CN103366571B - 智能的夜晚交通事件检测方法 - Google Patents

Abstract

本发明提出一种智能的夜晚交通事件检测方法，包括以下步骤：获取车辆在夜晚行驶的多个监控视频图像，并将多个监控视频图像进行处理，以获得多个二值化图像；从二值化图像中判断出车辆的车灯，并根据车辆的车灯确定车辆的位置；根据车辆的位置建立车道模型，并根据车道模型为车辆建立图像坐标；根据图像坐标和车道模型获得车辆的行驶轨迹与行驶速度；以及根据车道模型、车辆的行驶轨迹和行驶速度，判断车辆的是否违反交通规则。本发明实施例智能的夜晚交通事件检测方法，提高了现有公路视频监控的工作效率，降低了监控人员的工作强度，同时减少了由交通事故产生的交通延误，避免二次事故的发生。

Description

智能的夜晚交通事件检测方法

技术领域

本发明涉及视频监控技术领域，特别涉及一种智能的夜晚交通事件检测方法。

背景技术

近年来，随着社会经济的快速发展，国内的许多公路上的车流量与日俱增，引发了越来越多的交通事故和道路拥堵，造成了巨大的财产损失和人员伤亡，损害了公众利益。视频监控技术已广泛应用于高速公路运行管理系统中，在运维管理部门中产生了大量的视频数据，管理人员从海量的视频数据中及时发现和分析出各类异常事件是一项劳动强度极大的工作，因此基于视频监控的高速公路异常事件检测技术在高速公路安全方面具有良好的市场前景。本发明通过研制夜晚视频异常事件的检测算法能在夜间自动统计车道流量，进而判断交通拥挤状况，能检测突然停车、车辆逆行等违章行为，及时有效地进行交通事故救援和处理，有效减少由于交通事故产生的交通延误及避免二次事故的发生。

在夜晚环境下，由于光线比较暗，白天车辆的轮廓特征、车底阴影特征以及颜色特征等变得模糊甚至消失。因此，不能利用白天环境下的车辆检测与跟踪的方法来检测与跟踪夜晚环境下的车辆。在夜晚条件下，车辆最明显的特征就是车辆的前灯与尾灯。但是在场景中除了车灯之外还有其它灯源与反射光线。其它灯源包括：路灯、广告牌灯、路边建筑上的装饰灯、十字路口的红绿灯等，反射光线包括：车灯前的反射光线、路灯在路面上的反射光线（下雨天）、车身上的反射光线、路面上一些交通标记的反射光线等。此外，夜晚场景亮度变化较大，当场景中车辆较多时场景的平均亮度很大，而当场景中没有车辆时场景的亮度相对较小，有时也会出现一些闪烁灯源（救护车灯、警嘀车灯、车辆闪光灯等）使场景的亮度变化很大。

现有技术中对夜晚车辆的检测主要包括一下几种：

一种自动调整相机的曝光增益的方法，该方法可以容易检测到车辆的尾灯。由于夜晚在公路上可能使用强灯光，使得图像出现大片曝光过度区域，严重影响对车灯的检测。因此希望基于图像光强度分布，自动调整曝光增益。由此，利用子块的灰度分布特征和纹理特征的夜晚视频目标检测中的车辆灯光干扰消除方法可减少对检测结果的干扰，具体为：选择一个最佳特征子集作为输入向量，用SVM分类器进行训练识别,将识别为灯光的子块去除。虽然准确性和实时性较好，但是需要收集样本离线训练识别。

一种实时的夜晚车辆检测算法。该算法首先利用自动多阈值的方法提取出场景中的光亮目标，然后利用空间的信息来分类与编组这些光亮目标，利用相邻两帧车灯目标的重叠度对这些车灯目标进行跟踪，最后根据跟踪的信息把车灯群组成车辆并实现跟踪。该方法有两点不足：（1）利用边缘提取信息建立车道识别的算法，但该算法对光线不足的郊区道路和高速公路和城市内车道线不明显或者模糊不清的情况无法自动建立车道。（2）利用相邻帧的重叠度来跟踪夜晚车辆，对交通视频监控系统中采集图像的帧率和车辆速度有一定限制要求。

车辆异常行为检测算法可以分为基于车辆行为特征的自动事件检测和基于车流整体特征的自动事件检测。与交通事件相关的车辆行为特征具体包括：

（1）车辆速度变化：如果多数车辆在到达某区域前行驶速度突然减小，而在通过此区域后又逐渐增加，那么在这个区域上可能有交通事件发生。

（2）车辆停驶：如果车辆在公路上突然停驶，通常认为是由于车辆相撞、车辆抛锚、车辆故障或其它难以预计的原因引发的。

（3）车辆转换车道和方向：如果所有车辆在经过某段区域时都更换车道或行驶方向，说明这个车道或前方有事故发生，后来的车辆必须避障行驶。

基于车辆行为特征的自动事件检测方法是跟踪视野内的每个车辆直至其消失，判断车辆是否在不受干扰地运动。首先，系统从图像中提取车辆的特征，并预测下一时刻车辆正常行驶时应具有的位置、车道、速度等信息；然后，在下一时刻再次提取出车辆的特征，并与预测值进行比较；最后，如果真实值与预测值差别较大或多个车辆均表现出异常行为，则推断有事件发生。

这种方法是通过分析可能存在的交通事件对车辆行为的影响来检测交通事件。一方面，在摄像机的有效视野内，它不但能快速检测出交通事件，还能提供事件位置、事件类型、发生原因等详细信息。另一方面，由于它检测的是单个车辆的行为，是根据视野内车辆行为的异常来判断事件的，如果事件发生在摄像机视野之外，事件发生后的短时间内将难以检测到车辆行为的明显变化，只有当视野内的车辆由于受到交通事件的影响而出现了行为异常，才能推断视野外的事件，显然这就延长了检测时间，因此有时该方法无法满足及时检测交通事件的要求。

交通事件的发生，不但会改变单个车辆的行为，而且会影响车流的整体特征，如导致交通拥堵、路面占有率增加、交通流速度减小等，从而影响整个车流的通行。基于车流整体特征的自动事件检测就是指通过分析平均空间速度、区域占有率、车辆间距、车辆队列等整体交通特征的变化，对交通事件进行检测。与交通事件相关的车流整体特征具体包括：

（1）平均空间速度：交通事件发生后，会有车辆停止在车道上，使道路有效宽度和车道数减小，阻碍其它车辆正常通行，其它车辆在通过事发地点时平均速度会降低，即交通流的平均空间速度会降低。

（2）区域占有率和车队长度：由于发生事件的车辆降低了道路的平均空间速度，以后通过的车辆将可能导致拥挤，如果拥挤得不到及时处理和消除，随着时间的积累，区域占有率将会增加，车队长度也会随之增加。

（3）车辆间距：由于发生事件的车辆降低了道路的平均空间速度，使区域占有率增加，此时车辆行驶速度低于正常行驶车速，也就导致车辆间距比正常行驶时的小。

基于车流整体特征的自动事件检测方法不是检测可视区域内单个车辆的特征，而是检测与交通事故相关的交通流整体特征，所以不但能检测出事件位置，而且能记录交通流的变化过程，估计事件对交通的负面影响，提供有价值的综合数据。但是这种方法计算量大，计算耗时长，且由于不考虑车辆的个体行为，只是从整体特征上判断，不能给出发生事件车辆的详细信息，在路面过载引起的正常路面拥堵情况下也可能产生误报。

基于车辆行为特征的自动事件检测和基于车流整体特征的自动事件检测两类方法都有其优点和不足，一种理想的处理办法是将二者结合起来，互为补充。在摄像机的视野内，基于车辆行为特征的自动事件检测方法可以分析车辆行为，提供最直接的事件信息，基于车流整体特征的自动事件检测方法可获得道路的整体车流数据，评估事件影响。如果事件发生在摄像机的视野外，由于基于车流整体特征的自动事件检测方法可以检测到更大区域范围的事件，仍有可能检测到交通事件。其次，从背景建模和车辆阴影两个方面分析了检测算法中存在的技术难点和可能的解决方案。同时，从平均检测时间、检测率和误报率3个方面介绍该技术算法性能的评价方法。

发明内容

本发明的目的旨在至少解决上述的技术缺陷之一。

为此，本发明的目的在于提出一种智能的夜晚交通事件检测方法。

为达到上述目的，本发明的实施例提出一种智能的夜晚交通事件检测方法，包括以下步骤：获取车辆在夜晚行驶的多个监控视频图像，并将所述多个监控视频图像进行处理，以获得多个二值化图像；从所述二值化图像中判断出车辆的车灯，并根据车辆的车灯确定车辆的位置；根据车辆的位置建立车道模型，并根据所述车道模型为车辆建立图像坐标；根据所述图像坐标和车道模型获得车辆的行驶轨迹与行驶速度；以及根据所述车道模型、车辆的行驶轨迹和行驶速度，判断车辆的是否违反交通规则。

根据发明实施例智能的夜晚交通事件检测方法，提高了现有公路视频监控的工作效率，降低了监控人员的工作强度，同时减少了由交通事故产生的交通延误，避免二次事故的发生。

在本发明的一个实施例中，所述交通规则包括：逆向行驶、发生交通事故、车辆超速和停在车道内。

在本发明的一个实施例中，所述从二值化图像中判断出车辆的车灯，并根据车辆的车灯确定车辆的位置，具体包括：计算所述二值化图像中每个亮区域的属性信息，并根据所述属性信息剔除部分不是车灯的亮区域；分别计算剩余的亮区域中每个相邻两个亮区域的相似度；将所述相似度大于阈值的两个亮区域作为车灯；以及将所述两个亮区域的中心点作为车辆的坐标。

在本发明的一个实施例中，所述属性信息包括亮区域的大小、长度比、饱满度和圆似度。

在本发明的一个实施例中，所述根据车辆的位置建立车道模型，具体包括：在水平检测带内获得车辆的位置；分别计算相邻两辆车之间的中间位置；以及通过多个相邻车辆之间的中间位置判断车道的边缘线，以建立车道模型。

在本发明的一个实施例中，还包括，当车道为弯曲车道时，设置多个水平检测带，并根据所述多个水平检测带建立三组直线车道模型。

在本发明的一个实施例中，所述根据所述车道模型中为车辆建立图像坐标，具体包括：根据所述车道模型的车道边缘线确定图像坐标系的原点；根据所述原点和车辆的位置为车辆建立图像坐标。

在本发明的一个实施例中，所述根据所述图像坐标和车道模型获得对应车辆的行驶轨迹与行驶速度，进一步包括：在每帧二值化图像中获得车辆的位置；根据多个相邻帧的二值化图像中车辆的位置变化，确定对应车辆的行驶轨迹；以及根据多个车辆的位置变化和所述位置变化所产生的时间获得对应车辆的行驶速度。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明一个实施例的智能的夜晚交通事件检测方法的流程图；

图2为根据本发明一个实施例的智能的夜晚交通事件检测方法的总体原理框图；以及

图3为根据本发明一个实施例智能夜晚交通事件检测方法的硬件配置原理框图；

图4为根据本发明一个实施例的车道模型的建立与车流量统计的流程图；

图5为根据本发明一个实施例的车道模型的示意图；

图6为根据本发明一个实施例的计算车道平行线交汇的消失点示意图；

图7（a）和图7（b）为根据本发明一个实施例的跟踪预测过程中搜索区域的示意图；

图8为根据本发明一个实施例智能的夜晚交通事件检测方法的多参考帧可靠跟踪验证示意图。

具体实施方式

下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

图1为根据本发明一个实施例的智能的夜晚交通事件检测方法的流程图。图2为根据本发明另一个实施例的智能的夜晚交通事件检测方法的总体原理框图。如图1所示，根据本发明实施例的智能的夜晚交通事件检测方法包括以下步骤：

步骤101，获取车辆在夜晚行驶的多个监控视频图像，并将多个监控视频图像进行处理，以获得多个二值化图像。

图3为根据本发明另一个实施例智能夜晚交通事件检测方法的硬件配置原理框图。如图3所示，在现有公路视频监控系统的硬件配置保持不变的情况下，在视频监控系统中增加一台交通事件检测与分析的工作站计算机。在计算机内配置图像采集卡与信号量控制卡。图像采集卡以并行方式采集多路信道的视频信号。信号量控制卡用于控制视频切换矩阵，用于选择监控的信道，配合图像采集卡完成对每一路视频信号采集。当检测到监控场景内有车辆异常行为或交通事件时，通过信号量控制卡将信道编码及相关信息输出到视频监控控制器上，在电视视频墙切换出有交通事件的监控场景。

步骤102，从二值化图像中判断出车辆的车灯，并根据车辆的车灯确定车辆的位置。

具体地，计算二值化图像中每个亮区域的属性信息，并根据属性信息剔除部分不是车灯的亮区域，其中，属性信息包括亮区域的大小、长度比、饱满度和圆似度。然后，分别计算剩余的亮区域中每个相邻两个亮区域的相似度。之后将相似度大于阈值的两个亮区域作为车灯。最后，将两个亮区域的中心点作为车辆的坐标。

步骤103，根据车辆的位置建立车道模型，并根据车道模型为车辆建立图像坐标。

具体地，在水平检测带内获得车辆的位置。分别计算相邻两辆车之间的中间位置。通过多个相邻车辆之间的中间位置判断车道的边缘线，以建立车道模型。根据车道模型的车道边缘线确定图像坐标系的原点。根据原点和车辆的位置为车辆建立图像坐标。

在本发明的一个实施例中，当车道为弯曲车道时，设置多个水平检测带，并根据多个水平检测带建立三组直线车道模型。

图4为根据本发明一个实施例的车道模型的建立与车流量统计的流程图。如图4所示，车道模型的建立与车流量统计具体包括如下步骤：

步骤201，对夜晚监控视频进行预调整，自动调整监控相机的曝光增益，减少车灯的强炫光与过暗情况，通过如下公式自动调整曝光增益。

其中，N表示孔径大小，t表示曝光时间，ISO表示摄像机感光灵敏度。所以控制曝光值在一定范围内，可以使在光亮情况下，车灯与车灯，车灯与光束分离出来，在暗光的情况可以保持车灯的同时可以提供一些路面的信息。同时采用中值滤波剔除夜晚图像上的一些颗粒噪声。

步骤202，采用分段的两级直方图阈值方法，实时分割采集的监控视频图像，将亮区域分割为二值化图像。

将采集的视频图像灰度化，并计算其灰度直方图，直方图中峰值的50%所对应的右侧灰度值T₁作为多阈值分割的第一个阈值，采用OTSU的方法，将[T₁,255]区域的灰度值进行分割得到一个阈值T₂作为多阈值分割的第二个阈值。用阈值T₂，将灰度图像转化成二值图像。

步骤203，计算每个亮区域的大小、长宽比、饱满度、圆似率，排除明显不是车灯的亮区域。

光亮目标提取之后，存在很多的干扰光亮区域，保留图像中靠近摄像机的7/10的部分，对图像上方3/10部分不作任何处理与分析，其次利用车灯的特征信息，将明显不是车灯的光亮区域剔除。

设定一个亮区域的像素数量为S_i（即其面积），其周长为P_i,其最大外接矩形的宽度为W_i，其高度为H_i。则明显符合车灯亮区域的条件为如下：

条件1、车灯亮区域的大小为：T_low≤S_i≤T_hig,其中T_low为9，T_hig为图像大小的64分之一。

条件2、车灯亮区域长宽比为：max(W_i,H_i)/min(W_i,H_i)≤3。

条件3、车灯亮区域的饱满度为：S_i/(W_i×H_i)≈1。

条件4、车灯亮区域的圆似率为：1-(4π×S_i)/P_i ²≈0。

步骤204，如当前帧有C₁,C₂,...C_i...C_n个光亮区域，以每个连通的亮区域为分析单元，做如下运算：

其中，p_t(x,y)为t时刻图像中光亮区域C_i内像素（x，y）的值（1或0），p_t-1(x,y)为t-1时刻图像中与光亮区域C_i相同位置像素（x,y）的值，sumC_i为光亮区域C_i内像素数量和。

如diff=1，则该连通的光亮区域完全变化，标注为活动的光亮区域。

如diff≥0.1，则该连通的光亮区域发生变化，标注为活动的光亮区域，判断发生从当前区域像素255到前一帧相应像素0变化的位置，在该光亮区域上部还是下部，进而判决光亮区域从下向上或从上到下的发生变化，作为光亮区域运动的方向。

步骤205，在一帧图像中心位置与图像底部，画出两个20像素宽的水平检测带，如在一帧内检测到有多个活动光亮区域落入一条水平检测带，计算两个相邻亮区域的相邻距离与相似度：

其中，C_i与C_j为一条水平检测带内的两个活动光亮区域，视频图像的宽度为width，k为假设图像的宽度能容纳的车道数，C_i(right.x)为活动光亮区域C_i最右端像素的X坐标，C_j(right.x)为活动光亮区域C_j最右端像素的X坐标，C_i(left.x)为活动光亮区域C_i最左端像素的X坐标，C_j(left.x)为活动光亮区域C_j最左端像素的X坐标，如满足该公式（3），则两个活动的光亮区域位置相邻；

其中，S(C_i)与S(C_j)分别为活动的光亮区域C_i与C_j的面积，C_i(center.y)与C_i(center.x)分别表示活动的光亮区域C_i的中心点坐标y值与x值，C_j(center.y)与C_j(center.x)分别表示活动的光亮区域C_j的中心点坐标y值与x值，sth与θ分别表示两个门限值，sth取0.6,θ取3°。如满足公式（4）、（5），则两个活动的光亮区域相似。

如两个亮区域相邻距离较近，且相似度较高，则将这两个亮区域配对组成为车灯，计算一对车灯的中心位置作为车辆的中心点位置。

步骤206，在连续30帧内，时序聚类在两个水平检测带内车辆中心点的位置，计算聚类为一组的车辆中心点平均位置作为每条车道的中心点位置。

首先，按水平坐标从小到大排列车灯中心位置坐标。

然后，计算两两相邻车灯中心位置差，以车道数量K为准，找出最大的K-1个中心位置差，形成K个分组。

最后，在每个分组中，计算该组车灯中心均值位置作为每条车道中心点位置。

在每个水平检测带内计算相邻两个车道中心点的中心位置作为车道边缘位置，在两个水平检测带内计算出相等数目的车道边缘位置，从左到右配对计算出车道边缘的直线，所建立的车道模型如图5所示。

如监控场景是弯曲车道，设置四个水平检测带，上下相邻检测带建立车道模型，即建立三组直线车道模型来拟合弯曲车道模型。

typedefstructLaneModel{

Croodlefttop;//一条车道左上顶点位置；

Croodrighttop;//一条车道右上顶点位置；

Croodleftbottom;//一条车道左下顶点位置；

Croodrightbottom;//一条车道右下顶点位置；

floatleftangle;//车道左边缘倾斜角度；

floatrightangle;//车道右边缘倾斜角度；

intlaneposition;//从左到右属于第几车道；

boolcardirection;//1:车辆从下向上行驶，0：车辆从上向下行驶；

};。

步骤207，在建立车道模型后，确定两组车辆检测区域，分别用于检测从上倒下与从下到上不同方向行驶车辆，设定2个亮区域作为1辆车统计。如在第i帧内分别统计车道内光亮区域数目为Lnum_i与活动光亮区域数目ALnum_i，在连续30帧内计算平均亮区域与活跃亮区域数目，作为车道内车辆密度统计；

$\mathrm{AvgLnum}=\underset{i=1}{\overset{30}{\mathrm{\Σ}}}{\mathrm{Lnum}}_i/30$

步骤208，以如下规则建立夜晚公路上车辆运行状态的判决，如在30帧内计算出平均亮区域数目为AvgLnum，平均活跃亮区域数目为AvgALnum。

如：AvgLnum<1且AvgALnum<1，则当前监控公路上没有车辆。

如：1<AvgLnum<10,1<AvgALnum<10,AvgLnum-AvgALnum>3，则当前监控公路上车辆较少。

如：10<AvgLnum<20,10<AvgALnum<20,AvgLnum-AvgALnum>3，则当前监控公路上车辆适中。

如：AvgLnum>20,AvgLnum>AvgALnum,AvgALnum>3，则当前监控公路上车辆拥挤。

如：AvgLnum>20,AvgALnum<3，则当前监控公路上车辆严重拥挤。

步骤104，根据图像坐标和车道模型获得车辆的行驶轨迹与行驶速度。

具体地，在每帧二值化图像中获得车辆的位置。然后，根据多个相邻帧的二值化图像中车辆的位置变化，确定对应车辆的行驶轨迹。之后，根据多个车辆的位置变化和位置变化所产生的时间获得对应车辆的行驶速度。

图6为根据本发明一个实施例的计算车道平行线交汇的消失点示意图。如图6所示，计算车道边缘的交汇点，即平行车道边缘的消失点（x₀,y₀），基于消失点将监控车道图像坐标转换为世界坐标，将图像检测的亮区域转换到世界坐标的亮区域如下公式所示，

在相邻2帧中，通过1对车灯亮区域通过预测的最佳匹配方法来跟踪夜晚车辆，记录跟踪到每一车辆的中心位置及位移矢量，获得夜晚每一车辆进入与退出监控场景的行驶轨迹与方向，并且根据每一帧的时间差与图像中车辆的位移矢量获得车辆的行驶速度。

步骤105，根据车道模型、车辆的行驶轨迹和行驶速度，判断车辆的是否违反交通规则。交通规则包括：逆向行驶、发生交通事故、车辆超速和停在车道内。

图7（a）和图7（b）为根据本发明一个实施例的跟踪预测过程中搜索区域的示意图。如图7（a）所示，当前帧新出现跟踪目标区域其预测范围为左右分别为车灯亮区域的半个宽度区域，上下分别为车灯亮区域的整个高度，图7（b）表示当前帧新出现跟踪目标区域其预测范围是以当前帧目标区域的中心点加上速度矢量为预测的中心点，设当前帧目标的中心点坐标为P(x,y)，则当前跟踪目标区域的预测中心点坐标为搜索区域则是以此为中心点当前目标区域外接矩形大小的区域，最佳匹配的特征选取亮区域的面积、外接矩形的长宽比及圆似率。

由建立的车道模型与检测与跟踪的车辆轨迹及速度，按如下方式判断夜晚公路上可能发生的交通事件，主要包括如下几种交通事件。

（1）由跟踪的车辆中心点计算车辆行驶方向与车道模型建立每个车道行驶方向相反，则该车辆进行逆行驾驶。

（2）机动车在禁止行驶的方向上行驶，也就是车辆行驶的方向，与道路正确行驶的方向相反。考虑摄像机正对道路架设的情况。车辆面向摄像机行驶时，正常行驶的车辆其在图像中的纵坐标会越来越小同时目标的面积会越来越大，而逆向行驶的车辆在图像中的纵坐标会越来越大同时目标的面积会越来越小。为了增强对逆向行驶的鲁棒性本文通过计算车道行驶方向与所在车道的方向之间的夹角且根据跟踪车辆在相邻多帧（设置为5）Y坐标的变化来判断车辆是否发生了逆向行驶事件，如果符合公式(8)的关系，车辆则发生了逆向行驶事件。

其中，和分别为车辆的速度与所在车道的方向（本文规定车道的方向为从消失点沿着车道线向下的方向），F_i(car(center.y))表示跟踪车辆在被跟踪第i(i>0)帧时中心点在图像中纵坐标的值，F_i+5(car(center.y))为跟踪车辆在被跟踪第i+5(i>0)帧时中心点在图像中纵坐标的值，θ为门限值。

（3）由跟踪车辆的中心点计算车辆行驶的方位角度与车道模型中车道边缘的角度发生大于45°的偏移，则该车辆发生碰车的交通事件。

（4）由计算出该车辆行驶的速度是否大于预设的限速值，确定该车辆是否超速驾驶。

（5）计算车速度的平均值小于一门限，则确定发生停车事件，由建立的车道模型进一步确定该车停在道路中间还是停在道路傍边。

（6）停车事件是指车辆速度过于缓慢，接近零，或者进入检测区之后，很长时间都没有驶出检测区，如果这种事件发生在高速公路上极可能引发撞车的交通事故。如果场景中有停车事件发生，这种行为可以通过其轨迹和速度来反应。通过连续5帧对车辆速度进行检测，如果符合公式(9)的关系，车辆则发生了停车事件，此处的为第n帧时车辆的速度，δ为门限。

其中，δ为门限，为第n帧时车辆的速度，M为连续M帧统计，此处M取值为5帧。

图8为根据本发明一个实施例智能的夜晚交通事件检测方法的多参考帧可靠跟踪验证示意图。如图8所示，车辆跟踪采用的是基于相邻五帧的最佳匹配方法，跟踪目标从进入到驶离监视范围的整个过程，这个规定分为前期的初始化目标与后期目标的更新与目标验证过程，具体为：

步骤301，第1帧群组得到的潜在车辆区域与第2帧群组得到的潜在车辆区域利用基于最佳匹配准则进行匹配，根据匹配的结果，将相应的信息写入第2帧的群组潜在车辆区域的结构中。相关信息包括前一帧潜在车辆区域的面积，区域外接矩形宽度，区域的圆似率，区域的运动矢量等信息。

步骤302，将步骤301中第2帧与第1帧匹配的潜在车辆区域与第3帧潜在车辆区域利用基于最佳匹配准则进行匹配，根据匹配的结果，将相应的信息写入第3帧的群组潜在车辆区域的结构中，同时建立车辆目标链把两次都匹配上的潜在车辆区域写入目标链中。

步骤303，第3帧未被匹配上的潜在车辆区域与第4帧进行匹配，第4帧匹配上的潜在车辆区域与第五帧匹配，如果两次都匹配上则把第3帧匹配上的潜在车辆区域写入目标链中，但此时并不把相关信息写入第4帧与第5帧的群组潜在车辆区域。

根据发明实施例智能的夜晚交通事件检测方法，提高了现有公路视频监控的工作效率，降低了监控人员的工作强度，同时减少了由交通事故产生的交通延误，避免二次事故的发生。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (5)

1.一种智能的夜晚交通事件检测方法，其特征在于，包括以下步骤：

获取车辆在夜晚行驶的多个监控视频图像，并将所述多个监控视频图像进行处理，以获得多个二值化图像；

从所述二值化图像中判断出车辆的车灯，并根据车辆的车灯确定车辆的位置；

根据车辆的位置建立车道模型，并根据所述车道模型为车辆建立图像坐标；

根据所述图像坐标和车道模型获得车辆的行驶轨迹与行驶速度；以及

根据所述车道模型、车辆的行驶轨迹和行驶速度，判断车辆是否违反交通规则，

所述二值化图像中判断出车辆的车灯，并根据车辆的车灯确定车辆的位置，具体包括：

计算所述二值化图像中每个亮区域的属性信息，并根据所述属性信息剔除部分不是车灯的亮区域；

分别计算剩余的亮区域中每个相邻两个亮区域的相似度，所述相似度通过公式 $\begin{array}{c}max\left(C_i\right(right.x),C_j(right.x\left)\right)-min\left(C_i\right(left.x).C_j(left.x\left)\right)\\ <width/k\end{array}$ 进行计算，其中，C_i与C_j为一条水平检测带内的两个活动光亮区域，视频图像的宽度为width，k为图像的宽度能容纳的车道数，C_i(right.x)为活动光亮区域C_i最右端像素的X坐标，C_j(right.x)为活动光亮区域C_j最右端像素的X坐标，C_i(left.x)为活动光亮区域C_i最左端像素的X坐标，C_j(left.x)为活动光亮区域C_j最左端像素的X坐标；

将所述相似度大于阈值的两个亮区域作为车灯；以及

将所述两个亮区域的中心点作为车辆的坐标，

所述根据车辆的位置建立车道模型，具体包括：

在水平检测带内获得车辆的位置；

分别计算相邻两辆车之间的中间位置；以及

通过多个相邻车辆之间的中间位置判断车道的边缘线，以建立车道模型，

其中，当车道为弯曲车道时，设置多个水平检测带，并根据所述多个水平检测带建立三组直线车道模型，

当建立所述车道模型后，确定两组车辆检测区域，分别用于检测从上到下与从下到上不同方向行驶车辆，在第i帧内分别统计车道内光亮区域数目为Lnum_i与活动光亮区域数目ALnum_i，以统计在连续30帧内平均亮区域与活跃亮区域数目，作为车道内车辆密度。

2.如权利要求1所述的智能的夜晚交通事件检测方法，其特征在于，所述交通规则包括：逆向行驶、发生交通事故、车辆超速和停在车道内。

3.如权利要求1所述的智能的夜晚交通事件检测方法，其特征在于，所述属性信息包括亮区域的大小、长度比、饱满度和圆似度。

4.如权利要求1所述的智能的夜晚交通事件检测方法，其特征在于，所述根据所述车道模型中为车辆建立图像坐标，具体包括：

根据所述车道模型的车道边缘线确定图像坐标系的原点；

根据所述原点和车辆的位置为车辆建立图像坐标。

5.如权利要求1所述的智能的夜晚交通事件检测方法，其特征在于，所述根据所述图像坐标和车道模型获得对应车辆的行驶轨迹与行驶速度，进一步包括：

在每帧二值化图像中获得车辆的位置；

根据多个相邻帧的二值化图像中车辆的位置变化，确定对应车辆的行驶轨迹；以及

根据多个车辆的位置变化和所述位置变化所产生的时间获得对应车辆的行驶速度。