出现方位变化的情况即可判定为是出现了违规行为，但也存在一定特殊情况，即在图像帧中表现为车辆越过车道线。此时，即使目标车辆相对于目标车道线的方位在连续多帧图像中有变化，但因其实际有可能是合法换道，或已驶出单实线等“无效变道”，所以不能判定为是违规信息。对此，本技术实施例提出将方位拆分判断，即拆分为横向方位和纵向方位，以分别对横向方位和纵向方位进行综合判断，提升车辆违规便道行为的检测准确率。
89.进一步地，参阅图6，对于服务器200已判定为存在有车辆违规便道行为的目标车辆，其所属视频帧可被服务器200上传至中心管理平台，已便于中心管理平台展示该违规视频帧，或是更新数据库以待未来完成相应管理措施。更具体地，可由嵌入式设备将记录违规变道段的视频车的gps经纬度信息、摄像头编号与违规视频分段采集数据通过2g至5g网络中的一个传送至后台服务器，由后台服务器保存信息并更新数据库。
90.在一个实施例中，横向方位包括第一横向方位和第二横向方位，纵向方位包括第一纵向方位和第二纵向方位，本步骤包括：若第一横向方位与第二横向方位不匹配，则分析第一纵向方位与第二纵向方位；若第一纵向方位与第二纵向方位相匹配，且第一纵向方位和第二纵向方位均为有效纵方位，则判定目标车辆存在有车辆违规变道行为；其中，有效纵方位被定义为是车辆纵向最大值大于路线纵向最小值的方位，车辆纵向最大值为目标车辆对应的车辆检测框的纵向最大值，路线纵向最小值为目标车道线的纵向最小值。
91.其中，有效纵方位可以是车辆纵向最大值大于路线纵向最小值的方位。例如，可参阅图5，在图5所属的图像坐标系中，车辆纵向最大值是图中车辆检测框的下边界y1，路线纵向最小值是图中目标车道线的顶点值y2，则有效纵方位表示为“y1＞y2”，无效纵方位表示为“y1≤y2”。
92.具体实现中，当服务器200检测到目标车辆a在第n帧图像中相对于目标车道线的第一横向方位为“左方位”，但在第n+1帧图像中相对于同一目标车道线的第二横向方位为“右方位”时，若还检测到目标车辆a在第n帧图像中相对于目标车道线的第一纵向方位为“有效纵方位”，目标车辆a在第n+1帧图像中相对于目标车道线的第二纵向方位也为“有效纵方位”，则可以判定目标车辆存在有车辆违规变道行为。
93.可以理解的是，上述“左方位”和“右方位”的变化顺序也可以是交换，本质还在于横向方位在连续帧图像中的改变。而“左方位”或“右方位”在服务器200中的判断依据，可以是图5所示方位符号“d”，当“d＜0”时表示为“左方位”，当“d＞0”时表示为“右方位”，则横向方位的变化即是指方位符号“d”的改变。
94.上述车辆违规变道行为检测方法，服务器通过获取待检测视频中包含目标车辆的第一视频帧和第二视频帧，并确定第一视频帧和第二视频帧中的目标车道线，来针对第一视频帧和第二视频帧，分别获取目标车辆相对于目标车道线的横向方位和纵向方位，以根据横向方位和纵向方位，对目标车辆的车辆违规变道行为进行检测，该检测方法不仅能够有效提高车辆违规便道行为的检测准确率，进而提升检测结果的可靠性，还能提高车辆违规行为的检测效率，节省人力物力。
95.为了更好实施本技术实施例中的车辆违规变道行为检测方法，在车辆违规变道行为检测方法基础之上，本技术实施例中还提供一种车辆违规变道行为检测装置，如图7所
示，车辆违规变道行为检测装置700包括：
96.视频获取模块710，用于获取待检测视频中的第一视频帧和第二视频帧，第一视频帧和第二视频帧为待检测视频中包含目标车辆的相邻视频帧；
97.路线确定模块720，用于确定第一视频帧和第二视频帧中的目标车道线，目标车道线在相邻视频帧中的位置相匹配；
98.方位获取模块730，用于针对第一视频帧和第二视频帧，分别获取目标车辆相对于目标车道线的横向方位和纵向方位；
99.行为检测模块740，用于根据横向方位和纵向方位，对目标车辆的车辆违规变道行为进行检测。
100.在一个实施例中，视频获取模块710还用于获取待检测视频；基于预设频率，对待检测视频进行抽帧，得到多于一个的视频帧；分析视频帧，筛选出包含目标车辆和候选车道线的相邻视频帧，得到第一视频帧和第二视频帧；其中，候选车道线在相邻视频帧中的位置相匹配。
101.在一个实施例中，视频获取模块710还用于对视频帧进行车辆检测，筛选出包含目标车辆的相邻视频帧，作为第一候选视频帧；对第一候选视频帧进行车道线检测，筛选出包含车道线的第一候选视频帧，作为第二候选视频帧获取第二候选视频帧中的各个车道线的车道线位置信息；针对第二候选视频帧，将各自对应的车道线位置信息相匹配的车道线作为候选车道线，筛选得到第一视频帧和第二视频帧。
102.在一个实施例中，视频获取模块710还用于对第二候选视频帧进行二值化处理，得到第二候选视频帧中的各个车道线的掩码信息；基于掩码信息，对第二候选视频帧进行连通域检测，得到车道线连通域；对车道线连通域的中轴线进行直线拟合，筛选得到各个车道线的车道线位置信息。
103.在一个实施例中，视频获取模块710还用于采用最小二乘法，分析车道线连通域包含的像素点坐标，得到车道线连通域的中轴线；车道线连通域的中轴线进行直线拟合，得到中轴线在对应第二候选视频帧中的位置信息，位置信息包含直线斜率值；统计像素点坐标，对应获取车道线连通域的掩码面积；筛选出对应掩码面积大于或等于预设面积阈值，且对应直线斜率值小于或等于预设斜率阈值的中轴线，作为目标中轴线；将目标中轴线的位置信息作为各个车道线的车道线位置信息。
104.在一个实施例中，视频获取模块710还用于分别提取第一车道线位置信息和第二车道线位置信息的纵截距值，得到第一纵截距值和第二纵截距值；获取第一纵截距值与第二纵截距值之间的差值绝对值，得到路线相似分数；若路线相似分数达到预设分数阈值，则判定对应的车道线相匹配；将相匹配的车道线作为候选车道线，筛选出包含候选车道线的第二候选视频帧，作为第一视频帧和第二视频帧；其中，第一车道线位置信息和第二车道线位置信息，分别为第二候选视频帧中任意两个相邻视频帧各自所含车道线的车道线位置信息。
105.在一个实施例中，路线确定模块720还用于若第一视频帧和第二视频帧中包含至少两个候选车道线，则获取目标车辆在第一视频帧和第二视频帧中的车辆位置信息；计算车辆位置信息与各候选车道线之间的距离信息；分析各候选车道线对应的各距离信息，确定各距离信息中距离最小值对应的候选车道线，作为目标车道线。
106.在一个实施例中，方位获取模块730还用于针对第一视频帧和第二视频帧，分别获取目标车辆相对于目标车道线的横向方位，得到目标车辆在第一视频帧中的第一横向方位，并得到目标车辆在第二视频帧中的第二横向方位；针对第一视频帧和第二视频帧，分别获取目标车辆相对于目标车道线的纵向方位，得到目标车辆在第一视频帧中的第一纵向方位，并得到目标车辆在第二视频帧中的第二纵向方位；其中，横向方位包括左方位和右方位，纵向方位包括有效纵方位和无效纵方位。
107.在一个实施例中，所述横向方位包括第一横向方位和第二横向方位，所述纵向方位包括第一纵向方位和第二纵向方位，行为检测模块740还用于若第一横向方位与第二横向方位不匹配，则分析第一纵向方位与第二纵向方位；若第一纵向方位与第二纵向方位相匹配，且第一纵向方位和第二纵向方位均为有效纵方位，则判定目标车辆存在有车辆违规变道行为；其中，有效纵方位被定义为是车辆纵向最大值大于路线纵向最小值的方位，车辆纵向最大值为目标车辆对应的车辆检测框的纵向最大值，路线纵向最小值为目标车道线的纵向最小值。
108.上述实施例，车辆违规变道行为检测装置不仅适用于车载摄像头的车辆违规变道行为检测系统，同时也可部署于交通路口、公路卡口等场景，进而可根据各场景的不同以及处理器的算力大小进行训练数据以及模型大小的选择。使得算法工程可根据不同任务需求进行灵活多变的部署方案。由此，不仅能有效提高车辆违规便道行为的检测准确率，进而提升检测结果的可靠性，还能提高车辆违规行为的检测效率，节省人力物力。
109.在本技术一些实施例中，车辆违规变道行为检测装置700可以实现为一种计算机程序的形式，计算机程序可在如图8所示的计算机设备上运行。计算机设备的存储器中可存储组成该车辆违规变道行为检测装置700的各个程序模块，比如，图7所示的视频获取模块710、路线确定模块720、方位获取模块730以及行为检测模块740。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本技术各个实施例的车辆违规变道行为检测方法中的步骤。
110.例如，图8所示的计算机设备可以通过如图7所示的车辆违规变道行为检测装置700中的视频获取模块710执行步骤s201。计算机设备可通过路线确定模块720执行步骤s202。计算机设备可通过方位获取模块730执行步骤s203。计算机设备可通过行为检测模块740执行步骤s204。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的计算机设备通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆违规变道行为检测方法。
111.本邻域技术人员可以理解，图8中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
112.在本技术一些实施例中，提供了一种计算机设备，包括一个或多个处理器；存储器；以及一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行上述车辆违规变道行为检测方法的步骤。此处车辆违规变道行为检
测方法的步骤可以是上述各个实施例的车辆违规变道行为检测方法中的步骤。
113.在本技术一些实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器进行加载，使得处理器执行上述车辆违规变道行为检测方法的步骤。此处车辆违规变道行为检测方法的步骤可以是上述各个实施例的车辆违规变道行为检测方法中的步骤。
114.本邻域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
115.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
116.以上对本技术实施例所提供的一种车辆违规变道行为检测方法、装置和计算机设备进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本邻域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：

1.一种车辆违规变道行为检测方法，其特征在于，包括：获取待检测视频中的第一视频帧和第二视频帧，所述第一视频帧和所述第二视频帧为所述待检测视频中包含目标车辆的相邻视频帧；确定所述第一视频帧和所述第二视频帧中的目标车道线，所述目标车道线在所述相邻视频帧中的位置相匹配；针对所述第一视频帧和所述第二视频帧，分别获取所述目标车辆相对于所述目标车道线的横向方位和纵向方位；根据所述横向方位和所述纵向方位，对所述目标车辆的车辆违规变道行为进行检测。2.如权利要求1所述的方法，其特征在于，所述获取待检测视频中的第一视频帧和第二视频帧，包括：获取待检测视频；基于预设频率，对所述待检测视频进行抽帧，得到多于一个的视频帧；分析所述视频帧，筛选出包含所述目标车辆和候选车道线的相邻视频帧，得到所述第一视频帧和所述第二视频帧；其中，所述候选车道线在所述相邻视频帧中的位置相匹配。3.如权利要求2所述的方法，其特征在于，所述分析所述视频帧，筛选出包含所述目标车辆和候选车道线的相邻视频帧，得到所述第一视频帧和所述第二视频帧，包括：对所述视频帧进行车辆检测，筛选出包含所述目标车辆的相邻视频帧，作为第一候选视频帧；对所述第一候选视频帧进行车道线检测，筛选出包含车道线的第一候选视频帧，作为第二候选视频帧；获取所述第二候选视频帧中的各个车道线的车道线位置信息；针对所述第二候选视频帧，将各自对应的所述车道线位置信息相匹配的车道线作为所述候选车道线，筛选得到所述第一视频帧和所述第二视频帧。4.如权利要求3所述的方法，其特征在于，所述获取所述第二候选视频帧中的各个车道线的车道线位置信息，包括：对所述第二候选视频帧进行二值化处理，得到所述第二候选视频帧中的各个车道线的掩码信息；基于所述掩码信息，对所述第二候选视频帧进行连通域检测，得到车道线连通域；对所述车道线连通域的中轴线进行直线拟合，筛选得到所述各个车道线的车道线位置信息。5.如权利要求4所述的方法，其特征在于，所述对所述车道线连通域的中轴线进行直线拟合，筛选得到所述各个车道线的车道线位置信息，包括：采用最小二乘法，分析所述车道线连通域包含的像素点坐标，得到所述车道线连通域的中轴线；所述车道线连通域的中轴线进行直线拟合，得到所述中轴线在对应所述第二候选视频帧中的位置信息，所述位置信息包含直线斜率值；统计所述像素点坐标，对应获取所述车道线连通域的掩码面积；筛选出对应所述掩码面积大于或等于预设面积阈值，且对应所述直线斜率值小于或等于预设斜率阈值的中轴线，作为目标中轴线；
将所述目标中轴线的位置信息作为所述各个车道线的车道线位置信息。6.如权利要求3所述的方法，其特征在于，所述针对所述第二候选视频帧，将各自对应的所述车道线位置信息相匹配的车道线作为所述候选车道线，筛选得到所述第一视频帧和所述第二视频帧，包括：分别提取第一车道线位置信息和第二车道线位置信息的纵截距值，得到第一纵截距值和第二纵截距值；获取所述第一纵截距值与所述第二纵截距值之间的差值绝对值，得到路线相似分数；若所述路线相似分数达到预设分数阈值，则判定对应的车道线相匹配；将所述相匹配的车道线作为所述候选车道线，筛选出包含所述候选车道线的第二候选视频帧，作为所述第一视频帧和所述第二视频帧；其中，所述第一车道线位置信息和所述第二车道线位置信息，分别为所述第二候选视频帧中任意两个相邻视频帧各自所含车道线的车道线位置信息。7.如权利要求1所述的方法，其特征在于，所述确定所述第一视频帧和所述第二视频帧中的目标车道线，包括：若所述第一视频帧和所述第二视频帧中包含至少两个候选车道线，则获取所述目标车辆在所述第一视频帧和所述第二视频帧中的车辆位置信息；计算所述车辆位置信息与各所述候选车道线之间的距离信息；分析各所述候选车道线对应的各所述距离信息，确定各所述距离信息中距离最小值对应的候选车道线，作为所述目标车道线。8.如权利要求1-7中任一项所述的方法，其特征在于，所述针对所述第一视频帧和所述第二视频帧，分别获取所述目标车辆相对于所述目标车道线的横向方位和纵向方位，包括：针对所述第一视频帧和所述第二视频帧，分别获取所述目标车辆相对于所述目标车道线的横向方位，得到所述目标车辆在所述第一视频帧中的第一横向方位，并得到所述目标车辆在所述第二视频帧中的第二横向方位；针对所述第一视频帧和所述第二视频帧，分别获取所述目标车辆相对于所述目标车道线的纵向方位，得到所述目标车辆在所述第一视频帧中的第一纵向方位，并得到所述目标车辆在所述第二视频帧中的第二纵向方位；其中，所述横向方位包括左方位和右方位，所述纵向方位包括有效纵方位和无效纵方位。9.如权利要求1-7中任一项所述的方法，其特征在于，所述横向方位包括第一横向方位和第二横向方位，所述纵向方位包括第一纵向方位和第二纵向方位，所述根据所述横向方位和所述纵向方位，对所述目标车辆的车辆违规变道行为进行检测，包括：若所述第一横向方位与所述第二横向方位不匹配，则分析所述第一纵向方位与所述第二纵向方位；若所述第一纵向方位与所述第二纵向方位相匹配，且所述第一纵向方位和所述第二纵向方位均为有效纵方位，则判定所述目标车辆存在有车辆违规变道行为；其中，所述有效纵方位被定义为是车辆纵向最大值大于路线纵向最小值的方位，所述车辆纵向最大值为所述目标车辆对应的车辆检测框的纵向最大值，所述路线纵向最小值为所述目标车道线的纵向最小值。
10.一种车辆违规变道行为检测装置，其特征在于，包括：视频获取模块，用于获取待检测视频中的第一视频帧和第二视频帧，所述第一视频帧和所述第二视频帧为所述待检测视频中包含目标车辆的相邻视频帧；路线确定模块，用于确定所述第一视频帧和所述第二视频帧中的目标车道线，所述目标车道线在所述相邻视频帧中的位置相匹配；方位获取模块，用于针对所述第一视频帧和所述第二视频帧，分别获取所述目标车辆相对于所述目标车道线的横向方位和纵向方位；行为检测模块，用于根据所述横向方位和所述纵向方位，对所述目标车辆的车辆违规变道行为进行检测。11.一种计算机设备，其特征在于，所述计算机设备包括：一个或多个处理器；存储器；以及一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1至9中任一项所述的车辆违规变道行为检测方法。12.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至9任一项所述的车辆违规变道行为检测方法中的步骤。

技术总结

本申请提供一种车辆违规变道行为检测方法、装置和计算机设备，方法包括：获取待检测视频中的第一视频帧和第二视频帧，第一视频帧和第二视频帧为待检测视频中包含目标车辆的相邻视频帧；确定第一视频帧和第二视频帧中的目标车道线，目标车道线在相邻视频帧中的位置相匹配；针对第一视频帧和第二视频帧，分别获取目标车辆相对于目标车道线的横向方位和纵向方位；根据横向方位和纵向方位，对目标车辆的车辆违规变道行为进行检测。采用本方法，不仅能够有效提高检测准确率，进而提升检测结果的可靠性，还能提高检测效率，节省人力物力。节省人力物力。节省人力物力。