在交叉点处的交通监测和事故检查副本.docVIP

在交叉口的交通监控和事故检测 摘要：在智能交通系统（ITS）中最重要的研究是为了自动监测在路口的交通流而开发的系统。目前这些自动监视系统，不是基于全局交通流量来分析的，而是根据各车辆在交叉处的行为做出局部分析。该系统应该能够识别每个车辆和跟踪它的行为，并认识到在这种行为下，或有可能从一系列的这种行为下可能导致的事件。与车辆跟踪相关的最困难的问题是车辆中的阻塞效应。为了解决这个问题，我们开发了一种算法，称为时空马尔可夫随机域（MRF），用于监测在交叉路口的交通图像。这个算法的模型通过确定图像中的每个像素中交通的状态以及问题，以及确定有关国家沿着两个过境交通流的图像轴以及时间坐标轴。当然，车辆的形状和移动都是以随机方式进行的，从而导致在交叉路口部分或全部堵塞。尽管有这大的难度，我们的算法还是足够强大的，它可以细分和跟踪闭塞车辆，并且能保持93％-96％的高成功率。这一成功导致了一个可扩展的强大的事件识别系统的开发 隐马尔可夫模型（HMM）。系统学习每辆车在HMM链中的各个事件的行为模式 然后，利用输出从跟踪系统，识别当前事件链。目前的系统可以识别碰撞，路过，和干扰。而且，通过收集其他事件模式到训练集，该系统可扩展识别那些其他活动，例如，非法的u型转弯或鲁莽驾驶。我们有实行这种制度，评估它使用的跟踪结果，并证明了其有效性。 关键词：事故检测，隐马尔可夫模型 （HMM），闭塞，时空马尔可夫随机域（MRF）， 跟踪。 1 引言 在智能系统中最重要的系统之一交通系统（ITS）开发的目的是自动监控交通的交叉口处的流动。 这样的系统在减少驾驶员工作量和在警告危险驾驶的情况下起到很重要的作用。该系统不仅将自动监控当前交叉口的情况，而且，如果系统能可靠地评估这些情况，并预测他们是否会导致事故，他们也许能提醒司机，从而降低事故的数量。 自动监测系统是基于各车辆在交叉点的行为从而进行局部分析，而不是执行全局流量分析。该系统应该能够识别每个车辆和跟踪它的行为，并能认识到危险情况或一系列的这种行为所可能导致的事件。跟踪的目标往往是在十字路口发生闭塞阻塞的情况是的车辆。此外，由于事件一系列大的变化，事件的识别会很复杂。为了解决这些问题，有必要开发一种跟踪算法，该算法是针对这样的遮挡的鲁棒性。此外，随机的变化的大事件识别也必须得到发展。 跟踪的算法在计算机视觉研究中有很长的历史。特别是，在ITS区域，专门跟踪范式。车辆跟踪，已被广泛地研究。Peterfreund[1]采用了“Snake”[2]的方法提取车辆的跟踪目的的轮廓。Smith等人[3]和Grimson[4]采用光流分析。特别是，Grimson应用聚类和矢量量化，以估算流量。Leuck[5]和Gardner[6]假定车辆形状的三维（3-D）模型和估计的车辆图像根据外形角度投影到一个2维（2-D）图像平面。Leuck的方法[5]和Gardner[6]要求车辆的许多三维模型被应用到一般的交通图像。虽然这些方法能在不太拥挤的情况下有效，但大多无法可靠地在由闭塞和混乱的复杂情况下跟踪车辆。 我们的主要目标是稳健跟踪个别车辆并且分析在十字路口处闭塞和杂波对车辆的影响。车辆通过路口时行驶方向并不确定，从而导致这些车辆的各个部分既可以被遮挡，也会遮挡其他车辆的部分。为了克服这种情况，我们已经开发利用时空马尔可夫随机域（MRF）模型的跟踪算法。这个算法的模型通过确定图像中的每个像素的状态来跟踪问题，并且确定车辆在过境时沿着两个在x-y图像坐标轴和时间轴上的状态。 对于事件识别，系统传统上会使用点传感器。交通监控中成功的事件识别系统与点传感器，包括Gangisetty的[8]事件检测系统（IDS）与感应线圈传感器。而且利用线圈检测器的交通监控系统都相当受欢迎。事实上，实际应用在包括多伦多、加拿大和华盛顿特区这几个城市。尽管这种斑点传感器是可靠的，稳定的，但是在实际使用中，它们在事件识别方面的使用范围相当有限;几乎所有的光点传感器只能在车辆上存在一个传感器光斑时才能获得信息，因此，一方面需要大量的传感器提供大量的探测面积为事件的识别提供信息。 在另一方面，利用视觉传感器进行事件识别的最重要的优势之一是其收集丰富信息的能力，如违例停泊的车辆，交通拥堵，交通违法行为和交通事故。一些有代表性的基于视觉的系统可以在[11] - [13] ，[4]中找到。Rojas [11]和Zeng [12]开发的方法或使用的系统是利用一个固定的电视摄像机跟踪公路上的车辆。 Lai等人 [13]开发的交叉口处的“红灯信号检测”。该系统现已开始运作在香港。Grimson等[4]正在监测流量通过“传感器的森林”系统进一步将交通活动分类，并且能够聚类运动矢量和检测异常事件。 然而不幸的是，这些系统用来检测事件的能力都是相当有限的。