CN109035776A - 一种交通异常检测方法及系统 - Google Patents
一种交通异常检测方法及系统 Download PDFInfo
- Publication number
- CN109035776A CN109035776A CN201810964542.9A CN201810964542A CN109035776A CN 109035776 A CN109035776 A CN 109035776A CN 201810964542 A CN201810964542 A CN 201810964542A CN 109035776 A CN109035776 A CN 109035776A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- state
- traffic
- fuzzy
- density
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种交通异常检测方法及系统,该方法包括:获取交通监控的视频图像,根据该视频图像获取检测区域的车流量、车流密度和目标车辆的运动轨迹,以车流密度和车流量作为交通拥堵模糊逻辑推理理论的两个参数,根据该交通拥堵模糊逻辑推理理论得到交通状况的输出变量,根据输出变量和目标车辆的运动轨迹及车辆异常检测模糊理论检测出该目标车辆的异常行驶状态。该方法同时利用车流量和车流密度检测交通状况,再利用交通状况及车辆轨迹检测车辆异常行驶状况,检测结果受单一交通参数的影响较少,从而使该方法检测出的交通异常状况和车辆异常行驶状况的准确率得到提高。
Description
技术领域
本发明涉及交通路况检测领域,尤其涉及一种交通异常检测方法及系统。
背景技术
现如今,在交通管制中交通情况的实时智能监控已经成为交通系统中重要的一部分,随着交通视频和视频监控技术的发展,基于视频监控的交通管理系统在交通中的应用越来越广泛,检测系统利用交通视频监控图像实时监控交通路况,检测出车辆抛锚、道路拥挤、违章行驶和交通事故等交通异常行为,但是交通视频易受光照、天气、遮挡等外界因素干扰,使得基于交通视频的交通参数(例如车流量、车流密度、车辆轨迹、车速等)具有非常大的不确定性,在交通复杂的情况下,难以确定车辆的异常情况,从而导致根据这些交通参数进行车辆异常行驶判断的准确率低。
发明内容
本发明的主要目的在于提供一种交通异常检测方法及系统,用于解决现有交通异常检测技术中因监控图像中存在大量的不确定信息,车辆异常行驶检测准确率低的技术问题。
为实现上述目的,本发明第一方面提供一种交通异常检测方法,所述方法包括:
获取交通监控的视频图像,根据所述视频图像获取检测区域的车流量、车流密度和车辆的运动轨迹;
以所述车流密度和车流量作为交通拥堵模糊逻辑推理理论的两个参数,根据所述交通拥堵模糊逻辑推理理论得到交通状况的输出变量;
根据所述输出变量和目标车辆的运动轨迹及车辆异常检测模糊理论检测出车辆异常行驶状态。
本发明第二方面提供一种交通异常检测系统,所述系统包括:
准备模块,用于获取交通监控的视频图像,根据所述视频图像获取检测区域的车流量、车流密度和目标车辆的运动轨迹;
算法处理模块,用于以所述车流密度和车流量作为交通拥堵模糊逻辑推理理论的两个参数,根据所述交通拥堵模糊逻辑推理理论得到交通状况的输出变量;
检测模块,用于根据所述输出变量和所述目标车辆的运动轨迹及车辆异常检测模糊理论检测出目标车辆的异常行驶状态。
从上述的技术方案可知,该方法将获取的车流量和车流密度作为交通拥堵模糊理论的两个输入参数,根据该交通拥堵模糊理论得到交通状况的输出变量,从该输出变量可知交通状况,从而检测出拥堵情况,另还根据该输出变量和目标车辆的运动轨迹及车辆异常检测模糊理论可检测出车辆的异常行驶状态。该方法检测出拥堵情况也检测出车辆行驶的异常情况,使该方法能检测出多种道路异常事件,另一方面,该方法同时利用车流量和车流密度检测交通的拥堵情况,再利用交通的拥堵情况及车辆轨迹检测车辆异常行驶状况,检测结果受单一交通参数的影响较少,从而使该方法检测出的拥堵情况和车辆异常行驶的准确率得到提高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种交通异常检测的方法的流程示意图;
图2为模糊车流量的隶属度函数的示意图;
图3为模糊车流密度的隶属度函数的示意图;
图4为本发明实施例提供的第一场景的实物图;
图5为本发明实施例提供的第二场景的实物图;
图6为本发明实施例提供的第三场景的实物图;
图7为本发明实施例提供的一种交通异常检测系统的结构示意图;
图8为本发明实施例提供的交通异常检测系统增加模块的结构示意图;
图9为算法处理模块的细化模块的结构示意图;
图10为算法处理模块另一种细化模块的结构示意图;
图11为检测模块的细化模块的结构示意图;
图12为检测模块的另一种细化模块的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而非全部实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
由于用于解决现有交通异常检测技术中因监控图像中存在大量的不确定信息,车辆异常行驶检测准确率低的技术问题,本发明提出一种交通异常检测方法。
请参阅图1,为一种交通异常检测的方法的流程示意图,该方法包括:
步骤101、获取交通监控的视频图像,根据该视频图像获取检测区域的车流量、车流密度和车辆的运动轨迹。
其中,获取交通监控的视频图像具体获取的是所需监测区域某个时间段的监控视频图像,根据该视频图像,获取检测区域的车流量、车流密度及其检测区域中车辆的运动状态。其中,车流量是指单位时间内通过该检测区域的车辆数,车流密度可表示该检测区域中单位路段的车辆数。
其中,在获取交通监控的视频图像之前还包括:设置模糊车流量,模糊车流量包括少、正常和多三种车流量状态。
具体地,采用模糊的方法,用模糊集表示车流量的状态,该模糊集包括L、M和H,分别对应车流量的三种状态:少、正常和多。根据拉依达准则得到三种车流量状态的隶属函数,其中,拉依达准则具体如下:
其中,ak为单位时间内检测区域各个车道统计的车辆数即车流量,μ为车流量的数学期望,σ为车流量的标准差。需要说明的是,正常交通状况下的车流量满足混合高斯模型。
得到的三种车流状态的隶属函数如下:
其中,ak为车流量,μ为车流量的数学期望,σ为车流量的标准差,L、M和H分别表示车流量的三种状态:少、正常和多,fL(ak)为ak属于L的隶属值,fM(αk)为ak属于M的隶属值,fH(αk)为ak属于H的隶属值。
如图2所示,图2为模糊车流量的隶属度函数的示意图,从图2中可知,当αk<μ-2σ时,模糊车流量为少状态,当αk∈(μ-2σ,μ-σ)时,模糊车流量处于少和正常的临界状态,当αk∈(μ-σ,μ+σ)时,模糊车流量为正常状态,当αk∈(μ+σ,μ+2σ)时,模糊车流量处于正常与多的临界状态。当αk>μ+2σ时,模糊车流量处于多状态。
请参阅图3,图3为模糊车流密度的隶属度函数的示意图,本申请中,在获取交通监控的视频图像之前还包括:设置模糊车流密度,模糊车流密度包括稀、正常和密三种车流密度状态。具体地,采用模糊的方法,用模糊集来表示车流密度的状态,该模糊集包括:S、U和V,分别对应车流密度的三种状态:稀、正常和密,采用模糊车流密度来衡量车流密度状态。根据拉依达准则得到三种车流密度状态,得到的三种车流密度状态的隶属函数如下所示:
其中,ρpix为车流密度,fS(ρpix)为车流密度属于S(稀)的隶属值,fU(ρpix)为车流密度属于U(正常)的隶属值,fV(ρpix)车流密度属于V(密)的隶属值,ρ1和ρ2为S(稀)和U(正常)之间的临界值,ρ3和ρ4为U(正常)和V(密)之间的临界值。
如图3所示,当ρpix∈(0,ρ1)车流密度状态为S(稀),当ρpix∈(ρ1,ρ2)时,车流密度介于S(稀)和U(正常)之间,车流密度状态处于稀与正常之间的临界状态,当ρpix∈(ρ2,ρ3)时,车流密度状态处于正常状态,当ρpix∈(ρ3,ρ4)时,车流密度状态处于正常与密之间的临界状态,当ρpix∈(ρ4,1)车流密度状态处于密状态。
在获取交通监控的视频图像之前还包括:设置模糊运动状态,模糊运动状态包括向右横穿马路、正常行驶、向左横穿马路和逆行四种运动状态。具体地,采用模糊的方法,用模糊集来表示车辆的运动状态,该模糊集包括:Ra、Nm、La和Re,分别对应车辆运动状态的:向右横穿马路、正常行驶、向左横穿马路和逆行,采用模糊运动状态来衡量车辆的运动状态。其中,可根据车辆运动的位移矢量与水平轴的夹角θ来区分车辆的四种运动状态,四种运动状态隶属关系如下:
当或时,车辆的运动状态为向右横穿马路状态,当时,车辆的运动状态为向右横穿马路和正常行驶的临界状态,当时,车辆的运动状态为正常行驶状态,当时,车辆的运动状态为正常行驶和向左横穿马路的临界状态,当时,车辆的运动状态为向左横穿马路状态,当时,车辆的运动状态为向左横穿马路和逆行的临界状态,当时,车辆的运动状态为逆行状态,当时,车辆的运动状态为逆行与向右横穿马路的临界状态。
其中,右横穿马路、向左横穿马路和和逆行三种运动状态属于车辆的异常行驶状态。
在本申请文件中,在获取交通监控的视频图像之前还包括:设置模糊交通状况,该模糊交通状况包括交通正常、轻微交通拥堵和严重交通拥堵三种交通状态。具体地,采用模糊的方法,用模糊集来表示交通的状况,该模糊集包括:Nc、Sc和Hc,分别表示交通正常、轻微交通拥堵和严重交通拥堵,三种交通状况的隶属函数与车流量与车流密度有关。
步骤102、以车流密度和车流量作为交通拥堵模糊逻辑推理理论的两个参数,根据该交通拥堵模糊逻辑推理理论得到交通状况的输出变量。
其中,车流量和车流密度是交通拥堵模糊逻辑推理理论的两个输入参数,将车流密度与车流量输入至交通拥堵模糊逻辑推理理论中,可根据交通拥堵模糊逻辑推理理论输出变量,该变量可表示交通状况。交通拥堵模糊逻辑推理理论中车流量、车流密度和交通状况的变量的关系如下表1所示:
表1交通拥堵模糊逻辑推理规则表
其中,S、U和V分别表示车流密度稀、正常和密三种状态,L、M和H分别为车流量少、正常和多的三种状态,η为输出变量,Nc为交通状况处于正常的状态,Sc为交通状况处于轻微交通拥堵的状态,Hc为交通状况处于严重交通拥堵的状态。
如表1所示,输入模糊车流量的模糊车流密度共同决定输出参量。
步骤103、根据输出变量和目标车辆的运动轨迹及车辆异常检测模糊理论检测出该目标车辆的异常行驶状态。
其中,该输出变量为步骤102中根据交通拥堵模糊逻辑推理理论得到的输出变量,根据车辆的运动轨迹可得到车辆的运动状态,该输出变量和目标车辆的运动状态是车辆异常检测模糊理论的两个输入参数,将输出变量与目标车辆的运动状态输入至车辆异常检测模糊理论中,可根据车辆异常检测模糊理论得出车辆实际运动状态,根据该车辆实际运动状态判断出车辆是否为异常行驶。车辆异常检测模糊理论中输出变量和目标车辆的运动状态的关系如下表所示:
表2车辆异常检测模糊规则表
其中,motθ为车辆的运动状态,η为输出变量,Nc为交通状况处于正常的状态,Sc为交通状况处于轻微交通拥堵的状态,Hc为交通状况处于严重交通拥堵的状态,Nm表示车辆处于正常行驶状态,Re表示车辆处于逆行状态,Ra表示车辆处于向左横穿马路状态,La表示车辆处于向右横穿马路状态。
如表2所示,根据车辆的运动状态及其所处交通状况检测该车辆在检测路段的运动状态,从而判断车辆行驶是否异常。
从本发明实施例提供的交通异常检测方法可知,该方法将获取的车流量和车流密度作为交通拥堵模糊理论的两个输入参数,根据该交通拥堵模糊理论得到交通状况的输出变量,从该输出变量可知交通状况,从而检测出拥堵情况,另还根据该输出变量和目标车辆的运动轨迹及车辆异常检测模糊理论可检测出车辆的异常行驶状态。该方法检测出拥堵情况也检测出车辆行驶的异常情况,使该方法能检测出多种道路异常事件,另一方面,该方法同时利用车流量和车流密度检测拥堵情况,再利用拥堵情况及车辆轨迹检测车辆异常行驶状况,检测结果受单一交通参数的影响较少,从而使该方法检测出的拥堵情况和车辆异常行驶的准确率得到提高。
进一步地,当根据获取的车流量能确定该车流量隶属的车流量状态,且,根据获取的车流密度能确定该车流密度隶属的车流密度状态时,以车流密度和车流量作为交通拥堵模糊逻辑推理理论的两个参数,根据该交通拥堵模糊逻辑推理理论得到交通状况的输出变量的具体步骤为:
根据获取的车流量确定车流量状态,该车流量状态为少、正常和多三种中的任意一种,根据获取的车流密度确定车流密度状态,该车流密度状态为稀、正常和密三种中的任意一种,根据车流量状态和车流密度状态及交通拥堵模糊逻辑推理理论,输出交通状况的变量,该交通状况为交通正常、轻微交通拥堵和严重交通拥堵中的任意一种。
其中,获取的车流量只隶属于模糊车流量中的一种车流量状态,该车流量有确定的车流量状态,获取的车流量处于如图2所示的非临界状态,该车流量状态可确定为少、正常和多三种中的任意一种。获取的车流密度只隶属于模糊车流密度中的一种车流密度状态,该车流密度有确定的车流密度状态,获取的车流密度状态如图3所示的非临界状态,该车流密度状态可确定为稀、正常和密三种中的任意一种。根据确定的车流量状态、车流密度状态及如表1所示的交通拥堵模糊逻辑推理规则表,得到交通状况的输出变量,该交通状况可明确为交通状况为交通正常、轻微交通拥堵和严重交通拥堵中的任意一种。从而可知交通状况是否异常,即交通状况是否处于轻微交通拥堵和严重交通拥堵。
进一步地,当根据获取的车流量不能确定该车流量隶属的车流量状态,且,根据获取的车流密度也不能确定该车流密度隶属的车流密度状态时,以车流密度和车流量作为交通拥堵模糊逻辑推理理论的两个参数,根据该交通拥堵模糊逻辑推理理论得到交通状况的输出变量的具体步骤为:
根据获取的车流量得到该车流量隶属的两种车流量状态,根据获取的车流密度得到该车流密度隶属的两种车流密度状态,根据该两种车流量状态、两种车流密度状态及交通拥堵模糊逻辑推理理论,得出四个交通状况的输出变量,且根据最小值法确定输出变量的隶属值,该输出变量的隶属值为输出变量隶属于该交通状况的概率值,再根据输出变量和输出变量的隶属值及分类取最大值算法获取输出变量分别隶属于三种交通状况的隶属值,以该三种交通状况的隶属值为获取道路拥堵系数算法的参数,根据该获取道路拥堵系数算法获取道路拥堵系数,该道路拥堵系数为交通状况的具体模糊值。
其中,获取的车流量隶属于模糊车流量中的两种车流量状态,该车流量没有确定的一种车流量状态,即为获取的车流量处于如图2所示的临界状态,获取的车流量为少和正常之间的临界状态或正常和多之间的临界状态,获取的车流密度隶属于模糊车流密度中的两种车流密度状态,该车流密度没有确定的一种车流密度状态,即为获取的车流密度处于如图3所示的临界状态,车流密度有两个隶属的车流密度状态,获取的车流量处于稀和正常之间或者正常和多之间。当根据获取的车流量不能确定该车流量隶属的车流量状态,且,根据获取的车流密度也不能确定该车流密度隶属的车流密度状态时,只根据车流量的任意一种状态和车流密度的任意一种状态来检测交通异常状况的准确率都是较低的。
因此,可根据车流量的两种车流量状态、车流密度的两种车流密度状态及如表1所示的交通拥堵模糊逻辑推理规则,得到四个交通状况的输出变量,四个输出变量具体为η11,、η12、η21和η22。四个交通状况的输出变量计算过程如下:
其中,L、M和H分别为车流量少、正常和多的三种状态,S、U和V分别表示车流密度稀、正常和密三种状态,α1和α2为获取的车流量ak隶属的两种车流量状态,fα1(α)≠0,fα2(α)≠0,即车流量ak对应的两种车流量状态的隶属值均不为零,ρ1和ρ2为获取的车流密度ρpix对应的两种车流密度状态,fρ1(ρpix)≠0,fρ2(ρpix)≠0,即车流密度ρpix对应的两种车流密度状态的隶属值均不为零。
根据表1所示的交通拥堵模糊逻辑推理规则,当车流量ak为α1,车流密度ρpix为ρ1时,输出变量为η11,;当车流量ak为α1,车流密度ρpix为ρ2时,输出变量为η12;当车流量ak为α2,车流密度ρpix为ρ1时,输出变量为η21,;当车流量ak为α2,车流密度ρpix为ρ2时,输出变量为,η22,四个输出变量均属于交通正常、轻微交通拥堵和严重交通拥堵三种交通状态中一种。
基于得到四个交通状况的变量,根据最小值法可分别得到该四个交通状况变量的隶属值,其中,根据最小值法可分别得到该四个交通状况变量的隶属值的具体算法如下:
fη11(η)=min{fα1(α),fρ1(ρpix)}
fη12(η)=min{fα1(α),fρ2(ρpix)}
fη21(η)=min{fα2(α),fρ1(ρpix)}
fη22(η)=min{fα2(α),fρ2(ρpix)} (9)
其中,fα1(α)为获取的车流量隶属于车流量状态α1的隶属值,fα2(α)为获取的车流量隶属于车流量状态α2的隶属值,fρ1(ρpix)为获取的车流密度隶属于车流密度状态ρ1的隶属值,fα2(α)为获取的车流密度隶属于车流密度状态ρ2的隶属值。
在得到四个交通状况变量的隶属值之后,可根据该四个交通状况变量的隶属值及分类取最大值算法获取三种交通状况的隶属值。根据分类取最大值算法获取三种交通状况的隶属值具体过程如下:将四个交通状况按照三种交通状况进行分组,取每一组中隶属于该组的交通状况的隶属值最大的输出变量及其隶属值。
根据三种交通状况的隶属值及获取道路拥堵系数算法获取道路拥堵系数,道路拥堵系数C为检测区域交通状况的具体模糊值,根据道路拥堵系数C及拥堵指数可知检测区域交通状况,从而检测出交通的异常情况,如检测出道路处于严重拥堵或者轻微拥堵,其中,获取道路拥堵系数算法具体如下:
其中,C为获取的道路拥堵系数,fi={fNmax,fSmax,fHmax},fNmax、fSmax和fHmax分别为计算得到的四个模糊道路状况中对应于三种模糊道路状况的隶属度最大的隶属值,fi为三种模糊道路状况的隶属值集中的任意一个隶属值,wi为fi的权重值。
因车流量和车流密度均有两种状态,只根据车流量的任意一种状态和车流密度的任意一种状态来检测交通异常状况的准确率是较低的。因此本申请利用两种车流量状态和两种车流密度状态提高检测交通异常状况的准确率。另,本申请可直接根据获取的道路拥堵系数判断交通状况异常情况也进一步提高了判断交通状况异常的准确率。
进一步地,当根据获取的目标车辆的运动轨迹不能确定隶属的运动状态时,则根据输出变量和目标车辆的运动轨迹及车辆异常检测模糊理论检测出目标车辆的异常行驶状态的具体步骤为:
根据获取的目标车辆的运动轨迹得到该目标车辆隶属的两个运动状态集,该两个运动状态集包括:直行运动集和横穿运动集,直行运动集包括正常行驶和逆行,横穿运动集包括向右横穿马路和向左横穿马路。分别获取该目标车辆的运动轨迹隶属于两个运动状态集的两个隶属值,以道路拥堵系数和该两个隶属值为判断运动状态算法的参数,根据该判断运动状态算法得到运动状态值,该判断运动状态算法具体为:
其中,pro为运动状态值,C为道路拥堵系数,fs,fa为目标车辆分别隶属于直行运动集和横穿运动集的隶属值,λ为比例系数。
若得到的运动状态值大于1,则确定车辆的运动状态为直行运动集中的运动状态,根据获取的车辆运动轨迹得到车辆在直行运动集中的运动状态为直行或者是逆行,再根据车辆在直行运动集中的运动状态、交通状况和车辆异常检测模糊理论得出车辆实际的运动状态,根据该运动状态判断车辆是否行驶异常。当车辆的实际运动状态为逆行时,该车辆为异常行驶情况。
若得到的运动状态值小于1,则确定车辆的运动状态为横穿轨迹集中的运动状态,根据获取的车辆运动轨迹得到车辆在横穿轨迹集中的运动状态为向右横穿马路或者向左横穿马路,再根据车辆在横穿轨迹集中运动状态、交通状况和车辆异常检测模糊理论得出车辆实际的运动状态,根据该运动状态判断车辆是否行驶异常。当车辆的实际运动状态还为横穿轨迹集中的运动状态时,该车辆为异常行驶情况。。
其中,当得到的运动状态值大于1时,道路拥堵系数越高,交通状况越接近拥堵,横穿轨迹集中运动状态的出现概率为降低,运动状态值越接近无穷,检测车辆属于直行运动状态的隶属度越大,所以得到的运动状态值大于1时,检测车辆属于直行运动集。
当得到的运动状态值小于1时,道路拥堵系数越低,交通状况越接近正常,对横穿轨迹集中的运动状态的判断受拥堵状况的影响较低,运动状态值越接近零,检测车辆属于横穿运动状态的隶属度越大,所以得到的运动状态值小1时,检测车辆属于横穿运动集。
进一步地,当根据获取的目标车辆的运动轨迹能确定隶属的运动状态时,则根据输出变量和目标车辆的运动轨迹及车辆异常检测模糊理论检测出目标车辆的异常行驶状态的具体步骤还为:
根据获取的车辆的运动轨迹得到车辆确定的运动状态,该车辆的运动状态包括:向右横穿马路、正常行驶、向左横穿马路和逆行中的任意一种,根据交通状况的变量和车辆的运动状态及车辆异常检测模糊理论检测车辆的异常行驶,该车辆异常行驶包括:向右横穿马路、向左横穿马路和逆行中的任意一种。再根据交通状况的变量和目标车辆确定的运动状态及车辆异常检测模糊理论检测目标车辆的异常行驶状态,该目标车辆异常行驶状态包括向右横穿马路、向左横穿马路和逆行中的任意一种。
其中,获取的车辆的运动轨迹可确定车辆的运动状态,车辆的运动状态明确为向右横穿马路、正常行驶、向左横穿马路和逆行中的任意一种,而非处于向右横穿马路和正常行驶的临界状态、向右横穿马路和逆行的临界状态、向左横穿马路和正常行驶的临界状态、向左横穿马路和逆行的临界状态。交通状况明确为交通正常、轻微交通拥堵和严重交通拥堵中的任意一种。根据确定的车辆的运动状态、交通状况及车辆异常检测模糊理论,得到车辆的实际运动状态。根据该车辆的实际运动状态判断车辆异常行驶情况,当车辆处于向右横穿马路、向左横穿马路和逆行状态时,该车辆处于异常行驶状态。
需要说明的是,当根据车辆的运动轨迹可确定车辆的运动状态时,车辆的实际运动状态与根据获取的车辆的运动轨迹得到车辆确定的运动状态是相同的,得到车辆确定的运动状态与道路交通明确的状况也是相符的。
进一步地,该方法还包括:利用准确率算法与误检率算法来计算检测结果的准确率和误检率,该准确率算法和误检率算法如下:
其中,N_correct为正确检验出来的异常事件数目,N_real为实际发生的异常事件数目,N_false为错误判断的数目,N_vehicle为检测出的车辆总数目,N_judge为系统对交通状况总的判断次数。
在本发明实施例中,将该交通异常检测方法用于检测三个不同场景的交通异常情况,该三个不同场景包括:第一场景、第二场景和第三场景,如图4、图5和图6所示,图4为本发明实施例提供的第一场景的实物图,图5为本发明实施例提供的第二场景的实物图,图6为本发明实施例提供的第三场景的实物图,其中,第一场景处于正常交通状况下,第二场景中多次呈现交通拥堵状况,第三场景的环境复杂度较高,车况较为复杂。其中,车况复杂即是有着目标车辆可选择变换的车道等。
在本发明实施例中,选择上述三个场景的视频序列,根据该检测方法检测三个场景的异常情况,得到检测结果如表3:
表3交通异常事件数量检测结果
N_detect | 第一场景 | 第二场景 | 第三场景 |
横穿 | 6 | 13 | 12 |
逆行 | 2 | 2 | 4 |
轻微拥堵 | 5 | 61 | 15 |
严重拥堵 | 0 | 11 | 11 |
N_vehicle | 341 | 1217 | 1757 |
N_judge | 143 | 187 | 251 |
其中,N_detect为系统检验出来该种异常事件的数目,N_vehicle为检测出的车辆总数目,N_judge为系统对交通状况总的判断次数。
如表4所示,表4为交通异常情况检测与实际对比结果,表4如下:
表4交通异常情况检测与实际对比结果
其中,N_correct为正确检验出来的异常事件数目,N_real为实际发生的异常事件数目。
根据表3和表4的数据及准确率算法与误检率算法来计算检测结果的准确率和误检率,得到的准确率和误检率如表5所示,表5如下:
表5准确率和误检率结果
从表5中可知,在第一场景中,该交通异常检测方法检测出逆行、轻微拥堵和严重拥堵的准确率达100%,检测出的横穿状况的准确率也较高,可知,在正常交通状况下,该交通异常检测方法具有很高的准确性。在第二场景和第三场景中,该交通异常检测方法检测出交通异常的准确率较第一场景检测出交通异常的准确率低,可知道路在出现多车辆,交通呈现拥堵状态时,系统会将聚集的多车辆检测为一车辆,导致车流量减少,从而干预对交通情况的判断,从而导致准确率降低。但本发明实施中,在第二场景和第三场景中甚至第一场景中四种异常情况的误检率均低于3%,该交通异常检测方法减小因交通状况复杂产生的误检。
请参阅图7,图7为本发明实施例提供的一种交通异常检测的系统的结构示意图,该系统包括:
准备模块201,用于获取交通监控的视频图像,根据该视频图像获取检测区域的车流量、车流密度和车辆的运动轨迹。
其中,准备模块201获取交通监控的视频图像具体获取的是所需监测区域某个时间段的监控视频图像,根据该视频图像,获取检测区域的车流量、车流密度及其检测区域中车辆的运动状态。其中,车流量是指单位时间内通过该检测区域的车辆数,车流密度可表示该检测区域中单位路段的车辆数。
算法处理模块202、用于以车流密度和车流量作为交通拥堵模糊逻辑推理理论的两个参数,根据该交通拥堵模糊逻辑推理理论得到交通状况的输出变量。
其中,车流量和车流密度是交通拥堵模糊逻辑推理理论的两个输入参数,将车流密度与车流量输入至交通拥堵模糊逻辑推理理论中,算法处理模块202可根据交通拥堵模糊逻辑推理理论输出变量,该变量可表示交通状况。交通拥堵模糊逻辑推理理论中车流量、车流密度和交通状况的变量的关系如下表1所示:
表1交通拥堵模糊逻辑推理规则表
其中,S、U和V分别表示车流密度稀、正常和密三种状态,L、M和H分别为车流量少、正常和多的三种状态,η为输出变量,Nc为交通状况处于正常的状态,Sc为交通状况处于轻微交通拥堵的状态,Hc为交通状况处于严重交通拥堵的状态。
如表1所示,输入模糊车流量的模糊车流密度共同决定输出参量。
检测模块203、用于根据输出变量和目标车辆的运动轨迹及车辆异常检测模糊理论检测出该目标车辆的异常行驶状态。
其中,该输出变量为算法处理模块202中根据交通拥堵模糊逻辑推理理论得到的输出变量,根据车辆的运动轨迹可得到车辆的运动状态,该输出变量和目标车辆的运动状态是车辆异常检测模糊理论的两个输入参数,检测模块203将输出变量与目标车辆的运动状态输入至车辆异常检测模糊理论中,可根据车辆异常检测模糊理论得出车辆实际运动状态,根据该车辆实际运动状态判断出车辆是否为异常行驶。车辆异常检测模糊理论中输出变量和目标车辆的运动状态的关系如下表所示:
表2车辆异常检测模糊规则表
其中,motθ为车辆的运动状态,η为输出变量,Nc为交通状况处于正常的状态,Sc为交通状况处于轻微交通拥堵的状态,Hc为交通状况处于严重交通拥堵的状态,Nm表示车辆处于正常行驶状态,Re表示车辆处于逆行状态,Ra表示车辆处于向左横穿马路状态,La表示车辆处于向右横穿马路状态。
如表2所示,检测模块203根据车辆的运动状态及其所处交通状况检测该车辆在检测路段的运动状态,从而判断车辆行驶是否异常。
从本发明实施例提供的交通异常检测系统可知,该系统将获取的车流量和车流密度作为交通拥堵模糊理论的两个输入参数,算法处理模块202根据该交通拥堵模糊理论得到交通状况的输出变量,从该输出变量可知道路的交通状况,从而检测出道路的拥堵情况,另检测模块203还根据该输出变量和目标车辆的运动轨迹及车辆异常检测模糊理论可检测出车辆的异常行驶状态。该系统检测出道路的拥堵情况也检测出车辆行驶的异常情况,使该系统能检测出多种道路异常事件,另一方面,该系统同时利用车流量和车流密度检测交通的拥堵情况,再利用道路的拥堵情况及车辆轨迹检测车辆异常行驶状况,检测结果受单一交通参数的影响较少,从而使该系统检测出的道路拥堵情况和车辆异常行驶的准确率得到提高。
如图8所示,图8为本发明实施例提供的交通异常检测系统增加模块的结构示意图,该系统还包括第一设置模块204,用于设置模糊车流量,模糊车流量包括少、正常和多三种车流量状态。
其中,第一设置模块204在准备模块201获取交通监控的视频图像之前使用,第一设置模块204具体用于采用模糊的方法,用模糊集表示车流量的状态,该模糊集包括L、M和H,分别对应车流量的三种状态:少、正常和多。其中,第一设置模块204还根据拉依达准则得到三种车流量状态的隶属函数,其中,拉依达准则和得到的三种车流量状态的隶属函数如式(1)、式(2)、式(3)和式(4)。
如图2所示,图2为模糊车流量的隶属度函数的示意图,从图2中可知,当αk<μ-2σ时,模糊车流量处于少的状态,当αk∈(μ-2σ,μ-σ)时,模糊车流量处于少和正常的临界状态,当αk∈(μ-σ,μ+σ)时,模糊车流量为正常状态,当αk∈(μ+σ,μ+2σ)时,模糊车流量处于正常与多的临界状态。当αk>μ+2σ时,模糊车流量处于多状态。
进一步地,该系统还包括第二设置模块205,用于设置模糊车流密度,模糊车流密度包括稀、正常和密三种车流密度状态。
其中,第二设置模块205在准备模块201获取交通监控的视频图像之前使用,第二设置模块205具体用于采用模糊的方法,用模糊集来表示车流密度的状态,该模糊集包括:S、U和V,分别对应车流密度的三种状态:稀、正常和密,采用模糊车流密度来衡量车流密度状态。其中,第二设置模块205还根据拉依达准则得到三种车流密度状态的隶属函数,其中,拉依达准则和得到的三种车流密度状态的隶属函数如式(1)、式(5)、式(6)和式(7)。
请参阅图3,图3为模糊车流密度的隶属度函数的示意图,当ρpix∈(0,ρ1)车流密度状态为S(稀),当ρpix∈(ρ1,ρ2)时,车流密度介于S(稀)和U(正常)之间,车流密度状态处于稀与正常之间的临界状态,当ρpix∈(ρ2,ρ3)时,车流密度状态处于正常状态,当ρpix∈(ρ3,ρ4)时,车流密度状态处于正常与密之间的临界状态,当ρpix∈(ρ4,1)车流密度状态处于密状态。
进一步地,该系统还包括第三设置模块206,用于设置模糊运动状态,模糊运动状态包括向右横穿马路、正常行驶、向左横穿马路和逆行四种运动状态。
其中,第三设置模块206在准备模块201获取交通监控的视频图像之前使用,第三设置模块206具体用于采用模糊的方法,用模糊集来表示车辆的运动状态,该模糊集包括:Ra、Nm、La和Re,分别对应车辆运动状态的:向右横穿马路、正常行驶、向左横穿马路和逆行,采用模糊运动状态来衡量车辆的运动状态。其中,第三设置模块206可根据车辆运动的位移矢量与水平轴的夹角θ来区分车辆的四种运动状态,四种运动状态隶属关系如下:
当或时,车辆的运动状态为向右横穿马路状态,当时,车辆的运动状态为向右横穿马路和正常行驶的临界状态,当时,车辆的运动状态为正常行驶状态,当时,车辆的运动状态为正常行驶和向左横穿马路的临界状态,当时,车辆的运动状态为向左横穿马路状态,当时,车辆的运动状态为向左横穿马路和逆行的临界状态,当时,车辆的运动状态为逆行状态,当时,车辆的运动状态为逆行与向右横穿马路的临界状态。
其中,右横穿马路、向左横穿马路和和逆行三种运动状态属于车辆的异常行驶状态。
进一步地,该系统还包括第四设置模块207,用于设置模糊交通状况,该模糊交通状况包括交通正常、轻微交通拥堵和严重交通拥堵三种交通状态。
其中,第四设置模块207在准备模块201获取交通监控的视频图像之前使用,第四设置模块207具体用于采用模糊的方法,用模糊集来表示交通状况,该模糊集包括:Nc、Sc和Hc,分别表示交通正常、轻微交通拥堵和严重交通拥堵,三种交通状况的隶属函数与车流量与车流密度有关。
进一步地,如图9所示,图9为算法处理模块的细化模块的结构示意图,算法处理模块202包括第一确定模块301、第二确定模块302和处理模块303,当根据准备模块201获取的车流量能确定该车流量隶属的车流量状态,且,根据准备模块201获取的车流密度能确定该车流密度隶属的车流密度状态时:
第一确定模块301,用于根据获取的车流量确定车流量状态,该车流量状态为少、正常和多三种中的任意一种;
第二确定模块302,用于根据获取的车流密度确定车流密度状态,该车流密度状态为稀、正常和密三种中的任意一种;
处理模块303,用于根据车流量状态和车流密度状态及交通拥堵模糊逻辑推理理论,输出交通状况的变量,该交通状况为交通正常、轻微交通拥堵和严重交通拥堵中的任意一种。
其中,准备模块201获取的车流量只隶属于模糊车流量中的一种车流量状态,该车流量有确定的车流量状态,获取的车流量处于如图2所示的非临界状态,该车流量状态可确定为少、正常和多三种中的任意一种。准备模块201获取的车流密度只隶属于模糊车流密度中的一种车流密度状态,该车流密度有确定的车流密度状态,获取的车流密度状态如图3所示的非临界状态,该车流密度状态可确定为稀、正常和密三种中的任意一种。处理模块303根据确定的车流量状态、车流密度状态及如表1所示的交通拥堵模糊逻辑推理规则表,得到交通状况的输出变量,该交通状况可明确为交通状况为交通正常、轻微交通拥堵和严重交通拥堵中的任意一种。从而可知交通状况是否异常,即交通状况是否处于轻微交通拥堵和严重交通拥堵。
进一步地,如图10所示,图10为算法处理模块另一种细化模块的结构示意图,算法处理模块202还包括第一获取模块401、第一参数处理模块402、第二参数处理模块403和第三参数处理模块404,当根据准确模块201获取的车流量不能确定该车流量隶属的车流量状态,且,根据准确模块201获取的车流密度也不能确定该车流密度隶属的车流密度状态时:
第一获取模块401,用于根据获取的车流量得到该车流量隶属的两种车流量状态,根据获取的车流密度得到该车流密度隶属的两种车流密度状态.
其中,准备模块201获取的车流量隶属于模糊车流量中的两种车流量状态,该车流量没有确定的一种车流量状态,即为获取的车流量处于如图2所示的临界状态,获取的车流量为少和正常之间的临界状态或正常和多之间的临界状态。准备模块201获取的车流密度隶属于模糊车流密度中的两种车流密度状态,该车流密度没有确定的一种车流密度状态,即为获取的车流密度处于如图3所示的临界状态,车流密度有两个隶属的车流密度状态,获取的车流量处于稀和正常之间或者正常和多之间。
第一参数处理模块402,用于根据该两种车流量状态、两种车流密度状态及交通拥堵模糊逻辑推理理论,得出四个交通状况的输出变量,且根据最小值法确定输出变量的隶属值,该输出变量的隶属值为输出变量隶属于该交通状况的概率值。
其中,当根据准备模块201获取的车流量不能确定该车流量隶属的车流量状态,且,根据准备模块201获取的车流密度也不能确定该车流密度隶属的车流密度状态时,只根据车流量的任意一种状态和车流密度的任意一种状态来检测交通异常状况的准确率都是较低的。
因此,第一参数处理模块402可根据车流量的两种车流量状态、车流密度的两种车流密度状态及如表1所示的交通拥堵模糊逻辑推理规则,得到四个交通状况的输出变量,四个输出变量具体为η11,、η12、η21和η22。四个交通状况的输出变量计算过程如下:
其中,L、M和H分别为车流量少、正常和多的三种状态,S、U和V分别表示车流密度稀、正常和密三种状态,α1和α2为获取的车流量ak隶属的两种车流量状态,fα1(α)≠0,fα2(α)≠0,即车流量ak对应的两种车流量状态的隶属值均不为零,ρ1和ρ2为获取的车流密度ρpix对应的两种车流密度状态,fρ1(ρpix)≠0,fρ2(ρpix)≠0,即车流密度ρpix对应的两种车流密度状态的隶属值均不为零。
根据表1所示的交通拥堵模糊逻辑推理规则,当车流量ak为α1,车流密度ρpix为ρ1时,输出变量为η11,;当车流量ak为α1,车流密度ρpix为ρ2时,输出变量为η12;当车流量ak为α2,车流密度ρpix为ρ1时,输出变量为η21,;当车流量ak为α2,车流密度ρpix为ρ2时,输出变量为,η22,四个输出变量均属于交通正常、轻微交通拥堵和严重交通拥堵三种交通状态中一种。
第二参数处理模块403,用于再根据输出变量和输出变量的隶属值及分类取最大值算法获取输出变量分别隶属于三种交通状况的隶属值。
具体地,第二参数处理模块403基于得到四个交通状况的变量,根据最小值法可分别得到该四个交通状况变量的隶属值,其中,根据最小值法可分别得到该四个交通状况变量的隶属值的具体算法如下:
fη11(η)=min{fα1(α),fρ1(ρpix)}
fη12(η)=min{fα1(α),fρ2(ρpix)}
fη21(η)=min{fα2(α),fρ1(ρpix)}
fη22(η)=min{fα2(α),fρ2(ρpix)}
其中,fα1(α)为获取的车流量隶属于车流量状态α1的隶属值,fα2(α)为获取的车流量隶属于车流量状态α2的隶属值,fρ1(ρpix)为获取的车流密度隶属于车流密度状态ρ1的隶属值,fα2(α)为获取的车流密度隶属于车流密度状态ρ2的隶属值。
第三参数处理模块404,用于以该三种交通状况的隶属值为获取道路拥堵系数算法的参数,根据该获取道路拥堵系数算法获取道路拥堵系数,该道路拥堵系数为交通状况的具体模糊值。
其中,在第二参数处理模块403得到四个交通状况变量的隶属值之后,第三参数处理模块404可根据该四个交通状况变量的隶属值及分类取最大值算法获取三种交通状况的隶属值。根据分类取最大值算法获取三种交通状况的隶属值具体过程如下:将四个交通状况按照三种交通状况进行分组,取每一组中隶属于该组的交通状况的隶属值最大的输出变量及其隶属值。
根据三种交通状况的隶属值及获取道路拥堵系数算法获取道路拥堵系数,道路拥堵系数C为检测区域交通状况的具体模糊值,根据道路拥堵系数C及拥堵指数可知检测区域交通状况,从而检测出交通的异常情况,如检测出道路处于严重拥堵或者轻微拥堵,其中,获取道路拥堵系数算法具体如下:
其中,C为获取的道路拥堵系数,fi={fNmax,fSmax,fHmax},fNmax、fSmax和fHmax分别为计算得到的四个模糊道路状况中对应于三种模糊道路状况的隶属度最大的隶属值,fi为三种模糊道路状况的隶属值集中的任意一个隶属值,wi为fi的权重值。
因车流量和车流密度均有两种状态,只根据车流量的任意一种状态和车流密度的任意一种状态来检测交通异常状况的准确率是较低的。因此本申请利用两种车流量状态和两种车流密度状态提高检测交通异常状况的准确率。另,本申请可直接根据获取的道路拥堵系数判断交通状况异常情况也进一步提高了判断交通状况异常的准确率。
进一步地,如图11所示,图11为检测模块的细化模块的结构示意图,检测模块203包括:第二获取模块501、获取处理模块502、第一结果处理模块503和第二结果处理模块504,当准备模块201根据获取的目标车辆的运动轨迹不能确定隶属的运动状态时:
第二获取模块501,用于根据获取的目标车辆的运动轨迹得到该目标车辆隶属的两个运动状态集,该两个运动状态集包括:直行运动集和横穿运动集,直行运动集包括正常行驶和逆行,横穿运动集包括向右横穿马路和向左横穿马路。
获取处理模块502,用于分别获取该目标车辆的运动轨迹隶属于两个运动状态集的两个隶属值,以道路拥堵系数和该两个隶属值为判断运动状态算法的参数,根据该判断运动状态算法得到运动状态值,该判断运动状态算法具体为:
其中,pro为运动状态值,C为道路拥堵系数,fs,fa为目标车辆分别隶属于直行运动集和横穿运动集的隶属值,λ为比例系数。
第一结果处理模块503,用于在得到的运动状态值大于1时,确定车辆的运动状态为直行运动集中的运动状态,根据获取的车辆运动轨迹得到车辆在直行运动集中的运动状态为直行或者是逆行,再根据车辆在直行运动集中的运动状态、交通状况和车辆异常检测模糊理论得出车辆实际的运动状态,根据该运动状态判断车辆是否行驶异常。当车辆的实际运动状态为逆行时,该车辆为异常行驶情况。
第二结果处理模块504,用于在得到的运动状态值小于1时,确定车辆的运动状态为横穿轨迹集中的运动状态,根据获取的车辆运动轨迹得到车辆在横穿轨迹集中的运动状态为向右横穿马路或者向左横穿马路,再根据车辆在横穿轨迹集中运动状态、交通状况和车辆异常检测模糊理论得出车辆实际的运动状态,根据该运动状态判断车辆是否行驶异常。当车辆的实际运动状态还为横穿轨迹集中的运动状态时,该车辆为异常行驶情况。
其中,当获取处理模块502得到的运动状态值大于1时,道路拥堵系数越高,交通状况越接近拥堵,横穿轨迹集中运动状态的出现概率为降低,运动状态值越接近无穷,检测车辆属于直行运动状态的隶属度越大,所以得到的运动状态值大于1时,检测车辆属于直行运动集。
当获取处理模块502得到的运动状态值小于1时,道路拥堵系数越低,交通状况越接近正常,对横穿轨迹集中的运动状态的判断受拥堵状况的影响较低,运动状态值越接近零,检测车辆属于横穿运动状态的隶属度越大,所以得到的运动状态值小1时,检测车辆属于横穿运动集。
进一步地,如图12所示,图12为检测模块的另一种细化模块的结构示意图,检测模块203还包括:确定状态模块601和异常检测模块602,当准备模块201根据获取的目标车辆的运动轨迹能确定隶属的运动状态时:
确定状态模块601,用于根据获取的车辆的运动轨迹得到车辆确定的运动状态,该车辆的运动状态包括:向右横穿马路、正常行驶、向左横穿马路和逆行中的任意一种,根据交通状况的变量和车辆的运动状态及车辆异常检测模糊理论检测车辆的异常行驶,该车辆异常行驶包括:向右横穿马路、向左横穿马路和逆行中的任意一种。
异常检测模块602,用于根据交通状况的变量和目标车辆确定的运动状态及车辆异常检测模糊理论检测目标车辆的异常行驶状态,该目标车辆异常行驶状态包括向右横穿马路、向左横穿马路和逆行中的任意一种。
其中,当准备模块201获取的车辆的运动轨迹可确定车辆的运动状态,车辆的运动状态明确为向右横穿马路、正常行驶、向左横穿马路和逆行中的任意一种,而非处于向右横穿马路和正常行驶的临界状态、向右横穿马路和逆行的临界状态、向左横穿马路和正常行驶的临界状态、向左横穿马路和逆行的临界状态。交通状况明确为交通正常、轻微交通拥堵和严重交通拥堵中的任意一种。异常检测模块602根据确定的车辆的运动状态、交通状况及车辆异常检测模糊理论,得到车辆的实际运动状态。根据该车辆的实际运动状态判断车辆异常行驶情况,当车辆处于向右横穿马路、向左横穿马路和逆行状态时,该车辆处于异常行驶状态。
需要说明的是,当准备模块201根据车辆的运动轨迹可确定车辆的运动状态时,车辆的实际运动状态与根据获取的车辆的运动轨迹得到车辆确定的运动状态是相同的,得到车辆确定的运动状态与道路交通明确的状况也是相符的。
进一步地,该系统还包括检验模块208,用于利用准确率算法与误检率算法来计算检测结果的准确率和误检率,该准确率算法和误检率算法如下:
其中,N_correct为正确检验出来的异常事件数目,N_real为实际发生的异常事件数目,N_false为错误判断的数目,N_vehicle为检测出的车辆总数目,N_judge为系统对交通状况总的判断次数。
检验模块208获得准确率和误检率反映了交通异常检测的准确性。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上为对本发明所提供的一种交通异常检测方法及系统的描述,对于本领域的技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种交通异常检测方法,其特征在于,所述方法包括:
获取交通监控的视频图像,根据所述视频图像获取检测区域的车流量、车流密度和目标车辆的运动轨迹;
以所述车流密度和车流量作为交通拥堵模糊逻辑推理理论的两个参数,根据所述交通拥堵模糊逻辑推理理论得到交通状况的输出变量;
根据所述输出变量和所述目标车辆的运动轨迹及车辆异常检测模糊理论检测出目标车辆的异常行驶状态。
2.根据权利要求1所述的方法,其特征在于,所述获取交通监控的视频图像之前的步骤还包括:
设置模糊车流量,所述模糊车流量包括少、正常和多三种车流量状态;
设置模糊车流密度,所述模糊车流密度包括:稀、正常和密三种车流密度状态;
设置模糊交通状况,所述模糊交通状况包括:交通正常、轻微交通拥堵和严重交通拥堵三种交通状况;
设置模糊运动状态,所述模糊运动状态包括:向右横穿马路、正常行驶、向左横穿马路和逆行四种运动状态。
3.根据权利要求2所述的方法,其特征在于,当根据获取的车流量能确定所述车流量隶属的车流量状态,且根据获取的车流密度能确定所述车流密度隶属的车流密度状态时,则所述以所述车流密度和车流量作为交通拥堵模糊逻辑推理理论的两个参数,根据所述交通拥堵模糊逻辑推理理论得到交通状况的输出变量的步骤包括:
根据获取的车流量确定车流量状态,所述车流量状态为少、正常和多三种中的任意一种;
根据获取的车流密度确定车流密度状态,所述车流密度状态为稀、正常和密三种中的任意一种;
根据所述车流量状态和所述车流密度状态及所述交通拥堵模糊逻辑推理理论,输出交通状况的变量,所述交通状况为交通正常、轻微交通拥堵和严重交通拥堵中的任意一种。
4.根据权利要求2所述的方法,其特征在于,当根据获取的车流量不能确定所述车流量隶属的车流量状态,且根据获取的车流密度不能确定所述车流密度隶属的车流密度状态时,则所述以所述车流密度和车流量作为交通拥堵模糊逻辑推理理论的两个参数,根据所述交通拥堵模糊逻辑推理理论得到交通状况的输出变量包括:
根据获取的车流量得到所述车流量隶属的两种车流量状态,根据获取的车流密度得到所述车流密度隶属的两种车流密度状态;
根据所述两种车流量状态、两种车流密度状态及所述交通拥堵模糊逻辑推理理论,得出四个交通状况的输出变量,且根据最小值法确定所述输出变量的隶属值,所述输出变量的隶属值为所述输出变量隶属于所述交通状况的概率值;
再根据所述输出变量和所述输出变量的隶属值及分类取最大值算法获取所述输出变量分别隶属于所述三种交通状况的隶属值;
以所述三种交通状况的隶属值为获取道路拥堵系数算法的参数,根据所述获取道路拥堵系数算法获取道路拥堵系数,所述道路拥堵系数为交通状况的具体模糊值,所述获取道路拥堵系数算法为:
其中,C为获取的道路拥堵系数,fi为三种模糊道路状况的隶属值集中的任意一个隶属值,wi为fi的权重值。
5.根据权利要求4所述的方法,其特征在于,当获取的目标车辆的运动轨迹不能确定隶属的运动状态时,则所述根据所述输出变量和所述目标车辆的运动轨迹及车辆异常检测模糊理论检测出目标车辆的异常行驶状态包括:
根据获取的目标车辆的运动轨迹得到所述目标车辆隶属的两个运动状态集,所述两个运动状态集包括直行运动集和横穿运动集,所述直行包括正常行驶和逆行,所述横穿包括向右横穿马路和向左横穿马路;
分别获取所述目标车辆的运动轨迹隶属于两个运动状态集的两个隶属值,以所述道路拥堵系数和两个所述隶属值为判断运动状态算法的参数,根据所述判断运动状态算法得到运动状态值,判断运动状态算法为:
其中,pro为运动状态值,C为道路拥堵系数,fs和fa为目标车辆分别隶属于直行运动集和横穿运动集中的隶属值,λ为比例系数;
若得到的运动状态值大于1,则确定目标车辆的运动状态为直行运动集中的运动状态,根据获取的所述目标车辆运动轨迹得到所述目标车辆在所述直行运动集中的运动状态为直行或者是逆行,再根据所述目标车辆在直行运动集中的运动状态、交通状况和所述车辆异常检测模糊理论得出目标车辆实际的运动状态,根据所述运动状态判断目标车辆是否行驶异常;
若得到的运动状态值小于1,则确定目标车辆的运动状态为横穿轨迹集中的运动状态,根据所述获取的目标车辆运动轨迹得到目标车辆在所述横穿轨迹集中的运动状态为向右横穿马路或者向左横穿马路,再根据所述目标车辆在横穿轨迹集中运动状态、交通状况和车辆异常检测模糊理论得出目标车辆实际的运动状态,根据所述运动状态判断目标车辆是否行驶异常。
6.根据权利要求4所述的方法,其特征在于,当根据获取的目标车辆的运动轨迹能确定隶属的运动状态时,则所述根据所述输出变量和所述目标车辆的运动轨迹及车辆异常检测模糊理论检测出目标车辆的异常行驶状态还包括:
根据获取的目标车辆的运动轨迹获取目标车辆确定的运动状态,所述目标车辆的运动状态包括向右横穿马路、正常行驶、向左横穿马路和逆行中的任意一种;
根据交通状况的变量和所述目标车辆确定的运动状态及所述车辆异常检测模糊理论检测目标车辆的异常行驶状态,所述目标车辆异常行驶状态包括向右横穿马路、向左横穿马路和逆行中的任意一种。
7.根据权利要求1至6任意一项所述的方法,其特征在于,所述方法还包括:
利用准确率算法与误检率算法来计算检测结果的准确率和误检率,所述准确率算法与误检率算法分别如下:
其中,N_correct为正确检验出来的异常事件数目,N_real为实际发生的异常事件数目,N_false为错误判断的数目,N_vehicle为检测出的车辆总数目,N_judge为系统对交通状况总的判断次数。
8.一种交通异常检测系统,其特征在于,所述系统包括:
准备模块,用于获取交通监控的视频图像,根据所述视频图像获取检测区域的车流量、车流密度和目标车辆的运动轨迹;
算法处理模块,用于以所述车流密度和车流量作为交通拥堵模糊逻辑推理理论的两个参数,根据所述交通拥堵模糊逻辑推理理论得到交通状况的输出变量;
检测模块,用于根据所述输出变量和所述目标车辆的运动轨迹及车辆异常检测模糊理论检测出目标车辆的异常行驶状态。
9.根据权利要求8所述的系统,其特征在于,所述系统还包括:
第一设置模块,用于设置模糊车流量,所述模糊车流量包括少、正常和多三种车流量状态;
第二设置模块,用于设置模糊车流密度,所述模糊车流密度包括:稀、正常和密三种车流密度状态;
第三设置模块,用于设置模糊交通状况,所述模糊交通状况包括:交通正常、轻微交通拥堵和严重交通拥堵三种交通状况;
第四设置模块,用于设置模糊运动状态,所述模糊运动状态包括:向右横穿马路、正常行驶、向左横穿马路和逆行四种运动状态。
10.根据权利要求9所述的系统,其特征在于,所述算法处理模块包括:
第一确定模块,用于根据获取的车流量确定车流量状态,所述车流量状态为少、正常和多三种中的任意一种;
第二确定模块,用根据获取的车流密度确定车流密度状态,所述车流密度状态为稀、正常和密三种中的任意一种;
处理模块,用于根据所述车流量状态和所述车流密度状态及所述交通拥堵模糊逻辑推理理论,输出交通状况的变量,所述交通状况为交通正常、轻微交通拥堵和严重交通拥堵中的任意一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810964542.9A CN109035776A (zh) | 2018-08-23 | 2018-08-23 | 一种交通异常检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810964542.9A CN109035776A (zh) | 2018-08-23 | 2018-08-23 | 一种交通异常检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109035776A true CN109035776A (zh) | 2018-12-18 |
Family
ID=64626906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810964542.9A Pending CN109035776A (zh) | 2018-08-23 | 2018-08-23 | 一种交通异常检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109035776A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706857A (zh) * | 2020-05-22 | 2021-11-26 | 百度在线网络技术(北京)有限公司 | 道路通行性的确定方法、装置、设备及存储介质 |
TWI761863B (zh) * | 2020-06-19 | 2022-04-21 | 英業達股份有限公司 | 交通狀況偵測方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809874A (zh) * | 2015-04-15 | 2015-07-29 | 东软集团股份有限公司 | 一种交通事件检测方法和装置 |
CN106355882A (zh) * | 2016-10-18 | 2017-01-25 | 同济大学 | 一种基于路中检测器的交通状态估计方法 |
CN107622309A (zh) * | 2017-08-18 | 2018-01-23 | 长安大学 | 一种基于VANETs和改进的D‑S证据理论的道路拥堵检测方法 |
CN107705551A (zh) * | 2016-08-08 | 2018-02-16 | 阿里巴巴集团控股有限公司 | 交通路况的评估方法以及装置 |
-
2018
- 2018-08-23 CN CN201810964542.9A patent/CN109035776A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809874A (zh) * | 2015-04-15 | 2015-07-29 | 东软集团股份有限公司 | 一种交通事件检测方法和装置 |
CN107705551A (zh) * | 2016-08-08 | 2018-02-16 | 阿里巴巴集团控股有限公司 | 交通路况的评估方法以及装置 |
CN106355882A (zh) * | 2016-10-18 | 2017-01-25 | 同济大学 | 一种基于路中检测器的交通状态估计方法 |
CN107622309A (zh) * | 2017-08-18 | 2018-01-23 | 长安大学 | 一种基于VANETs和改进的D‑S证据理论的道路拥堵检测方法 |
Non-Patent Citations (1)
Title |
---|
YANSHAN LI等: "《Road Traffic Anomaly Detection Based on Fuzzy Theory》", 《IEEE ACCESS》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706857A (zh) * | 2020-05-22 | 2021-11-26 | 百度在线网络技术(北京)有限公司 | 道路通行性的确定方法、装置、设备及存储介质 |
TWI761863B (zh) * | 2020-06-19 | 2022-04-21 | 英業達股份有限公司 | 交通狀況偵測方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105574537B (zh) | 基于多传感器的危险驾驶行为检测和评估方法 | |
CN102509418B (zh) | 一种多传感信息融合的疲劳驾驶评估预警方法及装置 | |
CN105513349B (zh) | 基于双视角学习的山区高速公路车辆事件检测方法 | |
CN109132898A (zh) | 一种建筑施工群塔吊防碰撞预警方法 | |
CN110602449A (zh) | 一种基于视觉的大场景下施工安全智能监控系统方法 | |
CN107886055A (zh) | 一种用于车辆运动方向判定的逆行检测方法 | |
CN102592451B (zh) | 一种基于双截面环形线圈检测器的道路交通事件检测方法 | |
CN109035776A (zh) | 一种交通异常检测方法及系统 | |
CN109101939A (zh) | 车辆运动状态的确定方法、系统、终端及可读存储介质 | |
CN103956052B (zh) | 一种公路路况的检测方法和系统 | |
CN107705563A (zh) | 基于激光雷达的连续车辆速度检测方法 | |
CN113436432A (zh) | 一种利用路侧观测数据进行路段短时交通风险预测的方法 | |
CN103914853A (zh) | 多车辆跟踪时目标粘连和分裂情况的处理方法 | |
Braga et al. | Multivariate statistical aggregation and dimensionality reduction techniques to improve monitoring and maintenance in railways: The wheelset component | |
CN104318780A (zh) | 考虑气象因素、道路线形因素的高速公路事件检测方法 | |
CN115144399A (zh) | 一种基于机器视觉的装配质量检测方法及装置 | |
CN113432615B (zh) | 基于多传感器融合可驾驶区域的检测方法、系统和车辆 | |
CN112800166B (zh) | 一种社区矫正对象活动轨迹监管预警方法、系统及装置 | |
WO2022069399A1 (de) | Verfahren zur bestimmung eines sensor-degradations-status | |
CN103473925A (zh) | 一种道路车辆检测系统的验证方法 | |
CN107025789A (zh) | 一种交通事件检测方法及装置 | |
Glock et al. | A framework for possibilistic multi-source data fusion with monitoring of sensor reliability | |
JPH09251596A (ja) | 交差点安全支援方法および交差点安全支援装置 | |
Cao et al. | Vehicle motion analysis based on a monocular vision system | |
CN103914984A (zh) | 一种基于单元-区间协作的城市道路交通状态分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181218 |
|
WD01 | Invention patent application deemed withdrawn after publication |