（生物医学工程专业论文）基于视频的交通事件检测方法研究.pdf

摘要 摘要 论文题目：基于视频的交通事件检测方法研究 研究生姓名：侯露 导师姓名：罗立民教授周卫平副教授 学校名称：东南大学 随着我国城市化进程的不断加快，尤其是2 1 世纪以来的几年，城市公路交通系统的压力不断加大。 交通拥堵、交通事故等日益频繁，逐步成为经济和社会发展中的全球性共同问题。交通事件自动检测系统 ( a i d s ) 正是解决该问题的主要途径之一。本文以视频图像为基础，对常见交通事件的检测方法进行了研 究、探讨，主要工作包括三部分内容：基于轨迹分析的交通事件检测、基于灰度分析的交通事件检测和基 于隐马尔可夫模型( 删) 的交通事件检测。 在基于轨迹分析的交通事件检测部分，本文实现了车辆换道事件，逆行、停车事件的检测方法。根据 轨迹曲线的倾斜角，分析车辆行驶方向的变化，检测车辆换道事件：通过检测车辆在图像中某一方向上的 运动，判别逆行、停车事件。本文还提出了对逆行检测算法的改进，将单车道的逆行检测扩展为正反车道 的逆行检测。实验结果显示，在车辆不多、发生事件较典型时，本文的方法能够取得较好的效果。 在基于灰度分析的交通事件检测部分，本文首先介绍了基于灰度分析的逆行检测方法。通过在图像上 设置监测区，根据监测区内的灰度变化首先出现在底部区域还是头部区域，对逆行事件进行判别。之后， 本文介绍了传统的基于灰度分析的停车检测法，并在此基础上提出用分层分析法进行停车检测的算法。传 统的方法往往会把停止车辆误认为是背景的一部分，因此不易实时更新背景，而本文的方法可以很好地做 到这一点。算法通过像素分析和区域分析，区分出背景像素和静止像素，可以在实时更新背景的情况下检 测出停驶车辆。实验证明提出的算法是行之有效的。 在基于删的交通事件检测部分，本文首先实现了基于删的车辆行为检测方法，通过运用舢，根 据提取的车辆轨迹特征，可以推断出车辆的行为过程：直行、左转、右转还是停止。之后，本文提出了一 种用舢进行交通拥挤检测的算法。该算法将交通状态分为拥挤状态和畅通状态，将排队长度、空间占有 率作为交通参数，通过学习在拥挤和畅通两种状态下的历史数据，生成拥挤删和畅通删，然后用舢 对实时检测到的交通数据进行识别分类，从而判别路段交通状态。实验结果表明该算法能够成功地识别出 拥挤事件。 关键词： 交通事件，轨迹，灰度，隐马尔可夫模型，换道，逆行，停车，拥堵 东南大学硕士学位论文 a b s t r a c t t i t l e ：v i d e o b a s e dt r a f f i ci n c i d e n td e t e c t i o na l g o r i t h m s a u t h o r ：h o ul u s u p e r v i s o r ：p r o f e s s o rl u ol i - m i na n da s s o c i a t ep r o f e s s o rz h o uw e i p i n g s c h o o l ：s o u t h e a s tu n i v e r s i t y w i t ht h er a p i dd e v e l o p m e n to fu r b a n i z a t i o no fo u rc o u n t , e s p e c i a l l yd u r i n gt h ef i r s tf e wy e a r so ft h e21s t c e n t u r y , t h ep r e s s u r eo ft r a f f i cs y s t e mo nu r b a nr o a d si si n c r e a s i n g m o r ea n dm o r et r a f f i cj a m s ，a c c i d e n t s ，e t e ， o c c u rf r o mt i m et ot i m e ，w h i c hg r a d u a l l yb e c o m e st h eg l o b a lc o m m o nc o n c e mi nt h ee c o n o m i ca n ds o c i a l d e v e l o p m e n t a u t o m a t i ci n c i d e n td e t e c t i o ns y s t e m s ( a i d s ) i so n eo f t h es o l u t i o n st ot h i sp r o b l e m i nt h i sp a p e r , s o m em e t h o d sf o rd e t e c t i n gc o m m o nt r a f f i ci n c i d e n t sa r es t u d i e do nt h eb a s i so fv i d e oi m a g e s o u rr e s e a r c hw o r k c o n s i s t so ft h r e ep a r t s ，w h i c ha r et r a f f i ci n c i d e n t sd e t e c t i o nb a s e d0 1 1t r a j e c t o r ya n a l y s i s ，d e t e c t i o no ni n t e n s i t y a n a l y s i s ，a n do nh i d d e nm a r k o vm o d e lm m m ) i nt h ef i r s tp a r t , t h r o u g ha n a l y z i n gt h ec h a n g eo f d r i v i n go r i e n t a t i o nb a s e do nt h es l o p eo f t h et r a j e c t o r yc u r v e ， v e h i c l ec h a n g i n gp a t hi sd e t e c t e d ；i n c i d e n t so fc o n v e r s ed r i v i n ga n dv e h i c l es t o p p i n ga r ed e t e c t e db ya n a l y z i n gt h e m o v e m e n ti nad i r e c t i o no f t h ei m a g e f i n a l l y , t h ea l g o r i t h mo f d e t e c t i n gc o n v e r s ed r i v i n gi si m p r o v e d ，w h i c hc a n d e t e c tc o n v e r s ed r i v i n gi nt w o l a n es t r e e t s i nt h es e c o n dp a r t , a l la l g o r i t h mf o rd e t e c t i n gc o n v e r s ed r i v i n gb a s e do ni n t e n s i t ya n a l y s i si sp r e s e n t e d i tc a n r e c o g n i z ec o n v e r s ed r i v i n gv e h i c l eb a s e do nt h ef a c tt h a tt h ei n t e n s i t yc h a n g ef i r s ta p p e a ro nt h et o po ra tt h e b o r o mo ft h em o n i t o r i n ga r e aw h i c hh a sb e e ns e tu pm a n u a l l yo nt h ev i d e oi m a g e s an e w a l g o r i t h mf o rd e t e c t i n g s t o p p e dv e h i c l e sc a l l e dl a y e r e da n a l y s i s a i g o r i t h r ai sp r o p o s e do nt h eb a s i so fc o n v e n t i o n a la l g o r i t h m s a s c o n v e n t i o n a la p p r o a c h e st os t o p p e dv e h i c l ed e t e c t i o na l w a y sc o n s i d e rt h ep a r k i n gc a r sa sp a r to ft h es c e n e b a c k g r o u n d ，i ti sd i f f i c u l tt ou p d a t eb a c k g r o u n da d a p t i v e l y l a y e r e da n a l y s i sa l g o r i t h mc a ns o l v et h i sp r o b l e m t h r o u g hp i x e la n a l y s i sa n dr e g i o na n a l y s i s ，t h ea l g o r i t h mc a r ld e t e c ts t o p p e dv e h i c l e so nc o n d i t i o nt h a ti tu p d a t e s b a c k g r o u n da d a p t i v e l y e x p e r i m e n t sp r o v et h a tt h ep r o p o s e da l g o r i t h mi sn o to n l yf e a s i b l eb u ta l s oe f f e c t i v e i nt h et h i r dp a r t , a l g o r i t h m sb a s e do nh i d d e nm a r k o vm o d e l ( h m m ) a r ea p p l i e dt od e t e c ti n c i d e n t s o nt h e b a s i so fh m m ，av e h i c l eb e h a v i o rd e t e c t i o na l g o r i t h mi sp r e s e n t e d , w h i c hc a nd e t e r m i n et h ep r o c e s so fv e h i c l e m o t i o n ：a h e a d ，l e f t , r i g h to rs t o pb ye x t r a c t i n gf e a t u r e so fv e h i c l em o t i o nt r a j e c t o r y a tl a s t , an e wm e t h o db a s e d o nh 卟删f o rd e t e c t i n gc o n g e s t i o ni sp r o p o s e d ，w h i c ha s s o r tt h e 删i cs i t u a t i o n st ot w o g r o u p s ：c o n g e s t i o na n d u n i m p e d e d u s i n gd a t aa s s o c i a t e dw i t ht h et r a f f i cp a r a m e t e r sf o rc o n g e s t i o na n dn o nc o n g e s t i o n , h m mi st r a i n e d t od e t e c tw h e t h e rt r a f f i cc o n g e s t i o no c c u ro rn o t e x p e r i m e n tr e s u l t si n d i c a t et h a tt h i sm e t h o dc a nd e t e c tt r a f f i c c o n g e s t i o ns u c c e s s f u l l y k e yw o r d s ： t r a f f i ci n c i d e n t ，t r a j e c t o r y ，i n t e n s i t y , h i d d e nm a r k o vm o d e l ，c h a n g i n gp a t h , c o n v e r s ed r i v i n g , s t o p p e dv e h i c l e s ， r o a dc o n g e s t i o n 目录 目录 摘要i a b s t r a c t i i 目 录 第一章绪论。1 1 1 课题背景及意义1 1 2 国内外研究现状。l 1 2 1 国外研究现状l 1 2 2 国内研究现状2 1 3 基于视频的事件检测方法的流程及难点。3 1 4 论文的主要工作及成果3 1 5 论文章节安排。4 第二章基于轨迹分析的交通事件检测。6 2 1 车辆换道事件检测6 2 1 1 曲线拟合7 2 1 2 换道事件的检测算法。8 2 1 3 实验结果及分析1 0 2 2 逆行、停车事件的检测1 3 2 2 1 车辆运动方向检测1 3 2 2 2 逆行、停车检测1 3 2 2 3 逆行检测的改进算法1 4 2 2 4 实验结果及分析1 5 2 3 本章小结1 6 第三章基于灰度分析的交通事件检测。1 7 3 1 基于灰度分析的逆行检测1 7 3 1 1 基本原理1 7 3 1 2 算法实现1 7 3 1 3 实验结果及分析1 8 3 2 基于灰度分析的停车检测1 9 3 2 1 传统的灰度分析法停车检测1 9 3 2 2 分层分析法基本原理2 0 3 2 3 分层分析法用于停车检测的具体实现2 0 3 2 a 实验结果及分析2 2 3 3 本章小结2 7 第四章基于h m m 的交通事件检测。2 8 4 1h m m 基本理论2 8 4 1 1m a r k o v 链2 8 4 1 2h m m 基本概念。2 9 4 1 3h m m j 毫义3 0 4 1 4h m m 基本算法3 l 4 2 基于h m m 的车辆行为检测3 4 4 2 1 特征提取3 4 4 2 2 h m m 的建立及行为检测3 6 4 2 3 实验结果及分析。3 7 4 3 基于h m m 的交通拥挤事件检测3 8 4 3 1 道路交通拥挤的概念和判断交通状态的常用参数3 9 4 3 2 排队长度检测算法3 9 4 3 3 空间占有率检测算法。4 l 4 3 4 基于h m m 的交通拥挤判别算法4 2 4 3 5 实验结果及分析4 3 4 4 本章小结4 4 i l l 东南大学硕士学位论文 - ：= - = = - = = _ ：_ ：_ ：_ = = _ = = 二一一 第五章总结与展望：= = = = ：= = = = = = = ：= _ 石 5 1 论文研究工作总结4 5 5 2 展望4 5 参考文献4 7 致谢。5 0 攻读硕士学位期间发表的论文5 l 第一章绪论 1 1 课题背景及意义 第一章绪论 随着交通需求的不断增加，公路面临着交通拥挤的问题。拥挤使公路的效益降低，也使公路发生交通 事件的可能性增加。道路交通事故带来的交通系统的外部经济损失随着道路网的建设和交通量的增加而增 加，拥挤造成的损失已不容忽视。这已成为经济和社会发展中的全球性共同问题。 快速、准确地确定公路是否有交通事件发生及事件地点，可以大大减小事件的危害程度，尽早排除事 件对公路通行能力的影响。交通事件自动检测系统( a u t o m a t i ci n c i d e n t d e t e c t i o ns y s t e m s ，a i d s ) 充当了“电 子警察”的角色，很好地解决了该问题。 a i d s 属于智能交通系统( i t s i n t e l l i g e n t t r a n s p o r t a t i o ns y s t e m s ，i t s ) 的一部分。近些年来，i t s 作为 一种先进技术已有效地运用于整个运输管理体系，它是在较完善的道路设旌基础上，采用信息技术、通信 技术、计算机技术、控制技术等对传统的交通运输系统进行深入的改造，形成的一种实时、准确、高效的 综合运输系统l l l 。a i d s 作为i t s 的一部分，包括事件监视、事件检测和事件反映。事件检测方法的好坏， 将直接影响a i d s 的效率。 根据数据来源的不同，目前国际上广泛研究的a i d 方法主要有两类【2 】：基于地感线圈的a i d 和基于视 频图像的a i d 。地感线圈埋在路面下，当车辆通过时根据线圈磁场强度的变化能够获得车流量、车速、车 长等参数，提取交通事件的信息。地感线圈的缺点是安装和维修时必须阻断交通，挖开路面，极为不便， 并且只能得到车流量、车速、车长等有限的交通信息。另外，基于地感线圈的a i d 方法是根据交通事件引 起车辆停驶、车流速度减小等来检测事件的，只有在交通事件对交通流的影响范围扩展到线圈位置后才能 检测到事件，具有相当的时滞性。而基于视频的a i d 是把专用摄像机采集的视频图像作为输入，对这些序 列图像进行分析，提取交通场景信息，并将事件检测结果报告给交通管理中心；然后利用数字图像处理、 模式识别和计算机视觉技术，自动识别和跟踪车辆，分析车辆行为。基于视频的检测系统费用较低，安装 维护时不影响道路的使用，且经久耐用。与其他方式相比，视频检测有着无法比拟的优越性。 本文研究内容是基于视频的a i d 方法的一部分，包括基于轨迹分析的事件检测方法、基于灰度分析的 事件检测方法和基于隐马尔可夫模型( 删) 的事件检测方法。通过运用不同的方法，本文对一些常见的 交通事件( 如逆向行驶、停车、变换车道、拥堵等) 进行识别、检测，目的在于及时发现交通事件，以快 速有效地处理和消除交通事件，减小损失。本文的研究内容，对于实现交通运输服务和管理的智能化，使 交通运行处于最佳状态，改善交通拥堵，提高路网通行能力和整个交通系统的机动性、安全性和效率，具 有重大实践意义。 1 2 国内外研究现状 1 2 1 国外研究现状 国外的视频检测技术研究开始的较早，经过十几年的发展，技术已经相当成熟。美国、日本以及几个 欧洲发达国家相继投入了巨大的财力、物力来进行这方面的研究，并且取得了一些成果，其中比较著名的 是美国的a u t o s c o p e l 3 1 系统，该系统能够对车流量、实时车速等交通信息进行采集。a u t o s c o p e 视频交通流 信息采集技术由美国i s s 公司开发，是全世界研发最早并最先获得国际专利的技术。a u t o s c o p e 可以装在 室外机柜里，接收多路由路边摄像机传来的视频信号。用户根据显示的路面交通状况图像，利用鼠标在屏 幕上绘制虚拟“车辆检测器 。系统一旦完成检测器的设置，每当车辆通过任何一个虚拟检测器时，就会 1 东南大学硕士学位论文 产生一个检测信号。a u t o s c o p e 处理器分析输入的视频图像，产生所需的交通数据，例如：流量、速度、占 有率、车头距离、车辆排队长度以及车辆类型等。i s s 公司对a u t o s c o p e 技术不断开发、改进和完善，目 前该公司的产品己成为业界的领头羊。另外国外还有一些公司在这方面也从事了应用研究和开发工作，也 推出了各自成熟的系统级产品。比如美国p e e k 公司的v i d e o t r a k 一9 0 0 ，比利时t r a f i c o n 公司推出的m o n i t o r 系列等。 在日本，s h u n s u k ek a r n i j o 等人提出了时空马尔克夫随机场( s p a t i e m p o r a lm a r k o vr a n d 伽 f i e l d ) 【4 】【5 j 【6 】。他们基于这个算法开发出了一个自动事件检测系统，成功地应用于日本东京城市高速公路。 该系统可以成功地对拥挤车辆进行跟踪，并可以自动识别出车辆拥挤、碰撞、u 型转弯等交通事件。 在欧洲，英国的t r a f f i c - m a s t e r 系统较具代表性。该系统是以伦敦为中心，在大范围高速公路上已 经实际应用的系统，而且有效利用现有的网络基础来提供动态实时的行驶车速等交通信息。该系统由收集 高速公路交通信息的摄像机、整理并发送信息的控制中心、以及接收发送来的信息的车载终端装置组成1 7 j 。 西班牙研发的l o c o m o t i v e 系统在路况和大气情况好的时候交通流信息采集率达到9 5 ，而状况差的时候仅 有6 5 9 6 ：德国的v e s u 系统采集率达到8 4 0 o ；荷兰的交通流信息采集系统采集率在8 6 6 。 在理论研究方面，很多学者提出了多种基于视频的交通事件检测算法。i i d a 川等研制的基于图像处 理技术的异常事件检测系统，能够检测停驶车辆、慢行车辆、丢弃物体、车辆连续变换车道4 类事件。 k i m a c h i 9 1 提出一种基于图像序列分析和模糊综合理论的事件检测方法，从图像序列中得到可能导致交通事 件的车辆异常行为，对车辆行驶状况进行估计，能检测出车辆离道或车辆异常行驶引发的交通事故。文献 1 0 1 1 介绍了采用基于轨迹检测的方法来实现自动交通检测，其一般的步骤是：背景提取，车辆检测， 运动轨迹提取，场景建模识别。v e r s a v e l 1 2 l 提出了一种多摄像机传感的道路安全监测方法。在文献【l 习中， 作者提出了一种采用e m - h m m ( e n t r o p ym i n i m i z a t i o na n dh i d d e nm a r k o vm o d e l ) 的算法，该算法通过减少 共同分布的墒，用h m m 的内部状态机能够把观察到的交通事件组织成有意义的状态，在视频图像中自动发 现和分割交通事件。s h u n s u k e | 6 等提出时空马尔克夫随机场和基于h 偶嗄的事件检测系统，可以对拥挤车辆 进行跟踪，并识别车辆碰撞等事件。在文献【1 4 l 中，r c u c c h i a r a 提出了在视频图像上基于规则推理的城市交 通车辆检测算法。这个算法的优点是它正式把低阶图像处理模型( 常被用来在不同照度条件下提取可视数 据) 与高阶模型区分开，而高阶模型可以为交通监控提供一种基于知识的常规框架。t r i v e d i 等【1 5 j 描述了视 频事件检测和管理系统的分布式网络结构。v c e r a r a g h a v a n 等 1 6 , 1 7 l 运用低层的模块匹配和高j 昙的k a l m a n 滤 波来确定运动目标的轨迹，监视路口的交通状况，从而检测交通事故。 1 2 2 国内研究现状 我国在交通运输和管理中应用电子信息技术的工作早在7 0 年代末就已经开始，但是上世纪9 0 年代才 较大规模使用，而且中国道路在未来2 0 年内仍然处于建设期，这一期间正是i t s 在全世界进入全面实施 的阶段。国内在视频检测技术的研究方面起步较晚，在交通迅猛发展的今天，随着经济的发展和科技的进 步，越来越多的科研机构和公司开始进行这方面的研究。交通管理及控制的应用需求在不断增加，越来越 多的研究机构和厂家开始关注该技术的研究，也出现了一些可以应用的产品，比如湖南天翼信息技术有限 公司推出的智能交通视频图像处理系统，清华紫光开发的v s 3 0 0 1 视频检测系统，厦门恒深智能软件系统 有限公司研制的h e a d s u n s m a r t y i e w e r i i i 视频交通检测器，哈尔滨工业大学的v t d 2 0 0 0 系列视频交通动 态信息采集系统，亚洲视觉公司的路段交通信息系统，以及深圳市神州交通系统有限公司的v i d e o t r a c e 智能视频交通信息采集系统等等【l 引。这些系统都比较好的实现了视频检测的功能，但在实际的推广当中效 果并不明显，还远远没有达到实际应用的要求，同国外的产品相比还有相当的差距。因此，我们国内在这 方面的研究还要继续加强，不断开发和完善技术，真正推出适合于国情的交通视频检测产品。 2 第一苹绪论 1 3 基于视频的事件检测方法的流程及难点 基于视频的交通事件检测方法的流程大致包括三个主要的步骤( 2 】= ( 1 ) 建立背景模型；( 2 ) 进行目标 提取和车辆跟踪，获取车辆的运动参数； ( 3 ) 通过模式匹配或状态估计，理解和描述车辆行为。 建立背景模型即背景建模也称为背景估计，其主要目的是根据当前的估计背景，把对视频帧图像的运 动目标检测转化为一个二分类问题，将所有像素划分为背景和前景目标两类，进而对分类结果进行后处理， 得到最终的检测结果。 目标提取是从序列图像中识别出前景目标，并确定目标的位置、灰度、面积等特征。将前景目标从背 景中有效分割出来是各种后续处理如目标跟踪、目标分类、行为理解的基础。 目标跟踪是对检测到的前景目标进行实时跟踪直至其在图像序列中消失，从而描述目标的运动轨迹， 提取其动态特征( 如位置、速度等) 。跟踪等价于在序列图像间，基于图像幅度特征( 如像素灰度值、r g b 值、频谱值等) 、几何特征、纹理特征等进行的目标匹配。 行为理解主要是对车辆的运动模式进行分析和识别，并用自然语言加以描述。图像序列中车辆运动模 式的理解和描述是非常复杂的。以有效的方式传达场景信息，描述车辆行为以进行事件检测是一项困难的 任务。 由于交通场景的复杂性，所以交通事件检测是一项很有挑战性的研究课题，这其中包含了一系列难点， 例如： ( 1 ) 背景建模和更新的困难 背景消减是一种常用的从静态场景中提取目标的方法，这种方法依赖于准确的背景模型。场景是时刻 变化的，当受到如天气、光照、阴影和混乱干扰等因素影响时，背景模型的准确构建和更新，具有相当大 的困难。 ( 2 ) 精确跟踪的困难 车辆跟踪是实现交通参数的提取统计、交通事件自动检测等智能交通监控应用的一个重要步骤，跟踪 的精确与否直接关系到事件检测的准确性。在跟踪过程中，目标存在遮挡、形变、背景干扰和光照变化等 问题，是目前跟踪算法研究的重点和难点。虽然对运动目标跟踪理论的研究已经进行了很多年，但精确跟 踪仍然是一个相当棘手的难题。因此，有些检测方法，如基于灰度分析的方法、基于车流整体特征的方法 避免了使用该步骤。 ( 3 ) 描述车辆运动模式的困难 在进行事件检测之前，首先需要描述车辆的运动模式。由于交通场景的多变性和复杂性，以及车辆运 动的随机性和抽象性，所以车辆运动模式的描述和定义具有相当的挑战性。 由于传统的事件检测方法仍存在一些难以克服的技术难点，因此我尝试了一些新的检测方法和改进方 法。在此不再赘述，后面几章中我会详细介绍传统检测方法的优缺点，以及新的检测方法和改进方法。 1 4 论文的主要工作及成果 本论文主要研究了交通事件的视频检测方法，包括轨迹分析方法、灰度分析方法和隐马尔可夫模型方 法。按照检测方法分类，本文的主要工作及成果主要体现在三方面： 一、基于轨迹分析的交通事件检测 3 东南大学硕士学位论文 轨迹分析是交通事件检测的基本方法之一。主要是在跟踪车辆的基础上，记录车辆运动轨迹，描述轨 迹形状，分析车辆运动方向的变化，从而判别交通事件。这部分中，本文实现了车辆换道事件。逆行、停 车事件的检测方法。根据轨迹曲线的倾斜角，分析车辆行驶方向的变化，检测车辆换道事件；通过检测车 辆在图像中某一方向上的运动，判别逆行、停车事件。这部分的最后，提出了对逆行检测算法的改进，将 单车道的逆行检测扩展为正反车道的逆行检测。实验结果显示，在车辆不多、发生事件较典型时，本文的 方法能够取得较好的效果。 二、基于灰度分析的交通事件检测 基于灰度分析的交通事件检测方法是从图像灰度变化的角度来进行事件的检测。这部分中，本文首先 实现了基于灰度分析的逆行检测方法，通过在图像上设置监测区，根据监测区内的灰度变化首先出现在底 部区域还是头部区域，对逆行事件进行判别。这种方法被实验证明快速而有效，且受阴影和摄像机抖动造 成的影响较小。接下来，在传统的基于灰度分析的停车检测法基础上，本文提出了用分层分析法进行停车 检测。传统的方法往往会把停止车辆误认为是背景的一部分，因此不易实时更新背景，而本文的方法可以 很好地做到这一点。算法通过像素分析和区域分析，区分出背景像素和静止像素，可以在实时更新背景的 情况下检测出停止车辆，而不会把停止车辆误认为是背景的一部分。实验证明提出的算法是行之有效的。 三、基于h 姗的交通事件检测 隐马尔可夫模型( 舢) 已被成功应用于多种领域中。本文尝试用删来解决交通事件的检测问题。 这部分内容，本文主要做了两部分工作：( 1 ) 借鉴文献e 1 9 的思想，实现了基于删的车辆行为检测方法， 通过运用h 删，根据提取的车辆轨迹特征，可以推断出车辆的行为过程：直行、左转、右转还是停止。实 验结果表明，这种算法能够成功地识别出车辆行为，并且能够获得车辆详细的行为过程。( 2 ) 本文提出了 一种用嗍进行交通拥挤检测的算法。该算法将交通状态分为拥挤状态和畅通状态，将排队长度、空间占 有率作为交通参数，通过学习在拥挤和畅通两种状态下的历史数据，生成拥挤删和畅通删，然后用h 删 对实时检测到的交通数据进行识别分类，从而判别路段交通状态。实验结果表明该算法能够成功地识别出 拥挤事件。 创新点： ( 1 ) 通过对车辆运动轨迹进行曲线拟合，分析轨迹曲线的倾斜角变化，从而判别车辆换道事件，并 且对基于轨迹的逆行检测算法作了改进。 ( 2 ) 提出用分层分析法进行停驶车辆的检测。 ( 3 ) 提出用隐马尔可夫模型( 舢) 进行交通拥挤的检测。 1 5 论文章节安排 第一章，绪论。该部分介绍了本文研究课题的目的及意义，国内外研究开发现状，以及本论文的主要 工作和成果。 第二章，基于轨迹分析的交通事件检测。首先对轨迹分析事件检测法进行了简单的综述，给出其基本 方法的流程图。然后介绍了轨迹的曲线拟合方法。之后重点介绍换道、逆行、停车事件的检测算法以及逆 行检测算法的改进，最后给出了几种算法的实验结果和分析。 第三章，基于灰度分析的交通事件检测。介绍了基于灰度分析的逆行检测算法，并给出实验结果。阐 4 ：_ = ：= = = = ：_ = _ 二= 二二二一 第一苹绪论 述了基于灰度分析的停车检测法的基本思想，重点介绍本文提出的百芬夏历万鬲甄爵再手军疆罚丽面丽 后给出了算法的实验结果。 第四章，基于删的交通事件检测。介绍了舢的基本理论。实现了基于洲的车辆行为检测方法， 并给出实验结果a 重点介绍本文提出的用舢进行交通拥挤检测的算法，最后给出了实验结果和分析。 第五章，总结与展望。总结了本论文工作获得的成果与尚需改进之处，为下一步的研究作了展望。 5 东南大学硕士学位论文 第二章基于轨迹分析的交通事件检测 如上一章中所述，基于视频的交通事件检测方法主要包括三个步骤：背景建模，目标提取和车辆跟踪， 行为理解。事件检测是行为理解的一种，通常是通过检测发生交通事件的车辆在行驶车道、行驶方向、车 速等方面表现出的与正常行驶时不同的行为，来判定交通事件的发生。那么如何较好地检测行驶车道、行 驶方向等运动特征? 分析车辆的运动轨迹是最常用的方法之一。 近年来，国内外不少学者致力于基于轨迹分析的事件检测方法研究。文献 1 0 中，y o u n g - k e ej u n g 等 人通过跟踪运动车辆获得车辆运动轨迹，并通过多项式曲线拟合建立轨迹模型，能够在语义水平上访问各 个目标车辆。文献 1 1 中，作者通过提取车辆运动轨迹，再结合环境信息，进行各种场景的假想和识别。 文献 2 0 中，通过基于3 _ d 模型的车辆跟踪获得车辆运动轨迹，然后运用模糊自组织神经网络在车辆运动 轨迹中学习车辆运动模式，最后用学到的运动模式查找匹配每个轨迹，预测车辆运动情况，得出交通事件 发生的概率。文献 2 1 通过提取车辆运动轨迹，分析车辆运动方向，进行逆行事件的检测。文献 2 2 提出 通过直线拟合的方法，把复杂的车辆轨迹曲线简化为直线组合，以直线差角代替曲线曲率变化以此分析车 辆行驶方向的变化情况，最后判定事件。 然而，基于轨迹分析的事件检测方法的主要流程是大致相同的，如下图所示： 图2 1 基于轨迹分析的事件检测流程图 上述流程中，背景差分、车辆检测、车辆跟踪是获取运动轨迹进而实现事件判定的基础，但由于它们 不是本文研究的重点，本文将不予详述。本文着重介绍如何通过分析车辆的运动轨迹，进行车辆变换车道、 逆行、停车等事件的检测。 2 1 车辆换道事件检测 在本文中，以车辆的质心( 也可以其最小外接矩形的中心) 代表车辆的位置。以图像左下角顶点为原 6 茎三皇茎主塾丝坌堑塑銮望! 笪竺塑 - _ _ _ _ _ _ _ _ _ _ _ _ _ _ - _ _ _ l _ _ - _ _ - - _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ - _ _ _ - - _ _ _ _ _ _ l _ _ _ _ _ - - 一 点，水平向右方向为x 轴正方向建立坐标系，设x 、叫分别代表第n 帧图像上车辆y 7 的质心横坐标、 纵坐标，则 州= ( x 。) ( 1 ) ( 2 1 ) x s e v lz s e v j , y s c v 。 y ：= ( y 。) ( 1 ) ( 2 2 ) c v x s e v y - e y 其中b 。，y 。) 分别为第n 帧图像中车辆y 7 包络的像素点的横坐标、纵坐标。 在跟踪车辆y 7 的过程中，依次记录其质心坐标，可得到该车辆的运动轨迹( 如图2 2 ) ： 列= 删，m 陇m 能剜 ( 2 3 ) ( c ) ( b ) 图2 2 车辆轨迹图 图中( a ) 、( c ) 为视频图像，( b ) 、( d ) 分别为( a ) 、( c ) 的轨迹图。 2 1 1 曲线拟合 为了直观地描述车辆运动轨迹，以方便对其进行分析比较，我们需要对轨迹进行拟合。图2 3 所示为 轨迹数据的曲线拟合示意图。曲线拟合的方法有多种，本章介绍最小二乘法曲线拟合。 7 东南大学硕士学位论文 图2 3 曲线拟合示意图 假设给定数据点( 柏，y 。) ( f = o ，1 ，m ) ，为所有次数不超过甩仍m ) 的多项式构成的函数类，现求 一函数p 。( x ) = 口x ，使得 k = o ( 2 4 ) 取最小值。当拟合函数为多项式时，称为多项式拟合，满足式( 2 4 ) 的p 。( x ) 称为最小二乘拟合多项式。特 别地，当珂= 1 时，称为线性拟合或直线拟合。 一 设拟合函数为p 。( x ) = c l 纨 ) ，列出正规方程组 k = o ( 伊。，伊0 ) ( 伊l ，伊o ) ( 9 0 ，缈1 ) ( 伊l ，缈1 ) ( 9 。，矽j ( 9 l ，伊。) ( p 。，妒0 ) ( 9 。，缈1 ) ( 缈。，缈。) c o c l c n ( 少，缈。) ( y ，缈。) ( y ，缈j ( 2 5 ) 将采样数据点g f ，y 。) ( f = 0 ，1 ，m ) 代入( 2 5 ) 式，即可解出c i ( 七= 0 ，1 ，朋) 。 曲线拟合首先要确定拟合多项式的次数，这里我们选择多项式的次数为三次。它虽然不能很精确地描 述所有点，但能够大致地描述曲线形状。设曲线的拟合多项式为y = c o + c + c 2 x 2 + c 3 x 3 ，取伊o = 1 ， 缈l = x ，伊2 = x 2 ，伊3 = x 3 ，列出正规方程组，将采样数据点( x f ，y f ) o = o ，1 ，朋) 代入，可解出c o ，a ， c 2 ，c 3 。实际操作中，若轨迹长度较大，数据较多，则不利于准确拟合，可以将轨迹分为2 “3 段进行拟 合。 2 1 2 换道事件的检测算法 车辆换道是指车辆更换行驶车道的行为。车辆在禁止换道路段更换车道属于交通违章，而如果多数车 辆在某一地段更换车道，可能预示前方有事故发生。因此，车辆换道事件的自动检测，有利于交警及时发 现禁止换道路段的违章车辆、道路中的意外事故等等。本章将介绍一种通过