CN103021186B - 一种车辆监控的方法及系统 - Google Patents

Abstract

本发明公开了一种车辆监控的方法及系统，其中，该方法包括：通过覆盖在车道中的检测线圈检测车辆运动信息；利用摄像机对进入该检测线圈区域的车辆进行跟踪，当跟踪结束后，生成包含车辆行驶信息的运动轨迹；根据所述运动轨迹及检测线圈检测的车辆运动信息判断车辆是否违章。通过采用本发明公开的方法，实现了车辆的实时监控，为城市交通安全提供了保障。

Description

一种车辆监控的方法及系统

技术领域

本发明涉及模式识别领域，尤其涉及一种车辆监控的方法及系统。

背景技术

车辆的监控及对其在道路交通环境中相关行为分析是智能车辆监控系统的主要研究内容，也是智能视频监控领域的重要研究方向之一。在我国这样一个典型的混合道路交通系统中，行人和车辆构成了道路交通的主体。通过智能视频分析技术对车辆运动目标进行精确检测、稳健跟踪和准确分类，并获取目标的运动轨迹、运动速度和方向等特征信息，从而实现诸如车流量检测和车辆异常行为检测等，是目前智能交通领域的研究热点。结合实际道路交通环境，实现对车辆的准确的检测与跟踪，对推动智能交通技术快速发展及综合保障城市道路交通安全具有重要的现实意义。

目前的车辆监控系统虽然很多都用到了视频作为信息来源，但视频信息主要作为事后取证所使用，且大部分车辆监控系统由于硬件原因，其安装需根据实际监控场景进行调整，修改较为复杂，不具有普遍的适用性。

发明内容

本发明的目的是提供一种车辆监控的方法及系统，实现了车辆的实时监控，为城市交通安全提供了保障。

一种车辆监控的方法，该方法包括：

通过覆盖在车道中的检测线圈检测车辆运动信息；

利用摄像机对进入该检测线圈区域的车辆进行跟踪，当跟踪结束后，生成包含车辆行驶信息的运动轨迹；

根据所述运动轨迹及检测线圈检测的车辆运动信息判断车辆是否违章。

一种车辆监控的系统，该系统包括：

检测线圈，用于覆盖在车道中来检测车辆运动信息；

运动轨迹生成模块，用于利用摄像机对进入该检测线圈区域的车辆进行跟踪，当跟踪结束后，生成包含车辆行驶信息的运动轨迹；

违章判断模块，用于根据所述运动轨迹及检测线圈检测的车辆运动信息判断车辆是否违章。

由上述本发明提供的技术方案可以看出，通过设置检测线圈，并在车辆检测跟踪的基础之上，完成车流量统计及违章判断，提高了车辆监控系统智能性，为城市交通安全提供了保障。

附图说明

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发明的一些实施例，对于本领域的普通技术人员来讲，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附图。

图1为本发明实施例一提供的一种车辆监控的方法的流程图；

图2为本发明实施例二提供的又一种车辆监控的方法的流程图；

图3为本发明实施例三提供的一种车辆监控的系统的示意图。

具体实施方式

下面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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，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，都属于本发明的保护范围。

实施例一

图1为本发明实施例一提供的一种车辆监控的方法的流程图，主要包括如下步骤：

步骤101、通过覆盖在车道中的检测线圈检测车辆运动信息。

检测线圈可以分为两种类型：普通检测线圈与压线检测线圈。

其中，普通检测线圈呈四边形，平铺在某一车道上，可以根据需求调整检测线圈的四个顶点来调节其大小、形状与位置。根据统计通过该检测线圈的车辆进行车流量的统计，例如，当车辆经过该检测线圈时，将经过该检测线圈所在车道的车辆数量上加1。另外，该检测线圈还可以检测车辆的行驶方向，例如，根据同一辆车经过该检测线圈的顺序判断其行驶方向。

压线检测线圈，其设置在车道间的标线上（例如，黄线），用于检测车辆是否压线行驶。

通过设置上述两种线圈可有效的对车辆行驶状态进行监控。

步骤102、利用摄像机对进入该检测线圈区域的车辆进行跟踪，当跟踪结束后，生成包含车辆运动信息的运动轨迹。

本实施例仅针对检测线圈区域内的视频数据进行处理。即当车辆进入检测线圈范围内时开始跟踪，当离开或正在离开检测线圈范围时停止跟踪。

将车辆在检测线圈范围内的运动信息提取，并生成用于进行违章判断的运动轨迹。

步骤103、根据所述运动轨迹及检测线圈检测的车辆运动信息判断车辆是否违章。

可先采用基于目标方位、尺寸的Kalman滤波平滑算法进行轨迹滤波对所述运动轨迹进行分析，获得车辆的行驶方向、车辆的行驶速度及车辆的位置等信息；

根据获得的车辆的行驶方向、车辆的行驶速度及车辆的位置等信息与检测线圈检测到的信息相结合进行违章判断：

逆行判断：判断所述车辆的行驶方向与普通检测线圈上检测到的方向的夹角是否大于90°，若在连续的N（N为正整数，例如10）帧图像该夹角中均大于90°，则判定该车辆逆行；

超速判断：判断所述车辆的行驶速度与最大阈值大小关系；若该车辆的运行速度在连续的N帧图像中均大于最大阈值，则判定该车辆超速行驶；

违章停车判断：判断所述车辆的行驶速度与最小阈值的大小关系；若该车辆的运行速度在连续的N帧图像中均小于最小阈值，则判定该车辆违章停车；

压线行驶判断：判断表示该车辆的位置跟踪框的中心点是否进入压线检测线圈的区域，若是，则判定该车辆压线行驶。

进一步的，当违章判断结束后，将该车辆的彩色图片保存。另外，若判定该车辆违章，则自动报警；例如，在显示屏幕上将该车辆跟踪框闪烁并显示红色字体，字体内容为违章种类，以提醒工作人员进行处理；并将该车辆的违章行为种类、违章时间及地点信息及彩色照片作为该车辆的摘要信息保存文件夹内，使事后取证查询更为方便快捷。

本发明实施例通过设置检测线圈，并在车辆检测跟踪的基础之上，完成车流量统计及违章判断，提高了车辆监控系统智能性，为城市交通安全提供了保障。

实施例二

为了便于理解本发明，下面结合附图2对本发明做进一步说明，如图2所示，主要包括如下步骤：

步骤201、设置覆盖在车道中的用于检测车辆运动信息检测线圈。

检测线圈可以分为两种类型：普通检测线圈与压线检测线圈。

其中，普通检测线圈呈四边形，平铺在某一车道上，可以根据需求调整检测线圈的四个顶点来调节其大小、形状与位置。根据统计通过该普通检测线圈的车辆进行车流量的统计，例如，当车辆经过该检测线圈时，将经过该检测线圈所在车道的车辆数量上加1。另外，该检测线圈还可以检测车辆的行驶方向，例如，根据同一辆车经过该普通检测线圈的顺序判断其行驶方向。

压线检测线圈，其设置在车道间的标线上（例如，黄线），用于检测车辆是否压线行驶。

通过设置上述两种线圈可有效的对车辆行驶状态进行监控，并可使得系统处理的视频信息量减少，提高了整体的实时性。

步骤202、对进入检测线圈区域的车辆进行检测。

由于车辆监控场景为道路，道路中的运动目标包括行人和车辆，因此，需要对运动目标进行区分，并提取出车辆目标作为监控对象。

本实施例采用基于背景差法检测车辆目标；在进行该算法之前需先检测摄像机采集到的图像是否为RGB（三基色）图像，若是，则可直接使用，否则，需转换为RGB格式。背景差法的具体步骤：对RGB图像进行背景建模，获得前景图像，再检测出前景图像中一个或多个运动目标，并提取表示运动目标的大小目标连通区域轮廓；将得到的目标连通区域轮廓的大小与设定的阈值进行比较，若大于该阈值，则判定该运动目标为车辆。

步骤203、对检测线圈区域内的车辆进行跟踪，当跟踪结束后，生成运动轨迹。

当检测到车辆后，采用均值飘移Mean Shift与粒子滤波Particle Filter混合跟踪算法对检测到的车辆进行跟踪，以保证车辆跟踪具有一定的鲁棒性。跟踪算法分为如下步骤：

（1）将表示车辆的目标连通区域轮廓进行类聚，得到车辆列表；

（2）利用Kalman卡尔曼滤波器预测车辆列表中每一车辆的新位置；其中，该Kalman滤波器迭代系统方程为：

x(k)＝A×x(k-1)+B×u(k)+w(k)

z(k)＝H×x(k)+v(k)

x(k)＝x'(k)+K(k)×(z(k)-H*x'(k))

P'(k)＝A×P(k-1)×A_t+Q

K(k)＝P'(k)×H_t×inv(H×P'(k)×H_t+R)

P(k)＝(1-K(k)×H)×P'(k)；

其中，x'是预测状态，x是校正状态，A是状态转移矩阵，B是控制矩阵，H是测量矩阵，Q是噪声协方差矩阵，R是测量噪声协方差矩阵，P'是先验的误差估计协方差矩阵，K是Kalman矩阵，P是后验误差估计协方差矩阵。

（3）通过Kalman卡尔曼滤波器的预测结果进行车辆碰撞检测：若多个车辆的预测结果中均为同一位置，则判定车辆发生碰撞，则采用Mean Shift和Particle Filter混合算法对发生碰撞的车辆进行跟踪，并用跟踪得到的位置作为其新位置；否则，判定车辆没有发生碰撞，可分为如下两种情况：若一个新位置只对应一个车辆的预测结果，则将该车辆的预测结果作为其新位置；若多个新位置对应一个车辆的预测结果，则查找最佳的新位置：根据Mean Shift算法中直方图最小巴氏Bhattacharyya距离法分别对预测结果进行计算获得对应的可信度，可信度最大的预测结果对应的位置则为最佳位置，并用所述最佳位置作为该车辆的新位置；另外，还可对所述最佳位置进行验证，例如，采用空间上最小距离法，查看距离最小的位置是否与所述最佳位置匹配。

使用上述方法进行车辆跟踪，当跟踪结束后，生成包含车辆行驶方向、速度及位置的运动轨迹。

其中，当出现下述情况时，则判定跟踪结束：当连续T（T为正整数，例如，3帧）帧车辆面积均小于设定阈值，或车辆的边缘处于图像以外，或该车辆的连通区域轮廓的大小小于阈值。

步骤204、对运动轨迹进行分析。

可采用基于目标方位、尺寸的Kalman滤波平滑算法进行轨迹滤波，再结合检测线圈的相关信息，分析目标轨迹，获得车辆的速度、行驶方向和位置等信息，为车辆行为的判定提供最直接的数据。

步骤205、将运动轨迹的分析结果与检测线圈的检测结果相结合判断车辆是否违章。

根据获得的车辆的行驶方向、车辆的行驶速度及车辆的位置等信息与检测线圈检测到的信息相结合进行违章判断：

逆行判断：判断所述车辆的行驶方向与普通检测线圈上检测到的方向的夹角是否大于90°，若在连续的N（N为正整数，例如10）帧图像该夹角中均大于90°，则判定该车辆逆行；

超速判断：判断所述车辆的行驶速度与最大阈值大小关系；若该车辆的运行速度在连续的N帧图像中均大于最大阈值，则判定该车辆超速行驶；

违章停车判断：判断所述车辆的行驶速度与最小阈值的大小关系；若该车辆的运行速度在连续的N帧图像中均小于最小阈值，则判定该车辆违章停车；

压线行驶判断：判断表示该车辆的位置跟踪框的中心点是否进入压线检测线圈的区域，若是，则判定该车辆压线行驶。

进一步的，当违章判断结束后，将该车辆的彩色图片保存。另外，若判定该车辆违章，则自动报警；例如，在显示屏幕上将该车辆跟踪框闪烁并显示红色字体，字体内容为违章种类，以提醒工作人员进行处理；并将该车辆的违章行为种类、违章时间及地点信息及彩色照片作为该车辆的摘要信息保存文件夹内，使事后取证查询更为方便快捷。

本发明实施例通过设置检测线圈，并在车辆检测跟踪的基础之上，完成车流量统计及违章判断，提高了车辆监控系统智能性，为城市交通安全提供了保障。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。

实施例三

图3为本发明实施例三提供的一种车辆监控的系统的示意图，该系统主要包括：

检测线圈31，用于覆盖在车道中来检测车辆运动信息；

车辆信息获取模块32，用于利用摄像机对进入该检测线圈区域的车辆进行跟踪，当跟踪结束后，生成包含车辆行驶信息的运动轨迹；

违章判断模块33，用于根据所述运动轨迹及检测线圈检测的车辆运动信息判断车辆是否违章。

所述检测线圈31包括：普通检测线圈311与压线检测线圈312；

所述普通检测线圈311为四边形，设置覆盖在车道上；用于根据检测同一车辆通过该检测线圈的顺序获取车辆的行驶方向，并根据统计通过该检测线圈的车辆进行车流量的统计；

所述压线线圈312设置于车道间的标线上，用于检测车辆是否压线行驶。

所述车辆信息获取模块32包括：

车辆检测模块321，用于基于背景差法检测车辆目标；具体的：对摄像机拍摄到的图像进行背景建模，获得前景图像，检测出前景图像中一个或多个运动目标，并提取表示运动目标的大小目标连通区域轮廓；将得到的目标连通区域轮廓的大小与设定的阈值进行比较，若大于该阈值，则判定该运动目标为车辆；

车辆跟踪模块322，用于采用均值飘移Mean Shift与粒子滤波Particle Filter混合跟踪算法对检测到的车辆目标进行跟踪；具体的：将表示车辆的目标连通区域轮廓进行类聚，得到车辆列表；利用kalman卡尔曼滤波器预测车辆列表中每一车辆的新位置；

若多个车辆的预测结果中均为同一位置，则判定车辆发生碰撞，则采用Mean Shift和Particle Filter混合算法对发生碰撞的车辆进行跟踪，并用跟踪得到的位置作为其新位置；若一个新位置只对应一个车辆的预测结果，则将该车辆的预测结果作为其新位置；若多个新位置对应一个车辆的预测结果，则查找最佳的新位置：根据Mean Shift算法中直方图最小巴氏Bhattacharyya距离法分别对预测结果进行计算获得对应的可信度，可信度最大的预测结果对应的位置则为最佳位置，并用所述最佳位置作为该车辆的新位置。

跟踪结束判断模块323，用于判断是否跟踪结束：若连续T帧车辆面积均小于设定阈值，或车辆的边缘处于图像以外，或该车辆的连通区域轮廓的大小小于阈值，则判定跟踪结束，其中T为正整数；

运动轨迹生成模块324，用于当判定跟踪结束后，生成包含车辆行驶方向、速度及位置信息的运动轨迹。

所述违章判断模块33包括：

运动轨迹分析模块331，用于对所述运动轨迹进行分析，将分析结果与检测线圈检测的车辆运动信息相结合判断车辆是否违章；其中，采用基于目标方位、尺寸的Kalman滤波平滑算法进行轨迹滤波对所述运动轨迹进行分析，获得车辆的行驶方向、车辆的行驶速度及车辆的位置信息。

逆行判断模块332，用于判断所述车辆的行驶方向与普通检测线圈上检测到的方向的夹角是否大于90°，若在连续的N帧图像该夹角中均大于90°，则判定该车辆逆行，其中，N为正整数；

超速判断模块333，用于判断所述车辆的行驶速度与最大阈值的大小关系；若该车辆的运行速度在连续的N帧图像中均大于最大阈值，则判定该车辆超速行驶；

违章停车判断模块334，用于判断所述车辆的行驶速度与最小阈值的大小关系；若该车辆的运行速度在连续的N帧图像中均小于最小阈值，则判定该车辆违章停车；

压线行驶判断模块335，用于判断表示该车辆的位置跟踪框的中心点是否进入压线检测线圈的区域，若是，则判定该车辆压线行驶；

所述系统还包括：

车辆摘要保存模块34，用于当违章判断结束后保存车辆摘要信息，该摘要信息包括：车辆的彩色图片；若该车辆违章，则还包括违章类型，违章时间及违章地点。

需要说明的是，上述系统中包含的各个处理模块所实现的功能的具体实现方式在前面的各个实施例中已经有详细描述，故在这里不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将系统的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，系统或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (8)

1.一种车辆监控的方法，其特征在于，该方法包括：

通过覆盖在车道中的检测线圈检测车辆运动信息；

利用摄像机对进入该检测线圈区域的车辆进行跟踪，当跟踪结束后，生成包含车辆行驶信息的运动轨迹；具体的：基于背景差法检测车辆目标；具体的：对摄像机拍摄到的图像进行背景建模，获得前景图像，检测出前景图像中一个或多个运动目标，并提取表示运动目标的大小目标连通区域轮廓；将得到的目标连通区域轮廓的大小与设定的阈值进行比较，若大于该阈值，则判定该运动目标为车辆；采用均值飘移Mean Shift与粒子滤波Particle Filter混合跟踪算法对检测到的车辆进行跟踪；具体的：将表示车辆的目标连通区域轮廓进行类聚，得到车辆列表；利用Kalman卡尔曼滤波器预测车辆列表中每一车辆的新位置；若多个车辆的预测结果中均为同一位置，则判定车辆发生碰撞，则采用mean shift和Particle Filter混合算法对发生碰撞的车辆进行跟踪，并用跟踪得到的位置作为其新位置；若一个新位置只对应一个车辆的预测结果，则将该车辆的预测结果作为其新位置；若多个新位置对应一个车辆的预测结果，则查找最佳的新位置：根据Mean Shift算法中直方图最小巴氏Bhattacharyya距离法分别对预测结果进行计算获得对应的可信度，可信度最大的预测结果对应的位置则为最佳位置，并用所述最佳位置作为该车辆的新位置；跟踪结束判断：若连续T帧车辆面积均小于设定阈值，或车辆的边缘处于图像以外，或该车辆的连通区域轮廓的大小小于阈值，则判定跟踪结束，其中T为正整数；当判定跟踪结束后，生成包含车辆行驶方向、速度及位置信息的运动轨迹

根据所述运动轨迹及检测线圈检测的车辆运动信息判断车辆是否违章。

2.根据权利要求1所述的方法，其特征在于，所述检测线圈包括：普通检测线圈与压线检测线圈；

所述普通检测线圈为四边形，设置在某一车道上；根据检测同一车辆通过该检测线圈的顺序获取车辆的行驶方向，并根据统计通过该检测线圈的车辆进行车流量的统计；

所述压线线圈设置于车道间的标线上，用于检测车辆是否压线行驶。

3.根据权利要求1或2所述的方法，其特征在于，所述根据生成的运动轨迹及检测线圈检测的车辆运动信息判断车辆是否违章的步骤包括：

采用基于目标方位、尺寸的Kalman滤波平滑算法进行轨迹滤波对所述运动轨迹进行分析，获得车辆的行驶方向、车辆的行驶速度及车辆的位置信息；

将获得车辆的行驶方向、车辆的行驶速度及车辆的位置信息与检测线圈检测的车辆运动信息相结合判断车辆是否违章：

判断所述车辆的行驶方向与普通检测线圈上检测到的方向的夹角是否大于90°，若在连续的N帧图像该夹角中均大于90°，则判定该车辆逆行，其中，N为正整数；

判断所述车辆的行驶速度与最大阈值的大小关系；若该车辆的运行速度在连续的N帧图像中均大于最大阈值，则判定该车辆超速行驶；

判断所述车辆的行驶速度与最小阈值的大小关系；若该车辆的运行速度在连续的N帧图像中均小于最小阈值，则判定该车辆违章停车；

判断表示该车辆的位置跟踪框的中心点是否进入压线检测线圈的区域，若是，则判定该车辆压线行驶。

4.根据权利要求1或2所述的方法，其特征在于，该方法还包括：

当违章判断结束后保存车辆摘要信息，该摘要信息包括：车辆的彩色图片；若该车辆违章，则还包括违章类型，违章时间及违章地点。

5.一种车辆监控的系统，其特征在于，该系统包括：

检测线圈，用于覆盖在车道中来检测车辆运动信息；

车辆信息获取模块，用于利用摄像机对进入该检测线圈区域的车辆进行跟踪，当跟踪结束后，生成包含车辆行驶信息的运动轨迹；

其中，所述车辆信息获取模块包括：车辆检测模块，用于基于背景差法检测车辆目标；具体的：对摄像机拍摄到的图像进行背景建模，获得前景图像，检测出前景图像中一个或多个运动目标，并提取表示运动目标的大小目标连通区域轮廓；将得到的目标连通区域轮廓的大小与设定的阈值进行比较，若大于该阈值，则判定该运动目标为车辆；车辆跟踪模块，用于采用均值飘移Mean Shift与粒子滤波Particle Filter混合跟踪算法对检测到的车辆目标进行跟踪；具体的：将表示车辆的目标连通区域轮廓进行类聚，得到车辆列表；利用Kalman卡尔曼滤波器预测车辆列表中每一车辆的新位置；若多个车辆的预测结果中均为同一位置，则判定车辆发生碰撞，则采用Mean Shift和Particle Filter混合算法对发生碰撞的车辆进行跟踪，并用跟踪得到的位置作为其新位置；若一个新位置只对应一个车辆的预测结果，则将该车辆的预测结果作为其新位置；若多个新位置对应一个车辆的预测结果，则查找最佳的新位置：根据Mean Shift算法中直方图最小巴氏Bhattacharyya距离法分别对预测结果进行计算获得对应的可信度，可信度最大的预测结果对应的位置则为最佳位置，并用所述最佳位置作为该车辆的新位置；跟踪结束判断模块，用于判断是否跟踪结束：若连续T帧车辆面积均小于设定阈值，或车辆的边缘处于图像以外，或该车辆的连通区域轮廓的大小小于阈值，则判定跟踪结束，其中T为正整数；运动轨迹生成模块，用于当判定跟踪结束后，生成包含车辆行驶方向、速度及位置信息的运动轨迹；

违章判断模块，用于根据所述运动轨迹及检测线圈检测的车辆运动信息判断车辆是否违章。

6.根据权利要求5所述的系统，其特征在于，所述检测线圈包括：普通检测线圈与压线检测线圈；

所述普通检测线圈为四边形，设置在某一车道上；用于根据检测同一车辆通过该检测线圈的顺序获取车辆的行驶方向，并根据统计通过该检测线圈的车辆进行车流量的统计；

所述压线线圈设置于车道间的标线上，用于检测车辆是否压线行驶。

7.根据权利要求5或6所述的系统，其特征在于，所述违章判断模块包括：

运动轨迹分析模块，用于采用基于目标方位、尺寸的Kalman滤波平滑算法进行轨迹滤波对所述运动轨迹进行分析，获得车辆的行驶方向、车辆的行驶速度及车辆的位置信息；

逆行判断模块，用于判断所述车辆的行驶方向与普通检测线圈上检测到的方向的夹角是否大于90°，若在连续的N帧图像该夹角中均大于90°，则判定该车辆逆行，其中，N为正整数；

超速判断模块，用于判断所述车辆的行驶速度与最大阈值的大小关系；若该车辆的运行速度在连续的N帧图像中均大于最大阈值，则判定该车辆超速行驶；

违章停车判断模块，用于判断所述车辆的行驶速度与最小阈值的大小关系；若该车辆的运行速度在连续的N帧图像中均小于最小阈值，则判定该车辆违章停车；

压线行驶判断模块，用于判断表示该车辆的位置跟踪框的中心点是否进入压线检测线圈的区域，若是，则判定该车辆压线行驶。

8.根据权利要求5或6所述的系统，其特征在于，所述系统还包括：

车辆摘要保存模块，用于当违章判断结束后保存车辆摘要信息，该摘要信息包括：车辆的彩色图片；若该车辆违章，则还包括违章类型，违章时间及违章地点。