一种交通异常检测方法及系统技术方案

本发明专利技术公开了一种交通异常检测方法及系统，该方法包括：获取交通监控的视频图像，根据该视频图像获取检测区域的车流量、车流密度和目标车辆的运动轨迹，以车流密度和车流量作为交通拥堵模糊逻辑推理理论的两个参数，根据该交通拥堵模糊逻辑推理理论得到交通状况的输出变量，根据输出变量和目标车辆的运动轨迹及车辆异常检测模糊理论检测出该目标车辆的异常行驶状态。该方法同时利用车流量和车流密度检测交通状况，再利用交通状况及车辆轨迹检测车辆异常行驶状况，检测结果受单一交通参数的影响较少，从而使该方法检测出的交通异常状况和车辆异常行驶状况的准确率得到提高。

【技术实现步骤摘要】
一种交通异常检测方法及系统
本专利技术涉及交通路况检测领域，尤其涉及一种交通异常检测方法及系统。
技术介绍
现如今，在交通管制中交通情况的实时智能监控已经成为交通系统中重要的一部分，随着交通视频和视频监控技术的发展，基于视频监控的交通管理系统在交通中的应用越来越广泛，检测系统利用交通视频监控图像实时监控交通路况，检测出车辆抛锚、道路拥挤、违章行驶和交通事故等交通异常行为，但是交通视频易受光照、天气、遮挡等外界因素干扰，使得基于交通视频的交通参数(例如车流量、车流密度、车辆轨迹、车速等)具有非常大的不确定性，在交通复杂的情况下，难以确定车辆的异常情况，从而导致根据这些交通参数进行车辆异常行驶判断的准确率低。
技术实现思路
本专利技术的主要目的在于提供一种交通异常检测方法及系统，用于解决现有交通异常检测技术中因监控图像中存在大量的不确定信息，车辆异常行驶检测准确率低的技术问题。为实现上述目的，本专利技术第一方面提供一种交通异常检测方法，所述方法包括：获取交通监控的视频图像，根据所述视频图像获取检测区域的车流量、车流密度和车辆的运动轨迹；以所述车流密度和车流量作为交通拥堵模糊逻辑推理理论的两个参数，根据所述交通拥堵模糊逻辑推理理论得到交通状况的输出变量；根据所述输出变量和目标车辆的运动轨迹及车辆异常检测模糊理论检测出车辆异常行驶状态。本专利技术第二方面提供一种交通异常检测系统，所述系统包括：准备模块，用于获取交通监控的视频图像，根据所述视频图像获取检测区域的车流量、车流密度和目标车辆的运动轨迹；算法处理模块，用于以所述车流密度和车流量作为交通拥堵模糊逻辑推理理论的两个参数，根据所述交通拥堵模糊逻辑推理理论得到交通状况的输出变量；检测模块，用于根据所述输出变量和所述目标车辆的运动轨迹及车辆异常检测模糊理论检测出目标车辆的异常行驶状态。从上述的技术方案可知，该方法将获取的车流量和车流密度作为交通拥堵模糊理论的两个输入参数，根据该交通拥堵模糊理论得到交通状况的输出变量，从该输出变量可知交通状况，从而检测出拥堵情况，另还根据该输出变量和目标车辆的运动轨迹及车辆异常检测模糊理论可检测出车辆的异常行驶状态。该方法检测出拥堵情况也检测出车辆行驶的异常情况，使该方法能检测出多种道路异常事件，另一方面，该方法同时利用车流量和车流密度检测交通的拥堵情况，再利用交通的拥堵情况及车辆轨迹检测车辆异常行驶状况，检测结果受单一交通参数的影响较少，从而使该方法检测出的拥堵情况和车辆异常行驶的准确率得到提高。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术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专利技术的一些实施例，对于本领域技术人员来讲，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的附图。图1为本专利技术实施例提供的一种交通异常检测的方法的流程示意图；图2为模糊车流量的隶属度函数的示意图；图3为模糊车流密度的隶属度函数的示意图；图4为本专利技术实施例提供的第一场景的实物图；图5为本专利技术实施例提供的第二场景的实物图；图6为本专利技术实施例提供的第三场景的实物图；图7为本专利技术实施例提供的一种交通异常检测系统的结构示意图；图8为本专利技术实施例提供的交通异常检测系统增加模块的结构示意图；图9为算法处理模块的细化模块的结构示意图；图10为算法处理模块另一种细化模块的结构示意图；图11为检测模块的细化模块的结构示意图；图12为检测模块的另一种细化模块的结构示意图。具体实施方式为使得本专利技术的专利技术目的、特征、优点能够更加的明显和易懂，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而非全部实施例。基于本专利技术中的实施例，本领域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，都属于本专利技术保护的范围。由于用于解决现有交通异常检测技术中因监控图像中存在大量的不确定信息，车辆异常行驶检测准确率低的技术问题，本专利技术提出一种交通异常检测方法。请参阅图1，为一种交通异常检测的方法的流程示意图，该方法包括：步骤101、获取交通监控的视频图像，根据该视频图像获取检测区域的车流量、车流密度和车辆的运动轨迹。其中，获取交通监控的视频图像具体获取的是所需监测区域某个时间段的监控视频图像，根据该视频图像，获取检测区域的车流量、车流密度及其检测区域中车辆的运动状态。其中，车流量是指单位时间内通过该检测区域的车辆数，车流密度可表示该检测区域中单位路段的车辆数。其中，在获取交通监控的视频图像之前还包括：设置模糊车流量，模糊车流量包括少、正常和多三种车流量状态。具体地，采用模糊的方法，用模糊集表示车流量的状态，该模糊集包括L、M和H，分别对应车流量的三种状态：少、正常和多。根据拉依达准则得到三种车流量状态的隶属函数，其中，拉依达准则具体如下：其中，ak为单位时间内检测区域各个车道统计的车辆数即车流量，μ为车流量的数学期望，σ为车流量的标准差。需要说明的是，正常交通状况下的车流量满足混合高斯模型。得到的三种车流状态的隶属函数如下：其中，ak为车流量，μ为车流量的数学期望，σ为车流量的标准差，L、M和H分别表示车流量的三种状态：少、正常和多，fL(ak)为ak属于L的隶属值，fM(αk)为ak属于M的隶属值，fH(αk)为ak属于H的隶属值。如图2所示，图2为模糊车流量的隶属度函数的示意图，从图2中可知，当αk<μ-2σ时，模糊车流量为少状态，当αk∈(μ-2σ,μ-σ)时，模糊车流量处于少和正常的临界状态，当αk∈(μ-σ,μ+σ)时，模糊车流量为正常状态，当αk∈(μ+σ,μ+2σ)时，模糊车流量处于正常与多的临界状态。当αk>μ+2σ时，模糊车流量处于多状态。请参阅图3，图3为模糊车流密度的隶属度函数的示意图，本申请中，在获取交通监控的视频图像之前还包括：设置模糊车流密度，模糊车流密度包括稀、正常和密三种车流密度状态。具体地，采用模糊的方法，用模糊集来表示车流密度的状态，该模糊集包括：S、U和V，分别对应车流密度的三种状态：稀、正常和密，采用模糊车流密度来衡量车流密度状态。根据拉依达准则得到三种车流密度状态，得到的三种车流密度状态的隶属函数如下所示：其中，ρpix为车流密度，fS(ρpix)为车流密度属于S(稀)的隶属值，fU(ρpix)为车流密度属于U(正常)的隶属值，fV(ρpix)车流密度属于V(密)的隶属值，ρ1和ρ2为S(稀)和U(正常)之间的临界值，ρ3和ρ4为U(正常)和V(密)之间的临界值。如图3所示，当ρpix∈(0,ρ1)车流密度状态为S(稀)，当ρpix∈(ρ1,ρ2)时，车流密度介于S(稀)和U(正常)之间，车流密度状态处于稀与正常之间的临界状态，当ρpix∈(ρ2,ρ3)时，车流密度状态处于正常状态，当ρpix∈(ρ3,ρ4)时，车流密度状态处于正常与密之间的临界状态，当ρpix∈(ρ4,1)车流密度状态处于密状态。在获取交通监控的视频图像之前还包括：设置模糊运动状态，模糊运动状态包括向右横穿马路、正常行驶、向左横穿马路和逆行四种运动状态。具体地，采用模糊的方法，用模糊集来表示车辆的运动状态，本文档来自技高网...

【技术保护点】
1.一种交通异常检测方法，其特征在于，所述方法包括：获取交通监控的视频图像，根据所述视频图像获取检测区域的车流量、车流密度和目标车辆的运动轨迹；以所述车流密度和车流量作为交通拥堵模糊逻辑推理理论的两个参数，根据所述交通拥堵模糊逻辑推理理论得到交通状况的输出变量；根据所述输出变量和所述目标车辆的运动轨迹及车辆异常检测模糊理论检测出目标车辆的异常行驶状态。

【技术特征摘要】
1.一种交通异常检测方法，其特征在于，所述方法包括：获取交通监控的视频图像，根据所述视频图像获取检测区域的车流量、车流密度和目标车辆的运动轨迹；以所述车流密度和车流量作为交通拥堵模糊逻辑推理理论的两个参数，根据所述交通拥堵模糊逻辑推理理论得到交通状况的输出变量；根据所述输出变量和所述目标车辆的运动轨迹及车辆异常检测模糊理论检测出目标车辆的异常行驶状态。2.根据权利要求1所述的方法，其特征在于，所述获取交通监控的视频图像之前的步骤还包括：设置模糊车流量，所述模糊车流量包括少、正常和多三种车流量状态；设置模糊车流密度，所述模糊车流密度包括：稀、正常和密三种车流密度状态；设置模糊交通状况，所述模糊交通状况包括：交通正常、轻微交通拥堵和严重交通拥堵三种交通状况；设置模糊运动状态，所述模糊运动状态包括：向右横穿马路、正常行驶、向左横穿马路和逆行四种运动状态。3.根据权利要求2所述的方法，其特征在于，当根据获取的车流量能确定所述车流量隶属的车流量状态，且根据获取的车流密度能确定所述车流密度隶属的车流密度状态时，则所述以所述车流密度和车流量作为交通拥堵模糊逻辑推理理论的两个参数，根据所述交通拥堵模糊逻辑推理理论得到交通状况的输出变量的步骤包括：根据获取的车流量确定车流量状态，所述车流量状态为少、正常和多三种中的任意一种；根据获取的车流密度确定车流密度状态，所述车流密度状态为稀、正常和密三种中的任意一种；根据所述车流量状态和所述车流密度状态及所述交通拥堵模糊逻辑推理理论，输出交通状况的变量，所述交通状况为交通正常、轻微交通拥堵和严重交通拥堵中的任意一种。4.根据权利要求2所述的方法，其特征在于，当根据获取的车流量不能确定所述车流量隶属的车流量状态，且根据获取的车流密度不能确定所述车流密度隶属的车流密度状态时，则所述以所述车流密度和车流量作为交通拥堵模糊逻辑推理理论的两个参数，根据所述交通拥堵模糊逻辑推理理论得到交通状况的输出变量包括：根据获取的车流量得到所述车流量隶属的两种车流量状态，根据获取的车流密度得到所述车流密度隶属的两种车流密度状态；根据所述两种车流量状态、两种车流密度状态及所述交通拥堵模糊逻辑推理理论，得出四个交通状况的输出变量，且根据最小值法确定所述输出变量的隶属值，所述输出变量的隶属值为所述输出变量隶属于所述交通状况的概率值；再根据所述输出变量和所述输出变量的隶属值及分类取最大值算法获取所述输出变量分别隶属于所述三种交通状况的隶属值；以所述三种交通状况的隶属值为获取道路拥堵系数算法的参数，根据所述获取道路拥堵系数算法获取道路拥堵系数，所述道路拥堵系数为交通状况的具体模糊值，所述获取道路拥堵系数算法为：其中，C为获取的道路拥堵系数，fi为三种模糊道路状况的隶属值集中的任意一个隶属值，wi为fi的权重值。5.根据权利要求4所述的方法，其特征在于，当获取的目标车辆的运动轨迹不能确定隶属的运动状态时，则所述根据所述输出变量和所述目标车辆的运动轨迹及车辆异常检测模糊理论检测出目标车辆的异常行驶状态包括：根据获取的目标车辆的运动轨迹得到所述目标车辆隶属的两个运动状态集，所述两个运动状态集包括直行运动集和横穿运动集，所述直行包括正常行驶和逆行，所述横穿包括向右横穿马路和向左横穿马路；分别获取所述目标车辆的运动轨迹隶属于两个运动状态集的两个隶属值，以所述道路拥堵系数和两个所述隶属值为判断运动状态算法的参数，根据所述判断运动状态算法得到运动状态值，判断运动状态算法为：其中，p...

【专利技术属性】
技术研发人员：李岩山，王敏，黄晓坤，郭天宇，罗成华，吴豪明，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东,44