CN105894808A - 检测交通事件的方法及装置 - Google Patents

Abstract

本发明提供了一种检测交通事件的方法及装置，其中，该方法包括：检测视频检测范围内车辆的行驶轨迹；根据所述行驶轨迹，在预设事件内确定交通流数据；根据所述交通流数据判断在所述视频检测范围的上游或者下游发生交通事件；根据检测到的所述车辆的行驶轨迹，判断所述视频检测范围内发生交通事件。通过本发明，提高了检测交通事件的效率。

Description

检测交通事件的方法及装置

技术领域

本发明涉及交通检测领域，具体而言，涉及一种检测交通事件的方法及装置。

背景技术

交通事件定义为造成道路通行能力下降，扰乱正常交通流的，随机的、偶发的事件，如车祸、车辆抛锚、道路损坏、货物散落等。交通事件是造成道路拥挤的重要因素，据国外相关统计，交通事件导致了城市区域的52～58％的交通拥挤，造成约两百万辆小时的延误，由此产生的旅行时间和额外燃料消耗损失折合约四千万美元。

事件管理系统是减少交通事件损失的有效工具，其主要包括信息采集、事件检测、事件评估、事件响应等模块。其中实时检测算法正是事件检测模块的核心技术。准确而迅速的事件检测可以直接减少事件造成的负面影响，而传统的人工检测方法耗时较长，已经难以满足高效的要求。事件检测算法的基本原理是根据实时检测的交通流数据，如占有率、速度、流量等，通过一系列分析，识别交通流的异常变化，以判断路段是否发生事件。发明“采用人造神经网络和遗传算法的高速公路事件自动检测系统”(CN 1311880A)和发明“基于偏最小二乘原理的高速公路交通事件自动检测方法”(CN 100481153C)都属于此类方法。但是这两种方法都需要事件发生地点上下游两组线圈检测器的数据，而且两组线圈检测器中间不能存在交叉口，因此只能应用在高速公路中。而在城市道路的环境下，两个相邻交叉口中间的路段经常只有一组检测器。另外，传统的交通事件检测算法仅依赖于检测的交通流数据。然而，在利用视频检测器的情况下，还可以获得检测区域内每辆车的行驶轨迹。传统的交通事件检测算法不能利用视频检测器获得的检测区域内每辆车的行驶轨迹数据。

针对相关技术中检测交通事件方法存在的问题，目前尚未提出有效的解决方案。

发明内容

本发明旨在提供一种检测交通事件的方法及装置，以解决相关技术中的问题。

本发明的主要目的在于提供一种检测交通事件的方法，以至少解决上述问题。

根据本发明的一个方面，提供了一种检测交通事件的方法，包括：检测视频检测范围内车辆的行驶轨迹；根据所述行驶轨迹，在预设事件内确定交通流数据；根据所述交通流数据判断在所述视频检测范围的上游或者下游发生交通事件；根据检测到的所述车辆的行驶轨迹，判断所述视频检测范围内发生交通事件。

优选地，根据所述交通流数据判断在所述视频检测范围内发生交通事件包括：

对所述交通流数据进行预处理；

根据加树朴素贝叶斯分类器的检测算法，使用将所述预处理之后的数据，判断在所述视频检测范围内发生交通事件。

优选地，对所述交通流数据进行预处理包括：

对所述交通流数据进行归一化处理；

对所述归一化处理后的数据进行离散化处理。

优选地，所述交通流数据包括以下至少之一：

交通流量、速度、车道占有率。

优选地，根据检测到的所述车辆的行驶轨迹，判断所述视频检测范围内发生交通事件包括以下之一：

判断在所述视频检测范围内，是否有车辆处于静止状态超过预设时间且该车辆前方1预设长度内无车辆占用，如果存在，发出警报，通知交通管理部门检测器检测范围内有交通事件发生；

判断在所述视频检测范围内，是否有车辆处于静止状态超过预设时间且在该车辆处于静止状态期间，有至少第一预设数量的车辆在该静止车辆所在的车道行驶的车辆更换车道行驶，如果存在，则发出警报，并通知交通管理部门检测器检测范围内有交通事件发生；

判断在所述视频检测范围内，每隔预设时间统计是否存在至少第二预设数量的车辆更换车道行驶，如果存在，则发出警报，并通知交通管理部门检测器检测范围内有交通事件发生。

根据本发明的另一方面，提供了一种检测交通事件的装置，包括：检测模块，用于检测视频检测范围内车辆的行驶轨迹；确定模块，用于根据所述行驶轨迹，在预设事件内确定交通流数据；第一判断模块，用于根据所述交通流数据判断在所述视频检测范围的上游或者下游发生交通事件；第二判断模块，用于根据检测到的所述车辆的行驶轨迹，判断所述视频检测范围内发生交通事件。

优选地，第一判断模块包括：

预处理模块，用于对所述交通流数据进行预处理；

第三判断模块，用于根据加树朴素贝叶斯分类器的检测算法，使用将所述预处理之后的数据，判断在所述视频检测范围内发生交通事件。

优选地，所述预处理模块包括：

归一化处理模块，用于对所述交通流数据进行归一化处理；

离散化处理模块，用于对所述归一化处理后的数据进行离散化处理。

优选地，所述交通流数据包括以下至少之一：

交通流量、速度、车道占有率。

优选地，所述第二判断模块包括：

第四判断模块，用于判断出在所述视频检测范围内，是否有车辆处于静止状态超过预设时间且该车辆前方1预设长度内无车辆占用，如果存在，发出警报，通知交通管理部门检测器检测范围内有交通事件发生；

第五判断模块，用于判断在所述视频检测范围内，是否有车辆处于静止状态超过预设时间且在该车辆处于静止状态期间，有至少第一预设数量的车辆在该静止车辆所在的车道行驶的车辆更换车道行驶，如果存在，则发出警报，并通知交通管理部门检测器检测范围内有交通事件发生；

第六判断装置，用于判断在所述视频检测范围内，每隔预设时间统计是否存在至少第二预设数量的车辆更换车道行驶，如果存在，则发出警报，并通知交通管理部门检测器检测范围内有交通事件发生。

通过本发明，采用检测视频检测范围内车辆的行驶轨迹；根据所述行驶轨迹，在预设事件内确定交通流数据；根据所述交通流数据判断在所述视频检测范围的上游或者下游发生交通事件；根据检测到的所述车辆的行驶轨迹，判断所述视频检测范围内发生交通事件。解决了相关技术中检测交通事件的问题，进而达到了提高检测交通事件的效率的效果。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的检测交通事件的方法的流程图；

图2是根据本发明实施例的视频检测范围的示意图；

图3是根据本发明优选实施例的检测交通事件的方法的流程图一；

图4是根据本发明实施例的视频检测的装置的结构框图。

具体实施方式

下面将参考附图并结合实施例，来详细说明本发明。

下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

本实施例提供了一种检测交通事件的方法，图1是根据本发明实施例的检测交通事件的方法的流程图，如图1所示，该方法包括如下步骤。

步骤S102，检测视频检测范围内车辆的行驶轨迹。

步骤S104，根据行驶轨迹，在预设事件内确定交通流数据。

步骤S106，根据所述交通流数据判断在所述视频检测范围的上游或者下游发生交通事件。

步骤S108，根据检测到的所述车辆的行驶轨迹，判断视频检测范围内发生交通事件。

优选地，根据所述交通流数据判断在所述视频检测范围内发生交通事件包括：

对所述交通流数据进行预处理；

根据加树朴素贝叶斯分类器的检测算法，使用将所述预处理之后的数据，判断在所述视频检测范围内发生交通事件。

优选地，对所述交通流数据进行预处理包括：

对所述交通流数据进行归一化处理；

对所述归一化处理后的数据进行离散化处理。

优选地，所述交通流数据包括以下至少之一：

交通流量、速度、车道占有率。

优选地，根据检测到的所述车辆的行驶轨迹，判断所述视频检测范围内发生交通事件包括以下之一：

判断在所述视频检测范围内，是否有车辆处于静止状态超过预设时间且该车辆前方1预设长度内无车辆占用，如果存在，发出警报，通知交通管理部门检测器检测范围内有交通事件发生；

判断在所述视频检测范围内，是否有车辆处于静止状态超过预设时间且在该车辆处于静止状态期间，有至少第一预设数量的车辆在该静止车辆所在的车道行驶的车辆更换车道行驶，如果存在，则发出警报，并通知交通管理部门检测器检测范围内有交通事件发生；

判断在所述视频检测范围内，每隔预设时间统计是否存在至少第二预设数量的车辆更换车道行驶，如果存在，则发出警报，并通知交通管理部门检测器检测范围内有交通事件发生。

优选实施例

本发明中涉及的自动检测方法，包括以下步骤：

步骤1：

检测系统通过视频检测器，获得视频检测范围内每辆车的行驶轨迹，并按照特定采样步长统计检测区内的实时交通流数据，包括交通流量、速度、车道占有率，采样步长设为30秒钟；

步骤2：

根据检测范围内每辆车的行驶轨迹，通过以下三条规则，判断视频检测范围内是否发生交通事件，其主要步骤为：

规则一：判断视频检测范围内，是否有车辆处于静止状态超过30秒钟且该车辆前方10米内无车辆占用，如果存在，发出警报，通知交通管理部门检测器检测范围内有交通事件发生：

规则二：判断视频检测范围内，是否有车辆处于静止状态超过30秒钟且在该车辆处于静止状态期间，有至少2辆在该静止车辆所在的车道行驶的车辆更换车道行驶，如果存在，发出警报，通知交通管理部门检测器检测范围内有交通事件发生；

规则三：判断视频检测范围内，每隔30秒钟统计是否存在至少4辆车更换车道行驶，如果存在，发出警报，通知交通管理部门检测器检测范围内有交通事件发生；

步骤3：

将采集的实时交通流信息进行预处理，其主要步骤为：

(1)对采集到的实时交通流数据进行归一化处理，即将数据全部转化为[0，1]区间内的值。方法如下：

$x^{\&prime;}=\left\{\begin{array}{ccc}0& \mathrm{if}& x\&le;X_{\mathrm{\&alpha;}}\\ \frac{x-X_{\mathrm{\&alpha;}}}{X_{\mathrm{\&beta;}}-X_{\mathrm{\&alpha;}}}& \mathrm{if}& X_{\mathrm{\&alpha;}}<x<X_{\mathrm{\&beta;}}\\ 1& \mathrm{if}& x\&GreaterEqual;X_{\mathrm{\&beta;}}\end{array}\right.$

其中x′为原始数据x归一化后的结果，X_α和X_β分别为作为训练数据集的历史数据集中的X的最小值和最大值。

(2)对归一化处理后的数据进行离散化处理，即根据训练数据集应用基于熵的离散化方法获得离散化的界值，在实时检测时，将经归一化处理后的实时数据与界值做比较，确定其所处的状态，形成检测算法的标准输入格式。熵的数学定义为：设k是不同的类标号数，mi是某划分的第i个区间中值的个数，而mij是区间i中类j的值的个数。第i个区间的熵ei由如下等式给出

$e_i=-\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}{p}_{\mathrm{ij}}{\log }_2{p}_{\mathrm{ij}}$

其中，p_ij＝m_ij/m_i是第i个区间中类j的概率(值的比例)。该划分的总熵e是每个区间的熵的加权平均，即

$e=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_i{e}_i$

其中，m是值的个数，wi＝mi/m是第i个区间的值的比例，而n是区间个数。根据训练数据集应用基于熵的离散化方法获得离散化的界值的步骤为：

1)将从0开始，每隔0.01取一值，一直取到1，得到一个包含101个数的潜在区间边界集合M；

依次取M中的元素a作为区间边界划分为两个区间，然后计算该划分的总熵，其中数据根据交通事件状态分为三类：检测器上游有交通事件发生，检测器下游有交通事件发生和无交通事件发生；

3)取使总熵最小的M中的元素m^＊作为最终的区间边界，将连续的交通流参数二元离散化；

4)根据m^＊将集合M分为两个集合，M1和M2，作为各区间再次划分的潜在区间边界集合，对熵较大的区间重复步骤步骤2)和3)，从而使划分区间的个数为3；

步骤4：

将预处理后的数据输入基于加树朴素贝叶斯分类器的检测算法，判断视频检测器检测范围外的上游和下游是否发生交通事件，如果发生，发出警报，通知交通管理部门采取相应的措施清除事件，否则继续采集数据，进行下一次判断；

基于加树朴素贝叶斯分类器的检测算法判断检测区是否发生交通事件的具体步骤是：

使用已知交通状态的交通流信息数据集作为建模样本，进行预处理后，建立应用于事件检测的加树朴素贝叶斯分类器；应用于事件检测的加树朴素贝叶斯(TAN)分类器结构的学习采用已有的MWST算法，MWST算法的主要步骤如下：

通过训练数据集D计算各属性之间的条件互信息

$I_{{\stackrel{\&OverBar;}{P}}_D}(A_i;A_j|C)=\underset{A_i,A_j,C}{\mathrm{\&Sigma;}}P(a_i,a_j,c)\log \frac{P(a_i,a_j|c)}{P\left(a_i\right|c)P\left(a_j\right|c)}$

其中Ai与Aj表示模型中任意两个不同属性变量，a_i和a_j分别表示Ai与Aj的一个可能的取值；

2)建立一个节点为全部属性变量(不包括分类变量C)，以为弧的权重的加权完全无向图；

3)建立一个最大权重跨度树；

4)选择一个根节点，设置所有边的方向是由根节点向外，从而将无向树转换为有向树；

5)添加分类变量C，并添加从分类变量与属性变量之间的连接。

应用于事件检测的加树朴素贝叶斯(TAN)分类器结构的学习采用已有的最大似然估计的方法，考虑一个由n个变量X＝{X1，X2，…，Xn}组成的TAN分类器N。不失一般性，设其中的节点Xi，i＝1，2，…，n，共有ri个取值1，2，…，ri，其父节点pa(Xi)的取值共有qi个组合，1，2，…，ri，那么，网络的参数为

p_ijk＝P(X_i＝k|pa(X_i)＝j)

其中i的取值范围是1～n，而对一个固定的i，j和k的取值范围分别是从1～qi及1～ri。设D＝(D1，D2，…，Dm)是关于这些变量的一组独立同分布的数据，则P的对数似然函数为

$l\left(P\right|D)=\log \underset{l=1}{\overset{m}{\mathrm{\&Pi;}}}P\left(D_l\right|P)=\underset{l}{\overset{m}{\mathrm{\&Sigma;}}}\log P\left(D_l\right|P)$

最大似然估计，即寻找使得l(P|D)最大的P^*，可由下式得到

(2)将实时采集的检测区实时交通流信息经预处理后输入所建模型中，输出确定当前有事件发生的后验概率；在使用的过程中，没隔一个时间间隔，即对实时输入的交通流数据根据标定模型中确定的界值进行归一化与离散化处理，形成标准输入格式，作为证据输入模型进行推理，从而获得有事件发生的后验概率。推理算法采用已有的团树传播法。它首先构建一个覆盖TAN分类器的团树J，用TAN分类器中的概率函数将团树J初始化，并且设置证据；然后，任选一个团Cp作为枢纽节点，进行信息传递。信息传递分为收集和分发两个阶段。在信息收集阶段，算法从J的叶节点开始，逐步朝枢纽节点方向传递信息。在信息分发阶段，算法从枢纽节点开始，逐步朝J的各个叶节点方向传递信息。最后，进行答案提取，对非证据变量Y，算法首先找到一个包含Y的团CY，然后从CY提取后验分布，即可得到推理结果；

(3)对模型输出的后验概率进行指数平滑处理，具体方法为：设由推理得到的第t个时间间隔得到的Y＝1的后验概率为I(t)，而作为决策依据的第t个时间间隔发生事件的概率为则

式中的加权系数α取0.7。

(4)将指数平滑后的后验概率与预先设定的阈值做比较，若大于阈值，则表示检测区内发生事件，否则表示检测区内为正常交通运行状态，阈值可取为0.6。

优选实施例二

如图1所示，在某城市道路上布置有单点视频检测设备，实时记录视频检测范围内的车辆行驶轨迹，并每隔一个时间间隔(如30秒)采集交通流量、占有率、速度等参数。

根据检测范围内每辆车的行驶轨迹，通过以下三条规则，判断视频检测范围内是否发生交通事件，其主要步骤为：

规则一：判断视频检测范围内，是否有车辆处于静止状态超过30秒钟且该车辆前方10米内无车辆占用，如果存在，发出警报，通知交通管理部门检测器检测范围内有交通事件发生：

规则二：判断视频检测范围内，是否有车辆处于静止状态超过30秒钟且在该车辆处于静止状态期间，有至少2辆在该静止车辆所在的车道行驶的车辆更换车道行驶，如果存在，发出警报，通知交通管理部门检测器检测范围内有交通事件发生；

规则三：判断视频检测范围内，每隔30秒钟统计是否存在至少4辆车更换车道行驶，如果存在，发出警报，通知交通管理部门检测器检测范围内有交通事件发生。

根据以上三条规则判断视频检测范围内是否发生交通事件后，使用TAN分类器根据检测到的交通流参数检测视频检测器上游和下游是否有交通事件发生。两个相邻时间间隔的交通流量(q1，q2)、占有率(o1，o2)、速度(v1，v2)及两个相邻时间间隔的占有率之差(do＝o2-o1)作为模型输入的交通流参数；表征事件状态的变量inc，其有三个可取值0，1，2，分别代表无交通事件发生、上游有交通事件发生和下游有交通事件发生；建立的应用于事件检测的TAN分类器中共有8个变量。

检测算法在使用之前需要对模型进行标定。收集检测区一段时间内的交通流参数数据和事件数据后，整理为训练数据集[X，Y]。其中X＝[x1，x2，…，x7]分别代表交通流参数qu，qd，ou，od，vu，vd和do的采集样本，Y为事件状态变量inc的样本；

对原始数据需要进行预处理，才能用来标定模型，首先进行归一化处理，即将数据全部转化为[0，1]区间内的值，以提高算法的可移植性，方法如下：

$x^{\&prime;}=\left\{\begin{array}{ccc}0& \mathrm{if}& x\&le;X_{\mathrm{\&alpha;}}\\ \frac{x-X_{\mathrm{\&alpha;}}}{X_{\mathrm{\&beta;}}-X_{\mathrm{\&alpha;}}}& \mathrm{if}& X_{\mathrm{\&alpha;}}<x<X_{\mathrm{\&beta;}}\\ 1& \mathrm{if}& x\&GreaterEqual;X_{\mathrm{\&beta;}}\end{array}\right.$

其中x′为TAN分类器中任一变量的一个样本x归一化后的结果，X_α和X_β的分别取该变量在训练数据集中的最小值和最大值，在本例中，针对各建模变量q1，q2，o1，o2，v1，v2和do的X_α和X_β取值如下：

因此，例如获得一个样本qu＝200，则其归一化的结果为(200-0)/(1000-0)＝0.5；

归一化以后，需要进行离散化处理，即根据建模样本应用基于熵的离散化方法获得离散化的界值，将经归一化处理后的数据与界值做比较，确定其所处的状态，形成检测算法的标准输入格式。熵是一种基于信息的度量，它可以用来表征区间信息的“纯度”。熵越小，说明区间信息的纯度高，即区间内大部分变量的分类是相同的，相反熵越大说明区间内变量的各分类出现的概率趋向于相等；基于熵的离散化方法的本质就是寻找能使区间的纯度最高的分割点；熵的数学定义为：设k是不同的类标号数，mi是某划分的第i个区间中值的个数，而mij是区间i中类j的值的个数。第i个区间的熵ei由如下等式给出

$e_i=-\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}{p}_{\mathrm{ij}}{\log }_2{p}_{\mathrm{ij}}$

其中，p_ij＝m_ij/m_i是第i个区间中类j的概率(值的比例)。该划分的总熵e是每个区间的熵的加权平均，即

$e=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_i{e}_i$

其中，m是值的个数，wi＝mi/m是第i个区间的值的比例，而n是区间个数。根据训练数据集应用基于熵的离散化方法获得离散化的界值的步骤为：

1)将从0开始，每隔0.01取一值，一直取到1，得到一个包含101个数的潜在区间边界集合M；

依次取M中的元素a作为区间边界划分为两个区间，然后计算该划分的总熵，其中数据根据交通事件状态分为三类：检测器上游有交通事件发生，检测器下游有交通事件发生和无交通事件发生；

3)取使总熵最小的M中的元素m＊作为最终的区间边界，将连续的交通流参数二元离散化；

4)根据m＊将集合M分为两个集合，M1和M2，作为各区间再次划分的潜在区间边界集合，对熵较大的区间重复步骤步骤2)和3)，从而使划分区间的个数为3；

应用训练数据集，使用上述基于熵的方法，可以得到各变量的离散化的分界点如下：

规定分界点1与分界点2将变量的取值空间分为的三个区间按从小到大的顺序分别用整数1，2，3表示，因此，例如关于q1的一个样本经归一化处理后的值为0.667，大于变量qu的分界点2，该样本的离散化结果为3；

TAN分类器的的标定包括结果学习和参数学习两部分；应用于事件检测的加树朴素贝叶斯(TAN)分类器结构的学习采用已有的MWST算法，MWST算法的主要步骤如下：

通过训练数据集D计算各属性之间的条件互信息

$I_{{\stackrel{\&OverBar;}{P}}_D}(A_i;A_j|C)=\underset{A_i,A_j,C}{\mathrm{\&Sigma;}}P(a_i,a_j,c)\log \frac{P(a_i,a_j|c)}{P\left(a_i\right|c)P\left(a_j\right|c)}$

其中Ai与Aj表示模型中任意两个不同属性变量，a_i和a_j分别表示Ai与Aj的一个可能的取值；

2)建立一个节点为全部属性变量(不包括分类变量C)，以为弧的权重的加权完全无向图；

3)建立一个最大权重跨度树；

4)选择一个根节点，设置所有边的方向是由根节点向外，从而将无向树转换为有向树；

5)添加分类变量C，并添加从分类变量与属性变量之间的连接；

应用上述方法获得的TAN分类器的结构如图2所示；

应用于事件检测的加树朴素贝叶斯(TAN)分类器结构的学习采用已有的最大似然估计的方法，考虑一个由n个变量X＝{X1，X2，…，Xn}组成的TAN分类器N。不失一般性，设其中的节点Xi，i＝1，2，…，n，共有ri个取值1，2，…，ri，其父节点pa(Xi)的取值共有qi个组合，1，2，…，ri，那么，网络的参数为

p_ijk＝P(X_i＝k|pa(X_i)＝j)

其中i的取值范围是1～n，而对一个固定的i，j和k的取值范围分别是从1～qi及1～ri。设D＝(D1，D2，…，Dm)是关于这些变量的一组独立同分布的数据，则P的对数似然函数为

$l\left(P\right|D)=\log \underset{l=1}{\overset{m}{\mathrm{\&Pi;}}}P\left(D_l\right|P)=\underset{l}{\overset{m}{\mathrm{\&Sigma;}}}\log P\left(D_l\right|P)$

最大似然估计，即寻找使得l(P|D)最大的P^*，一般可由下式得到

在使用的过程中，没隔一个时间间隔，即对实时输入的qu，qd，ou，od，vu，vd和do的采集样本根据标定模型中确定的界值进行归一化与离散化处理，形成标准输入格式，作为证据输入模型进行推理，从而获得有事件发生的后验概率。推理算法采用已有的团树传播法。它首先构建一个覆盖TAN分类器的团树J，用TAN分类器中的概率函数将团树J初始化，并且设置证据；然后，任选一个团Cp作为枢纽节点，进行信息传递。信息传递分为收集和分发两个阶段。在信息收集阶段，算法从J的叶节点开始，逐步朝枢纽节点方向传递信息。在信息分发阶段，算法从枢纽节点开始，逐步朝J的各个叶节点方向传递信息。最后，进行答案提取，对非证据变量inc，算法首先找到一个包含inc的团Cinc，然后从Cinc提取后验分布，即可得到推理结果，即该时间段有事件发生的后验概率I(t)；

由于车流本身的随机性很强，如果只根据一个时间间隔的P(inc＝1|E＝e)和P(inc＝2|E＝e)，与设定的阈值做比较后直接判断事件有无，则会造成较高的误报率。为减少检测时间，本发明充分利用采取指数平滑的方法替代传统的持续检验。设由推理得到的第t个时间间隔得到的Y＝1的后验概率为I(t)，而作为决策依据的第t个时间间隔发生事件的概率为，则

式中的加权系数α的取值范围为0＜α＜1，α越大则模型越灵敏，误报率高，检测时间短；α越小则模型较为平稳，误报率低，检测时间长。因此α值的可选择性为算法增添了灵活性，本发明中α默认取0.7。另外，关于初始值的处理，由于事件检测是一个持续的过程，经过一段时间后初始值的影响很小，可以认为当t＝1时，

每经过一个时间间隔，更新一次后，即可与一个既定的阈值作比较，大于该阈值则认定确实有事件发生，并发出警报，阈值一般取为0.5到1之间的数值，增大阈值可以降低误报率，但同时也会降低检测率：相反，减小阈值会增大误报率，但也能提高检测率；通过调节阈值，即可满足不同的检测性能要求，在本发明中，阈值默认设置为0.6。

优选实施例三

本实施例提供了一种使用单点视频检测器检测城市道路的交通事件的方法，包括以下步骤1至步骤3。

步骤1：

检测系统通过视频检测器，获得视频检测范围内每辆车的行驶轨迹，并按照特定采样步长统计检测区内的实时交通流数据，包括交通流量、速度、车道占有率，采样步长设为30秒钟；

步骤2：

根据检测范围内每辆车的行驶轨迹，通过以下三条规则，判断视频检测范围内是否发生交通事件，其主要步骤为：

规则一：判断视频检测范围内，是否有车辆处于静止状态超过30秒钟且该车辆前方10米内无车辆占用，如果存在，发出警报，通知交通管理部门检测器检测范围内有交通事件发生。

规则二：判断视频检测范围内，是否有车辆处于静止状态超过30秒钟且在该车辆处于静止状态期间，有至少2辆在该静止车辆所在的车道行驶的车辆更换车道行驶，如果存在，发出警报，通知交通管理部门检测器检测范围内有交通事件发生。

规则三：判断视频检测范围内，每隔30秒钟统计是否存在至少4辆车更换车道行驶，如果存在，发出警报，通知交通管理部门检测器检测范围内有交通事件发生.

步骤3：

将采集的实时交通流信息进行预处理，其主要步骤为：

(1)对采集到的实时交通流数据进行归一化处理，即将数据全部转化为[0，1]区间内的值。方法如下：

$x^{\&prime;}=\left\{\begin{array}{ccc}0& \mathrm{if}& x\&le;X_{\mathrm{\&alpha;}}\\ \frac{x-X_{\mathrm{\&alpha;}}}{X_{\mathrm{\&beta;}}-X_{\mathrm{\&alpha;}}}& \mathrm{if}& X_{\mathrm{\&alpha;}}<x<X_{\mathrm{\&beta;}}\\ 1& \mathrm{if}& x\&GreaterEqual;X_{\mathrm{\&beta;}}\end{array}\right.$

其中x′为原始数据x归一化后的结果，X_α和X_β分别为作为训练数据集的历史数据集中的X的最小值和最大值。

(2)对归一化处理后的数据进行离散化处理，即根据训练数据集应用基于熵的离散化方法获得离散化的界值，在实时检测时，将经归一化处理后的实时数据与界值做比较，确定其所处的状态，形成检测算法的标准输入格式。熵的数学定义为：设k是不同的类标号数，mi是某划分的第i个区间中值的个数，而mij是区间i中类j的值的个数。第i个区间的熵ei由如下等式给出

$e_i=-\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}{p}_{\mathrm{ij}}{\log }_2{p}_{\mathrm{ij}}$

其中，p_ij＝m_ij/m_i是第i个区间中类j的概率(值的比例)。该划分的总熵e是每个区间的熵的加权平均，即

$e=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_i{e}_i$

其中，m是值的个数，wi＝mi/m是第i个区间的值的比例，而n是区间个数。根据训练数据集应用基于熵的离散化方法获得离散化的界值的步骤为：

1)将从0开始，每隔0.01取一值，一直取到1，得到一个包含101个数的潜在区间边界集合M；

依次取M中的元素a作为区间边界划分为两个区间，然后计算该划分的总熵，其中数据根据交通事件状态分为三类：检测器上游有交通事件发生，检测器下游有交通事件发生和无交通事件发生；

3)取使总熵最小的M中的元素m*作为最终的区间边界，将连续的交通流参数二元离散化；

4)根据m*将集合M分为两个集合，M1和M2，作为各区间再次划分的潜在区间边界集合，对熵较大的区间重复步骤步骤2)和3)，从而使划分区间的个数为3；

步骤3：

将预处理后的数据输入基于加树朴素贝叶斯分类器的检测算法，判断检测区是否发生交通事件，如果发生，发出警报，通知交通管理部门采取相应的措施清楚事件，否则继续采集数据，进行下一次判断；

基于加树朴素贝叶斯分类器的检测算法判断检测区是否发生交通事件的具体步骤是：

使用已知交通状态的交通流信息数据集作为建模样本，进行预处理后，建立应用于事件检测的加树朴素贝叶斯分类器；应用于事件检测的加树朴素贝叶斯(TAN)分类器结构的学习采用已有的MWST算法，MWST算法的主要步骤如下：

通过训练数据集D计算各属性之间的条件互信息

$I_{{\stackrel{\&OverBar;}{P}}_D}(A_i;A_j|C)=\underset{A_i,A_j,C}{\mathrm{\&Sigma;}}P(a_i,a_j,c)\log \frac{P(a_i,a_j|c)}{P\left(a_i\right|c)P\left(a_j\right|c)}$

其中Ai与Aj表示模型中任意两个不同属性变量，a_i和a_j分别表示Ai与Aj的一个可能的取值；

2)建立一个节点为全部属性变量(不包括分类变量C)，以为弧的权重的加权完全无向图；

3)建立一个最大权重跨度树；

4)选择一个根节点，设置所有边的方向是由根节点向外，从而将无向树转换为有向树；

5)添加分类变量C，并添加从分类变量与属性变量之间的连接。

应用于事件检测的加树朴素贝叶斯(TAN)分类器结构的学习采用已有的最大似然估计的方法，考虑一个由n个变量X＝{X1，X2，…，Xn}组成的TAN分类器N。不失一般性，设其中的节点Xi，i＝1，2，…，n，共有ri个取值1，2，…，ri，其父节点pa(Xi)的取值共有qi个组合，1，2，…，ri，那么，网络的参数为

p_ijk＝P(X_i＝k|pa(X_i)＝j)

其中i的取值范围是1～n，而对一个固定的i，j和k的取值范围分别是从1～qi及1～ri。设D＝(D1，D2，…，Dm)是关于这些变量的一组独立同分布的数据，则P的对数似然函数为

$l\left(P\right|D)=\log \underset{l=1}{\overset{m}{\mathrm{\&Pi;}}}P\left(D_l\right|P)=\underset{l}{\overset{m}{\mathrm{\&Sigma;}}}\log P\left(D_l\right|P)$

最大似然估计，即寻找使得l(P|D)最大的P^*，可由下式得到

(2)将实时采集的检测区实时交通流信息经预处理后输入所建模型中，输出确定当前上游有事件发生和下游有事件发生的后验概率；在使用的过程中，没隔一个时间间隔，即对实时输入的交通流数据根据标定模型中确定的界值进行归一化与离散化处理，形成标准输入格式，作为证据输入模型进行推理，从而获得有事件发生的后验概率。推理算法采用已有的团树传播法。它首先构建一个覆盖TAN分类器的团树J，用TAN分类器中的概率函数将团树J初始化，并且设置证据；然后，任选一个团Cp作为枢纽节点，进行信息传递。信息传递分为收集和分发两个阶段。在信息收集阶段，算法从J的叶节点开始，逐步朝枢纽节点方向传递信息。在信息分发阶段，算法从枢纽节点开始，逐步朝J的各个叶节点方向传递信息。最后，进行答案提取，对非证据变量Y，算法首先找到一个包含Y的团CY，然后从CY提取后验分布，即可得到推理结果；

(3)对模型输出的后验概率进行指数平滑处理，具体方法为：设由推理得到的第t个时间间隔得到的有交通事件发生的后验概率为I(t)，而作为决策依据的第t个时间间隔发生事件的概率为则

式中的加权系数α取0.7。

(4)将指数平滑后的后验概率与预先设定的阈值做比较，若大于阈值，则表示检测区内发生事件，否则表示检测区内为正常交通运行状态，阈值可取为0.6。

基于相同的发明构思，还提供了一种检测交通事件的装置，图4是根据本发明实施例对检测交通事件对装置的结构框图，如图4所示，该装置包括：检测模块42，用于检测视频检测范围内车辆的行驶轨迹；确定模块44，根据所述交通流数据判断在所述视频检测范围的上游或者下游发生交通事件；第一判断模块46，用于根据所述交通流数据判断出在所述视频检测范围内发生交通事件；第二判断模块48，用于根据检测到的所述车辆的行驶轨迹，判断所述视频检测范围内发生交通事件。

优选地，第一判断模块包括：

预处理模块，用于对所述交通流数据进行预处理；

第三判断模块，用于根据加树朴素贝叶斯分类器的检测算法，使用将所述预处理之后的数据，判断在所述视频检测范围内发生交通事件。

优选地，所述预处理模块包括：

归一化处理模块，用于对所述交通流数据进行归一化处理；

离散化处理模块，用于对所述归一化处理后的数据进行离散化处理。

优选地，所述交通流数据包括以下至少之一：

交通流量、速度、车道占有率。

优选地，所述第二判断模块包括：

第四判断模块，用于判断出在所述视频检测范围内，是否有车辆处于静止状态超过预设时间且该车辆前方1预设长度内无车辆占用，如果存在，发出警报，通知交通管理部门检测器检测范围内有交通事件发生；

第五判断模块，用于判断在所述视频检测范围内，是否有车辆处于静止状态超过预设时间且在该车辆处于静止状态期间，有至少第一预设数量的车辆在该静止车辆所在的车道行驶的车辆更换车道行驶，如果存在，则发出警报，并通知交通管理部门检测器检测范围内有交通事件发生；

第六判断装置，用于判断在所述视频检测范围内，每隔预设时间统计是否存在至少第二预设数量的车辆更换车道行驶，如果存在，则发出警报，并通知交通管理部门检测器检测范围内有交通事件发生。

从以上的描述中，可以看出，本发明实现了如下技术效果：

本发明要解决的技术问题是针对背景技术中存在的缺陷而提出一种使用单点视频检测器的基于混合判定规则的交通事件自动检测方法，其在应用中，仅需要一组视频检测器的数据，而且可以综合使用实时检测的交通流数据和车辆行驶轨迹数据。且同时使用视频检测器范围内的车辆行驶轨迹数据和实时统计的交通流参数；不需要；TAN分类器不要求所有属性变量均为已知，因此可以处理建模数据缺失的情况。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种检测交通事件的方法，其特征在于，包括：

检测视频检测范围内车辆的行驶轨迹；

根据所述行驶轨迹，在预设事件内确定交通流数据；

根据所述交通流数据判断在所述视频检测范围的上游或者下游发生交通事件；

根据检测到的所述车辆的行驶轨迹，判断所述视频检测范围内发生交通事件。

2.根据权利要求1所述的方法，其特征在于，根据所述交通流数据判断在所述视频检测范围的上游或者下游发生交通事件包括：

对所述交通流数据进行预处理；

根据加树朴素贝叶斯分类器的检测算法，使用将所述预处理之后的数据，判断在所述视频检测范围内发生交通事件。

3.根据权利要求2所述的方法，其特征在于，对所述交通流数据进行预处理包括：

对所述交通流数据进行归一化处理；

对所述归一化处理后的数据进行离散化处理。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述交通流数据包括以下至少之一：

交通流量、速度、车道占有率。

5.根据权利要求1所述的方法，其特征在于，根据检测到的所述车辆的行驶轨迹，判断所述视频检测范围内发生交通事件包括以下之一：

判断在所述视频检测范围内，是否有车辆处于静止状态超过预设时间且该车辆前方1预设长度内无车辆占用，如果存在，发出警报，通知交通管理部门检测器检测范围内有交通事件发生；

判断在所述视频检测范围内，是否有车辆处于静止状态超过预设时间且在该车辆处于静止状态期间，有至少第一预设数量的车辆在该静止车辆所在的车道行驶的车辆更换车道行驶，如果存在，则发出警报，并通知交通管理部门检测器检测范围内有交通事件发生；

判断在所述视频检测范围内，每隔预设时间统计是否存在至少第二预设数量的车辆更换车道行驶，如果存在，则发出警报，并通知交通管理部门检测器检测范围内有交通事件发生。

6.一种检测交通事件的装置，其特征在于，包括：

检测模块，用于检测视频检测范围内车辆的行驶轨迹；

确定模块，用于根据所述行驶轨迹，在预设事件内确定交通流数据；

第一判断模块，用于根据所述交通流数据判断在所述视频检测范围的上游或者下游发生交通事件；

第二判断模块，用于根据检测到的所述车辆的行驶轨迹，判断所述视频检测范围内发生交通事件。

7.根据权利要求6所述的装置，其特征在于，第一判断模块包括：

预处理模块，用于对所述交通流数据进行预处理；

第三判断模块，用于根据加树朴素贝叶斯分类器的检测算法，使用将所述预处理之后的数据，判断在所述视频检测范围内发生交通事件。

8.根据权利要求7所述的装置，其特征在于，所述预处理模块包括：

归一化处理模块，用于对所述交通流数据进行归一化处理；

离散化处理模块，用于对所述归一化处理后的数据进行离散化处理。

9.根据权利要求6至8中任一项所述的装置，其特征在于，所述交通流数据包括以下至少之一：

交通流量、速度、车道占有率。

10.根据权利要求6所述的装置，其特征在于，所述第二判断模块包括：

第四判断模块，用于判断出在所述视频检测范围内，是否有车辆处于静止状态超过预设时间且该车辆前方1预设长度内无车辆占用，如果存在，发出警报，通知交通管理部门检测器检测范围内有交通事件发生；

第五判断模块，用于判断在所述视频检测范围内，是否有车辆处于静止状态超过预设时间且在该车辆处于静止状态期间，有至少第一预设数量的车辆在该静止车辆所在的车道行驶的车辆更换车道行驶，如果存在，则发出警报，并通知交通管理部门检测器检测范围内有交通事件发生；

第六判断装置，用于判断在所述视频检测范围内，每隔预设时间统计是否存在至少第二预设数量的车辆更换车道行驶，如果存在，则发出警报，并通知交通管理部门检测器检测范围内有交通事件发生。