基于视频的交通事件自动检测技术研究.docxVIP

基于视频的交通事件自动检测技术研究 每年发生无数起交通事故，其中非法驾驶是交通事故频繁发生的原因之一。目前国内高速公路、城市快速道路、特大型桥梁、隧道等交通设施均设置交通监控管理部门,但是目前交通管理模式主要以人工监控图像为主,一般情况下监控图像往往较多,如广深高速有200多路监控视频,一旦有违章交通事件发生,而且值班人员的配备比较少的话,那么很有可能不能及时发现交通事件,从而延误处理时间,加大交通的滞留,以至于造成更多的财产损失和生命伤害。所以,如何采用交通事件自动检测系统(Automatic Incident Detection System, AIDS)对交通事件进行快速准确的检测,已经成为越来越多人关心的问题。 国内外许多专家学者提出了描述交通事件检测的算法。Fernyhough等通过对序列图像中目标的跟踪结果学习出目标运动的时空区域,通过定性的推理和统计分析,自动构造出定性的事件模型,从而实现事件的预测和异常事件的检测;Mohnhaupt等建立了一个3D场景描述序列,其包括交通场景中的检测数据,例如时间序列的车辆行驶方向、位置等;Kumar利用运动目标与场景内静态设施及动态目标之间的相互关系识别行为活动。以上介绍的算法中,都具有模型复杂,运算量大,实现起来比较复杂等的缺点。伍友龙提出了一种比较简便快捷的事件检测算法,通过直线拟和,把复杂的车辆跟踪轨迹曲线简化为直线组合,以直线差角代替轨迹曲线曲率变化,以此分析车辆行驶方向的变化,最后判定事件的方法,但是该方法不能实时地检测交通事件,检测结果存在一定的滞后性。 本文采用数字图像处理技术和计算机视觉技术,主要研究逆行车辆、停驻车辆、掉头车辆、倒退车辆、变线车辆这5类交通事件的检测。目标车辆提取与车辆跟踪用了传统的基于背景差的目标提取方法与基于区域的跟踪方法。而对交通事件的理解与描述部分,本文提出一种新的基于模型的事件检测算法,先拟和轨迹,接着把轨迹各段分成四类:前行、反行、斜行、停滞,然后根据4类轨迹建立模型参数,最终得到车辆行驶行为数学模型,以此检测出车辆的运动情况。 1 值化图像及区域目标中心 车辆检测的目的是从连续的视频图像中提取车辆目标,为后续车辆跟踪检测提供支持。本文采用了背景差分法进行车辆检测,使用了简单的背景模型,即对一定时间内的帧数进行中值滤波得到背景。背景初始化公式为 Bi(x,y)={Bi-1(x,y)+1Ιi(x,y)Bi-1(x,y)Bi-1(x,y)-1Ιi(x,y)Bi-1(x,y)(1) 式中Bi(x,y)表示i时刻,在(x,y)位置的像素点的背景灰度值;Bi-1(x,y)表示i-1时刻,在(x,y)位置的像素点的背景灰度值;Ii为当前图像的灰度值。i时刻背景差分公式为: Di(x,y)=Ιi(x,y)-B(x,y)(2) 再对差分图像做二值化处理,若阈值为θ,当输入图像为Di(x,y),输出图像为Gi(x,y),则 Gi(x,y)={255Di(x,y)≥θ0Di(x,y)θ(3) 此时,Gi(x,y)是目标图像为白色区域,背景图像为黑色的二值图像。对二值化图像做形态学处理及连通区域最小外接矩形操作后,可以得到车辆区域的外接矩形框。 当运动车辆被提取出来之后,必须对车辆进行连续的跟踪,才能知道每辆车的行驶轨迹等信息,作为后续事件检测的依据。本算法采用传统的基于区域目标中心的跟踪方法进行车辆跟踪,即在车辆检测结果中识别出一个个像素连通区域,用矩形区域表示检测出的车辆。如果在相邻帧中车辆矩形区域的中心点符合一定的匹配标准,则认为车辆跟踪成功,车辆跟踪的输出结果是每帧图像中车辆外接矩形框的中心坐标点值。这里将此点认为是车辆中心,将车辆行驶过程中此点的轨迹变化作为车辆的行驶轨迹。 2 交通违章行为分析 本文中所研究的交通事件是指高速公路上具有潜在事故危险的偶发性事件,如逆行、倒车、掉头、停驶、变道等交通违章行为,通过研究分析车辆跟踪过程中车辆中心点坐标变化,可以计算得到车辆的运动方向与每帧时间内的运动距离,然后依据五种交通违章事件的属性规律进行具体检测。 2.1 行驶轨迹元素的运用多表现为 首先分析五类交通事件车辆行驶轨迹与正常行驶车辆轨迹的区别。车辆轨迹抽象如图1所示,图中虚线代表车道,实线表示车辆轨迹,图中: A线条表示车辆的正常行驶轨迹,其中a1为车辆驶入点,a2为车辆驶出点; B线条表示车辆停驶时的轨迹,其中b1为车辆驶入点,b2为车辆停驶点; C线条表示车辆逆行的轨迹,其中c1为车辆驶入点,c2为车辆驶入点; D线条表示车辆掉头轨迹,其中d1为车辆驶入点,d2与d3为车辆转弯点,d4为车辆驶出点; E线条表示车辆倒退行驶轨迹,其中e1为车辆驶入点,e2为车辆开始倒退点; F线条表示车辆变道行驶轨迹,其中f1为车辆驶入点,f2与f3为车辆