CN104392610A - 基于分布式视频的高速路交通事件影响范围动态监控方法 - Google Patents

Abstract

本发明公开了基于分布式视频的高速路交通事件影响范围动态监控方法，步骤如下：在高速公路通行路段按距离间隔架设多部高清摄像机；利用摄像机拍摄的高速公路车辆通行状态视频图像信息，采用视频识别方法进行预处理，提取视频特征；创建模糊控制器，利用模糊控制器对交通流状态进行检测；判断是否发生交通事件；进行排队状态检测；建立车辆排队长度动态预估模型，通过该模型来计算车辆排队长度；对发现排队事件的摄像机进行实时排队状态检测；当排队现象消失时，利用车辆排队长度动态预估模型对交通事件影响范围进行动态评估。本发明能利用估计的车辆排队长度确定事件的影响范围和排队消散时间，为高速公路交通管理人员提供调度和决策依据。

Description

基于分布式视频的高速路交通事件影响范围动态监控方法

技术领域

本发明涉及的是智能交通系统领域，具体是提出基于分布式视频的高速路交通事件影响范围动态监控方法。

背景技术

由于高速公路交通事故的发生和高饱和状态下收费站的限流作用，交通流在事件地点大规模堆积，导致车辆排队行为的必然发生，而通过对多个视频信息的识别处理获取有效的车辆排队波速，建立路段车辆排队长度与时间的动态联系是进行事件严重程度评估，影响范围预测分析的前提。

通过检索发现：【李哲等，基于DSP的车辆排队长度图像检测系统，计算机应用研究，2005，22(11)：229-230；】，【姚荣涵，车辆排队模型研究，吉林大学博士论文；】，【黄磊等，车辆排队长度检测的方法及装置，发明专利，申请日：2010.06.28，公开日：2011.01.05；】，【杨永辉等，基于视频的车辆排队长度检测，2011，28(3)：1037-1041；】；上述技术都是利用视频检测技术获取某一时刻的车辆排队长度，而没有对未来多个时刻的车辆排队和可能的影响范围进行估计。

另，通过检索发现：【代磊磊等，饱和信号交叉口排队长度预测，吉林大学学报(工学版)，2008，38(06)：1287-1290】；该技术是利用自适应权重指数平滑法，对城市交叉路口进口车道的实时流量进行预测，建立了以定数排队理论为基础的排队长度预测模型。而对于高速公路事件发生时的影响与预测没有涉及。

本发明要解决的技术问题是：为高速公路交通管理人员在交通事件发生后的交通调度和做出相应决策时，提供一些准确的信息和数据。

发明内容

本发明的目的就是为了解决上述问题，提供基于分布式视频的高速路交通事件影响范围动态监控方法，它具有采用图像识别技术对高速公路交通事件进行检测，进而判断事件发生地的上游是否有排队现象发生，如果发生排队，则基于排队状态检测的方法获取排队扩散速度，在计算停车波(和启动波)速度的基础上，建立未来多个时刻的车辆排队动态估计模型，利用估计的车辆排队长度确定事件的影响范围和排队消散时间，为高速公路交通管理人员提供调度和决策依据的优点。

为了实现上述目的，本发明采用如下技术方案：

基于分布式视频的高速路交通事件影响范围动态监控方法，包括如下步骤：

步骤(1)：在高速公路通行路段按距离间隔架设多部高清摄像机；

步骤(2)：利用高清摄像机拍摄的高速公路车辆通行状态视频图像信息，采用视频识别方法进行预处理，提取视频特征；创建模糊控制器，利用模糊控制器对交通流状态进行检测；

步骤(3)：判断是否发生交通事件，如果是就继续步骤(4)；如果否就返回步骤(2)；

步骤(4)：进行排队状态检测；

步骤(5)：建立车辆排队长度动态预估模型，通过该模型来计算车辆排队长度；

步骤(6)：对步骤(4)中发现排队事件的摄像机进行实时排队状态检测；当排队现象消失时，进入步骤(7)，否则返回步骤(4)；

步骤(7)：利用步骤(5)的车辆排队长度动态预估模型对交通事件影响范围进行动态监控，从而实现为高速公路交通管理部门提供交通调度和决策的依据。

基于分布式视频的高速路交通事件影响范围动态监控方法，包括如下步骤：

步骤(1)：在高速公路通行路段按距离间隔架设多部高清摄像机；

步骤(2)：利用高清摄像机拍摄的高速公路车辆通行状态视频图像信息，采用视频识别方法进行预处理，提取视频特征；创建模糊控制器，利用模糊控制器对交通流状态进行检测；

步骤(3)：通过对前景目标进行矩运算得到前景目标的矩心，通过前景目标矩心随时间的变化得到交通流速度及交通流速度的变化；通过检测区域的车辆数随时间的变化得到交通流的流量及交通流的流量的变化，将交通流速度、交通流速度的变化、交通流的流量和交通流的流量的变化四个参数作为输入进行模糊推理计算，读取路段模糊控制器输出的交通流状态，判断下游路段是否发生交通事件，如有交通事件发生，记录发生时间t₀，继续步骤(4)，否则，回到步骤(2)；

步骤(4)：对高速路上相邻摄像机拍摄视频作运动车辆的存在比和车辆的运动比进行计算，以运动车辆的存在比和车辆的运动比作为排队长度检测标准来进行排队状态检测；同时记录摄像机检测到排队事件发生时间{t_i,t_i+1,...t_n}，通过已检测到排队状态发生的两摄像机之间的距离Δl计算出相应时间段内准确的停车波速度；t_i表示第i个摄像机检测到排队现象发生的时间；t_i+1表示第i+1个摄像机检测到排队现象发生的时间；t_n表示第n个摄像机检测到排队现象发生的时间；

步骤(5)：通过排队长度、交通流排队速度和交通流排队时间之间的关系建立车辆排队长度动态预估模型，计算估计未来N个ΔT时刻的车辆排队长度，当检测过程中检测到上游摄像机拍摄路段存在排队长度超过设定阈值L_th时，应报警；

步骤(6)：继续对步骤(4)中发现事件的摄像机进行实时排队状态检测，当发生排队现象的最下游摄像机检测到排队现象消失时，即检测到交通流状态表现为消散，记录发生时间t₀’，继续步骤(7)，否则，回到步骤(5)；

步骤(7)：分别记录事件地点上游摄像机逐个检测到交通流呈消散状态的时间{t_i',t_i+1',...t_n'}，结合已检测到发生消散状态的两摄像机之间的距离Δl'得到相邻时间段内的启动波速度，同时继续利用车辆排队上游的摄像机逐个对停车波速度进行排队状态检测，然后利用已经建立的车辆排队长度动态预估模型估计未来N个ΔT时刻的车辆排队长度、车队排队状态解除时间、车辆排队最大长度及事件发生至完全恢复时间，当检测过程中检测到上游摄像机拍摄路段存在排队长度超过设定阈值L_th或者预测得到的车辆排队最大长度超过事故点到上游卡口的路段长度时，应报警，车辆排队长度、车队排队状态解除时间、车辆排队最大长度及事件发生至完全恢复时间这些参数为高速公路交通管理部门提供了交通调度和决策的依据。t_i'表示事件发生地点上游第i个摄像机检测到排队消散的时间；t_i+1'表示事件发生地点上游第i+1个摄像机检测到排队消散的时间；t_n'表示事件发生地点上游第n个摄像机检测到排队消散的时间；

所述步骤(2)的视频特征包括：交通流的速度、交通流的速度的变化、交通流的流量和交通流的流量的变化。

所述步骤(2)的交通流状态包括正常状态和异常状态。

所述步骤(2)的预处理包括：设定检测区域、图像灰度化和高斯滤波；

通过设定检测区域，选取高速公路上单方向一条车道中的交通流进行检测；通过基于平稳序列搜索的背景提取法获取检测区域中视频图像的背景，然后采用背景差分法提取视频图像中的前景图像，针对前景图像进行灰度化、二值化和高斯滤波处理，除去干扰，得到二值化前景目标。

所述步骤(2)的创建模糊控制器的步骤为：

(21)制定输入隶属度函数：所述输入隶属度函数包括：速度隶属度函数、速度变化量隶属度函数、流量隶属度函数和流量变化量隶属度函数；

(22)制定模糊规则：根据交通流参数与交通流状态之间的统计规律，建立速度及速度的变化与交通流状态的模糊规则和流量及流量的变化与交通事件发生的模糊规则；

(23)制定模糊控制算法：分别计算对应交通流异常状态与正常状态的隶属程度，模糊判别公式如下：

$S_N={\mathrm{\Σ}}_{i=1}^4{\mathrm{\μ}}_i={\mathrm{\Σ}}_{i=1}^4{A}_m\left(v\right)\×B_n\left(v^{,}\right)$

$S_A{=\mathrm{\Σ}}_{j=1}^8{\mathrm{\μ}}_j={\mathrm{\Σ}}_{j=1}^8{A}_m\left(v\right)\×B_n\left(v^{,}\right)$

$S_N^{,}={\mathrm{\Σ}}_{i=1}^2{\mathrm{\μ}}_i={\mathrm{\Σ}}_{i=1}^2{D}_m\left(q\right)\×E_n\left(q^{,}\right)$

$S_A^{,}={\mathrm{\Σ}}_{j=1}^7{\mathrm{\μ}}_j={\mathrm{\Σ}}_{j=1}^7{D}_m\left(v\right)\×E_n\left(q^{,}\right)$

其中，A_m表示速度，B_n表示速度的变化，A_m(v)表示速度v关于语言值A_m的隶属度，m表示速度v隶属于关于A第几条语言值，取值范围为[1,4]；B_n(v’)表示速度的变化v’关于语言值B_n的隶属度，n表示速度的变化v’隶属于关于B第几条语言值，取值范围为[1,3]；μ_j＝A_m×B_n表示交通状态对于第j条模糊规则的隶属程度；

D_m表示流量，E_n表示流量的变化，D_m(q)表示流量q关于语言值D_m的隶属度，m表示流量q隶属于关于D第几条语言值，取值范围为[1,3]；E_n(q′)表示流量的变化q′针对E_n的隶属程度，n表示流量的变化q′隶属于关于E第几条语言值，取值范围为[1,3]；i表示正常状态与流量的映射关系，j表示异常状态与流量的映射关系；μ_i＝D_m×E_n表示输出针对第i条模糊规则在设定交通状态下的隶属程度。

S_N表示针对输入为速度及速度的变化时输出状态对正常于交通流状态的隶属程度；

S_A表示输入为速度及速度的变化时输出状态对异常于交通流状态的隶属程度。

S_N’表示针对输入为流量及流量的变化时输出状态对正常于交通流状态的隶属程度；

S_A’表示针对输入为流量及流量的变化时输出状态对异常于交通流状态的隶属程度。

若S_N大于S_A则输出交通流正常；反之若S_N小于S_A则输出交通流异常，若S_N’大于S_A’则输出交通流正常；反之若S_N’小于S_A’则输出交通流异常。

所述步骤(21)在制定隶属度函数时将模糊子集制定为{小，中，大，极大}，根据高速公路具体速度标准以60km/h和120km/h分界线，将60km/h以下划为小；120km/h以上划为极大；40km/h至90km/h划为中；80km/h至130km/h划为大。同时根据不同道路情况制定速度的变化、流量和流量的变化三个变化范围较小的输入量模糊子集为{小，中，大}。

所述速度及速度的变化与交通流状态的模糊规则如表1所示：

表1速度及速度的变化与交通流状态的模糊规则

所述流量及流量的变化与交通事件发生的模糊规则如表2所示：

表2流量及流量的变化与交通事件发生的模糊规则

所述步骤(4)的停车波速度公式：

其中，Δl表示已知相邻摄像机之间的距离；v_p表示停车波速度；t_i+1表示第i+1个摄像机检测到排队现象发生的时间；t_i表示第i个摄像机检测到排队现象发生的时间。

所述步骤(5)的排队长度动态预估模型(启动波未形成)：

$L(t+N\·\mathrm{\ΔT})=L\left(t\right)+\frac{\mathrm{\Δl}}{t_{i+1}-t_i}\·N\·\mathrm{\ΔT}$

其中，L(t+N·ΔT)表示未来某一时刻预估的排队长度；L(t)表示现在检测到的排队长度；N·ΔT表示预估时刻距现在的N个相同的时间段；t_i+1表示第i+1个摄像机检测到排队现象发生的时间；t_i表示第i个摄像机检测到排队现象发生的时间。

所述步骤(7)的启动波速度公式：

其中，v_s表示车辆排队启动波速度；Δl'表示事件发生地点上游检测到排队消散的相邻两摄像机之间的距离；t_i+1'表示事件发生地点上游第i+1个摄像机检测到排队消散的时间；t_i'表示事件发生地点上游第i个摄像机检测到排队消散的时间。

所述步骤(7)的排队长度动态预估模型(启动波形成后)：

$L(t+N\·\mathrm{\ΔT})=L\left(t\right)+(\frac{\mathrm{\Δ}1}{t_{i+1}-t_i}-\frac{\mathrm{\Δ}{1}^{,}}{{t_{i+1}}^{,}-{t_i}^{,}})\·N\·\mathrm{\ΔT};$

其中L(t+N·ΔT)表示未来某一时刻预估的排队长度；L(t)表示现在检测到的排队长度；N·ΔT表示预估时刻距现在的N个相同的时间段；Δl'表示事件发生地点上游检测到排队消散的相邻两摄像机之间的距离；t_i+1表示第i+1个摄像机检测到排队现象发生的时间；t_i表示第i个摄像机检测到排队现象发生的时间；t_i+1'表示事件发生地点上游第i+1个摄像机检测到排队消散的时间；t_i'表示事件发生地点上游第i个摄像机检测到排队消散的时间。

由交通事件车流波可通过步骤(4)和(7)中得到的排队波和启动波速度计算车辆排队向上游延伸的最大长度，记为车辆排队最大长度公式：

$L_{\mathrm{Max}}=\frac{\frac{\mathrm{\Δ}1}{t_{i+1}-t_i}\·\frac{{\mathrm{\Δl}}^{,}}{{t_{i+1}}^{,}-{t_i}^{,}}}{\frac{\mathrm{\Δ}{1}^{,}}{{t_{i+1}}^{,}-{t_i}^{,}}-\frac{\mathrm{\Δ}1}{t_{i+1}-t_i}}\·({t_0}^{,}-t_0)=\frac{\mathrm{\Δ}1\·\mathrm{\Δ}{1}^{,}\·({t_0}^{,}-t_0)}{\mathrm{\Δ}{1}^{,}(t_{i+1}-t_i)-\mathrm{\Δ}1({t_{i+1}}^{,}-{t_i}^{,})}$

其中，L_Max表示车辆排队向上游延伸的最大长度。

所述步骤(7)的车队排队状态解除时间公式：

$T_b=\frac{\frac{\mathrm{\Δ}{1}^{,}}{{t_{i+1}}^{,}-{t_i}^{,}}}{\frac{\mathrm{\Δ}{1}^{,}}{{t_{i+1}}^{,}-{t_i}^{,}}-\frac{\mathrm{\Δ}1}{t_{i+1}-t_i}}\·({t_0}^{,}-t_0)=\frac{\mathrm{\Δ}1\·(t_{i+1}-t_i)\·({t_0}^{,}-t_0)}{\mathrm{\Δ}{1}^{,}(t_{i+1}-t_i)-\mathrm{\Δ}1({t_{i+1}}^{,}-{t_i}^{,})}$

其中，T_b表示车队排队状态解除时间。

所述步骤(7)的事件发生至完全恢复时间公式：

$T_c=\frac{{\left(\frac{\mathrm{\Δ}{1}^{,}}{{t_{i+1}}^{,}-{t_i}^{,}}\right)}^2}{{(\frac{\mathrm{\Δ}{1}^{,}}{{t_{i+1}}^{,}-{t_i}^{,}}-\frac{-6-\mathrm{\Δ}1}{t_{i+1}-t_i})}^2}\·({t_0}^{,}-t_0)$

其中，T_c表示事件发生至完全恢复时间。

所述步骤(5)和(7)中，ΔT的时间间隔是由用户根据路段长度来设定的，可以是1分钟，也可以是3分钟、5分钟不等；L_th为交通流解除排队状态时的最大长度，同样由用户根据路段长度设定。

本发明的有益效果：利用视频信息来动态识别路段上事件发生时的影响范围，可以为高速路交通带来如下好处：

①根据排队过程中和消散过程中对车辆排队长度及时间的预测，可以为交通流的控制提供参考和依据；

②检测交通事件的发生，有效的确定发生时间和地点；

③通过对车辆排队现象进行监测，可以针对不能及时排除的交通事故提交报警信息，及时清理事故现场，恢复正常通行；

④可记录高速公路路段上发生事件的数量和影响大小情况，为将来存储数据信息。

针对高速公路发生交通事件后，通过分布式架设的高清摄像机来检测事件发生地的上游是否有排队现象发生，从而将该段车辆排队长度与排队时间建立动态联系，计算得到车辆后向排队(消散)的速度来建立未来时刻车辆排队长度的估计模型。

附图说明

图1为摄像机的架设位置图(车辆排队过程)；

图2为摄像机的架设位置图(车辆消散过程)；

图3为本发明的流程示意图；

图4(a)为模糊控制器的速度隶属度函数图；

图4(b)为模糊控制器的速度变化量隶属度函数图；

图4(c)为模糊控制器的流量隶属度函数图；

图4(d)为模糊控制器的流量变化量隶属度函数图；

图5为排队状态检测模型图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

图1、2为摄像机的架设位置图，在图中的高速公路路段，有间距的架设摄像机(间距可相同可不同)，为提高获取车辆排队长度的准确性，相邻摄像机之间的距离不宜过长。

图3为本发明的流程示意图，系统开始运行后，摄像机对着路段拍摄，针对获取到的视频采用图像处理和模糊控制的方法检测交通事件发生和排队现象发生，运用预估模型，计算未来N(N＝1，2，3，4，…)个ΔT时刻的车辆排队长度以及整个事件过程中车队排队状态解除时间和事件完全恢复时间，同时对难以解除的事件及早提交报警信号。

图4(a)为模糊控制器的速度隶属度函数图；

图4(b)为模糊控制器的速度变化量隶属度函数图；

图4(c)为模糊控制器的流量隶属度函数图；

图4(d)为模糊控制器的流量变化量隶属度函数图；

步骤(4)、步骤(6)和步骤(7)中的排队状态检测方法如图5所示；

步骤(a)：车辆存在性检测；

步骤(b)：车辆运动性检测；

步骤(c)：根据步骤(a)和步骤(b)的检测结果进行判断：

如果车辆存在，且车辆不运动，则车辆处于排队状态；

如果车辆存在，且车辆运动，则车辆处于运动状态；

如果车辆不存在，且车辆不运动，则无车辆；

如果车辆不存在，且车辆运动，则无意义。

所述车辆存在性检测的步骤为：

步骤(a1)：利用背景差分法获取前景车辆图像；

步骤(a2)：对前景车辆图像进行形态学处理、二值化和边缘检测，提取前景车辆的轮廓图像；

步骤(a3)：填充步骤(2)检测到的车辆的轮廓图像，确定前景目标区域，区分前景像素点与背景像素点，得到前景像素点的集合；

步骤(a4)：对填充后的前景目标区域和整幅图像区域(即从视频中提取得到的整个图像区域)中的像素点数分别进行统计计算，获取前景像素点数占检测区域总像素点数的比例；所述前景像素点数占检测区域总像素点数的比例即为车辆存在比；

步骤(a5)：判断前景像素点数占检测区域总像素点数的比例是否大于设定存在阈值，如果是就判断为存在车辆，如果否就判断为不存在车辆。

所述车辆运动性检测的步骤为：

步骤(b1)：利用帧间差分法获取帧差图像；

步骤(b2)：对帧差图像进行形态学处理、二值化和边缘检测，获取两帧图片作差后的差值图像；

步骤(b3)：填充帧差图像，区分差值像素点与背景像素点，得到前景像素点的集合；

步骤(b4)：对填充后的帧差图像区域和整幅图像区域中的像素点数分别进行统计计算，获取运动像素点数占检测区域总像素点数的比例；所述运动像素点数占检测区域总像素点数的比例即为车辆运动比；

步骤(b5)：判断运动像素点数占检测区域总像素点数的比例是否小于设定运动阈值，如果是就判断为车辆不运动，如果否就判断为车辆运动。

表3

条件	车辆识别结果	检测区域状态
			Re＞Te，Rm＜Tm	车辆存在，不运动	车辆停驶排队
Re＞Te，Rm＞Tm	车辆存在，运动	车辆运动
			Re＜Te，Rm＜Tm	车辆不存在，不运动	无车辆
Re＜Te，Rm＞Tm	车辆不存在，运动	无意义

其中，R_c表示车辆存在比，T_c为车辆存在阈值；R_m表示车辆运动比，T_m表示车辆运动阈值。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.基于分布式视频的高速路交通事件影响范围动态监控方法，其特征是，包括如下步骤：

步骤(1)：在高速公路通行路段按距离间隔架设多部高清摄像机；

步骤(2)：利用高清摄像机拍摄的高速公路车辆通行状态视频图像信息，采用视频识别方法进行预处理，提取视频特征；创建模糊控制器，利用模糊控制器对交通流状态进行检测；

步骤(3)：判断是否发生交通事件，如果是就继续步骤(4)；如果否就返回步骤(2)；

步骤(4)：进行排队状态检测；

步骤(5)：建立车辆排队长度动态预估模型，通过该模型来计算车辆排队长度；

步骤(6)：对步骤(4)中发现排队事件的摄像机进行实时排队状态检测；当排队现象消失时，进入步骤(7)，否则返回步骤(4)；

步骤(7)：利用步骤(5)的车辆排队长度动态预估模型对交通事件影响范围进行动态评估，从而实现为高速公路交通管理部门提供交通调度和决策的依据。

2.如权利要求1所述的基于分布式视频的高速路交通事件影响范围动态监控方法，其特征是，包括如下步骤：

所述步骤(3)的步骤为：通过对前景目标进行矩运算得到前景目标的矩心，通过前景目标矩心随时间的变化得到交通流速度及交通流速度的变化；通过检测区域的车辆数随时间的变化得到交通流的流量及交通流的流量的变化，将交通流速度、交通流速度的变化、交通流的流量和交通流的流量的变化四个参数作为输入进行模糊推理计算，读取路段模糊控制器输出的交通流状态，判断下游路段是否发生交通事件，如有交通事件发生，记录发生时间t₀，继续步骤(4)，否则，回到步骤(2)。

3.如权利要求1所述的基于分布式视频的高速路交通事件影响范围动态监控方法，其特征是，所述步骤(4)的步骤为：对高速路上相邻摄像机拍摄视频作运动车辆的存在比和车辆的运动比进行计算，以运动车辆的存在比和车辆的运动比作为排队长度检测标准来进行排队状态检测；同时记录摄像机检测到排队事件发生时间{t_i,t_i+1,…t_n}，通过已检测到排队状态发生的两摄像机之间的距离Δl计算出相应时间段内准确的停车波速度；t_i表示第i个摄像机检测到排队现象发生的时间；t_i+1表示第i+1个摄像机检测到排队现象发生的时间；t_n表示第n个摄像机检测到排队现象发生的时间。

4.如权利要求1所述的基于分布式视频的高速路交通事件影响范围动态监控方法，其特征是，所述步骤(5)的步骤为：通过排队长度、交通流排队速度和交通流排队时间之间的关系建立车辆排队长度动态预估模型，计算估计未来N个ΔT时刻的车辆排队长度，当检测过程中检测到上游摄像机拍摄路段存在排队长度超过设定阈值L_th时，应报警。

5.如权利要求1所述的基于分布式视频的高速路交通事件影响范围动态监控方法，其特征是，步骤(6)：继续对步骤(4)中发现事件的摄像机进行实时排队状态检测，当发生排队现象的最下游摄像机检测到排队现象消失时，即检测到交通流状态表现为消散，记录发生时间t'₀，继续步骤(7)，否则，回到步骤(5)。

6.如权利要求1所述的基于分布式视频的高速路交通事件影响范围动态监控方法，其特征是，步骤(7)：分别记录事件地点上游摄像机逐个检测到交通流呈消散状态的时间{t_i',t_i+1',…t_n'}，结合已检测到发生消散状态的两摄像机之间的距离Δl'得到相邻时间段内的启动波速度，同时继续利用车辆排队上游的摄像机逐个对停车波速度进行排队状态检测，然后利用已经建立的车辆排队长度动态预估模型估计未来N个ΔT时刻的车辆排队长度、车队排队状态解除时间、车辆排队最大长度及事件发生至完全恢复时间，当检测过程中检测到上游摄像机拍摄路段存在排队长度超过设定阈值L_th或者预测得到的车辆排队最大长度超过事故点到上游卡口的路段长度时，应报警；t_i'表示事件发生地点上游第i个摄像机检测到排队消散的时间；t_i+1'表示事件发生地点上游第i+1个摄像机检测到排队消散的时间；t_n'表示事件发生地点上游第n个摄像机检测到排队消散的时间。

7.如权利要求1所述的基于分布式视频的高速路交通事件影响范围动态监控方法，其特征是，所述步骤(2)的视频特征包括：交通流的速度、交通流的速度的变化、交通流的流量和交通流的流量的变化。

8.如权利要求1所述的基于分布式视频的高速路交通事件影响范围动态监控方法，其特征是，所述步骤(2)的预处理包括：设定检测区域、图像灰度化和高斯滤波；

通过设定检测区域，选取高速公路上单方向一条车道中的交通流进行检测；通过基于平稳序列搜索的背景提取法获取检测区域中视频图像的背景，然后采用背景差分法提取视频图像中的前景图像，针对前景图像进行灰度化、二值化和高斯滤波处理，除去干扰，得到二值化前景目标。

9.如权利要求1所述的基于分布式视频的高速路交通事件影响范围动态监控方法，其特征是，所述步骤(2)的创建模糊控制器的步骤为：

(21)制定输入隶属度函数：所述输入隶属度函数包括：速度隶属度函数、速度变化量隶属度函数、流量隶属度函数和流量变化量隶属度函数；

(22)制定模糊规则：根据交通流参数与交通流状态之间的统计规律，建立速度及速度的变化与交通流状态的模糊规则和流量及流量的变化与交通事件发生的模糊规则；

(23)制定模糊控制算法：分别计算对应交通流异常状态与正常状态的隶属程度，模糊判别公式如下：

$S_N={\mathrm{\Σ}}_{i=1}^4{\mathrm{\μ}}_i={\mathrm{\Σ}}_{i=1}^4{A}_m\left(v\right)\×B_n(v\text{'})$

$S_A={\mathrm{\Σ}}_{j=1}^8{\mathrm{\μ}}_j={\mathrm{\Σ}}_{j=1}^8{A}_m\left(v\right)\×B_n(v\text{'})$

${S_N}^{\text{'}}={\mathrm{\Σ}}_{i=1}^2{\mathrm{\μ}}_i={\mathrm{\Σ}}_{i=1}^2{D}_m\left(q\right)\×E_n(q\text{'})$

${S_A}^{\text{'}}={\mathrm{\Σ}}_{j=1}^7{\mathrm{\μ}}_j={\mathrm{\Σ}}_{j=1}^7{D}_m\left(q\right)\×E_n(q\text{'})$

其中，A_m表示速度，B_n表示速度的变化，A_m(v)表示速度v关于语言值A_m的隶属度，m表示速度v隶属于关于A第几条语言值，取值范围为[1,4]；B_n(v')表示速度的变化v'关于语言值B_n的隶属度，n表示速度的变化v'隶属于关于B第几条语言值，取值范围为[1,3]；μ_j＝A_m×B_n表示交通状态对于第j条模糊规则的隶属程度；

D_m表示流量，E_n表示流量的变化，D_m(q)表示流量q关于语言值D_m的隶属度，m表示流量q隶属于关于D第几条语言值，取值范围为[1,3]；E_n(q′)表示流量的变化q′针对E_n的隶属程度，n表示流量的变化q′隶属于关于E第几条语言值，取值范围为[1,3]；表示正常状态与流量的映射关系，j表示异常状态与流量的映射关系；μ_i＝D_m×E_n表示输出针对第i条模糊规则在设定交通状态下的隶属程度；

S_N表示针对输入为速度及速度的变化时输出状态对正常于交通流状态的隶属程度；

S_A表示输入为速度及速度的变化时输出状态对异常于交通流状态的隶属程度；

S_N'表示针对输入为流量及流量的变化时输出状态对正常于交通流状态的隶属程度；

S_A'表示针对输入为流量及流量的变化时输出状态对异常于交通流状态的隶属程度；

若S_N大于S_A则输出交通流正常；反之若S_N小于S_A则输出交通流异常，若S_N'大于S_A'则输出交通流正常；反之若S_N'小于S_A'则输出交通流异常。

10.如权利要求1所述的基于分布式视频的高速路交通事件影响范围动态监控方法，其特征是，所述步骤(5)的排队长度动态预估模型：

$L(t+N\·\mathrm{\ΔT})=L\left(t\right)+\frac{\mathrm{\Δl}}{t_{i+1}-t_i}\·N\·\mathrm{\ΔT}$

其中，L(t+N·ΔT)表示未来某一时刻预估的排队长度；L(t)表示现在检测到的排队长度；N·ΔT表示预估时刻距现在的N个相同的时间段；t_i+1表示第i+1个摄像机检测到排队现象发生的时间；t_i表示第i个摄像机检测到排队现象发生的时间。