CN102496000A - 一种城市交通事故检测方法 - Google Patents

Abstract

本发明公开了一种城市交通事故的检测方法。本发明的方法通过从交通视频流中提取的运动物体的光流信息，为每帧视频图像构建相应的运动方向图，通过计算运动方向图的能量将交通监控视频流转变为运动方向图能量序列，通过在时间轴上检测运动方向图能量序列中的是否出现能量陡增从而确定视频流中是否发生了交通事故。本发明的方法利用在交通事故中运动物体的碰撞会导致至少一个运动物体的出现局部性的运动方向突变这一特点，通过构建运动方向图，计算运动方向图的能量，在时间轴上对运动方向图能量波动进行监控来检测交通事故，一方面降低了检测的复杂性，另一方面提高了检测的稳定性和适应性。

Description

一种城市交通事故检测方法

技术领域

本发明属于视频监控技术领域，具体涉及一种城市交通事故的检测方法。

背景技术

伴随着经济的发展，各大城市的机动车保有量节节攀升，城市交通环境日益恶化，更导致了城市道路交通事故频发。城市交通事故不但会造成交通拥堵、财产损失，更为严重的是会危及市民的生命安全，造成无法挽回的损失。为了增强对城市交通的管理能力，降低城市道路交通事故造成的人民生命财产的损失，各大中心城市都陆续建立起覆盖全市交通道路的城市交通道路视频监控网络，通过监控网络进行实时的城市交通监控，对发生的交通事故进行及时的处置。城市交通监控网络的建立在一定程度上减少了交通事故所造成的损失，但是由于各大城市交通监控中心采用的是传统的人工监测的手段，大大的制约了城市交通监控网络的发展，首先人工监测无法适应大规模的城市交通监控网络，不论从成本和效益上讲，人工监测都都有其无法克服的障碍，而在大规模监控网络中，这种障碍尤为明显，其次交通事故往往发生在一秒以内，由于人工监测的不可控因素，使之在大规模交通监控的环境下，准确率和稳定性无法得到保障。针对人工监测的缺点，人们采用了智能视频分析技术对交通监控的视频流进行分析，进而检测是否有交通事故发生，而已有的基于视频流的交通事故检测技术普遍存在着环境适应能力差、抗噪能力弱和检测速度慢等不足。

在公开号CN 102073851A公开了“一种城市交通事故自动识别方法和系统”，该方法在进行车辆跟踪时，使用车辆中心和颜色作为车辆目标的特征，利用camshift算法更新当期的跟踪队列，使用kalman滤波预测下一时刻的车辆中心，并将预测的车辆中心传送给camshift算法，在对交通事故进行识别时，将提取到的速度变化、水平位置变化、垂直位置变化和运动方向变化乘以各自的加权系，然后求和，如果得到的数值大于事故阈值，为交通事故发生，否则为正常情况。该方法主要使用运动车辆的轨迹进行交通事故的检测，但是运动车辆的轨迹容易发生残缺和交汇，在复杂交通环境中不具有稳定性，在夜间对车辆进行跟踪难度较大，而且事故阈值不易确定，直接影响到检测效果，同时使用多目标车辆跟踪的方法比较耗时，难以进行标清视频的实时处理。

在公开号CN 101105892A公开了“一种车辆交通事故的自动检测方法”，该方法对视频图像进行连续分析，测量视频图像中移动对象的相对移动速率，如果检测到视频图像中一个以上的对象在移动中快速停止，而且静止的持续时间超过一定长度，则静止的对象被推断为发生了事故。规定特定移动对象的尺寸范围，该尺寸为视频画面中的相对尺寸，根据移动对象不同的尺寸范围，可自动判断发生事故对象的类型。该方法使用前景检测和物体跟踪技术进行交通事故的检测，其设定的规则较为简单，对于交通肇事逃逸的会出现漏检，而且对于车辆的停车检修会进行错检，在复杂交通环境下不具有稳定性，而且检测阈值不易确定，同时基于车辆跟踪的方法比较耗时，难以进行标清视频的实时处理。

发明内容

本发明的目的是为了解决现有的城市交通事故检测方法存在的上述缺点，提出了一种城市交通事故的检测方法。

本发明的技术方案是：一种城市交通事故的检测方法，包括如下步骤：

S1.对交通监控视频图像进行预处理并提取视频图像的光流信息；

S2.根据提取的光流信息构建每一帧图像对应的运动方向图；

S3.依靠构建的运动方向图，计算运动方向图的能量，使连续的交通监控视频流转变为连续的运动方向图能量序列；

S4.依据获取到的运动方向图能量序列，进行城市交通事故检测。

进一步的，步骤S1具体包括如下分步骤：

S11.对交通监控视频图像进行中值滤波，滤除视频图像中存在的噪声；

S12.对滤波的交通监控视频图像进行光流计算，提取视频图像中运动物体的光流信息；

S13.将得到的每一条光流，使用(起始点坐标，终止点坐标)的方式进行存储，形成该帧视频图像的光流信息集合。

进一步的，步骤S2具体包括如下分步骤：

S21.为每一条光流信息构建相应的矩形团块，依次取出步骤S13得到的光流信息集合中每一对坐标点，以起始点坐标作为矩形团块的左下角坐标，以终止点坐标作为矩形团块的右上角坐标，构建矩形团块；

S22.计算每一条光流的方向，依次取出步骤S13中得到的光流信息集合中每一对坐标点，利用起始点与终止点的坐标计算起始点与终止点的连线与横轴的夹角，该角度为该光流的方向。

S23.根据计算的光流方向，为每一个矩形团块进行赋值操作；

S24.检测矩形团块是否出现相交，根据矩形团块的坐标计算与其它矩形团块是否出现了相交，记录出现了相交的矩形团块；

S25.将相交矩形团块作为一个统一的新连通域，而这些相交的矩形团块不再作为独立的团块存在；没有发生相交的矩形团块被视为独立的连通域，发生相交的矩形团块形成新的连通域；

S26.对相交的矩形团块进行融合操作，若两个矩形团块发生相交，两个矩形团块不相交的区域的像素值保持不变，相交区域的像素值为两个矩形团块亮度值的均值；

S27.将所有连通域，按照其位置、覆盖范围以及像素值，显示到与交通监控视频图像等比例的新图像中，该图像即为运动方向图；

S28.构建运动方向图序列。对于每一帧视频图像按照步骤S21～S27构建相应的运动方向图，从而将视频图像序列转变为运动方向图序列。

进一步的，步骤S3具体包括如下分步骤：

S31.计算运动方向图每一个连通域的内部能量，首先计算该连通域内的信息熵值，然后将信息熵值与该连通域亮度值种类数相乘，得到该连通域的内部能量值。

S32.计算运动方向图每一个连通域的外部能量，特定连通域的外部能量为该连通域的内部能量与其余连通域内部能量的差的绝对值之总和；

S33.计算运动方向图中每一个连通域的能量，每一个连通域的能量为该连通域的内部能量与外部能量的总和；

S34.查找该运动方向图中能量值最高的连通域，并记录下该最大能量值；

S35.计算除能量值最大的连通域外的其余所有连通域能量值的均值；

S36.确定运动方向图的能量。如果最大能量值整数倍于其余连通域的平均能量值，则该运动方向图的能量值为最大能量值，如果最大能量值不足其余连通域平均能量值的整数倍，则该运动方向图的能量值为所有连通域的能量均值；

S37.构建运动方向图能量序列。对运动方向图序列中的每一个运动方向图按照步骤S31～S36的操作，从得到每一个运动方向图的能量，形成运动方向图能量序列。

进一步的，步骤S4具体包括如下分步骤：

S41.根据正常的运动方向图能量序列，计算该交通场景下，能量波动高斯分布的均值；

S42.根据正常的运动方向图能量序列，计算该交通场景下，能量波动高斯分布的标准差；

S43.根据确定的置信区间，利用高斯分布的特性以及步骤S41～S42计算得到的均值与标准差，得到运动方向图能量波动值的上界。

S44.根据运动方向图能量波动值的上界，检测是否发生城市交通事故，如果某一运动方向图的能量值超过上界，则被推定为发生了交通事故；

S45.确定交通事故发生的可疑区域，如果推定发生了交通事故，则寻找该视频图像帧所对应的运动方向图中能量值最大的连通域的所在位置，该位置被标定为交通事故发生的可疑区域。

本发明的有益效果：本发明的方法通过从交通视频流中提取的运动物体的光流信息，为每帧视频图像构建相应的运动方向图，通过计算运动方向图的能量将交通监控视频流转变为运动方向图能量序列，通过在时间轴上检测运动方向图能量序列中的是否出现能量陡增从而确定视频流中是否发生了交通事故。本发明的方法利用在交通事故中运动物体的碰撞会导致至少一个运动物体的出现局部性的运动方向突变这一特点，通过构建运动方向图，计算运动方向图的能量，在时间轴上对运动方向图能量波动进行监控来检测交通事故，一方面降低了检测的复杂性，另一方面提高了检测的稳定性和适应性。

附图说明

图1为本发明的城市交通事故检测方法流程示意图。

图2为本发明的城市交通事故检测示意图。

图3为本发明实施例中各种车辆行为的运动方向图示意图。

图4为本发明实施例中运动方向图能量序列示意图。

图5为本发明实施例中检测结果示意图。

具体实施方式

下面结合附图和具体的实施例对本发明作进一步详细的描述：

本发明的城市交通事故的检测方法如图1所示，具体包括如下步骤：

S1.对交通监控视频图像进行预处理并提取视频图像的光流信息；

S2.根据提取的光流信息构建每一帧图像对应的运动方向图；

S3.依靠构建的运动方向图，计算运动方向图的能量，使连续的交通监控视频流转变为连续的运动方向图能量序列；

S4.依据获取到的运动方向图能量序列，进行城市交通事故检测。

在本方案进行城市交通事故检测的过程中，首先对交通监控视频图像进行抗噪处理，降低噪声对视频分析的影响，然后提取视频图像中的光流信息，使用光流描述视频图像中物体的运动信息。

第二步，依靠从交通视频图像中提取的光流信息，为每一帧图像构建相应的运动方向图。首先，根据每个光流的位置、方向和模值，构建矩形团块来表示光流的相应参数(位置、方向和模值)；其次，根据矩形团块的位置及大小，检测各个矩形团块是否出现相交；最后，将相交的矩形团块进行融合，完成运动方向图的构建。

第三步，依靠构建完成的运动方向图，计算运动方向图的能量。首先，计算运动方向图中每一个连通域的能量值，任意一个连通域的能量是内部能量与外部能量的总和。其次，根据得到的所有连通域的能量，判断最大的能量值是否两倍于其余连通域的平均能量，最后，根据判断结果，确定每帧运动方向图的能量值，如果大于，则该运动方向图的能量值为所有连通域能量中的最大值，如果小于，则该运动方向图的能量值为所有连通域能量值的平均值。根据每一视频帧的光流信息，都会根据第二步所述的过程，构建相应的运动方向图，再根据本步骤计算运动方向图的能量值，因此连续的交通监控视频流就被转变为连续的运动方向图能量序列。

第四步，依据获取到的运动方向图能量序列，进行城市交通事故检测。首先，使用高斯模型学习特定路段正常情况下的运动方向图能量变动幅度。其次，使用学习完成的高斯模型检测运动方向图能量的陡增，若出现小概率陡增，则被识别为交通事故。最后，根据识别结果，发出报警并且显示发生交通事故的可疑区域。

首先对交通监控视频图像进行预处理和提取视频图像的光流信息，其具体实施步骤如下：

(1.1)对交通监控视频图像进行中值滤波，滤除视频图像中存在的噪声。

(1.2)对滤波的交通监控视频图像进行光流计算，提取视频图像中运动物体的光流信息。

(1.3)将得到的每一条光流，使用(起始点坐标，终止点坐标)的方式进行存储，形成该帧视频图像的光流信息集合O＝{o₁，o₂，...，o_n}。光流信息集合O中的任意光流o_i可以表示为

表示光流o_i的起始点，其坐标表示为

表示光流o_i的坐标点，其坐标表示为

交通事故往往是由非常复杂的物体运动模式构成的，在不同的交通环境下，交通事故发生的方式往往不尽相同，很难用统一的模型去刻画，但是不论交通事故如何复杂多变，其根本上是两个运动物体的相互碰撞。在交通事故中，这种相互碰撞往往会导致至少一个运动物体的运动方向发生突变，并且这种突变不具有整体性，与正常交通环境下的车辆掉头、车辆转弯以及车辆急刹车都不同，因为这些运动都具有车辆运动的整体性，因此本方案构建运动方向图就是为了能够凸显交通事故发生时，局部性的运动方向突变。通过利用视频图像的光流信息集合构建相应运动方向图的具体步骤如下：

(2.1)为每一条光流信息构建相应的矩形团块。依次取出步骤1.3中得到的光流信息集合中每一对坐标点，以起始点坐标作为矩形团块的左下角坐标，以终止点坐标作为矩形团块的右上角坐标，构建矩形团块。由光流o_i构建的矩形团块W_i可表示为：

(2.2)计算每一条光流的方向，依次取出在步骤1.3中得到的光流信息集合中每一对坐标点，利用起始点与终止点的坐标计算起始点与终止点的连线与x轴的夹角，该角度为该光流的方向，光流o_i的方向表示为θ_i。

(2.3)根据计算的光流方向，为每一个矩形团块进行赋值操作。

任意的矩形团块都可以根据步骤2.2使用左下角和右上角的坐标得到该矩形团块代表的光流方向，将该光流方向从0至2π的角度范围映射到0至255亮度范围，将该矩形团块中所有的像素赋值为映射后的亮度值。

任意矩形团块W_i中的像素值

由下式确定：

$I_{W_i}=\left\{\begin{array}{cc}\frac{{\mathrm{\θ}}_{i}R}{2\mathrm{\π}}+\frac{R}{2}& \mathrm{for}{\mathrm{\θ}}_i\∈[0,\mathrm{\π}]\\ \frac{({\mathrm{\θ}}_i-\mathrm{\π})R}{2\mathrm{\π}}& \mathrm{for}{\mathrm{\θ}}_i\∈(\mathrm{\π},2\mathrm{\π}]\end{array}\right.,$

其中，R为需要映射的亮度范围的上限值，这里R＝255。

(2.4)检测矩形团块是否出现相交。根据矩形团块的坐标计算与其它矩形是否出现了相交，记录出现了相交的矩形团块。

(2.5)将相交矩形团块作为一个统一的新连通域，而这些相交的矩形团块不再作为独立的团块存在。没有发生相交的矩形团块被视为独立的连通域，发生相交的矩形团块形成新的连通域。新连通域B_i可由以下公式确定：

$B_i=\left\{\begin{array}{cc}{W}_i& \mathrm{for}(W_i\∩W_j=\mathrm{\φ},j=1,...,n)\\ W_i\∪W_j& \mathrm{for}(W_i\∩W_j\≠\mathrm{\φ},j=1,...,n)\end{array}\right.$

(2.6)对相交的矩形团块进行融合操作。若两个矩形团块发生相交，两个矩形团块不相交的区域的像素值保持不变，相交区域的像素值为两个矩形团块亮度值的均值。多个矩形团块发生相交的情况，同样按照两个团块的方式进行处理。任意连通域B_i中的像素值

可由如下方式确定：

$I_{B_i}=\left\{\begin{array}{cc}{I}_{W_i}& ((x,y)\∈W_i,(x,y)\∉W_i\∩W_j)\\ I_{W_j}& ((x,y)\∈W_j,(x,y)\∉W_i\∩W_j)\\ I_{W_i\∩W_j}& ((x,y)\∈W_i\∩W_j)\end{array}\right.;$ 其中， $I_{W_i\∩W_j}=\frac{I_{W_i}+I_{W_j}}{2}.$

(2.7)将所有连通域，按照其位置、覆盖范围以及像素值，显示到与交通监控视频图像等比例的新图像中，该图像即为运动方向图。

(2.8)构建运动方向图序列。对于每一帧视频图像执行步骤2.1～2.7构建相应的运动方向图，从而将视频图像序列转变为运动方向图序列F＝{f¹，f²，...，f^k，...}。

通过步骤2.1～2.7构建而来的运动方向图，如果出现了局部性的运动突变，则该运动方向图中的某一连通域必定存在着明显的亮度差异，因为不同的亮度代表着不同的运动方向。通过运动方向图的构建，将原来稀疏的光流信息以连通域的方式进行表现，不但保留了光流的方向与模值等参数信息，而且可以突显局部性的运动突变。为了能够衡量这种局部性运动突变的程度，将一一计算在运动方向图中每一个连通域，发生碰撞的区域，由于局部性的运动突变会造成某一连通域出现明显的亮度差异，即信息熵值过高，而另一方面发生碰撞的区域一定明显不同于其他的未发生碰撞的连通域，因此每个连通域的能量由内部能量和外部能量组成。依靠计算每一连通域的能量，可以得到运动方向图的确切能量，整个操作的具体步骤如下：

(3.1)计算运动方向图每一个连通域的内部能量。首先，计算该连通域内的信息熵值，然后将信息熵值与该连通域亮度值种类数相乘，得到该连通域的内部能量值。任意连通域B_i的内部能量D(B_i)可由下式确定：其中，N为连通域B_i中亮度值的种类数，p(x)表示像素亮度为x的概率，等于亮度为x的像素数除以图像的总像素数。

(3.2)计算运动方向图每一个连通域的外部能量。特定连通域的外部能量为该连通域的内部能量与其余连通域内部能量的差的绝对值之总和。

(3.3)计算运动方向图中每一个连通域的能量。每一个连通域的能量为该连通域的内部能量与外部能量的总和。任意连通域B_i的总能量E(B_i)可由下式确定：

$E\left(B_i\right)=D\left(B_i\right)+\underset{j=1,j\≠i}{\overset{m}{\mathrm{\Σ}}}V(B_i,B_j)$

其中，V(B_i，B_j)＝|D(B_i)-D(B_j)|，m为运动方向图中连通域的总数。

(3.4)查找该运动方向图中能量值最大的连通域，并记录下该最大能量值，在运动方向图f^k中能量最大值表示为

(3.5)计算除能量值最大的连通域外的其余所有连通域能量值的均值。

(3.6)确定运动方向图的能量。如果最大能量值整数倍于其余连通域的平均能量值，则该运动方向图的能量值为最大能量值，如果最大能量值不足其余连通域平均能量值的整数倍，则该运动方向图的能量值为所有连通域的能量均值。在本实施例中的整数倍具体为2倍。

任意运动方向图f^k的能量E(f^k)由下式计算而来：

$E\left(f^k\right)=\left\{\begin{array}{cc}E\left(B_j^k\right)& \mathrm{if\; E}\left(B_j^k\right)>\frac{2\underset{i=1i\≠j}{\overset{m}{\mathrm{\Σ}}}E\left(B_i^k\right)}{m-1}\\ \underset{i=1}{\overset{m}{\mathrm{\Σ}}}E\left(B_i^k\right)/m& \mathrm{otherwise}\end{array}\right.$

(3.7)构建运动方向图能量序列。对运动方向图序列中的每一个运动方向图执行步骤3.1～3.6的操作，从得到每一个运动方向图的能量，形成运动方向图能量序列E(F)＝{E(f¹)，E(f²)，...，E(f^k)，...}。

这里，只是提供了一种计算运动方向图的方式，本领域的普通技术人员应该可以意识到，也可以通过其它方式计算运动方向图。

在没有发生交通事故的情况下，运动方向图能量序列会在一定范围内波动，波动的范围因交通环境不同而不同，一旦发生交通事故，则运动方向能量序列会出现陡增，大大超过原有的正常波动范围，通过学习正常的情况下运动方向图能量的波动范围，可以自适应的为不同交通环境设定能量波动的上界，从而完成城市交通事故的检测，其具体步骤如下：

(4.1)根据正常的运动方向图能量序列，计算该交通场景下，能量波动高斯分布的均值。对任意运动方向图f^k进行检测时，能量波动高斯分布的均值μ^k由下式计算而来：

${\mathrm{\μ}}^k=\frac{1}{T^k}\underset{k=1}{\overset{T^k}{\mathrm{\Σ}}}E\left(f^k\right)$

其中，T^k为对任意运动方向图f^k进行检测时，运动方向图能量序列的长度。

(4.2)根据正常的运动方向图能量序列，计算该交通场景下，能量波动高斯分布的标准差。对任意运动方向图f^k进行检测时，能量波动高斯分布的标准差σ^k由下式计算而来：

${\left({\mathrm{\σ}}^k\right)}^2=\frac{1}{T^k}\underset{k=1}{\overset{T^k}{\mathrm{\Σ}}}{(E\left(f^k\right)-{\mathrm{\μ}}^k)}^2$

其中，T^k为对任意运动方向图f^k进行检测时，运动方向图能量序列的长度。

需要说明的是，步骤(4.1)和(4.2)中的正常的运动方向图能量序列是在检测之前的训练阶段获得，具体的是用人为进行判断的无交通事故的监控视频图像根据步骤S1-S3获得。

(4.3)根据确定的置信区间，利用高斯分布的特性以及步骤4.1～4.2计算得到的均值与标准差，得到运动方向图能量波动值的上界。对任意运动方向图f^k进行检测时，运动方向图能量波动值的上界

具体计算公式为：

(4.4)根据运动方向图能量波动值的上界，检测是否发生城市交通事故。如果某一运动方向图的能量值超过上界，则被推定为发生了交通事故。

$\left\{\begin{array}{cc}{f}^k\∈S& \mathrm{if\; E}\left(f^k\right)>{\mathrm{\β}}_h^k,\\ f^k\∈R& \mathrm{otherwise},\end{array}\right.$

其中，S为交通事故集合，R为正常交通集合，若S≠φ则发生了交通事故。

(4.5)确定交通事故发生的可疑区域。如果发生了交通事故，则寻找该视频图像帧所对应的运动方向图中能量值最大的连通域的所在位置，该位置被标定为交通事故发生的可疑区域。

城市交通事故检测示意图如图2所示，从图中可以清楚的看到从交通监控视频中提取的光流信息被转变为相应的运动方向图，通过计算运动方向图的能量，在时间轴对运动方向图的能量进行观测，发生能量的陡增被检测为交通事故，通过寻找运动方向图中能量最大的连通域来确定交通事故发生的可疑区域。

各种车辆行为的运动方向图示意图如图3所示，通过步骤2.1～步骤2.7构建而成的运动方向图，对不同的交通行为会显示出不同的图像特性，在图中可以清楚的看到车辆的正常行驶，车辆的遮挡、车辆的转弯以及车辆的碰撞所形成的运动方向图是截然不同的，这也为交通事故的检测打下了基础。

运动方向图能量序列示意图如图4所示，从时间轴上去观测运动方向图的能量波动，可以看到发生交通事故的视频帧所对应的运动方向图具有最高的能量值，而其最高能量值对应的连通域正是交通事故发生的区域，而在正常能量波动的范围中，运动方向图中最高能量值对应的连通域往往显示的是监视场景中活跃的运动物体。

城市交通事故检测结果展示图如图5所示，从图中可以看出，不论白天或是黑夜，还是高速公路或者是十字路口等复杂交通环境下，本发明的技术方案都得到了令人满意的结果。

本发明的方法利用在交通事故中运动物体的碰撞会导致至少一个运动物体的出现局部性的运动方向突变这一特点，通过构建运动方向图，计算运动方向图的能量，在时间轴上对运动方向图能量波动进行监控来检测交通事故，一方面降低检测算法的复杂性，另一方面提高了检测的稳定性和适应性，和现有方法相比，本发明的方法具有较高的准确度和灵活性。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (5)

1.一种城市交通事故的检测方法，其特征在于，包括如下步骤：

S1.对交通监控视频图像进行预处理并提取视频图像的光流信息；

S2.根据提取的光流信息构建每一帧图像对应的运动方向图；

S3.依靠构建的运动方向图，计算运动方向图的能量，使连续的交通监控视频流转变为连续的运动方向图能量序列；

S4.依据获取到的运动方向图能量序列，进行城市交通事故检测。

2.根据权利要求1所述的城市交通事故的检测方法，其特征在于，步骤S1具体包括如下分步骤：

S11.对交通监控视频图像进行中值滤波，滤除视频图像中存在的噪声；

S12.对滤波的交通监控视频图像进行光流计算，提取视频图像中运动物体的光流信息；

S13.将得到的每一条光流，使用(起始点坐标，终止点坐标)的方式进行存储，形成该帧视频图像的光流信息集合。

3.根据权利要求2所述的城市交通事故的检测方法，其特征在于，步骤S2具体包括如下分步骤：

S21.为每一条光流信息构建相应的矩形团块，依次取出步骤S13得到的光流信息集合中每一对坐标点，以起始点坐标作为矩形团块的左下角坐标，以终止点坐标作为矩形团块的右上角坐标，构建矩形团块；

S22.计算每一条光流的方向，依次取出步骤S13中得到的光流信息集合中每一对坐标点，利用起始点与终止点的坐标计算起始点与终止点的连线与横轴的夹角，该角度为该光流的方向。

S23.根据计算的光流方向，为每一个矩形团块进行赋值操作；

S24.检测矩形团块是否出现相交，根据矩形团块的坐标计算与其它矩形团块是否出现了相交，记录出现了相交的矩形团块；

S25.将相交矩形团块作为一个统一的新连通域，而这些相交的矩形团块不再作为独立的团块存在；没有发生相交的矩形团块被视为独立的连通域，发生相交的矩形团块形成新的连通域；

S26.对相交的矩形团块进行融合操作，若两个矩形团块发生相交，两个矩形团块不相交的区域的像素值保持不变，相交区域的像素值为两个矩形团块亮度值的均值；

S27.将所有连通域，按照其位置、覆盖范围以及像素值，显示到与交通监控视频图像等比例的新图像中，该图像即为运动方向图；

S28.构建运动方向图序列。对于每一帧视频图像按照步骤S21～S27构建相应的运动方向图，从而将视频图像序列转变为运动方向图序列。

4.根据权利要求2或3所述的城市交通事故的检测方法，其特征在于，步骤S3具体包括如下分步骤：

S31.计算运动方向图每一个连通域的内部能量，首先计算该连通域内的信息熵值，然后将信息熵值与该连通域亮度值种类数相乘，得到该连通域的内部能量值；

S32.计算运动方向图每一个连通域的外部能量，特定连通域的外部能量为该连通域的内部能量与其余连通域内部能量的差的绝对值之总和；

S33.计算运动方向图中每一个连通域的能量，每一个连通域的能量为该连通域的内部能量与外部能量的总和；

S34.查找该运动方向图中能量值最高的连通域，并记录下该最大能量值；

S35.计算除能量值最大的连通域外的其余所有连通域能量值的均值；

S36.确定运动方向图的能量。如果最大能量值整数倍于其余连通域的平均能量值，则该运动方向图的能量值为最大能量值，如果最大能量值不足其余连通域平均能量值的整数倍，则该运动方向图的能量值为所有连通域的能量均值；

S37.构建运动方向图能量序列。对运动方向图序列中的每一个运动方向图按照步骤S31～S36的操作，从得到每一个运动方向图的能量，形成运动方向图能量序列。

5.根据权利要求2或3所述的城市交通事故的检测方法，其特征在于，步骤S4具体包括如下分步骤：

S41.根据正常的运动方向图能量序列，计算该交通场景下，能量波动高斯分布的均值；

S42.根据正常的运动方向图能量序列，计算该交通场景下，能量波动高斯分布的标准差；

S43.根据确定的置信区间，利用高斯分布的特性以及步骤S41～S42计算得到的均值与标准差，得到运动方向图能量波动值的上界；

S44.根据运动方向图能量波动值的上界，检测是否发生城市交通事故。如果某一运动方向图的能量值超过上界，则被推定为发生了交通事故。

S45.确定交通事故发生的可疑区域，如果推定发生了交通事故，则寻找该视频图像帧所对应的运动方向图中能量值最大的连通域的所在位置，该位置被标定为交通事故发生的可疑区域。

Images