CN101807345B - 一种基于视频检测技术的交通拥堵判别方法 - Google Patents

Abstract

本发明公开了一种基于视频检测技术的交通拥堵判别方法，利用数字图像处理技术通过对交通视频图像建立背景模型、对背景模型提取前景和前景去噪、计算道路占有率、建立交通拥堵判别模型四个步骤完成交通拥堵状态的判别。本发明的交通拥堵判别模型包括拥堵模糊聚类判别器和辅助判别器，只利用视频图像处理技术获取道路占有率一个参数，并由此计算出占有率方差、占有率变化量绝对值，使用这三个有限参数，即可完成道路拥堵状态的判断。

Description

一种基于视频检测技术的交通拥堵判别方法

技术领域

本发明涉及道路交通状态检测领域，具体涉及一种基于视频检测技术的交通拥堵判别方法。

背景技术

随着经济的快速发展，城市人口的机动车拥有量也在急剧增长，车辆增长速度远远超过道路增长速度，造成交通拥堵日趋严重，交通事故时有发生等问题。因此，通过科学技术手段来监测道路拥堵状态有着极其重要的意义。

交通拥堵检测方法有地埋式感应检测、微波检测、GPS浮动车检测技术、视频检测技术等。地埋式感应检测将感应线圈铺设于道路各路段，存在易损坏、难修复、施工复杂的缺点；微波检测采用工作在微波频段的雷达探测器进行道路拥堵检测，其技术复杂，价格较高；GPS浮动车检测技术是在车辆上安装GPS装置，通过获取的信息估计道路交通状态，其缺点是存在覆盖率不足、检测盲区，从而影响检测精度。视频检测技术与其他检测技术相比，主要优点有：不破坏路、安装无需中断交通、检测功能多和可记录现场图像等。因此，充分利用视频检测技术服务于交通信息检测有着重要的意义。

现有技术中的基于视频检测技术的交通拥堵方法通过获取大量交通状态参数，如：流量、道路占有率、速度、车间距、排队长度等，然后选取多个参数利用传统的拥堵判别算法实现对交通拥挤事件的检测。这种方法要求利用图像处理技术计算多个参数，实现复杂，开销较大，不利于实现对道路拥堵事件的发生进行实时监控。

发明内容

有鉴于此，为了解决上述问题，本发明公开了一种基于视频检测技术的交通拥堵判别方法，针对传统交通拥堵判别方法需要获取大量交通状态参数，运算开销大，实时性不强的缺点，本发明只利用视频图像处理技术获取道路占有率一个参数，并由此计算出占有率方差、占有率变化量绝对值，构建模糊聚类器便完成了道路的拥堵状态的判断。

本发明的目的是这样实现的：一种基于视频检测技术的交通拥堵判别方法，其特征在于：交通拥堵状态的确定依次通过以下步骤完成：

步骤一、对交通视频图像建立背景模型；

步骤二、对背景模型提取前景和前景去噪；

步骤三、计算道路占有率及占有率方差；

步骤四、建立拥堵判别模型；

其中：建立拥堵判别模型包括如下步骤：

1)建立交通状态判断区域

选取i时刻的道路占有率C_i及占有率方差

令

利用模糊C-均值算法(Fuzzy C-Means，FCM)经过多次迭代，得到道路畅通、道路缓行和交通拥堵报警状态三类模糊聚类的聚类中心矩阵矩阵的第一行表示道路占有率，第二行表示占有率方差；

2)建立拥堵模糊聚类判别器

建立||x_i-ω_j||聚类判别器，采样标本

C_i表示i时刻的道路占有率，

表示占有率方差；

判断||x_i-ω_j||等于min{||x_i-ω_k||}，表明x_i距离聚类中心ω_k最近，则将x_i归到ω_k所代表的类别中去，此时交通状态为ω_k代表的状态，其中k＝1...N代表N种不同的交通状态。

进一步，交通状态ω_k中的K＝1或2或3，分别表示道路畅通、道路缓行和交通拥堵报警状态。

进一步，拥堵判别模型还包括建立辅助判别器的步骤；当拥堵模糊聚类判别器判断交通状态为道路缓行或交通拥堵报警时，建立辅助判别器对交通状态作进一步判别；

对于采样标本x_i属于ω₂道路缓行情况时，在拥堵模糊聚类判别器后添加辅助判别器|ΔC_i|＜β，如果判别器为真，则此时道路较拥挤；否则，此时道路正常；这里β的值取6，ΔC_i＝C_i-C_i-1，为i时刻的道路占有率变化量；

对于采样标本x_i属于ω₃交通拥堵报警情况时，在拥堵模糊聚类判别器后添加辅助判别器|ΔC_i|＜α，如果判别器为真，则此时交通拥堵发生；否则，此时道路较拥挤；这里α的值取6，ΔC_i＝C_i-C_i-1，为i时刻的道路占有率变化量。

进一步，背景模型建立步骤为：

1)从交通视频图像序列中提取连续的N帧图像，记为(f₁，f₂，...f_N)；

2)计算每帧中相同位置(x，y)像素点的灰度值(m_1xy，m_2xy，…m_Nxy)；

3)根据公式

计算出每个像素点的灰度值的概率分布情况；

其中，K_h((m-m_i)/h)为Epanechnikov核函数，m为核函数的中心点，m_i为建立背景模型的那n帧图相应像素点的像素值，h为带宽，根据实际情况取为25，n为连续采样的帧数；

4)设置阈值T，根据概率分布，当点(x，y)概率模型中的某个灰度值的出现概率大于T时，即此灰度值出现可能性最大，可以近似认为此灰度值即为此点背景灰度取值，T的值根据实际情况取0.4；

5)背景图片更新。

进一步，对背景模型提取前景和前景去噪步骤为：

1)通过减背景法提取出前景；

2)去除前景中抖动噪声；

当P_Bmin(x_t)≥P_Fmax(x_t)成立，认为是抖动噪声，去除；

否则，为前景目标，保留；

其中，x_t为被判断的像素点，以x_t前一帧中该像素点的8邻域为范围，取得该范围内各像素点属于背景点的概率值，最小概率值为P_Bmin(x_t)，取得x_t前一帧中该像素点的8邻域范围内各像素点属于前景点的概率值，最大概率值为P_Fmax(x_t)。

本发明的有益效果是：采用道路占有率参数及其方差构建模糊聚类器来判断道路的拥堵状态，相对现有基于视频技术的拥堵判别方法，本发明采用较少参数，运算快速，开销小，算法简单，更容易实现交通拥堵的实时监控。采用道路占有率变化量作为附加判断因子，对缓行、拥挤进行进一步确认，提高了交通拥堵的判断精度；在前景图像的提取中，通过分析比较前景发生的概率去除路旁树叶抖动等噪声，提高了道路占有率的获取精度。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述：

图1示出了拥堵判别模型；

图2示出了道路占有率-占有率方差的关系；

图3示出了拥堵判别流程。

具体实施方式

以下将对本发明的优选实施例进行详细地描述。

如图3所示，本发明提出的基于视频检测技术的交通拥堵判别方法的判别流程为：通过视频采集设备获取道路视频图像；从视频图像中提取图片；将图片转换成灰度图；对转换后的灰度图建立背景模型并更新；提取前景并将前景中的树叶等噪声去除；利用背景、前景信息计算道路状态评价参数：道路占有率、占有率方差及占有率变化量绝对值；建立模糊判别模型判断是否出现交通拥堵；传回拥堵提示信息。

本发明提出的基于视频检测技术的交通拥堵判别方法，利用数字图像处理技术依次通过对交通视频图像建立背景模型、提取前景和前景去噪、计算道路占有率、占有率方差及占有率变化量绝对值参数、建立交通拥堵判别模型四个步骤完成交通拥堵状态的判别。

本发明的四个步骤具体实现如下：

步骤一、建立背景模型并更新

1)从图像序列中提取连续的N帧图像，记为(f₁，f₂，...f_N)；

2)计算每帧中相同位置(x，y)像素点的灰度值(m_1xy，m_2xy，…m_Nxy)；

3)根据公式

计算出每个像素点的灰度值的概率分布情况；其中，K_h((m-m_i)/h)为Epanechnikov核函数，m为核函数的中心点，m_i为建立背景模型的那n帧图像中相同位置像素点的灰度值，h为带宽，根据实际情况取为25，n为连续采样的帧数；

4)设置阈值T为0.4，根据概率分布，当点(x，y)的某个灰度取值的概率大于T时，即此灰度值出现可能性最大，可以近似认为此灰度值即为此点背景灰度取值；

5)背景图片更新。

步骤二、对背景模型提取前景和去噪

1)通过减背景法提取出前景；

2)通过分析比较前景发生的概率去除路旁树叶抖动等噪声；

通过背景差分法获取的前景目标中夹杂着噪声，特别是树叶抖动引起的噪声。通过概率分析得知，前景是由车辆移动还是树叶抖动形成的具有不同的可能性。当P_Bmin(x_t)≥P_Fmax(x_t)则认为是树叶噪声，需要去除，否则，则是前景目标，可以保留；

其中，x_t为被判断的像素点，以x_t前一帧中该坐标点的8邻域为范围，取得该范围内各像素点属于背景点的概率值，最小概率值为P_Bmin(x_t)，取得x_t前一帧中该坐标点的8邻域范围内各像素点属于前景点的概率值，最大概率值为P_Fmax(x_t)。

步骤三、获取交通参数信息，包括：道路占有率、占有率方差、占有率变化量绝对值

1)通过步骤一和步骤二中的目标前景提取和背景道路预先识别获得道路占有率：

C_i＝i时刻目标车辆面积/道路面积

2)运算占有率方差：

占有率变化量绝对值：

μ_c表示一段道路的占有率平均值，

占有率方差：

占有率变化量：

步骤四、建立交通拥堵判别模型，完成对道路拥堵程度的实时监测

1)建立交通状态判断区域

如图2所示，道路占有率-占有率方差的关系表明，二者的关系近似为抛物线关系。在抛物线极小点的右边，占有率方差随占有率的增加而增加，此时共同使用两者能很好反应道路上拥堵程度的大小；

选取道路占有率及占有率方差两个量，利用模糊C-均值算法(FuzzyC-Means，FCM)确定道路畅通、道路缓行和交通拥堵报警三类模糊聚类的聚类中心ω₁，ω₂，ω₃。

FCM算法的基本步骤为：

11)随机初始化一个隶属度矩阵

其中μ_ij对应于U₀矩阵的第i行第j列，代表第i个样本对第j个聚类中心的隶属程度；采集n个

交通信息样本；

12)根据U₀和式(1)计算聚类中心ω_i；

13)再根据式(2)和已计算出的聚类中心ω_i，算出新的矩阵U₀′，同时也得到了新的分区。

14)检验前后两次目标函数差J_m′(U₀′，ω_i)-J_m(U₀，ω_i-1)是否小于给定一个很小的正数e，e根据实际情况可取1×10^-6，如果小于e，则计算停止，所得到的U和ω即为所求最佳化分的矩阵和聚类中心。否则重复12)至14)，直至目标函数值达到最小。其中目标函数为：

$J_m(U,\mathrm{\ω})=\underset{j=1}{\overset{c}{\mathrm{\Σ}}}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{ij}}^m{\left|\right|x_i-{\mathrm{\ω}}_j\left|\right|}^2---\left(1\right)$

其约束条件为：

$\underset{j=1}{\overset{c}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{ij}}=1;{\mathrm{\μ}}_{\mathrm{ij}}\≥0,c\≥j\≥1,n\≥i\≥1---\left(2\right)$

式中：

C_i表示i时刻的道路占有率，

表示占有率方差；n为采集的交通信息集样本x_i的个数；c为聚类中心数个数，在本实施例中为3；μ_ij对应于U₀矩阵的第i行第j列，代表第i个样本对第j个聚类中心的隶属程度，||x_i-ω_j||表示第i组数据对于第j类聚类中心的距离，m为模糊指数，用于加强x_i属于哪一类从属程度的对比度，m∈(1，∞)，通常取值为2；遵循FCM算法步骤，将交通样本值进行多次迭代，得到3种交通状态的聚类中心矩阵：

$\mathrm{\ω}=({\mathrm{\ω}}_1,{\mathrm{\ω}}_2,{\mathrm{\ω}}_3)=\left(\begin{array}{ccc}{\mathrm{\ω}}_{11}& {\mathrm{\ω}}_{12}& {\mathrm{\ω}}_{13}\\ {\mathrm{\ω}}_{21}& {\mathrm{\ω}}_{22}& {\mathrm{\ω}}_{23}\end{array}\right)---\left(3\right)$

矩阵第一行表示道路占有率，第二行表示占有率方差；ω₁，ω₂，ω₃分别代表道路畅通、道路缓行和交通拥堵报警三个状态的聚类中心。

2)建立拥挤模糊聚类判别器：

如图1所示，建立||x_i-ω_j||聚类判别器，采样标本

C_i表示i时刻的道路占有率，

表示i时刻的占有率方差。计算||x_i-ω_j||的值，判断是否||x_i-ω_j||等于min{||x_i-ω_k||}，如果等于，即表明x_i距离聚类中心ω_k最近，则将x_i归到ω_k所代表的类别中去，此时属于ω_k交通状态。

3)建立辅助判别器：

发生了交通拥堵时，道路占有率和占有率方差都处于一个较高数值，其占有率的变化量绝对值在一段时间内保持在一个较小值。

如图1所示，对于采样标本x_i属于ω₂的道路缓行情况时，在拥堵模糊聚类判别器后添加辅助判别器|ΔC_i|＜β，β为6，如果判别器为真，则判别此时道路较拥挤；否则，判别此时道路正常。

如图1所示，对于采样标本x_i属于ω₃的交通拥堵报警情况时，在拥堵模糊聚类判别器后添加辅助判别器|ΔC_i|＜α，α为6，如果判别器为真，则判别此时交通拥堵发生；否则，判别此时道路较拥挤。

以上所述仅为本发明的优选并不用于限制本发明，显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (5)

1.一种基于视频检测技术的交通拥堵判别方法，其特征在于：交通拥堵状态的确定依次通过以下步骤完成：

步骤一、对交通视频图像建立背景模型；

步骤二、对背景模型提取前景和前景去噪；

步骤三、计算道路占有率及占有率方差；

步骤四、建立拥堵判别模型；

其中：建立拥堵判别模型包括如下步骤：

1)建立交通状态判断区域

选取i时刻的道路占有率C_i及占有率方差

令采样标本

利用模糊C-均值算法(Fuzzy C-Means，FCM)经过多次迭代，得到道路畅通、道路缓行和交通拥堵报警状态；三类模糊聚类的聚类中心矩阵 $\mathrm{\ω}=({\mathrm{\ω}}_1,{\mathrm{\ω}}_2,{\mathrm{\ω}}_3)=\left(\begin{array}{c}{\mathrm{\ω}}_{11}{\mathrm{\ω}}_{12}{\mathrm{\ω}}_{13}\\ {\mathrm{\ω}}_{21}{\mathrm{\ω}}_{22}{\mathrm{\ω}}_{23}\end{array}\right),$ 矩阵的第一行表示道路占有率，第二行表示占有率方差；其中，ω₁，ω₂，ω₃分别代表道路畅通、道路缓行和交通拥堵报警三个状态的聚类中心；

2)建立拥堵模糊聚类判别器

建立||x_i-ω_j||聚类判别器，采样标本x_i，C_i表示i时刻的道路占有率，

表示占有率方差；其中，||x_i-ω_j||表示第i组数据对于第j类聚类中心的距离；

判断||x_i-ω_j||是否等于min{||x_i-ω_k||}如果等于则表明x_i距离聚类中心ω_k最近，则将x_i归到ω_k所代表的类别中去，此时交通状态为ω_k代表的状态，其中k＝1...N代表N种不同的交通状态，其中，N＝3。

2.如权利要求1所述的基于视频检测技术的交通拥堵判别方法，其特征在于：交通状态ω_k中的K＝1或2或3，分别表示道路畅通、道路缓行和交通拥堵报警状态。

3.如权利要求2所述的基于视频检测技术的交通拥堵判别方法，其特征在于：其中所述建立拥堵判别模型还包括建立辅助判别器的步骤；当拥堵模糊聚类判别器判断交通状态为道路缓行或交通拥堵报警时，建立辅助判别器对交通状态作进一步判别；

对于采样标本x_i属于ω₂道路缓行情况时，在拥堵模糊聚类判别器后添加辅助判别器|ΔC_i|＜β，如果判别器为真，则此时道路较拥挤；否则，此时道路正常；这里β的值取6，ΔC_i＝C_i-C_i-1，为i时刻的道路占有率变化量；

对于采样标本x_i属于ω₃交通拥堵报警情况时，在拥堵模糊聚类判别器后添加辅助判别器|ΔC_i|＜α，如果判别器为真，则此时交通拥堵发生；否则，此时道路较拥挤；这里α的值取6，ΔC_i＝C_i-C_i-1，为i时刻的道路占有率变化量。

4.如权利要求3所述的基于视频检测技术的交通拥堵判别方法，其特征在于：其中所述建立背景模型具体包括：

1)从交通视频图像序列中提取连续的N帧图像，记为(f₁，f₂，...f_N)；

2)计算每帧中相同位置(x，y)像素点的灰度值(m_1xy，m_2xy，...m_Nxy)；

3)根据公式

计算出每个像素点的灰度值的概率分布情况；

其中，K_h((m-m_i)/h)为Epanechnikov核函数，m为该核函数的中心点，m_i为建立背景模型的那n帧图像中相同位置像素点的灰度值，h为带宽，根据实际情况取为25，n为连续采样的图像帧数；

4)设置阈值T，根据概率分布，当点(x，y)概率模型中的某个灰度值的出现概率大于T时，即此灰度值出现可能性最大，近似认为此灰度值即为此点背景灰度取值，T的值根据实际情况取0.4；

5)背景图片更新。

5.如权利要求4所述的基于视频检测技术的交通拥堵判别方法，其特征在于：其中用背景模型提取前景和前景去噪步骤具体包括：

1)通过减背景法提取出前景；

2)去除前景中抖动噪声；

当P_Bmin(x_t)≥P_Fmax(x_t)成立，认为是抖动噪声，去除；

否则，为前景目标，保留；

其中，x_t为被判断的像素点，以x_t前一帧中该像素点的8邻域为范围，取得该范围内各像素点属于背景点的概率值，最小概率值为P_Bmin(x_t)，取得x_t前一帧中该像素点的8邻域范围内各像素点属于前景点的概率值，最大概率值为P_Fmax(x_t)。

Images