CN104537833A - 一种交通异常检测方法及系统 - Google Patents

Abstract

本发明属于智能交通监控领域，提供了一种交通异常检测方法及系统。该方法及系统是将正常交通视频图像序列分为视频块序列，检测视频块序列中的镜头数量，建立视频块序列中的镜头数量的高斯模型，利用高斯模型对测试交通视频图像进行异常检测。相对于现有人工分析方式，实现了监测的智能化，实时性强并节约了人力成本。同时，分块分镜头技术使得检测速度更快，特别适合应用在处理数据量大、场景复杂且变化快的交通视频监控领域中，可快速准确的定位事故现场。

Description

一种交通异常检测方法及系统

技术领域

本发明属于智能交通监控领域，尤其涉及一种交通异常检测方法及系统。

背景技术

近年来，随着机动车保有量快速增长，交通问题越加凸显。为了更有效的实施交通管理，现有技术提出了智能交通监控系统。该系统的工作方式主要有两种：一种是录制现场视频数据，以用于事后取证；另一种是采集现场视频数据，之后将采集的视频数据传输到监控中心，由监控中心的工作人员面对视频墙上的大量屏幕进行人工监控和分析，以期找出交通异常。

前一种工作方式不具有实时性，主要用于交通事故取证方面，无法实时监测到交通异常的发生。后一种工作方式虽可实现对交通异常的实时监控，但有限的人力无法有效管理分析成千上万的摄像头的视频，实时性较差，人力成本高，使得系统原有的预防和积极干预能力丧失，逐渐成为了一种事后取证录像的工具，更有甚者，大量的视频无人监视，在规定期限无人查询就会被自动删除。

发明内容

本发明的目的在于提供一种交通异常检测方法，旨在解决现有的智能交通监控系统采用人工方式对采集到的视频数据进行监控和分析以找出交通异常，实时性差且人力成本高的问题。

本发明是这样实现的，一种交通异常检测方法，所述方法包括以下步骤：

对正常交通视频图像序列中的每一视频帧按照相同方式进行分块，不同视频帧的对应块构成第一视频块序列，之后将每一个所述第一视频块序列分为多个镜头，统计每一个所述第一视频块序列在第一设定时间周期内的镜头数量，并用统计得到的所述镜头数量训练高斯模型；

对测试交通视频图像序列中的每一视频帧按照相同方式进行分块，不同视频帧的对应块构成第二视频块序列，之后将每一个所述第二视频块序列分为多个镜头，统计每一个所述第二视频块序列在第二设定时间周期内的镜头数量，所述第二设定时间周期与所述第一设定时间周期相等；

根据所述第二视频块序列在所述第二设定时间周期内的镜头数量，利用对应的所述高斯模型，完成所述第二视频块的交通异常检测。

本发明的另一目的在于提供一种交通异常检测系统，所述系统包括：

建模模块，用于对正常交通视频图像序列中的每一视频帧按照相同方式进行分块，不同视频帧的对应块构成第一视频块序列，之后将每一个所述第一视频块序列分为多个镜头，统计每一个所述第一视频块序列在第一设定时间周期内的镜头数量，并用统计得到的镜头数量训练高斯模型；

测试交通视频图像处理模块，用于对测试交通视频图像序列中的每一视频帧按照相同方式进行分块，不同视频帧的对应块构成第二视频块序列，之后将每一个所述第二视频块序列分为多个镜头，统计每一个所述第二视频块序列在第二设定时间周期内的镜头数量，所述第二设定时间周期与所述第一设定时间周期相等；

交通异常检测模块，用于根据所述第二视频块序列在所述第二设定时间周期内的镜头数量，利用对应的所述高斯模型，完成所述第二视频块的交通异常检测。

本发明提出的交通异常检测方法及系统是将正常交通视频图像序列分为视频块序列，检测视频块序列中的镜头数量，建立视频块序列中的镜头数量的高斯模型，利用高斯模型对测试交通视频图像进行异常检测。相对于现有人工分析方式，实现了监测的智能化，实时性强并节约了人力成本。同时，分块分镜头技术使得检测速度更快，特别适合应用在处理数据量大、场景复杂且变化快的交通视频监控领域中，可快速准确的定位事故现场。

附图说明

图1是本发明第一实施例提供的交通异常检测方法的流程图；

图2是本发明第一实施例中，训练高斯模型的步骤的详细流程图；

图3是本发明第一实施例中，将每一个第一视频块序列分为多个镜头的步骤的详细流程图；

图4是本发明第二实施例提供的交通异常检测方法的流程图；

图5是本发明第三实施例提供的交通异常检测系统的原理框图；

图6是本发明第三实施例中，建模模块的原理框图；

图7是本发明第三实施例中，分镜头子模块的原理框图；

图8是本发明第四实施例提供的交通异常检测系统的原理框图。

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，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提出的交通异常检测方法是将正常交通视频图像序列分为视频块序列，检测视频块序列中的镜头数量，建立视频块序列中的镜头数量的高斯模型，利用高斯模型对测试交通视频图像进行异常检测。

图1示出了本发明第一实施例提供的交通异常检测方法的流程，包括以下步骤：

S1：对正常交通视频图像序列中的每一视频帧按照相同方式进行分块，不同视频帧的对应块构成第一视频块序列，之后将每一个第一视频块序列分为多个镜头，统计每一个第一视频块序列在第一设定时间周期内的镜头数量，并用统计得到的镜头数量训练高斯模型。

进一步地，如图2所示，步骤S1又包括：

步骤S11：对正常交通视频图像序列中的每一视频帧按照相同方式进行分块，不同视频帧的对应块构成第一视频块序列。

即是说，第一视频块序列包括多个视频块，不同的视频块来自于不同的视频帧的对应区域，这样，便将正常交通视频图像序列分为了多个第一视频块序列。例如，假设包括n个帧视频的正常交通视频图像序列V＝{f₁,f₂,…,f_n}，其中，f_t∈V，t＝1，2，...n。对于视频帧f_t，可在空间域分成r×c块，表示为：

其中，b_i,j,t表示视频帧f_t分块后的第i行、第j列的视频块，则全部视频帧分块后的第i行、第j列的视频块构成的第一视频块序列表示为：

b_i,j＝{b_i,j,1,b_i,j,2,…,b_i,j,n}

步骤S12：将每一个第一视频块序列分为多个镜头。

优选地，本发明第一实施例采用自动阈值选择的镜头检测算法，对第一视频块序列分镜头，此时，如图3所示，步骤S12更进一步包括：

步骤S1201：计算当前的第一视频块序列中、相邻视频块之间的帧间颜色直方图差异值，得到第一视频块序列对应的帧间颜色直方图差异集。

假设视频帧f_t分块后的第i行、第j列的视频块b_i,j,t的颜色直方图为H(b_i,j,t)，则有：H(b_i,j,t)＝(h₁(b_i,j,t),h₂(b_i,j,t),L,h_N(b_i,j,t))，其中，h_k(b_i,j,t),k＝0,1,L N为视频块b_i,j,t中亮度为k的像素数目，N为颜色亮度等级，则相邻视频块b_i,j,t与b_i,j,t+1之间的帧间颜色直方图差异值D_i,j,t定义为：

$\begin{array}{c}{D}_{i,j,t}=1-I(H\left(b_{i,j,t}\right),H\left(b_{i,j,t+1}\right))\\ =1-\frac{\underset{k=1}{\overset{c}{\mathrm{\Σ}}}\min (h_k\left(b_{i,j,t}\right),h_k\left(b_{i,j,t+1}\right))}{\underset{k=1}{\overset{c}{\mathrm{\Σ}}}\max (h_k\left(b_{i,j,t}\right),h_k\left(b_{i,j,t+1}\right))}\end{array}$

其中，I(H(b_i,j,t),H(b_i,j,t+1))为视频块b_i,j,t和b_i,j,t+1的颜色直方图交集。之后得到的由视频帧分块后的第i行、第j列的视频块构成的第一视频块序列对应的帧间颜色直方图差异集D_i,j为：D_i,j＝{D_i,j,1,D_i,j,2,L,D_i,j,n-1}。

实际中，一般采用一时域上滑动窗口w来检测镜头，若滑动窗口w的大小为m，即是说，每一次可以计算第一视频块序列中m个视频块的颜色直方图，继而得到m-1个帧间颜色直方图差异值，此时一次检测得到的帧间颜色直方图差异集D_i,j为：D_i,j＝{D_i,j,1,D_i,j,2,L,D_i,j,,m-1}。

步骤S1202：计算高阈值和低阈值，高阈值和低阈值用以在之后分镜头过程中检测镜头的边界。

本发明第一实施例中，高阈值T_h可以表示为：T_h＝μ+α_hσ，低阈值T_l可以表示为T_l＝μ+α_lσ。其中，σ是帧间颜色直方图差异集中的元素的标准差，μ是帧间颜色直方图差异集中的元素的均值，α_h和α_l是变量系数，且根据经验选择α_h为6，α_l为1。

步骤S1203：判断帧间颜色直方图差异值是否大于高阈值，是则认为检测到突变镜头而执行步骤S1204，否则需要进一步检测渐变镜头而执行步骤S1205。

步骤S1204：识别相邻视频块中的前一视频块属于前一镜头的结束帧，相邻视频块中的后一视频块属于下一镜头的起始帧。

例如，若相邻视频块b_i,j,t与b_i,j,t+1之间的帧间颜色直方图差异值D_i,j,t大于高阈值T_h，则认为找到一个新镜头，b_i,j,t为前一镜头的结束帧，b_i,j,t+1为下一镜头的起始帧。

步骤S1205：判断帧间颜色直方图差异值是否大于低阈值，是则认为检测到潜在渐变镜头的起始帧而执行步骤S1207，否则执行步骤S1206。

步骤S1206：计算下一个第一视频块序列中、相邻视频块之间的帧间颜色直方图差异值。

步骤S1207：识别相邻视频块中的后一视频块属于下一镜头起始帧。

步骤S1208：计算相邻视频块中的后一视频块及其之后的某个视频块的累积直方图差异。

本发明第一实施例中，相邻视频块中的后一视频块b_i,j,t+1及其之后的第g-1个视频块b_i,j,t+g的累积直方图差异A_i,j(t,t+g)满足：

步骤S1209：判断某个视频块与其之后相邻视频块之间的帧间颜色直方图差异值是否小于低阈值，且累积直方图差异大于高阈值，是则执行步骤S1210，否则返回步骤S1206。

本发明第一实施例中，相邻视频块中的后一视频块之后的视频块之间的帧间颜色直方图差异值均应大于或等于低阈值T_l，若相邻视频块中的后一视频块b_i,j,t+1之后的第g-1个视频块b_i,j,t+g的帧间颜色直方图差异值D_i,j,t+g小于低阈值T_l，并且视频块b_i,j,t+1到视频块b_i,j,t+g的累积直方图差异A_i,j(t,t+g)大于高阈值T_h，则说明视频块b_i,j,t+g为渐变镜头的结束帧而执行步骤S1210。

步骤S1210：识别某个视频块属于下一镜头结束帧。

步骤S13：统计每一个第一视频块序列在第一设定时间周期内的镜头数量，并用统计得到的镜头数量训练高斯模型。

对于第一视频块序列b_i,j，其镜头数量的集合X_i,j表示为X_i,j＝{x_i,j,1,x_i,j,2,…,x_i,j,z}，x_i,j,k为在第一设定时间周期T_k内的镜头数量，则镜头数量x_i,j,k的高斯模型表示为：

$f\left(x\right)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_{i,j}}\exp (-\frac{{(x-u_{i,j})}^2}{{{2\mathrm{\σ}}_{i,j}}^2})$

其中，μ_i,j是期望值，σ_i,j是方差，x∈X_i,j。期望值μ_i,j和方差σ_i,j可运用最大似然估计方法估计出，具体的似然函数为：

$L({\mathrm{\μ}}_{i,j},{\mathrm{\σ}}_{i,j};x_{i,j,1},x_{i,j,2},...,x_{i,j,z})={\left({{2\mathrm{\π\σ}}_{i,j}}^2\right)}^{-z/2}\exp (-\frac{1}{{{2\mathrm{\σ}}_{i,j}}^2}\underset{k=1}{\overset{z}{\mathrm{\Σ}}}{(x_{i,j,k}-{\mathrm{\μ}}_{i,j})}^2)$

取对数变换后的似然函数为：

$l({\mathrm{\μ}}_{i,j},{\mathrm{\σ}}_{i,j};x_{i,j,1},x_{i,j,2},...,x_{i,j,z})=-\frac{z}{2}(\ln \left(2\mathrm{\π}\right)+\ln \left({{\mathrm{\σ}}_{i,j}}^2\right))-\frac{1}{{{2\mathrm{\σ}}_{i,j}}^2}\underset{k=1}{\overset{z}{\mathrm{\Σ}}}{(x_{i,j,k}-{\mathrm{\μ}}_{i,j})}^2$

由上式便可得出期望值μ_i,j和方差σ_i,j的最大似然估计值。

S2：对测试交通视频图像序列中的每一视频帧按照相同方式进行分块，不同视频帧的对应块构成第二视频块序列，之后将每一个第二视频块序列分为多个镜头，统计每一个第二视频块序列在第二设定时间周期内的镜头数量，第二设定时间周期与第一设定时间周期相等。

其中，对测试交通视频图像序列中的每一视频帧按照相同方式进行分块，不同视频帧的对应块构成第二视频块序列，之后将每一个第二视频块序列分为多个镜头的过程与骤S11和步骤S12的执行过程类似，不赘述。

S3：根据第二视频块序列在第二设定时间周期内的镜头数量，利用对应的高斯模型，完成第二视频块的交通异常检测。

假设测试交通视频图像序列为V_test，第二设定时间周期为T'，测试交通视频图像序列的全部视频帧分块后的第i行、第j列的视频块构成的第二视频块序列为b′_i,j，第二视频块序列b′_i,j在第二设定时间周期T'内的镜头数量为x′_i,j，则步骤S3可表示为：

$S_{i,j}=\left\{\begin{array}{cc}0,& |x_{i,j}^{\&prime;}-{\mathrm{\&mu;}}_{i,j}|<{3\mathrm{\&sigma;}}_{i,j}\\ 1,& |x_{i,j}^{\&prime;}-{\mathrm{\&mu;}}_{i,j}|\&GreaterEqual;{3\mathrm{\&sigma;}}_{i,j}\end{array}\right.$

其中，S_i,j是在第二设定时间周期T'时，第二视频块b′_i,j的状态，且当S_i,j为0时，表示第二视频块的交通正常，当S_i,j为1时，表示第二视频块的交通异常。

图4示出了本发明第二实施例提供的交通异常检测方法的流程。

在第二实施例中，为了体现测试交通视频图像的异常，而非仅仅体现某一视频块序列的异常，在通过步骤S3检测出交通异常后，有必要融合各视频块的检测结果。因此，与第一实施例不同的是，在步骤S3之后，还包括以下步骤：

S4：对测试交通视频图像序列的各个第二视频块序列的检测结果进行融合，得到对测试交通视频图像的最终检测结果。该步骤S4可表示为：

$\mathrm{SF}=\left\{\begin{array}{cc}0,& \underset{i=1}{\overset{r}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{c}{\mathrm{\&Sigma;}}}{S}_{i,j}<\mathrm{\&epsiv;}\\ 1,& \underset{i=1}{\overset{r}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{c}{\mathrm{\&Sigma;}}}{S}_{i,j}\&GreaterEqual;\mathrm{\&epsiv;}\end{array}\right.$

其中，SF是测试交通视频图像序列的最终检测结果，ε是检测结果的阈值，r是测试交通视频图像序列中每一视频帧包含的块的行数，c是测试交通视频图像序列中每一视频帧包含的块的列数。当SF为0时，表示测试交通视频图像的交通正常，当SF为1时，表示测试交通视频图像的交通异常。

图5示出了本发明第三实施例提供的交通异常检测系统的原理。

具体地，本发明第三实施例提供的交通异常检测系统包括：建模模块1，用于对正常交通视频图像序列中的每一视频帧按照相同方式进行分块，不同视频帧的对应块构成第一视频块序列，之后将每一个第一视频块序列分为多个镜头，统计每一个第一视频块序列在第一设定时间周期内的镜头数量，并用统计得到的镜头数量训练高斯模型；测试交通视频图像处理模块2，用于对测试交通视频图像序列中的每一视频帧按照相同方式进行分块，不同视频帧的对应块构成第二视频块序列，之后将每一个第二视频块序列分为多个镜头，统计每一个第二视频块序列在第二设定时间周期内的镜头数量，第二设定时间周期与第一设定时间周期相等；交通异常检测模块3，用于根据第二视频块序列在第二设定时间周期内的镜头数量，利用对应的高斯模型，完成第二视频块的交通异常检测。

进一步地，如图6所示，建模模块1可包括：分块子模块11，用于对正常交通视频图像序列中的每一视频帧按照相同方式进行分块，不同视频帧的对应块构成第一视频块序列；分镜头子模块12，用于将每一个第一视频块序列分为多个镜头；建模子模块13，用于统计每一个第一视频块序列在第一设定时间周期内的镜头数量，并用统计得到的镜头数量训练高斯模型。

更进一步地，如图7所示，分镜头子模块12可包括：第一计算子模块1201，用于计算当前的第一视频块序列中、相邻视频块之间的帧间颜色直方图差异值，得到第一视频块序列对应的帧间颜色直方图差异集，具体过程如前所述，不赘述；第二计算子模块1202，用于计算高阈值和低阈值，具体过程如前所述，不赘述；第一判断子模块1203，用于判断帧间颜色直方图差异值是否大于高阈值；第一识别子模块1204，用于当第一判断子模块1203判断帧间颜色直方图差异值大于高阈值时，识别相邻视频块中的前一视频块属于前一镜头的结束帧，相邻视频块中的后一视频块属于下一镜头的起始帧；第二判断子模块1205，用于当第一判断子模块1203判断帧间颜色直方图差异值不大于高阈值时，判断帧间颜色直方图差异值是否大于低阈值；第二识别子模块1206，用于当第二判断子模块1205判断帧间颜色直方图差异值大于低阈值时，识别相邻视频块中的后一视频块属于下一镜头起始帧；第三计算子模块1207，用于在第二识别子模块1206执行完毕后，计算相邻视频块中的后一视频块及其之后的某个视频块的累积直方图差异，具体过程如前所述，不赘述；第三判断子模块1208，用于判断某个视频块与其之后相邻视频块之间的帧间颜色直方图差异值是否小于低阈值，且累积直方图差异大于高阈值；第三识别子模块1209，用于当第三判断子模块1208判断某个视频块与其之后相邻视频块之间的帧间颜色直方图差异值小于低阈值，且累积直方图差异大于高阈值时，识别某个视频块属于下一镜头结束帧。

本发明第三实施例中，分块子模块11、建模子模块13、测试交通视频图像处理模块2以及交通异常检测模块3的执行过程如前所述，不赘述。

图8示出了本发明第四实施例提供的交通异常检测系统的原理。

与第三实施例不同的是，此时，系统还包括：融合模块4，用于对交通异常检测模块3得到的、测试交通视频图像序列的各个第二视频块序列的检测结果进行融合，得到对测试交通视频图像的最终检测结果。融合模块4的具体执行过程如前所述，不赘述。

综上所述，本发明提出的交通异常检测方法及系统是将正常交通视频图像序列分为视频块序列，检测视频块序列中的镜头数量，建立视频块序列中的镜头数量的高斯模型，利用高斯模型对测试交通视频图像进行异常检测。相对于现有人工分析方式，实现了监测的智能化，实时性强并节约了人力成本。同时，分块分镜头技术使得检测速度更快，特别适合应用在处理数据量大、场景复杂且变化快的交通视频监控领域中，可快速准确的定位事故现场。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来控制相关的硬件完成，所述的程序可以在存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种交通异常检测方法，其特征在于，所述方法包括以下步骤：

对正常交通视频图像序列中的每一视频帧按照相同方式进行分块，不同视频帧的对应块构成第一视频块序列，之后将每一个所述第一视频块序列分为多个镜头，统计每一个所述第一视频块序列在第一设定时间周期内的镜头数量，并用统计得到的所述镜头数量训练高斯模型；

对测试交通视频图像序列中的每一视频帧按照相同方式进行分块，不同视频帧的对应块构成第二视频块序列，之后将每一个所述第二视频块序列分为多个镜头，统计每一个所述第二视频块序列在第二设定时间周期内的镜头数量，所述第二设定时间周期与所述第一设定时间周期相等；

根据所述第二视频块序列在所述第二设定时间周期内的镜头数量，利用对应的所述高斯模型，完成所述第二视频块的交通异常检测。

2.如权利要求1所述的交通异常检测方法，其特征在于，所述将每一个所述第一视频块序列分为多个镜头的步骤包括以下步骤：

计算当前的第一视频块序列中、相邻视频块之间的帧间颜色直方图差异值，得到所述第一视频块序列对应的帧间颜色直方图差异集；

计算高阈值和低阈值；

判断所述帧间颜色直方图差异值是否大于所述高阈值；

当判断所述帧间颜色直方图差异值大于所述高阈值时，识别所述相邻视频块中的前一视频块属于前一镜头的结束帧，所述相邻视频块中的后一视频块属于下一镜头的起始帧；

当判断所述帧间颜色直方图差异值不大于所述高阈值时，判断所述帧间颜色直方图差异值是否大于所述低阈值；

当判断所述帧间颜色直方图差异值大于所述低阈值时，识别所述相邻视频块中的后一视频块属于下一镜头起始帧；

计算所述相邻视频块中的后一视频块及其之后的某个视频块的累积直方图差异；

判断所述某个视频块与其之后相邻视频块之间的帧间颜色直方图差异值是否小于所述低阈值，且所述累积直方图差异大于所述高阈值；

当判断所述某个视频块与其之后相邻视频块之间的帧间颜色直方图差异值小于所述低阈值，且所述累积直方图差异大于所述高阈值时，识别所述某个视频块属于下一镜头结束帧。

3.如权利要求2所述的交通异常检测方法，其特征在于，所述计算当前的第一视频块序列中、相邻视频块之间的帧间颜色直方图差异值的步骤表示为：

$\begin{array}{c}{D}_{i,j,t}=1-I(H\left(b_{i,j,t}\right),H\left(b_{i,j,t+1}\right))\\ =1-\frac{\underset{k=1}{\overset{c}{\mathrm{\&Sigma;}}}\min (h_k\left(b_{i,j,t}\right),h_k\left(b_{i,j,t+1}\right))}{\underset{k=1}{\overset{c}{\mathrm{\&Sigma;}}}\max (h_k\left(b_{i,j,t}\right),h_k\left(b_{i,j,t+1}\right))}\end{array}$

其中，D_i,j,t为视频帧f_t分块后的第i行、第j列的视频块b_i,j,t及其相邻的视频块b_i,j,t+1之间的帧间颜色直方图差异值，I(H(b_i,j,t),H(b_i,j,t+1))为视频块b_i,j,t和视频块b_i,j,t+1的颜色直方图交集，H(b_i,j,t)为视频块b_i,j,t的颜色直方图且有H(b_i,j,t)＝(h₁(b_i,j,t),h₂(b_i,j,t),L,h_N(b_i,j,t))，h_k(b_i,j,t),k＝0,1,L N为视频块b_i,j,t中亮度为k的像素数目，N为颜色亮度等级。

4.如权利要求2所述的交通异常检测方法，其特征在于，所述高阈值T_h表示为：T_h＝μ+α_hσ，所述低阈值T_l表示为：T_l＝μ+α_lσ；

其中，σ是帧间颜色直方图差异集中的元素的标准差，μ是帧间颜色直方图差异集中的元素的均值，α_h和α_l是变量系数，且α_h为6，α_l为1。

5.如权利要求2所述的交通异常检测方法，其特征在于，所述计算相邻视频块中的后一视频块及其之后的某个视频块的累积直方图差异的步骤表示为：

$A_{i,j}(t,t+g)=\underset{k=t+1}{\overset{t+g}{\mathrm{\&Sigma;}}}{D}_{i,j,k}$

其中，A_i,j(t,t+g)为相邻视频块中的后一视频块b_i,j,t+1及其之后的第g-1个视频块b_i,j,t+g的累积直方图差异，D_i,j,k为视频帧f_k分块后的第i行、第j列的视频块及其相邻的视频块之间的帧间颜色直方图差异值。

6.如权利要求1所述的交通异常检测方法，其特征在于，若第一视频块序列b_i,j，所述第一视频块序列b_i,j的镜头数量的集合X_i,j为X_i,j＝{x_i,j,1,x_i,j,2,…,x_i,j,z}，x_i,j,k为在所述第一设定时间周期T_k内的镜头数量，则所述镜头数量x_i,j,k的高斯模型表示为：

$f\left(x\right)=\frac{1}{\sqrt{2\mathrm{\&pi;}}{\mathrm{\&sigma;}}_{i,j}}\exp (-\frac{{(x-u_{i,j})}^2}{2{{\mathrm{\&sigma;}}_{i,j}}^2})$

其中，μ_i,j是期望值，σ_i,j是方差，x∈X_i,j，所述值μ_i,j和方差σ_i,j的最大似然估计值由公式 $l({\mathrm{\&mu;}}_{i,j},{\mathrm{\&sigma;}}_{i,j};x_{i,j,1},x_{i,j,2},...,x_{i,j,z})=-\frac{z}{2}(1n\left(2\mathrm{\&pi;}\right)+1n\left({{\mathrm{\&sigma;}}_{i,j}}^2\right))-\frac{1}{2{{\mathrm{\&sigma;}}_{i,j}}^2}\underset{k=1}{\overset{z}{\mathrm{\&Sigma;}}}{(x_{i,j,k}-{\mathrm{\&mu;}}_{i,j})}^2$ 估算出。

7.如权利要求6所述的交通异常检测方法，其特征在于，所述根据所述第二视频块序列在所述第二设定时间周期内的镜头数量，利用对应的所述高斯模型，完成所述第二视频块的交通异常检测的步骤表示为：

$S_{i,j}=\left\{\begin{array}{cc}0,& |x_{i,j}^{\&prime;}-{\mathrm{\&mu;}}_{i,j}|<{3\mathrm{\&sigma;}}_{i,j}\\ 1,& |x_{i,j}^{\&prime;}-{\mathrm{\&mu;}}_{i,j}|\&GreaterEqual;{3\mathrm{\&sigma;}}_{i,j}\end{array}\right.$

其中，x′_i,j是第二视频块序列b′_i,j在第二设定时间周期内的镜头数量，S_i,j是在第二设定时间周期时，第二视频块b′_i,j的状态，且当S_i,j为0时，表示第二视频块的交通正常，当S_i,j为1时，表示第二视频块的交通异常。

8.如权利要求7所述的交通异常检测方法，其特征在于，在所述根据所述第二视频块序列在所述第二设定时间周期内的镜头数量，利用对应的所述高斯模型，完成所述第二视频块的交通异常检测的步骤之后，所述方法还包括以下步骤：

对测试交通视频图像序列的各个第二视频块序列的检测结果进行融合，得到对测试交通视频图像的最终检测结果；

所述对测试交通视频图像序列的各个第二视频块序列的检测结果进行融合，得到对测试交通视频图像的最终检测结果的步骤表示为：

$\mathrm{SF}=\left\{\begin{array}{cc}0,& \underset{i=1}{\overset{r}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{c}{\mathrm{\&Sigma;}}}{S}_{i,j}<\mathrm{\&epsiv;}\\ 1,& \underset{i=1}{\overset{r}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{c}{\mathrm{\&Sigma;}}}{S}_{i,j}\&GreaterEqual;\mathrm{\&epsiv;}\end{array}\right.$

其中，SF是测试交通视频图像序列的最终检测结果，ε是检测结果的阈值，r是测试交通视频图像序列中每一视频帧包含的块的行数，c是测试交通视频图像序列中每一视频帧包含的块的列数，当SF为0时，表示测试交通视频图像的交通正常，当SF为1时，表示测试交通视频图像的交通异常。

9.一种交通异常检测系统，其特征在于，所述系统包括：

建模模块，用于对正常交通视频图像序列中的每一视频帧按照相同方式进行分块，不同视频帧的对应块构成第一视频块序列，之后将每一个所述第一视频块序列分为多个镜头，统计每一个所述第一视频块序列在第一设定时间周期内的镜头数量，并用统计得到的镜头数量训练高斯模型；

测试交通视频图像处理模块，用于对测试交通视频图像序列中的每一视频帧按照相同方式进行分块，不同视频帧的对应块构成第二视频块序列，之后将每一个所述第二视频块序列分为多个镜头，统计每一个所述第二视频块序列在第二设定时间周期内的镜头数量，所述第二设定时间周期与所述第一设定时间周期相等；

交通异常检测模块，用于根据所述第二视频块序列在所述第二设定时间周期内的镜头数量，利用对应的所述高斯模型，完成所述第二视频块的交通异常检测。

10.如权利要求9所述的交通异常检测系统，其特征在于，所述系统还包括：

融合模块，用于对所述交通异常检测模块得到的、所述测试交通视频图像序列的各个第二视频块序列的检测结果进行融合，得到对所述测试交通视频图像的最终检测结果。