CN102945602B - 一种用于交通事件检测的车辆轨迹分类方法 - Google Patents

Abstract

本发明公布了一种用于交通事件检测的车辆轨迹分类方法，包括下述步骤：提取车辆的轨迹并记录轨迹点的坐标；对于记录下来的轨迹坐标，进行二次多项式 y=ax²+bx+c 的最小二乘拟合；根据拟合的结果判断车辆的行驶方式。本发明有如下优点：1、轨迹分类较为简单。由于本发明中所使用的方法是最小二乘拟合，而不是传统的聚类算法，因此不需要事先规定一些轨迹，直接进行计算，对得到的结果进行判断即可。2、得到的结果较为精确。由于本发明中使用了“双拟合”的综合判断，因此得到的车辆行驶方式更加的准确。

Description

一种用于交通事件检测的车辆轨迹分类方法

技术领域

本发明属于交通视频监控检测技术领域，特别是涉及一种用于交通事件检测的车辆轨迹分类方法。

背景技术

目前所具有的轨迹提取技术，大多基于聚类算法，将车辆行驶的轨迹聚类。这种方法复杂度较高，需要事先设定好几类用于聚类的轨迹，并且还要充分的考虑这些轨迹的合理性和有效性。对于轨迹分类，现有的方法有隐马尔科夫模型、神经网络等，但这些方法都过于复杂，使得整个轨迹分类的过程的工作量加大。

发明内容

本发明目的在于针对传统的算法法比较复杂的问题，提供一种轨迹分类较为简单，结果比较精确的用于交通事件检测的车辆轨迹分类方法。

本发明主要针对的是车辆的轨迹的检测和分类。本发明将车辆的轨迹分为两类，即抛物线和直线，而将车辆的行驶方式分为三类，即直行、转弯和掉头，这些分类需通过轨迹的拟合来实现。

本发明为实现上述目的，采用如下技术方案：

一种用于交通事件检测的车辆轨迹分类方法，包括下述步骤：

（1）提取车辆的轨迹并记录轨迹点的坐标；

（2）对于记录下来的轨迹坐标，进行二次多项式y=ax²+bx+c的最小二乘拟合；

（3）根据拟合的结果判断车辆的行驶方式。

其进一步特征在于：步骤（2）中最小二乘拟合采用双拟合的方法，即分别用两个一大一小的门限，对轨迹点进行先进行较大门限的粗拟合和再进行较小门限的细拟合。

步骤（3）判断车辆的行驶方式的方法为：

用较大的门限值进行拟合，得到的粗拟合的多项式，y=ax²+bx+c式中，若a小于某一预设的门限值，则认为车辆的轨迹是直线，否则，认为其是抛物线；

再用一个较小门限值进行细拟合，这次拟合会拟合出多于一个的多项式，此时利用第一个多项式和最后一个多项式，辅以第一点和最后一点的坐标信息，可以得到两个角度值入角θ_in和出角θ_out，入角代表车辆开始行驶时的方向，而出角则代表车辆行驶结束时的方向，之后就可以得到出入角度的差值，并可根据这个差值确定车辆的行驶方式是左转、右转还是掉头。

上述所述轨迹拟合的步骤为：

（1）将起始点和终止点分别标记为p_start(x_start，y_start)和p_end(x_end，y_end)；

（2）初始化：令x_start＝x₁，x_end＝x₂，1和2分别代表第一和第二帧；

（3）差值计算：利用最小方差法计算拟合方程y(x)；

（4）差值评估：若e_MAX＞T，至第（5）步，否则，至第（6）步；

（5）加入新点：接受y(x)，并令x_start＝x_end-1；

（6）递增或结束：若x_end是最后一个点，则拟合结束；否则令x_end＝x_end+1，至第（3）步。

从大门限的拟合，可以得到车辆的轨迹的类型，即直线或者抛物线，但是对于车辆行驶方向的判断却不是很精确，而小门限拟合恰好弥补了这点不足，可以较精确的得到车辆轨迹的方向，从而可以得到车辆的行驶方式，即直行、拐弯或是掉头。利用双拟合综合判断后得到的车辆行驶方式，加以一些辅助的交通信息，如红绿灯等，就可以对一些常见的交通事件，如闯红灯等，进行判断和检测。

本发明有如下优点：

1、轨迹分类较为简单。由于本发明中所使用的方法是最小二乘拟合，而不是传统的聚类算法，因此不需要事先规定一些轨迹，直接进行计算，对得到的结果进行判断即可。

2、得到的结果较为精确。由于本发明中使用了“双拟合”的综合判断，因此得到的车辆行驶方式更加的准确。

附图说明

图1为本发明方法判断示意图。

具体实施方式

本发明主要利用的是车辆的轨迹。

首先，提取出轨迹，得到相应点的坐标值并记录，然后通过最小二乘法进行拟合。对于拟合来说，通常所用到的拟合公式如(1)式和(2)所示，即一个是线性方程，另一个是抛物线方程，然而在交通路口，车辆的形式方式既有直行的也有拐弯的，所以拟合过程中，所用到的是二次多项式，即式(2)中的表达式。

y＝ax+b                   (1)

y＝ax²+bx+c               (2)

在选定了所用的表达式后，本发明就对轨迹上的点进行拟合，在该拟合方法中，首先选前两个点进行拟合，之后，每次加入一个点，直到近似误差大于某一门限值，到这时，前一段的曲线拟合结束，再新选一个新的拟合起点，并重新开始下一段曲线的拟合。算法中所用到的变量有如下几个，曲线上的每一点，记做p(x_i，y_i)，其中，i是帧数，起始点和终止点分别记为p_start(x_start，y_start)and p_end(x_end，y_end)，y(x)是根据(2)式拟合后得到的拟合方程。另外，算法所用来计算y(x)的方法是最小方差法，即使式(3)的值达到最小：

$\underset{i=\mathrm{start}}{\overset{\mathrm{end}}{\mathrm{\Σ}}}{|y_i-y\left(x_i\right)|}^2---\left(3\right)$

令T为门限值，定义近似误差为：

e_i＝y_i-y(x_i),i＝start,start+1,...,end     (4)

另外，定义最大近似误差为：

e_MAX＝MAX{e_i},i＝start,start+1,...,end    (5)

整个算法的步骤如下所示：

1.初始化。令x_start＝x₁,x_end＝x₂,1和2分别代表第一和第二帧。

2.差值计算。计算拟合方程y(x)。

3.差值评估。若e_MAx＞T,至第四步，否则，至第五步。

4.加入新点。接受y(x)，并令x_start＝x_end-1.

5.递增或结束。若x_end是最后一个点，则拟合结束。否则令x_end＝x_end+1，至第二步。

利用上述基本的拟合方法，本发明采用了一种“双拟合”的方法进行轨迹的拟合和提取，能够快捷和准确的提取出轨迹，并将其分类。本发明的拟合过程首先进行轨迹的粗拟合，即用较大的门限值(T)进行拟合，得到的粗拟合的多项式y＝ax²+bx+c，式中，若a小于某一预设的门限值(如0.001)，则认为车辆的轨迹是直线，否则，认为其是抛物线。如果轨迹分类得到的结果是直线，那么则可以得到车辆的行驶方式是直行；若轨迹分类得到的结果是抛物线，则继续进行细拟合，即用一个较小门限值进行拟合，这次拟合会拟合出多于一个的多项式，此时利用第一个多项式和最后一个多项式，辅以第一点和最后一点的坐标信息，可以得到两个角度值θ_in和θ_out，本发明定义其为入角和出角，入角可以代表车辆开始行驶时的方向，而出角则可代表车辆行驶结束时的方向。之后就可以得到出入角度的差值，并可根据这个差值确定车辆的行驶方式是左转、右转还是掉头。整个过程的流程图如图1所示。

Claims (2)

1.一种用于交通事件检测的车辆轨迹分类方法，包括下述步骤：

(1)提取车辆的轨迹并记录轨迹点的坐标；

(2)对于记录下来的轨迹坐标，进行二次多项式y＝ax²+bx+c的最小二乘拟合；

(3)根据拟合的结果判断车辆的行驶方式；

所述步骤(2)中最小二乘拟合采用双拟合的方法，即分别用两个一大一小的门限，对轨迹点进行先进行大门限的粗拟合和再进行小门限的细拟合；

所述步骤(3)判断车辆的行驶方式的方法为：

用大的门限值进行拟合，得到的粗拟合的多项式，y＝ax²+bx+c式中，若a小于某一预设的门限值，则认为车辆的轨迹是直线，否则，认为其是抛物线；

用一个小门限值进行细拟合，这次拟合会拟合出多于一个的多项式，此时利用第一个多项式和最后一个多项式，辅以第一点和最后一点的坐标信息，得到两个角度值入角θ_in和出角θ_out，入角代表车辆开始行驶时的方向，而出角则代表车辆行驶结束时的方向，之后就得到出入角度的差值，并根据这个差值确定车辆的行驶方式是左转、右转还是掉头。

2.根据权利要求1所述的用于交通事件检测的车辆轨迹分类方法，其特征在于：所述轨迹拟合的步骤为：

(1)将起始点和终止点分别标记为p_start（x_start，y_start)和p_end(x_end，y_end)；

(2)初始化：令x_start＝x₁，x_end＝x₂，1和2分别代表第一和第二帧；

(3)差值计算：利用最小方差法计算拟合方程y(x)；

(4)差值评估：若最大近似误差e_MAX＞T，T为门限值，至第(5)步，否则，至第(6)步；

(5)加入新点：接受y(x)，并令x_start＝x_end-1；

(6)递增或结束：若x_end是最后一个点，则拟合结束；否则令x_end＝x_end+1，至第(3)步。