CN105513354A - 基于视频的城市道路交通拥堵检测系统 - Google Patents

Abstract

基于视频的城市道路交通拥堵检测系统，本发明涉及图像识别领域，其旨在解决现有用于交通拥堵检测的视频图像系统，存在易受环境影响，不易维护，安装时破坏原有交通设备，实时性差，数据准确度低且图像识别误差较大等技术问题。该发明主要包括读取视频以及预处理视频，以获取视频帧；对获取的视频帧进行背景建模，获得背景帧序列和前景帧序列；对与背景帧序列同帧的前景帧序列进行检测并提取运动目标，并在平滑滤波处理后按前景帧序列保存单帧前景图片；按前景帧序列顺序播放单帧前景图片并对运动目标进行滤波跟踪，以获得道路中车辆情况；根据车辆情况和/或运动目标的前景帧序列，计算并得出交通参数。本发明用于搭建精度较高的交通拥堵视频检测系统。

Description

基于视频的城市道路交通拥堵检测系统

技术领域

本发明涉及图像识别领域，具体涉及一种基于视频的城市道路交通拥堵检测系统。

背景技术

当今，城市中的车辆数目与日俱增，与此同时，城市道路上的负载也加重，城市道路规划的速度明显低于车辆增加的速度，车路矛盾日渐突出。交通拥堵现象已经存在于大中城市内，不仅给城市道路危害，而且给社会带来巨大损失。通常情况下，交通参数包括：路面空间占有率指在某一时间段内，一段道路上所有交通车辆的面积之和和观测路面的比值；车速是指在单位时间内车辆在道路上行驶的距离，在讨论道路上的交通问题的时候一般采用许多车辆的平均速度，而不是一辆车的瞬时速度或者是一辆车的平均速度,而在讨论城市道路中的交通车辆的车速时，由于车辆的速度都是很均匀统一的，所以用一辆车的车速可以代替道路的平均车速；车流量在单位时间内通过某个横截面的车辆的数目；排队长度是指在道路上的某一个断点开始，车辆在道路上的排队长度。一般情况下，道路交通拥堵程度和车辆在道路上的排队长度呈正相关性，但是也不能排除车辆在等待交通红绿灯时的排长队的特殊情况；交通密度是指在某一时刻道路上的车辆数目与所观测的道路长度的比值。

所以，能够实时、有效地检测道路拥堵问题是顺应社会发展的需要。若要对交通拥堵进行预警和避免，必须要对交通拥堵进行正确的检测。现有的交通拥堵检测方法主要利用超声波传感器进行检测、利用GPS定位技术进行拥堵检测，此外还有地感线圈检测、环形线圈检测、微波检测等手段，但是这些传统的检测方法中都存在着一些不足之处，例如进行检测的投资成本高、容易损坏、难于维护等缺点。

利用视频图像技术检测交通拥堵，相比传统的检测方法，其检测范围广、破坏性小、易于维护、能克服环境背景的变化、行人及天气的影响的特点更适合当今社会对城市道路交通拥堵检测的需要。但是，目前视频图像处理在智能交通中的应用，主要集中在对交通参数的提取，而对视频流中的交通拥挤状态的检测很少涉及。然而，本系统则是利用视频图像处理技术，对获取到的交通运行状况视频进行处理，得到能够判断交通是否拥堵的参数信息，进而对拥堵等级进行检测。

发明内容

针对上述现有技术，本发明目的在于提供一种基于视频的城市道路交通拥堵检测系统，其旨在解决现有用于交通拥堵检测的视频图像系统，存在易受环境影响，不易维护，安装时破坏原有交通设备，实时性差，数据准确度低且图像识别误差较大等技术问题。

为达到上述目的，基于视频的城市道路交通拥堵检测系统，其方法步骤如下：

读取视频以及预处理视频，以获取视频帧；将获取的视频帧进行背景建模，获得背景帧序列和前景帧序列；对与背景帧序列同帧的前景帧序列进行检测并提取运动目标，并在平滑滤波处理后按前景帧序列保存单帧前景图片；按前景帧序列顺序播放单帧前景图片并对运动目标进行卡尔曼滤波跟踪以获得道路中车速，以及根据运动目标的前景帧序列计算并得出路面占有率以及路面占有率离差平方值和/或车流量；利用模糊C均值聚类算法对路面占有率以及路面占有率离差平方值和/或车流量进行聚类，分别计算并得出与对应聚类中心的欧式距离；所获得的欧式距离再结合车速,进行交通拥堵等级检测和划分。

上述方案中，优选地，所述的进行平滑滤波处理，包括进行中值滤波处理和/或进行均值滤波处理和/或进行高斯滤波处理和/或进行形态学滤波处理。在得到的初步运动前景中会有很多噪声，在城市道路两旁的树叶因为风吹而运动的原因，有时也会当做是运动的目标检测出来，但是检测到的树叶在前景中只是很小像素点的前景，分布比较稀疏，可以通过去噪算法将这些对系统检测结果形成干扰的噪声去掉。另外，检测到的运动目标的前景轮廓的周围会有一些噪声，影响整个轮廓的提取，也需要去噪方法将这些噪声去掉。

上述方案中，还包括根据得出的交通参数，进行交通拥堵等级检测。国家划定的拥堵等级的依据是道路中车辆的速度，本系统在设计时除了运动车速作为限定条件之外，同时还利用聚类C均值算法，将路面占有率和路面占有率的离差平方值进行聚类；利用这两个条件对交通拥堵状况进行划分，增加了检测的准确性和可信性。

上述方案中，优选地，所述的预处理视频，包括检测视频的格式并获取视频的帧率、播放长度、帧高度和宽度属性。根据系统的特点，在读取交通视频的时候需要读取.avi格式的视频；如用户在读取视频的时候不符合格式要求，则提醒用户读取合适格式的视频；预处理操作主要获帧率、播放长度、帧高度与宽度等基本属性，以方便后边步骤对视频帧图像的处理。

上述方案中，所述的对获取的视频帧进行背景建模，包括对获取的视频帧录制背景和/或前景视频帧，获取已录制的背景和/或前景帧数，获取已录取的背景和/或前景时间，并进行混合高斯背景建模和/或平均建模。选择正确合适的背景模型，能够使检测到的前景目标更加接近目标真实的轮廓形状和参数信息，而且也使检测的结果更加可靠；混合高斯背景建模方法是根据像素点符合的高斯分布来叠加的，对光照和天气等噪声的影响不是很大。

上述方案中，优选地，所述的混合高斯背景建模，背景的来源是对较长一段时间内背景像素点的密度统计进行分析得出的，该方法是基于统计的一种方法，计算的复杂度较大；因为现实环境中，道路交通的背景是很复杂的，所以背景像素的呈现规律大多出现多峰的情况；对于多峰的情况，每个像素点的颜色变化规律并不是有单个的高斯分布来确定的，而是由多个高斯分布在不同权重的情况下叠加决定的；在处理彩色图像时，一般采用R，G,B的形式来描述像素点颜色信息，像素点X(x₁,x₂,x₃...x_n)是由在n个不同高斯分布情况下的信息叠加而成的，x_n＝(r_n,g_n,b_n)，

$p\left(x_n\right)=\underset{i=1}{\overset{k}{\Σ}}{\mathrm{\ω}}_{i,n}\×\mathrm{\η}(x_n,{\mathrm{\μ}}_{i,n},{\mathrm{\τ}}_{i,n})---\left(E1\right)$

$\mathrm{\η}(x_n,{\mathrm{\μ}}_{i,n},{\mathrm{\τ}}_{i,n})=\frac{1}{|{\mathrm{\τ}}_{i,n}{|}^{1/2}}{e}^{-\frac{1}{2}{(x_n-{\mathrm{\μ}}_{i,n})}^T{{\mathrm{\τ}}^{-1}}_{i,n}(x_n-{\mathrm{\τ}}_{i,n})}---\left(E2\right)$

τ_i,n＝δ_i,n ²I(E3)

式中每个像素点有K个高斯分布函数叠加而成，η(x_n,μ_i,n,τ_i,n)为第n时刻第i个高斯分布，ω_i,n是其权重，μ_i,n为均值，δ_i,n为方差，τ_i,n为协方差矩阵，I为三维单位矩阵。

上述方案中，优选地，所述的平均建模该方法是将所需要的检测帧的相同位置的像素点值和背景中相同位置的像素点值相减，得到要检测的前景；此方法对光照的变化比较敏感；背景中像素点u(x,y)，待检测的像素点为T(x,y)，前景差值d(x,y)，将差值和提前设定好的阈值T进行比较，得出真正需要输出的out(x,y)值，

d(x,y)＝I(x,y)-u(x,y)(E4)

用T_t(x,y)表示图像(x,y)位置处t时刻时的像素值，Δt表示两帧之间的时间间隔，

F_t(x,y)＝|I_t(x,y)-I_t-Δt(x,y)|(E6)

$a(x,y)=\frac{1}{M}{\Σ}_{t=\mathrm{\Δ}t+1}^M{F}_t(x,y)---\left(E7\right)$

$s(x,y)=\sqrt{\frac{1}{M}{\Σ}_{t=\mathrm{\Δ}t+1}^M\Σ{\left(F_t\right(x,y)-a(x,y\left)\right)}^2}---\left(E8\right)$

T＝a(x,y)+β×s(E9)

为了保证a和s的精确性，M值要设的非常大，β值一般设为2；

在每一帧视频检测之后需要更近背景来提高算法的鲁棒性，即提高系统性能保持能力；相应的u(x,y)、a(x,y)和s(x,y)更新为u'(x,y)，a'(x,y)和s'(x,y)，

u'(x,y)＝(1-α)×u(x,y)+α×I(x,y)(E10)

a'(x,y)＝(1-α)×a(x,y)+α×F(x,y)(E11)

s'(x,y)＝(1-α)×s(x,y)+α×|F(x,y)-a'(x,y)|(E12)

α是学习率，值越大，更新越快。

上述方案中，优选地，所述的对与背景帧序列同帧的前景帧序列进行检测并提取运动目标，包括对与背景帧序列同帧的前景帧序列，通过设置有效阈值面积、设置前景二值化阈值和设置平均建模参数进行检测，并通过背景差分法和/或帧间差法提取运动目标。要检测视频中的车辆，若利用背景差分的方法对运动目标的前景帧序列进行检测，在背景建模之后，利用当前帧和背景进行相减。

上述方案中，优选地，所述的滤波跟踪，包括卡尔曼滤波跟踪。运动中车辆的位置会随着时间的变化而改变，若要获取运动车辆的具体位置信息就要对车辆进行跟踪。

上述方案中，优选地，所述的交通参数，包括车速和/或路面占有率及路面占有率离差平方值和/或车流量。

上述方案中，优选地，所述的进行交通拥堵等级检测划分，通过卡尔曼滤波跟踪所获得的车速，并结合利用模糊C均值聚类算法进行聚类后的路面占有率以及路面占有率离差平方值和/或车流量，再判断分别对应聚类中心的欧式距离，进行拥堵等级划分。

上述方案中，在拥堵等级划分过程中，如果所述的车速不属于所获得交通拥堵等级对应公共规定的车速，则所获得的交通拥堵等级重置为所述车速所属公共规定车速范围对应的交通拥堵等级。

上述方案中，优选地，所述的交通拥堵等级，其算法采用如下三种算法任意一种，

(1)模糊综合检测算法

为了更高可信度地去划分拥堵等级，需要实现定义好评定因素集合U，也就是说这些因素会对评定结果有影响，包括车速和/或路面占有率及路面占有率离差平方值和/或车流量，对于评判等级V，可以分为V＝{畅通，拥堵，严重拥堵}，或者V＝{畅通，轻度拥堵，拥堵，严重拥堵}等情况；R∈F(U,V)表示评定因素集合U到评判等级集合V的模糊关系；同时需要对因素集种各个评判因素对评判结果的不同重要程度有描述，用权重集A表示，集合A中各个元素符合归一化原理，也就是所有元素之和为1；模糊评判结果B＝AοR

算法流程如下：

1.确定评定因素集合U

2.确定评价结果集合V

3.确定权重集合A

4.确定模糊评判矩阵R

$R=F(U,V)=\left\{\begin{array}{c}f\left(u_1\right)\\ f\left(u_2\right)\\ f(u_3\\ \mathrm{...}\\ f\left(u_m\right)\end{array}\right\}=\left[\begin{array}{cccc}{r}_{11}& r_{12}& \mathrm{...}& r_{1n}\\ r_{21}& r_{22}& \mathrm{...}& r_{2n}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ r_{m1}& r_{m2}& \mathrm{...}& r_{mn}\end{array}\right]---\left(E13\right)$

5.确定模糊评判结果

$B=\left[\begin{array}{c}{B}_1\\ B_2\\ B_3\\ \mathrm{...}\\ B_1\end{array}\right]=\left[\begin{array}{ccc}{A}_1& o& R_1\\ \mathrm{...}& \mathrm{...}& \mathrm{...}\\ A_1& \mathrm{...}& R_1\end{array}\right]---\left(E14\right)$

6.选择最合适的检测结果

因为如果隶属度为最大的话，那么就很有可能处在该情况下的拥堵等级。(2)人工神经网络法

该方法借助了人工神经网络智能的优点；首先要人为地事先对网络进行大量数据的训练，让网络学习更多现实道路中的交通运行状况，然后对输入要检测的交通信息，得出检测结果；

该方法主要有三个模块构成：

1.输入层

输入层主要是输入已经采取好的交通参数，如车辆等待时间、车辆在道路上的排队长度、车辆行驶速度、道路占有率等；

2.中间层

中间层主要是对输入层数据进行处理，在对输入进网络的数据进行处理之前，首先要确保网络已经对现实中的交通道路状况进行了模拟，保证网络可以对各种数据具有判断的能力；

3.输出层

将中间层处理的结果输出来。

(3)灰色决策法

灰色是相对于透明而言，用在检测算法上就是指输入样本具有不确定性；在输入数据信息不完整的情况下，可以用已知的信息代替位置的信息或者是不确定的信息；但是，所缺少的信息量不能过大，能确保在用已知代替未知时，检测结果离真实结果的偏差很小；具体分为以下几个步骤：

1.确定集合F＝(f₁,f₂....f_n)作为评价目标，该集合有已建立好的评审小组确定；

2.采用U-V模糊映射模型对评价结果进行模糊处理；

3.确定评语集合A，得到模糊评定映射集合；

4.将评定指标进行量化处理，确定比较矩阵K和经过层次分析法分析之后得到的判定矩阵Q，在计算γ_ij是采用的计算公式即：

${\mathrm{\&gamma;}}_{ij}=\{\begin{array}{c}\frac{K_i-K_j}{K_{\max }-K_{\min }}(b_m-1)+1(K_i\&GreaterEqual;K_j)\\ \frac{1}{\frac{K_i-K_j}{K_{\max }-K_{\min }}(b_m-1)+1}(K_i<K_j)\end{array}---\left(E15\right)$

b_m即为评判因素集合中最为重要因素与最为不重要因素的比；权系数字W^k的计算方法为

$W^k=\frac{R_i}{\&Sigma;R_i}---\left(E16\right)$

5.确定决策矩阵D^Σ，评判结果的确定是选取D^Σ的最大值

$\{\begin{array}{c}{D}^{\&Sigma;}=\frac{{{\mathrm{\&gamma;}}_{ij}}^{\&Sigma;}}{S_{ij}}\\ {{\mathrm{\&gamma;}}_{ij}}^{\&Sigma;}=\underset{K=1}{\overset{n}{\&Sigma;}}{{\mathrm{\&gamma;}}_{ij}}^{\&Sigma;}{W}^K\end{array}.---\left(E17\right)$

上述方案中，优选地，所述的路面占有率，在视频的每一帧中所观测到的道路交通路面面积为Area_road，视频中检测到的交通车辆的总面积为

$\underset{n=1}{\overset{number}{\&Sigma;}}{\mathrm{Car}}_n(n=1,\mathrm{2...}number)---\left(E18\right)$

number表示视频中车辆的个数路面占有率为

$ratio=\frac{\underset{n=1}{\overset{number}{\&Sigma;}}{\mathrm{Car}}_n}{{\mathrm{Area}}_{road}}.---\left(E19\right)$

上述方案中，优选地，所述的车速，视频中车辆在T₁时刻是车辆的质心为centre₁，进过一段时间之后在T₂时刻时车辆的质心移动到centre₂位置，则车速可以表示为：

$V=\frac{|{\mathrm{centre}}_1-{\mathrm{centre}}_2|}{T_2-T_1}.---\left(E20\right)$

上述方案中，优选地，所述的车流量视频中车辆在T₁时刻是某一车辆的质心为centre₁，进过一段时间之后在T₂时刻时车辆的质心移动到centre₂位置，统计在这段时间间隔内centre₁和centre₂两位置之间的车辆数目sum，那么车流量可以通过以下方式计算：

$flow=\frac{sum}{T_2-T_1}.---\left(E21\right)$

上述方案中，优选地，所述的卡尔曼Kalman滤波，输入为系统的观测量，输出为估计的值或者状态，利用系统方程和观测方程处理输入的信号；核心主要有五个方程：

X(k|k-1)＝AX(k-1|k-1)+BU(k)(E22)

P(k|k-1)＝AP(k-1|k-1)A'+Q(E23)

X(k|k)＝X(k|k-1)+Kg(k)(Z(k)-HX(k|k-1))(E24)

Kg(k)＝P(k|k-1)H'/(HP(k|k-1)H'+R)(E25)

P(k|k)＝(I-Kg(k)H)P(k|k-1)(E26)

上述式子中，算法中还需要系统控制量U(k)，系统状态用X(k)表示，测量值用Z(k)；X(k)状态向量，包含了观测的目标的性质；U(k)既是系统控制量，也称为驱动输入向量，它能影响观测目标运动的改变，如运动目标可以受一个恒定的驱动力而产生加速度；系统参数是A和B；B称为驱动控制输入矩阵，也就是说在k时刻时，运动目标的状态会受k-1时刻时驱动力的影响；H称为观测矢量，当A、B、H为矩阵时，则系统处在多模型系统的状态下。高斯白噪声为W(k)，V(k)，W(k)为过程噪声，V(k)为测量噪声，它们的协方差矩阵分别为Q和R；系统的测量值方程为

Z(k)＝HX(k)+V(k)。(E27)

上述方案中，优选地，所述的模糊C均值算法(fuzzyc-means)，将一个包含大量数据的样本，通过计算划分到c个类别中，每个聚类中心可以用V表示，V＝{v₁,v₂...v_c}；用隶属度U解释模糊；fuzzyc-means算法在求每个类的聚类中心时，保证Je最小，Je的值是描述数据之间非相似性程度；而U则满足归一性原理；

$\underset{i=1}{\overset{c}{\&Sigma;}}{u}_{ij}=1,\&ForAll;j=1,\mathrm{...},n---\left(E28\right)$

价值函数的表达式为，

$J(U,v_1,\mathrm{...},v_c)=\underset{i=1}{\overset{c}{\&Sigma;}}{J}_i=\underset{i=1}{\overset{c}{\&Sigma;}}\underset{j}{\overset{n}{\&Sigma;}}{u}_{ij}^m{d}_{ij}^2---\left(E29\right)$

v₁,v₂...v_c表示c个聚类的聚类中心，m表示隶属度的指数，d_ij表示第i个聚类中心到第j个样本的欧氏距离；当(E23)式子达到最小值时，

$\begin{array}{c}\stackrel{\&OverBar;}{J}(U,v_1,\mathrm{...},v_c,{\mathrm{\&lambda;}}_1,\mathrm{...},{\mathrm{\&lambda;}}_n)=J(U,v_1,\mathrm{...},v_c)+{\&Sigma;}_{j=1}^n{\mathrm{\&lambda;}}_j(\underset{i=1}{\overset{c}{\&Sigma;}}{u}_{ij}-1)\\ =\underset{i=1}{\overset{c}{\&Sigma;}}\underset{j}{\overset{n}{\&Sigma;}}{u}_{ij}^m{d}_{ij}^2+\underset{j=1}{\overset{n}{\&Sigma;}}{\mathrm{\&lambda;}}_j(\underset{i=1}{\overset{c}{\&Sigma;}}{u}_{ij}-1)\end{array}---\left(E30\right)$

对所有输入变量进行求导得到，

运用(E29)和(E30)两式进行模糊C均值聚类算法的迭代过程：

1.首先要初始化U，要求满足归一化；

2.将样本化为c个聚类，利用(E31)计算V；

3.设定价值函数值得阈值，进行迭代处理，直至价值函数值小于设定的阈值；

4.利用公式(E32)计算U，将循环返回到第二步。

与现有技术相比，本发明有益效果：新颖地并创造地，利用卡尔曼滤波跟踪的方法实现了交通监控视频中车速获取以及再通过模糊C均值聚类算法进行路面占有率及其离差平方值模糊聚类后，完成了交通拥堵等级划分；显著地并实质地，提高了交通拥堵检测的精度、易用性以及数据的可靠性。

附图说明

图1为本发明方法框图；

图2为本发明的读取视频与预处理模块时序图；

图3为本发明的卡尔曼滤波流程图；

图4为本发明的平均建模流程图；

图5为本发明的录制背景流程图；

图6为本发明的获取背景录制时间、背景录制状态及背景录制帧数流程图；

图7为本发明的模糊C均值聚类流程图；

图8为本发明的运动目标跟踪模块时序图；

图9为本发明的交通参数的提取模块时序图；

图10为本发明的提取路面占有率流程图；

图11为本发明的提取车流量流程图；

图12为本发明的提取车速流程图；

图13为本发明的交通拥堵等级检测模块时序图；

图14为本发明的具体实施界面设计的一种实施例示意图；

图15为本发明的一具体实施例视频第N帧检测结果示意图；

图16为本发明的一具体实施例视频第N+1帧检测结果示意图；

图17为本发明的一具体实施例视频Kalman滤波跟踪计算车速表格；

图18为本发明的一具体实施例视频聚类结果表格；

图19为本发明的一具体实施例视频中待测的交通参数与每个聚类中心的欧氏距离；

图20为本发明的一具体实施例视频交通拥堵等级检测示意图。

具体实施方式

本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

下面结合附图对本发明做进一步说明：

图1为本发明方法框图，基于视频的城市道路交通拥堵检测系统，包括读取视频以及预处理视频，以获取视频帧；对获取的视频帧进行背景建模，获得背景帧序列和前景帧序列，并保存单帧背景图片；对与背景帧序列同帧的前景帧序列进行检测并提取运动目标，并在平滑滤波处理后按前景帧序列保存单帧前景图片；按前景帧序列顺序播放单帧前景图片并对运动目标进行滤波跟踪，以获得道路中车辆情况；根据车辆情况和/或运动目标的前景帧序列，计算并得出交通参数。

读取视频以及预处理视频，实施例一

图2为本发明的读取视频与预处理模块时序图，读取视频，将视频读取到系统中。如果用户读取的视频的格式为AVI格式，若视频格式不正确是系统是无法识别的，用户需要重新选择视频目标。视频预处理，对读入的待检测视预处理，获取到视频帧的属性信息，并将视频帧的首帧在各个区域显示出来。在得到视频帧的属性信息之后，将属性信息保存在成员变量里，并保证这些信息的正确性，且对当前视频进行处理时，保证成员变量的值不变。

接口程序如下具体实施如下，

voidOnRead()，读取视频信息。//在rect区域内显示VideoPath路径的视频文件intOpenVideo(CStringsource_video_path,HDChdc,CRectrect)；//打开待检测视频

voidPlayVideoFrame(intframe_position)；//播放frame_position所在帧视频

voidZonePlayVideo(intframepos,IplImage*imgFrame)；//将播放的视频帧划分区域intPlayVideoSpeed()；//视频播放的速度OnStart()；//开始播放视频

voidOnParameterset()；//设置参数。

背景建模，实施例二

1.混合高斯背景建模

1)描述：背景的来源是对较长一段时间内背景像素点的密度统计进行分析得出的，该方法是基于统计的一种方法，计算的复杂度较大；因为现实环境中，道路交通的背景是很复杂的，所以背景像素的呈现规律大多出现多峰的情况。对于多峰的情况，每个像素点的颜色变化规律并不是有单个的高斯分布来确定的，而是由多个高斯分布在不同权重的情况下叠加决定的。

2)说明：调用OpenCV库函数封装好的该方法接口。

2.平均背景建模

1)描述：将所需要的检测帧的相同位置的像素点值和背景中相同位置的像素点值相减，得到要检测的前景。此方法对光照的变化比较敏感。

2)说明：该平均背景建模方法，在对视频帧序列进行处理之前要将视频帧序列图片转化为灰度图片，将当前帧图片和对应的背景帧图片相减之后二值化前景图片，然后对背景更新。

3)平均建模流程如图4。

3.录制背景视频

1)描述：背景建模之后得到背景视频帧序列，该子功能就是将得到的背景帧序列保存到PC机本地，这样当系统关闭时，也可以看到对视频处理之后的背景帧序列。

2)说明：与读取视频一样，录制的视频帧序列也同样是AVI格式，否则将不能进行录制。

3)录制背景视频流程如图5。

4.获取已录时间、已录帧数和已录状态

1)描述：当背景视频进行录制时，能够得到背景录制的时间、录制帧数和录制状态。

2)说明：由于播放一帧视频的时间很短，所以获取到的视频时间要尽可能的准确，采用double类型的数据结构对时间进行操作，而录制帧数采用int类型的数据结构。

3)获取录制时间、录制状态及录制帧数流程如图6。

5.保存单帧背景图片

1)描述：当对待检测时间进行背景建模之后得到背景帧序列，能保存单个的视频帧图片。

2)说明：要保存的图片格式只能是BMP格式，系统不允许用户选择其他非法格式，若是选择的图片格式不正确，那么将会保存失败。

接口程序如下具体实施如下，

voidAreaDivision(IplImage*pImg,UINTareathreshold)；区域分割

voidBKSub()；背景建模

LRESULTOnUpdateData(WPARAMwParam,LPARAMlParam)；更新参数

voidOnBackgroundvideoSave()；保存背景视频

voidOnSavebgpicture()；保存背景图片

voidOnSingleframe()；单帧前进视频

voidOnPause()；//暂停视频播放

voidOnStart()；//开始视频播放

voidOnAveragecheck()；//平均建模

voidOnGaussecheck()；//高斯建模。

检测并提取运动目标，实施例三

1.在背景建模之后，通过背景差分法就可以得到前景，在对前景进行提取时，要尽可能准确地检测目标前景，检测到的目标前景的形状和面积比例要尽可能真实。录制前景视频

1)描述：背景建模之后得到前景视频帧序列，该子功能就是将得到的前景帧序列保存到PC机本地，这样当系统关闭时，也可以看到对视频处理之后的前景帧序列。

2)说明：与读取视频一样，录制的视频帧序列也同样是AVI格式，否则将不能进行录制。

2.获取录制时间、录制状态及录制帧数

1)描述：当前景视频进行录制时，能够得到前景录制的时间、录制帧数和录制状态。

2)说明：由于播放一帧视频的时间很短，所以获取到的视频时间要尽可能的准确，采用double类型的数据结构对时间进行操作，而录制帧数采用int类型的数据结构。

3.保存单帧前景图片

1)描述：当对待检测时间进行背景建模之后得到前景帧序列，能保存单个的视频帧图片。

2)说明：要保存的图片格式只能是BMP格式，系统不允许用户选择其他非法格式，若是选择的图片格式不正确，那么将会保存失败。

4.设置参数

1)描述：当对待检测时间进行背景建模之后得到前景帧序列，要得到运动目标的前景，需要对有前景有效阈值面积、前景二值化阈值和平均建模参数进行设置。

2)说明：有效阈值面积和前景二值化阈值的值为整数，平均建模参数值的有效数字一般精确到小数点后三位或者两位。

接口程序如下具体实施如下，

voidAreaDivision(IplImage*pImg,UINTareathreshold)；区域分割

cvPyrSegmentation(pImg,desImg,storage,&comp,4,200,220)；金字塔分割前景

cvFindContours(desImg,storage,&comp,sizeof(CvContour),CV_RETR_EXTERNAL,CV_CHAIN_APPROX_SIMPLE,cvPoint(0,0))；获取前景目标

LRESULTOnUpdateData(WPARAMwParam,LPARAMlParam)；更新参数

voidOnForegroundvideoSave()；保存背景视频

voidOnSavefgpicture()；保存背景图片

voidOnSingleframe()；视频单帧前进

voidOnPause()；//暂停视频播放

voidOnStart()；//开始视频播放

voidOnFramesubcheck()；//帧差法。

卡尔曼滤波跟踪，实施例四

如图8，本系统在进行详细设计时，依据就是Kalman滤波的核心公式，对选定的运动目标的运动位置进行个跟踪。

接口程序如下具体实施如下，

voidProcess()；//Kalman滤波跟踪主要处理函数

CvMat*GetMeasurement(CvMat*mat,CvPointpreviousCentre,CvPointcurrentCentre)；//观测矩阵//状态矩阵

voidGetCurentState(CvKalman*kalman,CvPointpreviousCentre,CvPointcurrentCentre)；CvKalman*InitializeKalman(CvKalman*kalman)；//初始化Kalman对象

CvRectResetRect(CvRectlargerect,CvRectsmallRect)；//重置跟踪矩形框。

CKalman(CWnd*pParent＝NULL)；//标准构造函数

交通参数的提取模块，实施例五

主要包括的子功能道路交通路面占有率的提取、车流量的提取和车速的提取。在进行交通参数提取时，要能够实时的反映出视频中的道路交通的状况。

1.提取路面占有率

1)描述：将检测到的视频帧序列中所有运动车辆进行统计，计算所有车辆的面积之后，与视频帧中所观察到的交通道路面积进行比值，得到的值就是道路交通路面占有率。

2)说明：路面占有率的比值有百分制和分数制，根据系统需要，将占有率的制转换为百分制，以便后边对交通拥堵等级的检测。

3)获取路面占有率流程图如图10。

2.提取车流量

1)描述：将检测到的视频帧序列中所有运动车辆进行统计，计算所有单位时间内通过道路中某一横截面的车辆个数。

2)说明：因为城市道路交通视频比较复杂，所以检测到的车流量的数据会有不精确的情况存在。

3)获取路面占有率流程如图11。

3.提取车速

1)描述：计算视频帧中某一选中的车辆的速度。

2)说明：采用目标跟踪模块的结果，对车速进行计算。

3)获取车速流程如图12。

接口程序如下具体实施如下，

该模块对MFC和OpenCV之间的软件接口有较高的要求。

函数接口有：

voidOnCalculateVelocity()；计算车速

voidAreaDivision(IplImage*pImg,UINTareathreshold)；区域分割用来计算道路占有率和车流量

voidProcess()；Kalman滤波跟踪处理接口。

交通拥堵等级检测模块，实施例六

如图13，检测时间要在2秒以内，本系统利用fuzzyc-means时，聚类的对象是路面占有率和占有率离方。但只凭占有率这一个交通参数进行拥堵等级判定是不全面的，因此，本系统所采用的判定算法是总综合速度和占有率及占有率离差平方值三个参数进行判定，提高了检测结果的可靠性。

接口程序如下具体实施如下，

//FCM主程序

voidFCMMain(char*datafilename,char*centrefile,intdatacolumn,intdatarow,intcategory,intfuzzyexponent)；

//两个矩阵的乘积

double**MulofMatrix(double**matrix1,introw1,intcolumn1,double**matrixb,introw2,intcolumn2)；

double

FCMProcess(double**umatrix,double**datamatrix,double**vmatrix,introw,intcolumn,intcategory,intfuzzyexponent)；//FCM处理程序，更新隶属度umatrix和聚类中心矩阵

voidinitialize(double**umatrix,intcategory,intcolumn)；//初始化聚类中心矩阵

voidNormalize(double**umatrix,intcategory,intcolumn)；//归一化隶属度矩阵，每一列的和位1

double**ReadeData(char*filename,intraw,intcolumn)；//读取数据矩阵

CFCM(CWnd*pParent＝NULL)；//标准构造函数

voidOnTrafficcongestiondetection()；//检测交通拥堵等级

OnFcmparameterset()；设置FCM算法参数。

界面设计，实施例七

系统主界面主要分为十个区域。最上面一行的三个区域主要是视频处理过程的三种视频的播放区域，即待检测视频播放区域和前景、背景视频播放区域。在待检测视频播放区域内可以看到正在播放的视频是第几帧，同时视频的暂停与播放功能的控制均在该部分。在背景、前景视频播放区域可以直观的观察到当前对待检测视频的处理结果，同时可以对视频进行录制，并观察录制状态、录制时间和录制帧数。交通参数提取模块主要显示检测到的交通参数，其中车速的需要用户额外的进行操作，点击“计算车速”之后会在另外的界面内进行操作。背景建模方法和模糊滤波处理方法的选取只需在对应的方法前打钩。参数设置区域显示用户所设置的基本参数。算法性能模块显示前景检测用户所选的处理方法的性能。FCM参数设置区域允许用户对聚类类别个数和隶属度指数进行手动设置。拥堵检测区域，显示系统的检测结果。如图14所示。

实施例八

导入相邻两帧交通图像，如图15和16，车速计算过程参数如图表17。首先对fuzzyc-means算法进行测试，对待测的数据样本进行处理，聚类结果如图表18所示，类别1为“畅通”，类别2为“轻度拥挤”，类别3为“拥挤”和类别4为“严重拥挤”，此等级的划分只是单纯的用主干道路上机动车的行车车速位依据，未免有失客观；例如，在车辆等待红绿灯的时候，此时车速为0，但是交通并不一定处在拥挤的状态，所以本申请同时增加了主要的判断依据参数，即路面占有率和占有率离差平方值。在进行拥堵等级检测时，将得到的交通参数，即路面占有率和占有率离差平方值和聚类中心进行欧式距离的计算，结果如表19，通过与图20的结果进行比较，与第一聚类的欧式距离较近，所以检测结果应该是畅通，则检测结果的显示是正确的。

实施例九

1、利用模糊C均值聚类算法，将路面占有率和路面占有率的离差平方进行聚类，分为4类。由于同一个离差平方值对应两个(拥堵和畅通时)路面占有率值，所以，增加了车速的约定条件。

2、我国公安部2002年公布的《城市交通管理评价指标体系》中规定，用城市主干路上机动车的平均行车车速来描述其交通拥挤程度：

1)畅通：城市主干路上机动车的平均行程速度不低于30km/h；

2)轻度拥挤：城市主干路上机动车的平均行程速度低于30km/h，但高于20km/h；

3)拥挤：城市主干路上机动车的平均行程速度低于20km/h，但高于l0km/h；

4)严重拥挤：城市主干路上机动车的平均行程速度低于l0km/h；

3、用V表示路面上车辆的平均速度，d1、d2、d3、d4分别表示聚类结果中畅通、轻度拥挤、拥挤、严重拥挤的四个类别，则：

1)当前道路拥堵等级判断为d1，若V<＝10km/h，实际拥堵等级为d4；

2)当前道路拥堵等级判断为d2，若V>30km/h，实际拥堵等级为d1；

3)当前道路拥堵等级判断为d3，若V<10km/h，实际拥堵等级为d4；

4)当前道路拥堵等级判断为d4，若V>＝30km/h，实际拥堵等级为d1。

技术的进步只是选用标准的参考，但是出于改劣发明,或者成本考量,仅仅从实用性的技术方案选择。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (5)

1.基于视频的城市道路交通拥堵检测系统，其特征在于，采用如下步骤：

读取视频以及预处理视频，以获取视频帧；

将获取的视频帧进行背景建模，获得背景帧序列和前景帧序列；

对与背景帧序列同帧的前景帧序列进行检测并提取运动目标，并在平滑滤波处理后按前景帧序列保存单帧前景图片；

按前景帧序列顺序播放单帧前景图片并对运动目标进行卡尔曼滤波跟踪以获得道路中车速，以及根据运动目标的前景帧序列计算并得出路面占有率以及路面占有率离差平方值；

利用模糊C均值聚类算法对路面占有率以及路面占有率离差平方值进行聚类，分别计算并得出与对应聚类中心的欧式距离；

所获得的欧式距离再结合车速,进行交通拥堵等级检测和划分。

2.根据权利要求1所述的基于视频的城市道路交通拥堵检测系统，其特征在于，所述的预处理视频，包括检测视频的格式并获取视频的帧率、播放长度、帧高度和宽度属性。

3.根据权利要求1所述的基于视频的城市道路交通拥堵检测系统，其特征在于，所述的对获取的视频帧进行背景建模，包括对获取的视频帧录制背景和/或前景视频帧，获取已录制的背景和/或前景帧数，获取已录取的背景和/或前景时间，并进行混合高斯背景建模和/或平均建模。

4.根据权利要求1所述的基于视频的城市道路交通拥堵检测系统，其特征在于，所述的对与背景帧序列同帧的前景帧序列进行检测并提取运动目标，包括对与背景帧序列同帧的前景帧序列，通过设置有效阈值面积、设置前景二值化阈值和设置平均建模参数进行检测，并通过背景差分法和/或帧间差法提取运动目标。

5.根据权利要求1所述的基于视频的城市道路交通拥堵检测系统，其特征在于，在拥堵等级划分过程中，如果所述的车速不属于所获得交通拥堵等级对应公共规定的车速，则所获得的交通拥堵等级重置为所述车速所属公共规定车速范围对应的交通拥堵等级。