一种基于视频的高速公路交通拥堵状态检测方法技术

本发明专利技术是一种基于视频的交通拥堵状态检测方法，交通拥堵检测往往注重的不是检测单个车辆的交通流参数，而是交通流的整体状况。高速公路的车辆运动的方向性、规律性明显，其光流场也是有序、规则的，光流矢量直接反映了车流速度的大小和方向。研究光流在视频监控范围下道路运动信息的强弱变化变化规律，可以实现对交通道路状态的检测。本发明专利技术提出一种新的在宏观广角视频监控下的高速公路交通拥堵检测方法，包括以下步骤：第一步计算整体图像的光流场，并除去不满足主方向的光流点；然后计算筛选后的光流速度平均值，作为车辆宏观的光流速度值；第二步，根据光流平均速度，结合交通状态的持续时间特征，判断是否有交通拥堵发生。

【技术实现步骤摘要】

本专利技术属于数字图像处理领域，具体涉及一种基于视频的高速公路交通拥堵状态 判定方法。
技术介绍
交通拥堵状态识别手段有人工识别和自动识别两种，人工识别主要通过CCTV监 视和公路巡警报告等人为观察，自动识别主要是通过交通拥堵塞自动识别(Automatic TrafficCongestion Identification,ACI)算法实现对交通拥堵塞的自动识别。由于人工 识别会占用不少人力资源，而且受天气和时间等因素影响，因此，各国纷纷开发新型的ACI 算法用于交通拥堵塞的识别。过去，研究人员已经开发了许多ACI算法，其中比较著名的有加州算法和 McMaster算法。加州系列算法是十九世纪八十年代由美国加利福尼亚州运输部开发 的，这种算法已经在加州南部的高速公路交通拥堵识别系统中应用了多年，效果比较好。 McMaster算法是由加拿大McMaster大学土木工程系基于交通流的突变理论开发的，该算 法已经利用加拿大伊丽莎白大街和安大略省Burlington Skyway的实测数据进行了测试， 测试的结果非常成功，之后对这种算法进行了在线测试和进一步的改进。除了以上介绍的这两种算法外，也有许多研究人员从事过ACI算法方面的研究工 作。1982年Ahmad和Cook提出了一种基于占有率时间序列分析方法的交通拥塞拥堵识别 算法，在这种算法中，利用一个时间序列模型对一个检测站点过去几个时间间隔中占有率 的变化趋势进行拟合，并通过此模型预测出下一个时间间隔占有率的范围，如果实测数据 出现明显的偏差或者偏离预测平均值程度太大，此算法就会判别发生交通拥塞拥堵。1979 年美国德克萨斯州运输协会利用模式匹配方法开发了一种用于识别低流量状态下交通拥 塞拥堵的算法。此算法纪记录车辆经过上游检测站的时间和速度，并能给出该车辆经过相 邻下游检测站的时间值预测范围，然后利用上游车辆的速度和相邻两检测站之间的距离计 算出该时间范围内能从下游检测站经过的流量值，并将此流量值和下游检测站检测到的实 际流量值进行对照，如果差值大于一个给定的阈值，则判断路段上有拥塞拥堵发生。英国 的运输与道路实验室(TRRL)于1979年开发了两种算法。第一种算法用于高占有率情况 下，当一个检测器的占有率持续两秒为100%，那么判断有拥塞拥堵发生。第二种算法利 用模式匹配技术，找出距离大约为500米的两个检测站间行驶车辆到达模式的时间延迟来 估计车辆的区间平均车速，如果实际检测到的车速有一个明显的下降则判断有拥塞拥堵 发生。Willsky等和Cremer与Schutt利用卡尔曼滤波技术来估计高速公路路段交通流 的参数，当某一参数值的变化超给定阈值，则判断此路段上有拥塞拥堵发生，但是这种方法 还停留在实验室阶段。1991年Blosseville等人使用图像处理技术来识别高速公路上交 通拥塞拥堵的发生，在最初的试验中，此方法能从133个拥塞拥堵中识别出124个，仅仅出 现9次误识。这种方法适合于识别停驶在路肩和主要车道上的车辆，同时还可以给出排队 长度，此方法还在进一步的研究中。由于识别率和误识率之间存在着内在的联系，一些研究人员已经开始将统计技术应用到交通拥塞拥堵的自动识别中，1978年Levin和Krause 使用相邻两检测站点之间占有率时间差值作为输入特征，用类似于神经网络模型结构的 “committee-machine”方法对拥塞拥堵进行识别，但这种方法只是处于实验室阶段。目前，国内在ACI算法的研究方面还处于起步阶段，从事这方面研究工作的单位 有交通部公路科学研究所ITS中心、吉林大学、同济大学、北京交通大学和北京工业大学 等，但比较成熟的ACI算法比较少，主要是对国外算法的继续研究。本专利技术创新性地通过光流计算技术，得到宏观交通流信息，结合交通状态特征进 行交通拥堵状态检测，克服了基于单个车辆检测、跟踪的算法的局限性，而且此种方法前人 没有研究过。
技术实现思路
本专利技术的目的是判断交通状态，从而检测是否有拥塞情况发生，具体实现过程分 为两步一、利用光流场计算方法，计算出车流的光流场矢量，得到宏观光流平均速度；采 用如下步骤进行处理①初始关键特征点提取，②针对关键特征点计算宏观光流速度。二、 根据光流速度值和交通状态持续特征判断交通拥堵状态发生；①根据宏观光流速度初步判 断是属于哪一种交通状态(顺畅、缓行、拥堵)，②根据交通状态转移模型最终确定交通状 态，③设定拥堵时间阈值，超过时间阈值进行拥堵报警。具体技术方案如下计算光流平均速度由于同一视频监控下的道路区域的车辆运动规律一般具有一定的相似性，包括车 辆的运动方向和速度，而且车辆速度可以作为道路状态(顺畅，拥挤)的客观评价标准，因 此针对整个图像中的所有车辆，计算所有车辆的整体宏观光流速度，就可以大致把握交通 流的整体状态。于是本专利技术提出了一种融合角点检测和光流计算来计算交通流宏观光流速 度方法，该方法主要分为两步第一步是初始关键特征点提取。具体方法是首先对整个图像进行光流计算和角 点提取，找出图像中既是强运动点又是强角点的像素，作为初始关键特征点。由于光流场的不连续性及违反守恒假设条件处的光流场分布是不可靠的，若针对 差值图中不为零处的像素来计算其光流，计算整个运动物体的光流场要可靠得多。这是因 为它们往往对应于灰度梯度较大的点，而这些点处的光流场基本方程近似成立。采用这种 约束措施后，可使得计算出的光流场分布更为可靠和精确，也减少了计算量(这是因为不 必计算整幅图像，只需计算差值图中不为零处的光流场分布)。同时，由于光流计算是针对 全局图像，光流场中不少光流是不需要的，特别是光流值过小的像素点的噪声点，筛选并去 除这些特征点并提取出我们所要的特征点，只针对这些光流值较大的特征点处理，可以大 大地提高计算速度以及准确率。第二步是宏观光流速度的计算。具体方法是用Horn-Schunck算法计算整 体图像的光流场，然后判定出光流主方向，并除去不满足主方向的光流点；最后使用 Lucas-Kanade金字塔算法计算筛选后的光流速度平均值，作为车辆宏观的光流速度值。由于第一步所提取的特征点并不一定都处于车辆区域的，而且方向也不一定与车 辆行驶方向相同。为了只计算车辆的特征点，本文进行定义光流主方向的概念并进行光流 主方向的筛选操作，筛选出满足符合光流主方向的特征点，限定特征点处于道路位置。最后4采用光流算法计算剩下特征点的光流强度，并把其平均值作为交通流宏观的光流速度值。为了尽可能的减少混淆光流和噪声对计算交通流宏观光流速度的影响，更精确地 计算观光流速度，首先采用Horn-Schimck算法计算光流场值，经过光流场值阈值筛选并去 除光流值过少的噪声点，计算剩余特征点的方向并统计各方向，并计算主方向。然后，利用 主方向去除混淆光流的影响，把剩下的点作为关键特征点，计算关键特征点的光流速度 值。为了使计算更为准确，使用Lucas-Kanade金字塔算法，计算流程如下生成图像的m+1层Guassian金字塔结构，其中第0层为原始图像，并在最高层m 计算特征点的标准光流(Lucas-Knadae算法)；计算到第i层时获取第i+1层特征点(k，1)的光流ui+1 (k，1)和vi+1 (k，1)；用双线性插本文档来自技高网...

【技术保护点】
一种基于视频的高速公路交通拥堵状态检测方法，其特征是该方法包括以下步骤：ａ．利用光流场计算方法，计算出车流的光流场矢量，得到宏观光流平均速度；采用如下步骤进行处理：①初始关键特征点提取，②针对关键特征点计算宏观光流速度；ｂ．根据光流速度值和交通状态持续特征判断交通拥堵状态发生；①根据宏观光流速度初步判断是属于哪一种交通状态，如顺畅、缓行、拥堵，②根据交通状态转移模型最终确定交通状态，③设定拥堵时间阈值，超过时间阈值进行拥堵报警。

【技术特征摘要】

【专利技术属性】
技术研发人员：李熙莹，佘永业，赵有婷，杨贵根，
申请(专利权)人：中山大学，广州市方纬交通科技有限公司，
类型：发明
国别省市：81[中国|广州]