JP2005243019A - 圧縮ビデオにおいて交通事象を検出する方法 - Google Patents
圧縮ビデオにおいて交通事象を検出する方法 Download PDFInfo
- Publication number
- JP2005243019A JP2005243019A JP2005044494A JP2005044494A JP2005243019A JP 2005243019 A JP2005243019 A JP 2005243019A JP 2005044494 A JP2005044494 A JP 2005044494A JP 2005044494 A JP2005044494 A JP 2005044494A JP 2005243019 A JP2005243019 A JP 2005243019A
- Authority
- JP
- Japan
- Prior art keywords
- traffic
- motion
- compressed video
- frame
- hidden markov
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
【解決手段】圧縮ビデオから特徴ベクトルを抽出する。この特徴ベクトルをガウス混合隠れマルコフモデルに供給する。次に、ガウス混合隠れマルコフモデルの最尤値を求め、複数の特徴ベクトルを交通事象として分類する。
【選択図】図1
Description
図1に示すように、本発明のシステムへの入力はMPEG圧縮ビデオのビットストリーム101である。このビットストリームを構文解析し110、関心領域(ROI)125(すなわち道路と道路上の車両)の離散コサイン変換(DCT)係数および動きベクトル(MV)のみを保持する。幾何補正120を適用して、カメラ座標から実世界の座標への変換を行う。IフレームのDCT係数の残差(residues)を求め130、MVを処理する140。
MPEG圧縮方式は、離散コサイン変換(DCT)を用いることによって1つのフレーム内の空間的冗長性を減らすとともに、動き補償により連続するフレーム間の時間的冗長性を減らして、低ビットレートの圧縮を達成する。動き補償の結果は、ビデオ中に動きベクトルとして記憶される。
DCT圧縮ビデオは、N×Nの画像領域{Ixy,0≦x<N,0≦y<N}のDCT係数{Cuv}を用いて、2D画像を次のように符号化する。
MVはPフレームとBフレームのみに存在する。ブロック毎にMVが1つずつある。PフレームのMVは次のような特性を有する。第1に、MVが0よりも大きいPフレームの移動領域は、空間領域の移動物体に対応する。第2に、移動領域における大部分のMVの方向の平均はその物体の動きの方向を反映し、MVの大きさの平均は物体の速度を示す。信頼できるMVを得るために、制約付き(constrained)平均値フィルタを用いてノイズを除去する。
特徴抽出をより正確で、異なるデータ源に対して不変なものとするために、特徴データに幾何補正120を適用して、スケールや視角に関係なく、全ての交通シーンに対して1つのユニバーサルなパラメータセットを可能にする。先ず、回転行列Rおよび並進ベクトルTを用いたアフィン変換により、カメラ座標系の特徴データを基準座標系に変換する。
交通渋滞は、2つの重要な特性、すなわち交通の速度および交通の密度により定義される。したがって、本発明では、車両の速度および密度を正確に捉えるように特徴ベクトルを設計する。本発明の特徴抽出は、異なるデータ源および照明に対して変化する交通状況を正確に記述することを目的とする。ROI毎に、7次元の密度特徴ベクトルを作成して、時間インスタンス毎の動きエネルギーの分布を記述する。
交通事象は確率的な時間プロセスであり、HMMは時間の連続性を組み込むことができるため、多くのモデル化用途でHMMが用いられる(例えば音声認識)。HMMは、ビデオシーケンスにおける画像の分類、物体の追跡および認識、ならびに人間行動理解のようなコンピュータビジョン用途にも用いられる。本発明では、交通事象のモデル化および検出にGMHMMを用いる。
HMMは一組の有限の状態を含む。各状態には通常、多次元の確率分布関数が関連付けられる。状態間の遷移は、一組の遷移確率関数によって支配される。特定の状態において、結果または観察は、関連する確率分布に応じて生成することができる。結果のみが観察でき、状態は隠れている。
HMMのパラメータは次のように表すことができる。
λ={A,B,π}
ここで、初期の状態分布はπ={π1...πi...πN}であり、1≦i≦Nについてπi=P(q1=i)であり、Nは隠れた状態の数であり、q1=I(時間t=1におけるi番目の状態)であり、状態遷移行列は次のように表される。
GMHMMの未知のパラメータは、期待値最大化(EM)プロセスを用いることによって学習される。EMは、観察されたデータが不完全である場合に最尤推定値の計算を繰り返し行う。パラメータ学習の目的は、所与の観察データセットV151についてλ=arg max(log[p(V|λ)])を最大化するモデルパラメータλを見つけることである。具体的には、本発明では、よく知られたBaum-WelshのEMプロセスを用いて交通事象のモデルパラメータを学習する。
図4に示すように、本発明では、Rabinerのergodicモデルの代わりに例えば4つの状態1〜4を有するleft−to−rightモデル400を用いる。本発明では、他のHMMトポロジ、異なる数の状態、および混合における異なる数のガウスモデルを用いて、上述の特徴ベクトルおよび枠組みを用いた交通事象の検出を行うこともできる。1つの利点として、本発明のモデルは、かなり簡単な方法で時間をモデルの状態と関連付けるため、モデルの計算効率が高い。
交通パターンは、大まかに2つの状態、すなわち、正常と渋滞に分類することができる。しかし、より詳細に理解されるよう、本発明では5つの交通パターン、すなわち、大(super)渋滞(SC)、重度の渋滞(HC)、軽度の渋滞(LC)、正常、および疎ら(near empty)(NE)を設ける。
図5に示すように、5つのGMHMM501〜505を5つの所定の事象クラスについてそれぞれ訓練する。SC、HC、LC、およびNEの場合、HMMは4つの状態および2つのガウス混合により訓練され、正常の場合のHMMは8つの状態および3つのガウス混合により訓練される。ML分類器180は交通事象を検出するように設計される。
初期化:
交通状態の確率特性のために、検出プロセスにおいて、特に交通状態が急速に変化する場合にエラーが生じる可能性がある。さらに、交通の分類は完全に客観的ではない。したがって、本発明では信頼度スコアを設ける。この信頼度スコアは、誤った事象では低く、正しい事象では高い。
実際の交通シーンのビデオに基づく本発明の結果は、本発明のシステムが、人間の目よりも敏感であることを示す。正検出率は97%を達成することができる。交通状態がゆっくりと変化する交通シーンの場合、正検出率は、最初の出力で98%、中央値でフィルタリングした出力では99%に改善される。また本発明では、偽アラームの場合に信頼度スコアが低くなり、不正確な推定を示すことも発見した。
Claims (16)
- 圧縮ビデオにおいて交通事象を検出する方法であって、
前記圧縮ビデオから複数の特徴ベクトルを抽出すること、
前記複数の特徴ベクトルをガウス混合隠れマルコフモデルに供給すること、
及び
前記ガウス混合隠れマルコフモデルの最尤値を求めて、前記複数の特徴ベクトルを交通事象として分類すること
を含む圧縮ビデオにおいて交通事象を検出する方法。 - 前記圧縮ビデオのピクチャグループ毎に特徴ベクトルが1つずつある
請求項1記載の方法。 - 各ピクチャグループは、少なくとも1つのIフレームと少なくとも1つのPフレームを含み、
前記Iフレームは、DCT係数を含み、
前記Pフレームは、動きベクトルを含む
請求項2記載の方法。 - 前記DCT係数は、前記Iフレームの空間テクスチャ周波数を符号化し、
前記動きベクトルは、前記Pフレーム中の物体の動きの方向を符号化する
請求項3記載の方法。 - 前記動きベクトルに制約付き平均値フィルタを適用して、ノイズを除去することをさらに含む
請求項4記載の方法。 - 前記複数の特徴ベクトルは、ビデオ中の関心領域から抽出される
請求項1記載の方法。 - 前記特徴ベクトルをカメラ座標系から基準座標系に変換することをさらに含む
請求項1記載の方法。 - 各特徴ベクトルは、画像エネルギーに基づく動きエネルギー、空間周波数に基づく移動テクスチャ、前記動きベクトルの平均、前記動きベクトルの分散、複数の帯域に分類される前記動きベクトルの大きさの平均を含む
請求項4記載の方法。 - 各特徴ベクトルの各成分は、前記関心領域のサイズおよび照明に対して不変の密度パラメータである
請求項6記載の方法。 - ラベル付けした特徴ベクトルにより前記ガウス混合隠れマルコフモデルを訓練することをさらに含む
請求項1記載の方法。 - 前記ガウス混合隠れマルコフモデルは、一組の有限の状態を含み、
各状態は、多次元の確率分布関数と関連付けられる
請求項1記載の方法。 - 前記ガウス混合隠れマルコフモデルの未知のパラメータが、期待値最大化プロセスによって学習される
請求項10記載の方法。 - 前記ガウス混合隠れマルコフモデルは、left−to−rightモデルである
請求項1記載の方法。 - 前記交通事象は、大渋滞、重度の渋滞、軽度の渋滞、正常、および疎らとして分類される
請求項1記載の方法。 - 前記交通事象のクラスは、トレリスプロセスを用いて判定される
請求項14記載の方法。 - 検出した交通事象毎に信頼度スコアを求める
請求項1記載の方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US10/787,667 US7403664B2 (en) | 2004-02-26 | 2004-02-26 | Traffic event detection in compressed videos |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2005243019A true JP2005243019A (ja) | 2005-09-08 |
JP4451330B2 JP4451330B2 (ja) | 2010-04-14 |
Family
ID=34886831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2005044494A Expired - Fee Related JP4451330B2 (ja) | 2004-02-26 | 2005-02-21 | 圧縮ビデオにおいて交通事象を検出する方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US7403664B2 (ja) |
JP (1) | JP4451330B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5895162B2 (ja) * | 2010-10-28 | 2016-03-30 | パナソニックIpマネジメント株式会社 | 交通事故検出装置及び交通事故検出方法 |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140152823A1 (en) * | 1998-11-30 | 2014-06-05 | American Vehicular Sciences Llc | Techniques to Obtain Information About Objects Around a Vehicle |
JP4088274B2 (ja) * | 2004-06-28 | 2008-05-21 | 株式会社東芝 | メタデータの構造及びその編集方法 |
DE102007041727B4 (de) | 2007-09-04 | 2021-09-23 | Adc Automotive Distance Control Systems Gmbh | Verfahren zur Spurzahlbestimmung |
EP2187369A3 (en) * | 2008-06-04 | 2012-03-28 | Roads and Traffic Authority of New South Wales | Traffic signals control system |
US9141862B2 (en) * | 2008-09-26 | 2015-09-22 | Harris Corporation | Unattended surveillance device and associated methods |
US8649594B1 (en) * | 2009-06-04 | 2014-02-11 | Agilence, Inc. | Active and adaptive intelligent video surveillance system |
TW201136313A (en) * | 2010-04-08 | 2011-10-16 | Hon Hai Prec Ind Co Ltd | 3D image monitor system and method |
DE102010020984A1 (de) * | 2010-04-20 | 2011-10-20 | Conti Temic Microelectronic Gmbh | Verfahren zur Bestimmung des Fahrbahnverlaufes für ein Kraftfahrzeug |
US8923607B1 (en) | 2010-12-08 | 2014-12-30 | Google Inc. | Learning sports highlights using event detection |
US8929588B2 (en) | 2011-07-22 | 2015-01-06 | Honeywell International Inc. | Object tracking |
US9886552B2 (en) | 2011-08-12 | 2018-02-06 | Help Lighting, Inc. | System and method for image registration of multiple video streams |
US8582811B2 (en) | 2011-09-01 | 2013-11-12 | Xerox Corporation | Unsupervised parameter settings for object tracking algorithms |
CN102436739B (zh) * | 2011-09-27 | 2013-10-23 | 重庆大学 | 基于视频检测技术的高速公路收费广场交通拥堵判别方法 |
US8855436B2 (en) * | 2011-10-20 | 2014-10-07 | Xerox Corporation | System for and method of selective video frame compression and decompression for efficient event-driven searching in large databases |
US9020203B2 (en) | 2012-05-21 | 2015-04-28 | Vipaar, Llc | System and method for managing spatiotemporal uncertainty |
US9710968B2 (en) | 2012-12-26 | 2017-07-18 | Help Lightning, Inc. | System and method for role-switching in multi-reality environments |
US9940750B2 (en) | 2013-06-27 | 2018-04-10 | Help Lighting, Inc. | System and method for role negotiation in multi-reality environments |
JP6282193B2 (ja) * | 2014-07-28 | 2018-02-21 | クラリオン株式会社 | 物体検出装置 |
CN107463890B (zh) * | 2017-07-20 | 2019-11-29 | 浙江零跑科技有限公司 | 一种基于单目前视相机的前车检测与跟踪方法 |
CN107293120A (zh) * | 2017-07-24 | 2017-10-24 | 重庆大学 | 一种基于遗传算法的交通事件检测算法的参数自整定方法 |
CN108597239B (zh) * | 2018-04-28 | 2021-02-09 | 重庆大学 | 一种基于马尔科夫决策的交通灯控制系统及方法 |
CN109979193B (zh) * | 2019-02-19 | 2021-01-19 | 浙江海康智联科技有限公司 | 一种基于马尔科夫模型的数据异常诊断方法 |
CN110428608B (zh) * | 2019-06-18 | 2022-03-04 | 上海电科智能系统股份有限公司 | 一种基于交通大数据的道路通行能力提取方法 |
CN115171389B (zh) * | 2022-07-22 | 2023-10-31 | 吉林大学 | 基于gmm-hmm的高速公路他车超车换道意图识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6751354B2 (en) * | 1999-03-11 | 2004-06-15 | Fuji Xerox Co., Ltd | Methods and apparatuses for video segmentation, classification, and retrieval using image class statistical models |
SG89282A1 (en) * | 1999-05-28 | 2002-06-18 | Kent Ridge Digital Labs | Motion information extraction system |
-
2004
- 2004-02-26 US US10/787,667 patent/US7403664B2/en not_active Expired - Fee Related
-
2005
- 2005-02-21 JP JP2005044494A patent/JP4451330B2/ja not_active Expired - Fee Related
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5895162B2 (ja) * | 2010-10-28 | 2016-03-30 | パナソニックIpマネジメント株式会社 | 交通事故検出装置及び交通事故検出方法 |
Also Published As
Publication number | Publication date |
---|---|
US7403664B2 (en) | 2008-07-22 |
JP4451330B2 (ja) | 2010-04-14 |
US20050190975A1 (en) | 2005-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4451330B2 (ja) | 圧縮ビデオにおいて交通事象を検出する方法 | |
CN109819208B (zh) | 一种基于人工智能动态监控的密集人群安防监控管理方法 | |
Ke et al. | Multi-dimensional traffic congestion detection based on fusion of visual features and convolutional neural network | |
Dick et al. | Issues in automated visual surveillance | |
US9442176B2 (en) | Bus lane infraction detection method and system | |
US9159137B2 (en) | Probabilistic neural network based moving object detection method and an apparatus using the same | |
US9286516B2 (en) | Method and systems of classifying a vehicle using motion vectors | |
US7747075B2 (en) | Salient motion detection system, method and program product therefor | |
KR101515166B1 (ko) | 객체인식 기반의 주차장 이벤트 검지 시스템 | |
Ke et al. | Motion-vector clustering for traffic speed detection from UAV video | |
CN108804992B (zh) | 一种基于深度学习的人群统计方法 | |
JP6915219B2 (ja) | コンピュータ実施方法、撮像システム、及び画像処理システム | |
Ghahremannezhad et al. | Robust road region extraction in video under various illumination and weather conditions | |
US20160142727A1 (en) | System and method for achieving computationally efficient motion estimation in video compression based on motion direction and magnitude prediction | |
CN114926796A (zh) | 一种基于新式混合注意力模块的弯道检测方法 | |
Kornprobst et al. | Tracking segmented objects using tensor voting | |
Vibha et al. | Dynamic object detection, tracking and counting in video streams for multimedia mining | |
Song et al. | All-day traffic states recognition system without vehicle segmentation | |
CN116311166A (zh) | 交通障碍物识别方法、装置及电子设备 | |
Chandrasekhar et al. | A survey of techniques for background subtraction and traffic analysis on surveillance video | |
CN115565157A (zh) | 一种多摄像头多目标车辆跟踪方法及系统 | |
CN114912536A (zh) | 一种基于雷达和双光电的目标识别方法 | |
Zhao et al. | Research on vehicle detection and vehicle type recognition under cloud computer vision | |
CN112580633A (zh) | 一种公共交通客流统计装置及方法 | |
Kogut et al. | A wide area tracking system for vision sensor networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20080130 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20091201 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20091225 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20100126 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20100127 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130205 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140205 Year of fee payment: 4 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |