CN102073851A - 一种城市交通事故自动识别方法和系统 - Google Patents

Abstract

本发明属于智能交通视频图像监控和视频图像分析领域，特别是涉及到一种城市交通事故自动识别方法和系统，其中，所述交通事故自动识别方法包括：获取城市道路视频图像序列；基于混合高斯背景模型的前景车辆分离；基于Camshift算法和kalman滤波组合的多目标车辆跟踪算法；提取出速度变化，水平与垂直位置变化和运动方向变化等交通事故判别参数；提出多特征加权融合自动事故识别算法。本发明通过传输单元和显示单元及时把交通事故信息传送到交通控制中心，从而实现交通事故得到迅速处理，为交通管理提供了一种有效、灵活、性价比高的道路交通监控手段，为开发高效的智能视频交通事故系统提供了一种新的思路。

Description

一种城市交通事故自动识别方法和系统

技术领域

本发明涉及智能交通视频图像监控和视频图像分析领域，特别是涉及到一种城市交通事故自动识别方法和系统。

背景技术

近年来，随着中国经济的快速发展，城市基础设施建设以及机动车数量都取得了突飞猛进的发展，给人们带来极大便利的同时，交通拥挤、交通事故发生频率也随之增加，已经影响到人们的生产、生活等各个方面。据统计，仅2009年全国共发生道路交通事故2.3万余起，造成6.7万人死亡、2.7万人受伤，直接财产损失9.1亿元。交通事故的研究正成为现代交通的一个极其重要的研究领域。基于视频图像技术的交通视频研究成为解决交通事故的一个重要方面。

目前，专门针对交通事故识别的研究较少，主要把交通事故作为一种交通事件来对交通事件进行广泛的研究。现有的交通事件检测大多数是基于地感线圈数据的方法。该方法主要作用有两方面：一方面通过对超速、逆行、非法停车等交通违法事件进行检测，从而增强驾驶员的安全意识，一定程度上起到交通事故预防的作用；另一方面，通过对交通拥堵、道路遗撒、交通事故等事件检测，进而通知交通管理部门及时处理，以最大限度地减少交通事件对正常交通的影响。但由于其技术不够成熟，易受各种因素的影响，因而误检率、漏检率较高。目前基于视频检测技术的城市交通事故往往也是作为交通事件检测的一部分，简单的利用单一的速度，车道占有率等参数，不能够很好的识别出交通事故，也不能很好的实现自动报警。

发明内容

本发明的目的是提供一种城市交通事故自动识别方法和系统，用于实现快速且有效地检测到城市交通事故。

为了实现上述目的，本发明提出一种城市交通事故自动识别方法，其包括：

获取城市道路视频图像序列；基于混合高斯背景模型的前景车辆分离；基于Camshiff算法和kalman滤波组合的多目标车辆跟踪算法；提取出速度变化，水平与垂直位置变化和运动方向变化等交通事故判别参数；提出多特征加权融合自动事故识别算法。

进一步的，其中上述的获取道路视频图像序列是通过单一固定的CCD摄像机获得城市交通事故多发路段的视频图像。

进一步的，其中上述的前景车辆分离步骤包括：

S21基于混合高斯分布模型的背景差分算法；

S22利用自适应阈值分割方法得到前景和背景图像；

S23利用数学形态学的开运算去除小面积的非运动车辆目标；

S24利用轮廓投影分析与形状分析结合去除阴影；

S25基于腐蚀和膨胀运算的四连通区域车辆轮廓提取算法；

进一步的，其中上述的多目标跟踪步骤包括：

S31为了实现多目标同时跟踪，为每个车辆建立一个跟踪器；

S32利用步骤S2得到的车辆目标，选取车辆中心和颜色作为特征；

S33添加新的车辆对象并更新当前跟踪队列，利用camshift跟踪算法跟踪车辆；

S34利用kalman滤波预测车辆在下一时刻的车辆中心，并将结果送给camshift算法中；

进一步的，其中上述的提取交通事故参数步骤包括：

S41城市交通事故发生时，车辆的速度变化比较明显，提取出速度变化作为交通参数信息；

S42城市交通事故发生时，车辆的水平位置和垂直位置变化比较明显，提取出水平位置和垂直位置变化作为交通参数信息；

S43城市交通事故发生时，车辆的运动方向变化比较明显，提取出运动方向变化作为交通参数信息；

进一步的，其中上述的多特征加权融合识别算法步骤包括；

S51：利用步骤S4得到的交通参数乘以各自的加权系数，然后求和运算；

S52利用事故多发路段的统计信息得到事故阈值信息，利用S51得到的结果与阈值比较，大于阈值为事故发生，否则为正常状况。

本发明另一目的是提供上述城市交通事故自动识别方法的系统，该包括：视频捕捉单元、图像处理单元、传输单元、报警单元和存储单元；其中，

视频捕捉单元，用于得到道路交通视频图像序列；

图像处理单元，用于对输入的视频图像进行处理，并判定是否有事故发生；

传输单元，用以实时快速的传输视频图像；

报警单元，用以把交通事故信息实时报警，以及时处理交通事故；

存储单元，用于把交通事故信息存储下来，为事故处理使用。

进一步的，上述的图像处理单元由背景建模模块，车辆检测模块，车辆跟踪模块和交通识别判别模块组成；

背景建模模块：利用道路视频图像信息，采用混合高斯算法建立背景模型；

车辆检测模块；利用背景差分算法，采用当前帧与背景帧做差，得到前景运动目标，然后做自适应阈值分割，形态学去噪和阴影去除，使前景图像中只包括运动车辆目标；

车辆跟踪模块；为每一个检测到的运动车辆建立一个camshift跟踪器，实现多目标同时跟踪，再结合kalman滤波预测下一车辆位置；

交通识别判别模块：根据速度变化，水平位置和垂直位置变化和运动方向变化等参数信息，利用多特征加权融合算法识别交通事故；

本发明的有益效果是：本发明的一种城市交通事故自动识别方法和系统，实现城市交通事故多发路段的交通事故的自动识别，充分利用计算机视觉，图像处理和模式识别新技术，是道路视频监控智能化，为迅速发现城市交通事故提供极大的帮助，进一步提升了城市智能监控系统的能力和整体指挥能力。

附图说明

图1是本发明一种城市交通事故自动识别方法流程图；

图2所示为基于混合高斯背景模型的前景车辆分离具体过程流程图；

图3所示为基于Camshift算法和kalman滤波组合的多目标跟踪算法具体流程图；

图4所示为基于速度、位置和方向等特征的加权融合识别算法具体流程图；

图5所示为本发明一种城市交通事故自动识别系统结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明的一种城市交通事故自动识别方法和系统进行进一步详细说明。应当理解，此处所描述的具体实施仅仅用以解释本发明，并不用于限定本发明。

本发明的一种城市交通事故自动识别方法和系统，通过对城市交通事故多发路段视频监控图像的分析，实现道路交通事故自动识别，并及时传送到交通控制中心，使得减少交通事故带来的损失。

下面详细描述本发明的一种城市交通事故自动识别方法，如图1所示，包括获取城市道路视频图像序列，基于混合高斯背景模型的前景车辆分离；基于Camshift算法和kalman滤波组合的多目标车辆跟踪算法；提取出速度变化，水平与垂直位置变化和运动方向变化等交通事故判别参数；提出多特征加权融合识别算法。其处理步骤具体如下：

S11，通过CCD摄像机得到道路视频图像序列，做中值滤波，梯度锐化等图像预处理，去除由于设备等带来的噪声影响；

S12，采用混合高斯建立背景模型，利用背景差分法检测出当前帧视频图像中各像素在场景和运动目标间的归属情况，然后从检测结果中提取出各运动目标的中心，形状和颜色信息；

S13，利用数学形态学的开运算去除小面积的非运动车辆目标，利用轮廓投影分析与形状分析结合去除阴影，利用四联通区域标识运动车辆；

S14，利用Kalman滤波和Camshift组合算法实现多车辆同时跟踪。利用Kalman滤波器预测k(k＞＝2)帧目标的位置，作为Camshift在这个位置的邻域中找到目标的最优位置，再以这个目标位置作为Kalman滤波器的预测值来修正k帧预测值，然后将修正值代入，进行下一帧计算。

S15，从车辆跟踪结果中，提取出速度变化，水平和垂直位置变化，运动方向变化等交通事故参数；

S16，利用多特征加权融合算法识别是否发生交通事故。若交通事故识别后及时发送消息到交通控制中心，并通过图像弹出或者声音提示实时报警，使得事故得到及时处理。

如图2所示，基于混合高斯背景模型的前景车辆分离具体过程包括步骤：

S21，选择ROI区域通过在图像上画一个矩形区域，这样即可以较准确地检测运动车辆目标，又可以减少计算量，达到实时性的要求。本文采用背景更新方法来画定ROI区域；

S22，混合高斯模型背景建模，具体为：高斯混合模型的基本思想是：对每一个像素点，定义K状态来表示其像素值，K值一般取3-5之间，K值越大，处理背景扰动能力越强，相应所需的处理时间也就越长。某点x在某时刻的随机分布概率为：

$p\left(x\right)=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}p\left(G_i\right)p\left(x\right|G_i)=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\ω}}_{i}g(x_t,{\mathrm{\μ}}_{i,t},{\mathrm{\Σ}}_{i,t})---\left(2.1\right)$

式中，K为高斯分布的数量，ω_i是第i个高斯分布的权值；μ_i，t，∑_i，t为第i个高斯分布的均值向量和方差矩阵；g是第i个概率密度的高斯分布函数。在这个分布模型上，以x为背景的后验概率p(B/x)可进一步表示为：

$p(B/x)=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}p(B/G_i)p(G_i/x)$

$=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}p(B/G_i)\left[\frac{p(x/G_i)p\left(G_i\right)}{p\left(x\right)}\right]---\left(2.2\right)$

$=\frac{\underset{i=1}{\overset{K}{\mathrm{\Σ}}}p(x/G_i)p\left(G_i\right)p(B/G_i)}{\underset{i=1}{\overset{K}{\mathrm{\Σ}}}p(x/G_i)p\left(G_i\right)}$

式中，G_i为第i个高斯分布，p(G_i)为这个高斯分布在混合高斯模型中的权值，在实际应用中这个一个先验知识。

在对混合高斯模型进行初始化时，可以计算一段时间内视频图像序列中每一像素点的均值μ₀及方差

用μ₀和

来初始化混合高斯模型中第一个高斯分布的参数，即：

${\mathrm{\μ}}_0=\frac{1}{N}\underset{t=0}{\overset{t=N-1}{\mathrm{\Σ}}}{X}_t,$ ${\mathrm{\σ}}_0^2=\frac{1}{N}\underset{t=0}{\overset{t=N-1}{\mathrm{\Σ}}}{(X_t-{\mathrm{\μ}}_0)}^2,$ ω₀＝1    (2.3)

式中认为前N帧为背景对权值ω₀为1，其中X_t为当前帧图像数据。其它高斯分布的μ_i和ω_i均为0，

取较大的初始化值。

当有新的观测点X_t+1来临时，则将这个样本的像素值分别与K个高斯分布的均值μ_i，t相比，同时计算观测点落入相应高斯分布的概率，并按下式的判别法则选择匹配的高斯分布。即|X_t+1-μ_i，t|＜c×σ_i，t  (i＝1，...，K)    (2.4)

c为一常数。据此，就可以选择出符合判断法则的高斯分布。当存在匹配的高斯分布时，则需要根据当前像素X_t，对这些高斯分布的权值、均值和方差参数进行更新处理。

ω_i，t+1＝(1-α)×ω_i，t+α×M(t)

式中，α为一与时间相关的学习速度。

μ_t+1＝(1-ρ)×μ_t+ρ×X_t

${\mathrm{\σ}}_{t+1}^2=(1-\mathrm{\ρ})\×{\mathrm{\σ}}_t^2+\mathrm{\ρ}{(X_{t+1}-{\mathrm{\μ}}_t)}^T(X_{t+1}-{\mathrm{\μ}}_t)---\left(2.6\right)$

$\mathrm{\ρ}=\mathrm{\α}\×g(X_t,{\mathrm{\μ}}_t,{\mathrm{\σ}}_t^2)$

在这些匹配的高斯分布中，还需要按照各自的比值进行排序，然后从中选择最能代表背景的高斯分布，并以此来最终确定表征背景的高斯分布。式中，权值较大的前b个高斯分布被识别为背景，即

$B=\arg \underset{b}{\min }[\underset{k=1}{\overset{b}{\mathrm{\Σ}}}{\mathrm{\ω}}_k>T_2]---\left(2.7\right)$

我们示例中选择K＝3；

背景差分法过程为：

求出当前图像f_k与背景图像b_k的差值图像D_k。

D_k(x，y)＝|f_k(x，y)-b_k(x，y)|    (2.8)

然后根据上面公式对差值图像D_k进行二值化。

$R_k(x,y)=\left\{\begin{array}{c}1,{\mathrm{IfD}}_k(x,y)>T\\ 0,\mathrm{otherwise}\end{array}\right.---\left(2.9\right)$

其中T为阈值，阈值T选择得准确与否直接影响到二值图像的质量；

视频图像中除了运动车辆外，往往还用其他运动目标比如摇动树枝、行人等，采用数学形态学的开运算去除小面积的非车辆运动目标。

在检测车辆对象的同时，车辆对象的运动阴影也会被检测为运动前景的一部分，造成运动目标的合并、几何变形，甚至是目标丢失，为了获得更好的车辆对象前景分割效果，本系统采用轮廓投影分析与形状分析结合阴影去除办法。

在图像二值化后，监控场景中的车辆对象作为前景点被提取出来，进一步，本系统调用四联通区域标识算法来标识运动车辆。该操作包括：

(1)利用数学形态学的腐蚀算子消除孤立点；

(2)利用数学形态学的膨胀算子填补车辆对象尺度过大或者运动过慢带来的检测空洞；

(3)对于两个很靠近的连通区域可能属于同一个车辆对象，本系统拼接相近的连通区域；

经过上述处理后，就可以较好的检测出运动车辆，为下一步的处理奠定了很好的基础；

如图3所示，基于Camshift算法和kalman滤波组合的多目标跟踪算法具体过程包括：

S31，为每一个车辆建立一个Camshift跟踪器，利用Camshift算法来跟踪车辆，其具体算法为：

Camshift算法是一种改进的Meanshift算法，利用颜色直方图作为特征，使用Meanshift作为搜索算法，有效利用梯度上升的方向来减少特征搜索匹配的时间，实现快速的目标定位。主要实现分为三部分：

(1)色彩投影图：RGB颜色空间对光照亮度变化较为敏感，为了减少此变化对跟踪效果的影响，首先将图像从RGB空间转换到HSV空间；然后选择其中的H分量建立目标直方图，设{x_i}_{i＝1，...，n}是目标图像的像素坐标，目标直方图为：

u＝1，...，m；最后，将图像中每个像素值用其颜色出现的概率替换，就得到颜色概率分布图，整个过程称作反向投影。

(2)Meanshift算法：Meanshift算法是一种密度函数梯度估计的非参数方法，通过迭代寻优找到概率分布的极值来定位目标。算法步骤如下：

i)在颜色概率分布图中选取大小为s的搜索窗口。

ii)计算零阶矩：计算一阶矩：

计算搜素窗口的质心：x_c＝M₁₀/M₀₀，y_c＝M₀₁/M₀₀。

iii)调整搜素窗口：

密度为：

长度为1.2s。

iv)移动搜素窗口的中心到质心，如果移动距离大于预设的固定阈值，则重复ii)，iii)，直到搜素窗口的中心与质心间的移动距离小于预设的固定值，或者循环运算的次数达到某一最大值，则停止计算。

(3)Camshift算法：将Meanshift算法扩展到连续图像序列，就是Camshift算法。它将视频的所有帧做Meanshift运算，并将上一帧的结果，即搜索窗的大小和中心，作为Meanshift算法搜索窗的初始值，如此迭代下去，就可以实现对目标的跟踪。算法过程如下：

i)初始化搜索窗口的大小和位置；

ii)计算搜索窗的颜色概率分布(反向投影)；

iii)运行Meanshift算法，获得搜索窗新的大小和位置；

iv)在下一帧视频图像中用iii)中的值重新初始化搜索窗的大小和位置，在跳转到ii)继续进行；

v)计算跟踪目标的方向和尺度：

二阶矩：

令

b＝2(M₁₁/M₀₀-x_cy_c)，

图像中目标的长轴和短轴的长度计算公式为：

$l=\sqrt{\frac{(a+c)+\sqrt{b^2+{(a-c)}^2}}{2}},$ $w=\sqrt{\frac{(a+c)-\sqrt{b^2+{(a-c)}^2}}{2}}.$

目标长轴的方向角为：

S32，基于Kalman滤波预测的车辆位置预测，具体算法为：

根据Kalman滤波器具有计算量小，可实时计算的优点，本文利用Kalman滤波预测车辆的准确位置，采用搜索窗中心点在X轴和Y轴上的位置x_k，y_k，在X轴和Y轴上的速度v_x(k)，v_y(k)作为描述搜索窗的参数。在跟踪过程中，由于相邻两帧图像时间间隔较短，我们认为车辆在两帧图像时间间隔内做匀速运动，所以采用匀速运动模型。

状态向量定义为

x_k＝[x_k，y_k，v_x(k)，v_y(k)]^T    (8)

观测状态向量定义为

z_k＝[x_k，y_k]^T    (9)

预测状态向量定义为

x′_k＝[x′_k，y′_k，v_x(k)，v_y(k)′]^T    (10)

其中：x′_k，y′_k，v_x(k)′，v_y(k)′分别表示Kalman滤波器预测的搜索窗口的中心位置和速度。

在本系统中系统参数取值如下：

$A=\left[\begin{array}{cccc}1& 0& \mathrm{\Δt}& 0\\ 0& 1& 0& \mathrm{\Δt}\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right],$ B＝0， $H=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\end{array}\right]---\left(11\right)$

其中A是系统的状态转移矩阵，B是系统的控制矩阵，本文中不加应用，H是系统的观测矩阵，Δt是相邻两帧图像时间间隔。

Kalman滤波分为预测与校正两阶段，首先初始化动态噪声方差矩阵Q，测量噪声方差矩阵R，初始状态向量x₀和初始误差方差矩阵P₀，然后用预测状态向量x_k中的x′_k，y′_k分量设定Camshift算法搜素窗口的中心位置，并把Camshift算法输出的质心位置，作为测量值z_k校正预测状态向量x′_k，从而得到状态向量x_k+1。

利用检测目标车辆来自动初始化搜索窗口，利用Kalman滤波预测车辆目标在当前帧的运动位置，Camshift算法在该位置领域内搜索，从而提高了搜索窗口的位置精度，且较有效解决车辆部分遮挡问题。

如图4所示，基于速度、位置和方向变化等特征加权融合识别算法具体过程为：

通过对大量事故视频分析发现，交通事故发生时车辆速度变化，水平位置和垂直位置变化，运动方向变化较大，选用3种特征融合算法，又考虑各个参数影响因子的不同，采用加权值更灵活实现识别。

速度变化：在车辆跟踪过程中，得到运动目标的速度，计算车辆的速度变化来事故检测。利用下面的表达式来表示：

$\mathrm{\ΔV}=\left\{\begin{array}{cc}\frac{\mathrm{\ΔV}-V_L}{V_H-V_L}& V_L\≤\sqrt{{({\stackrel{\‾}{x}}_n+{\stackrel{\‾}{x}}_{n-2}-{\stackrel{\‾}{x}}_{n-1})}^2+{({\stackrel{\‾}{y}}_n+{\stackrel{\‾}{y}}_{n-2}-{\stackrel{\‾}{y}}_{n-1})}^2}\≤V_H,n\≥3\\ 0& \mathrm{other}\end{array}\right.---\left(4.1\right)$

其中ΔV是交通事故判断参数，V_L，V_H是满足条件的最低和最高阈值。

分别表示当前帧，上一帧，上两帧运动车辆在x方向上的质心。

水平和垂直位置变化：在二维平面中，目标对象的质心常常来代表整个车辆位置，质心的坐标值

表示。质心位置的改变是交通事故检测中重要的参数，利用下面的表达式来表示：

$\mathrm{\ΔP}=\left\{\begin{array}{cc}\frac{\mathrm{\ΔP}-P_L}{P_H-P_L},& P_L\≤\sqrt{{({\stackrel{\‾}{x}}_n-{\stackrel{\‾}{x}}_{n-1})}^2+{({\stackrel{\‾}{y}}_n-{\stackrel{\‾}{y}}_{n-1})}^2}\≤P_H\\ 0,& \mathrm{otherwise}\end{array}\right.---\left(4.2\right)$

其中ΔP是交通事故判别参数，P_L，P_H是满足条件的最低和最高阈值，

和

表示当前帧运动车辆的质心，

表示上一帧运动车辆的质心。

运动方向变化：

其中，ΔD是交通事故判别参数，D_L，D_H是满足条件的最低和最高阈值，

表示当前帧运动车辆的质心，

表示上一帧运动车辆的质心。

若ΔD的值很大，这就可以判断有车辆异常事故发生，发生交通事故的可能性很大。

多特征加权融合算法为：

α+β+γ＝1

其中，SG为交通事故识别结果参数，1表示发生了交通事故，0表示没有发生交通事故，α，β，γ分别表示速度变化，位置变化，方向变化的加权系数。

本发明的系统如图5所示，其中各功能主要可以通过软件实现，所述软件编程可以参照上述关于方法的介绍和其他现有技术。

以上对本发明的具体实施例进行了描述和说明，这些实施例仅是示例性的，并不用于对本发明进行限制，本发明应根据所附的权利要求进行解释。

Claims (8)

1.一种城市交通事故自动识别方法，其特征在于，具体包括以下步骤：

步骤S1:获取城市道路视频图像序列；

步骤S2: 基于混合高斯背景模型的前景车辆分离；

步骤S3: 基于Camshift算法和kalman滤波组合的多车辆跟踪算法；

步骤S4: 提取出速度变化，水平与垂直位置变化和运动方向变化等交通事故判别参数；

步骤S5: 提出多特征加权融合自动识别算法。

2.根据权利要求1所述的交通事故自动识别方法，其特征在于，所述步骤S1中获取城市视频图像序列是通过单一固定的CCD摄像机获得城市交通事故多发路段的视频图像。

3.根据权利要求1所述的交通事故自动识别方法，其特征在于，所述步骤S2中前景车辆分离步骤包括：

S21） 基于混合高斯分布模型的背景差分算法；

S22）利用自适应阈值分割方法得到前景和背景图像；

S23） 利用数学形态学的开运算去除小面积的非运动车辆目标；

S24） 利用轮廓投影分析与形状分析结合去除阴影；

S25） 基于腐蚀和膨胀运算的四连通区域车辆轮廓提取算法。

4.根据权利要求1所述的交通事故自动识别方法，其特征在于, 所述步骤S3中多目标跟踪算法步骤包括：

S31 ）为了实现多目标同时跟踪，为每个车辆建立一个跟踪器；    

S32） 利用步骤S2得到的车辆目标，选取车辆中心和颜色作为特征；

S33） 添加新的车辆对象并更新当前跟踪队列，利用camshift算法跟踪车辆；

S34 ）利用kalman滤波预测车辆在下一时刻的车辆中心，并将结果送给camshift算法中。

5.根据权利要求1所述的交通事故自动识别方法，其特征在于，所述步骤S4中提取交通事故参数步骤包括：

S41 ）城市交通事故发生时，车辆的速度变化比较明显，提取出速度变化作为交通事故参数信息；

S42）城市交通事故发生时，车辆的水平位置和垂直位置变化比较明显，提取出水平位置和垂直位置变化作为交通事故参数信息；

S43）城市交通事故发生时，车辆的运动方向变化比较明显，提取出运动方向变化作为交通事故参数信息。

6.根据权利要求1所述的交通事故识别方法，其特征在于，所述步骤S4中多特征加权融合识别算法步骤包括；

S51）:利用步骤S4得到的交通参数乘以各自的加权系数，然后求和运算；

S52）利用事故多发路段的统计信息得到事故阈值信息，利用S51得到的结果与阈值比较，大于阈值为事故发生，否则为正常状况。

7.根据权利要求1-6所述的交通事故识别方法的自动识别系统，其特征在于，该系统包括视频捕捉单元、图像处理单元、传输单元、报警单元和存储单元；其中，所述视频捕捉单元，用于得到城市交通视频图像序列；

所述图像处理单元，用于对输入的视频图像进行处理，并判定是否有事故发生；

所述传输单元，用以实时快速的传输视频图像；

所述报警单元，用以把交通事故信息实时报警，以及时处理交通事故；

所述存储单元，用于把交通事故信息存储下来，为事故处理使用。

8.根据权利要求7所述的自动识别系统，其特征在于，所述图像处理单元包括：

背景建模模块：利用道路视频图像信息，采用混合高斯算法建立背景模型；

车辆检测模块；利用背景差分算法，采用当前帧与背景帧做差，得到前景为运动目标，然后做自适应阈值分割、形态学去噪、阴影去除和车辆轮廓标识，使前景图像中只包括运动车辆目标；

车辆跟踪模块；为每一个检测到的运动车辆建立一个camshift跟踪器，实现多车辆同时跟踪，再结合kalman滤波预测下一车辆位置，解决车辆部分遮挡问题；

交通识别判别模块：提出速度变化、水平和垂直位置变化、运动方向变化等交通事故参数，利用多特征加权融合算法识别交通事故。

Images