一种基于视频处理的交通拥塞检测方法技术

本发明专利技术公开了一种基于视频分析技术的交通拥塞检测方法，在视频分割及关键帧提取的基础上通过获取视频镜头的平均相异度、关键帧数、平均光流场能量三个拥堵特征量，采用多分类SVM方法实现交通拥堵检测。本发明专利技术给出了一种新的交通拥堵检测方法，避免了现有技术中难以完整或正确地获取交通量、车速、密度等交通参数的问题，并且不需要跟踪车辆的运行轨迹，检测交通拥堵状态的结果较为准确，可以很好地辅助交通部门了解交通拥堵状态。

【技术实现步骤摘要】

本专利技术属于数字视频处理领域，具体涉及一种基于视频分析技术的交通拥塞检测方法。
技术介绍
随着社会经济及城市化的发展，机动车数量增长迅速，城市交通拥堵问题日益严重。及时而正确地判别道路的交通拥堵状态，是采取合理的交通拥堵预警、诱导车辆进行合理的道路分配行驶以主动避免交通拥堵的前提。因此，以发现道路上交通拥堵状态为目的的道路拥堵自动判别方法(ACI)已成为智能交通系统研究中的重要领域之一。目前，视频监控技术已经进入了全数字化与网络化阶段。城市交通监控网络的扩展推动了视频分析技术应用于处理交通数据信息的发展。未来的智能视频监控系统必将成为交通行业的主流，视频分析技术会成为交通管理的有力工具。视频图像不仅是最直观的交通信息，同时也是信息量最大的交通信息源。将视频分析技术引入交通视频监控，通过对视频图像的分析可以获取丰富的交通数据信息。在交通拥堵识别方法中，常用的方法基于交通流理论基础之上，通过描述交通状态的变量(交通量、车速、密度等)来实施判别。由于光流矢量直接反映了车流速度的大小和方向，通过研究光流在视频监控区域下道路运动信息的强弱变化规律也可以实现对交通拥堵状态的判别。以上单独的交通流变量并不能真实全面地反映交通状况。神经网络、聚类算法、贝叶斯网络等方法考虑以上的一种或多种交通参数实现交通状态的识别，提高了识别的准确性。然而，城市交通的交通参数采集受到多种因素的限制，难以采集到完整或准确的交通流数据。这种缺陷会传递到后续的识别过程中，最终影响到上述方法的识别准确率。另外的一些道路监控系统通过定位和跟踪监控区域内的车辆，分析车辆的运行轨迹来判断交通拥堵事件的发生。这种方法的准确性严重依赖于车辆跟踪的结果。而光线的强弱、车辆的速度和车辆遮挡等现象使车辆跟踪效果并不理想。
技术实现思路
本专利技术的目的是提供一种基于视频分析技术的交通拥塞检测方法，以避免常用的基于交通流理论判断交通拥堵方法中难以完整或正确地获取交通参数的问题，并且不需要跟踪车辆的运行轨迹。为了达到以上目的，本专利技术采用的技术方案是，包括下列步骤(1)获取待检测的视频流，所述视频流中含有至少11帧连续的视频图像；获取所述视频图像的背景图像；(2)在视频图像的车辆驶入及驶出的监控区域边缘各设置一条垂直于车辆行驶方向的虚拟检测线；(3)对输入的视频流进行分割，由各帧视频图像与背景图像的相异度确定该帧视频图像的运动趋势；根据视频流中各帧视频图像运动趋势的变化将视频流分割成由多个连续的视频图像构成的镜头，每一镜头由至少一个子镜头构成；(4)针对每一视频镜头，计算该镜头各帧的平均相异度；提取视频镜头的关键帧，计算关键帧数；(5)计算视频镜头的平均光流场能量；(6)设置交通拥堵状态为畅通、轻度拥堵、拥堵及严重拥堵；构建多分类SVM支持向量机，所述支持向量机的输入为镜头的平均相异度、镜头的关键帧数、镜头的平均光流场能量，输出为交通拥堵状态中的两项，经过训练，获得6个SVM支持向量机，将步骤(4)、(5)中获得的数据输入SVM支持向量机，采用投票法即获得所需检测的交通拥堵状态。上述技术方案中，所述步骤(1)中背景图像的获取是现有技术，例如，可以采用多帧图像平均法，将运动的车辆看作噪声，用累加平均的方法来消除噪声，利用车辆运行一段时间的序列图像进行平均来得到道路背景图像。上述技术方案中，所述步骤(3)中的视频流分割方法为a)计算某一帧视频图像的后L帧的平均相异度与前L帧的平均相异度之差，获得当前帧的运动趋势，后L帧与前L帧的平均相异度之差大于零表示当前帧的运动趋势为增加；反之，运动趋势为减少；L为大于或等于5的整数； 所述相异度的计算公式为权利要求1.，其特征在于，包括下列步骤(1)获取待检测的视频流，所述视频流中含有至少11帧连续的视频图像；获取所述视频图像的背景图像；(2)在视频图像的车辆驶入及驶出的监控区域边缘各设置一条垂直于车辆行驶方向的虚拟检测线；(3)对输入的视频流进行分割，由各帧视频图像与背景图像的相异度确定该帧视频图像的运动趋势；根据视频流中各帧视频图像运动趋势的变化将视频流分割成由多个连续的视频图像构成的镜头，每一镜头由至少一个子镜头构成；(4)针对每一视频镜头，计算该镜头各帧的平均相异度；提取视频镜头的关键帧，计算关键帧数；(5)计算视频镜头的平均光流场能量；(6)设置交通拥堵状态为畅通、轻度拥堵、拥堵及严重拥堵；构建多分类SVM支持向量机，所述支持向量机的输入为镜头的平均相异度、镜头的关键帧数、镜头的平均光流场能量，输出为交通拥堵状态中的两项，经过训练，获得6个SVM支持向量机，将步骤(4)、(5)中获得的数据输入SVM支持向量机，采用投票法即获得所需检测的交通拥堵状态。2.根据权利要求1所述的交通拥塞检测方法，其特征在于所述步骤(3)中的视频流分割方法为a)计算某一帧视频图像的后L帧的平均相异度与前L帧的平均相异度之差，获得当前帧的运动趋势，后L帧与前L帧的平均相异度之差大于零表示当前帧的运动趋势为增加；反之，运动趋势为减少；L为大于或等于5的整数；所述相异度的计算公式为ColDis(i,b) = 1 - ColSim(i,b)式中，Cb^Vsft b)指当前帧视频图像与背景图像的相异度，b)指当前帧视频图像与背景图像的相似度，i表示视频帧序列的第i帧，b表示背景图像；b)采用步骤a)的方法计算视频流中各帧视频图像的运动趋势，如果当前帧与其前一帧有相反的运动趋势，则检测是否有车辆进入或离开监控区域，如有车辆进入或离开监控区域，则设定前一帧为一个镜头的末尾帧，当前帧为下一个镜头的起始帧，否则当前帧为当前镜头的一个子镜头边缘帧。3.根据权利要求2所述的交通拥塞检测方法，其特征在于所述是否有车辆进入或离开监控区域的检测方法为，与背景图像相比，当前帧的视频图像中，运动物体覆盖检测线的部分占检测线的比例大于设定阈值时，认为有车辆进入或离开监控区域，所述阈值在 15% 30%之间选取。4.根据权利要求1所述的交通拥塞检测方法，其特征在于所述步骤(4)中关键帧的提取方法是，计算一个子镜头中各帧视频图像与背景图像的平均相异度，选择与背景图像的相异度最接近于该子镜头的平均相异度的帧为关键帧。5.根据权利要求4所述的交通拥塞检测方法，其特征在于所述关键帧数即为镜头内的子镜头数目，镜头的首帧、末尾帧及其中间的子镜头边缘帧将当前镜头按照时间的顺序分割为一系列的子镜头。全文摘要本专利技术公开了一种基于视频分析技术的交通拥塞检测方法，在视频分割及关键帧提取的基础上通过获取视频镜头的平均相异度、关键帧数、平均光流场能量三个拥堵特征量，采用多分类SVM方法实现交通拥堵检测。本专利技术给出了一种新的交通拥堵检测方法，避免了现有技术中难以完整或正确地获取交通量、车速、密度等交通参数的问题，并且不需要跟踪车辆的运行轨迹，检测交通拥堵状态的结果较为准确，可以很好地辅助交通部门了解交通拥堵状态。文档编号G08G1/01GK102254428SQ20111010885公开日2011年11月23日 申请日期2011年4月28日 优先权日2011年4月28日专利技术者吴健, 岳恒军, 崔志明, 张广铭, 杨元峰 申请人:吴健, 岳恒军, 崔志明, 杨元峰本文档来自技高网...

【技术保护点】
１．一种基于视频处理的交通拥塞检测方法，其特征在于，包括下列步骤：（１）　获取待检测的视频流，所述视频流中含有至少１１帧连续的视频图像；获取所述视频图像的背景图像；（２）　在视频图像的车辆驶入及驶出的监控区域边缘各设置一条垂直于车辆行驶方向的虚拟检测线；（３）　对输入的视频流进行分割，由各帧视频图像与背景图像的相异度确定该帧视频图像的运动趋势；根据视频流中各帧视频图像运动趋势的变化将视频流分割成由多个连续的视频图像构成的镜头，每一镜头由至少一个子镜头构成；（４）　针对每一视频镜头，计算该镜头各帧的平均相异度；提取视频镜头的关键帧，计算关键帧数；（５）　计算视频镜头的平均光流场能量；（６）　设置交通拥堵状态为畅通、轻度拥堵、拥堵及严重拥堵；构建多分类ＳＶＭ支持向量机，所述支持向量机的输入为镜头的平均相异度、镜头的关键帧数、镜头的平均光流场能量，输出为交通拥堵状态中的两项，经过训练，获得６个ＳＶＭ支持向量机，将步骤（４）、（５）中获得的数据输入ＳＶＭ支持向量机，采用投票法即获得所需检测的交通拥堵状态。

【技术特征摘要】

【专利技术属性】
技术研发人员：崔志明，杨元峰，吴健，张广铭，岳恒军，
申请(专利权)人：崔志明，杨元峰，吴健，岳恒军，
类型：发明
国别省市：32