萬(wàn)福才, 尹承祥, 韓曉微, 王東政

(1. 沈陽(yáng)大學(xué) 信息工程學(xué)院, 遼寧 沈陽(yáng)　110044;

2. 大連理工大學(xué) 電子信息與電氣工程學(xué)部, 遼寧 大連　116024)

?

城市道路交通異常事件自動(dòng)檢測(cè)方法

萬(wàn)福才1, 尹承祥1, 韓曉微1, 王東政2

(1. 沈陽(yáng)大學(xué) 信息工程學(xué)院, 遼寧 沈陽(yáng)110044;

2. 大連理工大學(xué) 電子信息與電氣工程學(xué)部, 遼寧 大連116024)

摘要:針對(duì)城市道路交通流量大,易發(fā)生交通違法異常行為,提出了一種城市道路交通異常事件自動(dòng)檢測(cè)方法.該方法在進(jìn)行異常事件檢測(cè)時(shí),首先對(duì)道路交通進(jìn)行視頻序列采集,然后提取視頻中的車輛加速度、方向變化、幾何位置信息.在提取這些特征值后,計(jì)算三個(gè)特征值變化率指數(shù)總和,并與設(shè)定的閾值進(jìn)行比較,判斷是否發(fā)生異常事件.通過(guò)對(duì)同一道路的相同監(jiān)控視頻片段采用不同的算法進(jìn)行檢測(cè)仿真實(shí)驗(yàn),測(cè)試結(jié)果表明該方法得到的正確檢測(cè)率DR為98.6%,誤報(bào)率FAR為7%,相對(duì)于基于臨界安全區(qū)域方法、基于Boosting檢測(cè)方法其整體檢測(cè)性能有所提高.

關(guān)鍵詞:異常事件; 城市道路交通; 加速度; 幾何位置; 自動(dòng)檢測(cè)

城市道路交通環(huán)境由于交通流量大,易發(fā)生諸如闖紅燈、違章轉(zhuǎn)彎、擁堵以及拖尾等交通違法行為,因此對(duì)城市道路交通進(jìn)行監(jiān)測(cè)尤為重要.Coifman和Berymer等人提出了基于視頻圖像處理系統(tǒng)(Video image processing system,VIPS)[1-2],該系統(tǒng)可以對(duì)不同車型進(jìn)行統(tǒng)計(jì),而且可進(jìn)行交通流量的控制.后來(lái),研究人員突破僅僅對(duì)車輛檢測(cè)的局限,Haag和Nagel等人對(duì)機(jī)動(dòng)車車輛跟蹤問(wèn)題進(jìn)行了研究[3].Masoud和Papanikolopoulosp對(duì)道路行人進(jìn)行跟蹤并記數(shù),為道路交通管理提供了重要的信息[4].Tai 等人研究的交通事故檢測(cè)的視頻監(jiān)視系統(tǒng)[5-6],能夠自動(dòng)檢測(cè)運(yùn)動(dòng)車輛并進(jìn)行軌跡判定.Pai等人[7]針對(duì)十字路口的交通進(jìn)行研究,對(duì)行人檢測(cè)與跟蹤,以保證駕駛員在路口的安全駕駛.

為了實(shí)現(xiàn)城市交通異常事件自動(dòng)檢測(cè),本文從交通事件檢測(cè)流程入手,對(duì)車輛檢測(cè)與跟蹤、特征提取進(jìn)行了研究,在事件檢測(cè)階段提出了一種基于車輛加速度變化率、方向變化率、位置變化率的特征值指數(shù)方法,有效的提高城市道路交通異常事件的自動(dòng)檢測(cè)效果.

1特征值的采集

在城市道路發(fā)生交通異常事件時(shí)往往會(huì)伴隨著諸如加速度、車輛運(yùn)行方向、車輛位置等特征值的變化.因此,分析城市道路是否發(fā)生交通異常事件可以分析上述幾個(gè)交通事件特征值的變化.這些數(shù)據(jù)都來(lái)自安裝在道路的CCD攝像頭,再通過(guò)數(shù)字圖像處理技術(shù)來(lái)提取對(duì)象,分割、重建、識(shí)別、理解,最后進(jìn)行分析計(jì)算[8].為了采集交通事件特征值需在城市交通道路安裝CCD攝像頭,對(duì)道路中運(yùn)行的車輛進(jìn)行視頻采集.道路攝像裝置監(jiān)測(cè)區(qū)域如圖1所示.

圖1　城市交通道路監(jiān)控區(qū)域

2車輛檢測(cè)與跟蹤

利用圖像空域的特性,將codebook算法與LBP的優(yōu)點(diǎn)進(jìn)行融合,生成了新的背景減除新方法[9].將局部區(qū)域紋理特征作為codebook 碼元記錄以及背景更新,同時(shí)為了對(duì)陰影進(jìn)行較好的消除,把codebook方法處理過(guò)的圖像進(jìn)行光增益度的改進(jìn),從而可以使模型能自適應(yīng)更新背景、壓縮背景,并且有效的去除陰影的影響[10].為了減小圖像的失真和噪聲影響,將處理后的圖像轉(zhuǎn)化為二值圖像.雖然二值圖像能夠有效的減小外界的噪聲干擾,但是一些局部區(qū)域的噪聲容易引發(fā)目標(biāo)跟蹤失誤.為了更有效的減少噪聲干擾,將圖像進(jìn)行8×8分塊,并對(duì)每塊進(jìn)行濾波處理.二值圖像和濾噪后的車輛跟蹤效果如圖2所示.

圖2　二值圖像(a)和濾噪后(b)車輛跟蹤效果

3特征提取

利用二值圖像連通成分標(biāo)記方法可以同時(shí)跟蹤多車輛,并能檢測(cè)出每輛車的幾何中心位置.依據(jù)系統(tǒng)對(duì)運(yùn)動(dòng)目標(biāo)的分割和跟蹤結(jié)果可以提取出加速度、車輛方向變化、車輛位置等特征值進(jìn)行交通異常事件判斷.

(1) 加速度變化:加速度是速度的變化率.加速度的計(jì)算方法如式(1)所示:

(1)

在發(fā)生交通事故時(shí),車輛速率會(huì)發(fā)生快速變化,即加速度的變化.因此,可以利用跟蹤和特征提取的加速度變化作為一項(xiàng)判斷城市道路交通異常事件的依據(jù).依據(jù)加速度變化判斷交通異常事件的算法如式(2):

(2)

式中:AF為交通異常事件判定指數(shù),d為閾值.

(2) 車輛方向變化率:車輛方向可利用車輛線性化的圖像處理技術(shù)來(lái)計(jì)算.在車輛線性化之后車輛行駛角度就可提取出發(fā)點(diǎn)坐標(biāo)(x1,y1)和終點(diǎn)坐標(biāo)(x2,y2)計(jì)算方程(3):

(3)

當(dāng)車輛發(fā)生碰撞等異常事件時(shí),會(huì)引發(fā)車輛方向變化率的增加.因此,可以通過(guò)分析車輛方向的變化率來(lái)進(jìn)行判斷是否發(fā)生交通異常事件,算法如式(4):

(4)

式中:DF為交通異常事件判斷指數(shù);f為閾值.

如果|Δθ/Δt|比較大,可以估測(cè)為車輛運(yùn)行異常,發(fā)生了交通事故的可能性較高.

圖3　車輛的中心點(diǎn)示意圖

當(dāng)車輛發(fā)生碰撞等異常交通事件時(shí),會(huì)引起車輛位置的迅速變化.因此,可利用車輛位置的變化率作為交通異常事件的評(píng)判指數(shù),如式(5):

(5)

式中:SF為交通異常事件判定指數(shù);h,j為閾值.

4異常事件監(jiān)測(cè)算法

在CCD攝像機(jī)輸出的一系列交通場(chǎng)景下的連續(xù)的視頻幀中,通過(guò)目標(biāo)檢測(cè)、跟蹤可以提取出事件的特征值,并可通過(guò)推算判斷事件是否發(fā)生.流程圖如圖4所示,交通異常事件自動(dòng)檢測(cè)可以總結(jié)為以下幾步[11]:

(1) CCD攝像頭采集道路交通視頻圖像.

(2) 車輛的運(yùn)動(dòng)檢測(cè)與跟蹤.

(3) 提取車輛的運(yùn)動(dòng)特征值,如加速度、方向變化、車輛位置變化等.

(4) 計(jì)算特征值A(chǔ)F、DF、PF.

(5) 估算特征值總和(AF+DF+PF),然后與閾值T作比較,判斷交通事件是否發(fā)生.

5實(shí)驗(yàn)結(jié)果

為測(cè)試本文提出的方法異常交通事件檢測(cè)的有效性,本文利用Matlab 2011a軟件對(duì)江蘇省常熟市某段道路的交通監(jiān)控視頻分別采用基于臨界安全區(qū)域的交通事件檢測(cè)方法、基于Boosting檢測(cè)方法和本文提出的方法進(jìn)行仿真測(cè)試,以檢測(cè)率(DR),誤報(bào)率(FAR)和平均檢測(cè)時(shí)間(MTTD)三個(gè)指標(biāo)評(píng)價(jià)本文提出的方法的有效性.由于實(shí)驗(yàn)對(duì)象為市區(qū)交通運(yùn)行對(duì)象,據(jù)調(diào)查市區(qū)內(nèi)車輛平均運(yùn)行速度為24~34 km/h,因此,車輛緊急停車的加速度為-6.67~-9.44 m/s2,設(shè)置閾值d為6.67 m/s2;對(duì)于車輛方向變化率的閾值f為實(shí)驗(yàn)經(jīng)驗(yàn)閾值,選取f=0.5°/s.圖5為利用本文方法檢測(cè)視頻中的車輛的幾何中心位置信息.通過(guò)車輛集合中心位置變化信息確定PF=1.

圖4　交通異常事件算法檢測(cè)流程圖

圖5　車輛的位置坐標(biāo)

圖6為利用本文城市交通異常事件檢測(cè)系統(tǒng)檢測(cè)結(jié)果.由圖6可知,本文提出的自動(dòng)檢測(cè)方法能夠有效的進(jìn)行跟蹤車輛目標(biāo),并能有效的檢測(cè)出城市道路中交通異常事件.

圖6　城市交通異常事件檢測(cè)系統(tǒng)檢測(cè)結(jié)果

實(shí)驗(yàn)采用文獻(xiàn)[12]中基于臨界安全區(qū)域的交通的交通事件檢測(cè)方法、文獻(xiàn)[13]中基于Boosting方法與本文提出的方法對(duì)江蘇常熟市兩周內(nèi)不同時(shí)段,含有交通異常事件的監(jiān)控視頻進(jìn)行仿真實(shí)驗(yàn)進(jìn)行了比較,其中總共通過(guò)檢測(cè)區(qū)域車輛數(shù)為21 963輛,被檢測(cè)視頻中有四起交通異常事件,檢測(cè)結(jié)果如表1所示.

表1　不同交通事件檢測(cè)算法比較

通過(guò)表1對(duì)比可以看出,本文提出的城市道路交通異常事件檢測(cè)方法檢測(cè)率已達(dá)98.6%,相比其他兩種方法,本文方法誤報(bào)率有所降低,為0.07%,但平均檢測(cè)時(shí)間相對(duì)于其他兩種檢測(cè)方法有所增長(zhǎng),但能滿足檢測(cè)要求.整體比較,相對(duì)于基于臨界安全區(qū)域的交通事件檢測(cè)方法、基于Boosting檢測(cè)方法檢測(cè)率有所提高,誤報(bào)率有所降低.

6結(jié)論

本文提出的自動(dòng)檢測(cè)方法可以對(duì)城市道路交通的異常事件進(jìn)行檢測(cè).該系統(tǒng)在進(jìn)行異常事件檢測(cè)時(shí),首先對(duì)道路交通視頻中的車輛進(jìn)行檢測(cè)跟蹤,提取加速度、車輛方向、車輛位置三個(gè)特征值.在提取這些特征值后,通過(guò)估算三個(gè)特征值變化率指數(shù)總和與設(shè)定的閾值進(jìn)行比較判斷,從而判斷是否發(fā)生異常事件.通過(guò)對(duì)同一段道路的相同視頻段采用不同的算法進(jìn)行測(cè)試得出的參數(shù),可知該算法相對(duì)基于臨界安全區(qū)域的交通事件檢測(cè)方法、Boosting檢測(cè)方法檢測(cè)率有所提高,誤報(bào)率有所降低.

參考文獻(xiàn):

[ 1 ] Coifman B, Beymer D, Mclauchlan P, et al. A Real-time Computer Vision System for Vehicle Tracking and Traffic Surveillance[J]. Transportation Research Part C: Emerging Technologies, 2008,6(4):271-288.

[ 2 ] Magee D R. Tracking Multiple Vehicles Using Foreground Background and Motion Models[J]. Image and Vision Computing, 2004,22(2):143-155.

[ 3 ] Haag M, Nagel H. Tracking of Complex Driving Manoeuvres in Traffic Image Sequences[J]. Image and Vision Computing, 1998,16(8):517-527.

[ 4 ] Masoud O, Papanikolopoulos N P. A Novel Method for Tracking and Counting Pedestrians in Real-time Using a Single Camera[J]. IEEE Transactions on Vehicular Technology, 2011,50(5):1267-1278.

[ 5 ] Tai J C, Tsang S T, Lin C P, et al. Real-time Image Tracking for Automatic Traffic Monitoring and Enforcement Applications[J]. Image and Vision Computing, 2004,22(6):485-501.

[ 6 ] 馬瑩,吳楠楠. 基于全球眼的地震現(xiàn)場(chǎng)應(yīng)急救援交通路徑分析系統(tǒng)研究[J]. 沈陽(yáng)大學(xué)學(xué)報(bào):自然科學(xué)版, 2014,26(5):376-381.

(Ma Ying, Wu Nannan.Earthquake Site Emergency Rescue Transportation Path Analysis System Based on Global Eye[J]. Journal of Shenyang University: Natural Science, 2014,26(5):376-381.)

[ 7 ] Pai C J, Tyan H R, Liang Y M, et al. Pedestrian Detection and Tracking at Crossroads[J]. Pattern Recognition, 2004,37(5):1025-1034.

[ 8 ] 王自上. 基于視頻圖像的交通事件自動(dòng)識(shí)別算法研究[D]. 北京: 北京交通大學(xué), 2010.

(Wang Zishang.Automatic Recognition Algorithm Based on Video Images of Traffic Incidents[D]. Beijing: Beijing Jiaotong University, 2010.)

[ 9 ] 劉曉男,李勃,陳啟美,等. 一種基于視覺(jué)技術(shù)的交通異常檢測(cè)算法[J]. 儀器儀表學(xué)報(bào), 2011,32(S6):76-82.

(Liu Xiaonan, Li Bo, Chen Qimei, et al. Vision Based Traffic Anomaly Detection Algorithm[J]. Chinese Journal of Scientific Instrument, 2011,32(S6):76-82.)

[10] 邵士雨. 基于視頻的交通事件檢測(cè)算法研究[D]. 濟(jì)南:山東大學(xué), 2013.

(Shao Shiyu.Research on Traffic Incident Detection Algorithm Based on Video[D]. Jinan: Shandong University, 2013.)

[11] Ki Y K, Lee D Y. A Traffic Accident Recording and Reporting Model at Intersections[J]. IEEE Transactions on Intelligent Transportation System, 2007,8(2):188-194.

[12] 聞帆. 基于視覺(jué)的交通路口車輛智能檢測(cè)技術(shù)研究[D]. 哈爾濱:哈爾濱工業(yè)大學(xué), 2010.

(Wen Fan. Research on Traffic Intelligent Detection Technology Based on Vision[D]. Harbin: Harbin Institute of Technology, 2010.)

[13] 孫熙,李夏苗. 基于boosting算法的交通事件檢測(cè)[J]. 交通運(yùn)輸系統(tǒng)工程與信息, 2007,7(5):37-41.

【責(zé)任編輯: 胡天慧】

(Sun Xi, Li Xiamiao.Traffic Incidents Detection Based on Boosting Method[J]. Journal of Transportation Systems Engineering and Information Technology, 2007,7(5):37-41.)

Automatic Detection Method of Abnormal Events in City Road Traffic

WanFucai1,YinChengxiang1,HanXiaowei1,WangDongzheng2

(1. School of Information Engineering, Shenyang University, Shenyang 110044, China; 2. Faculty of Electronic Information and Electrical Engineering, Dalian University of Technology, Dalian 116024, China)

Abstract:According to the situation that the flow of the city road traffic is large, and the traffic illegal behavior is easy to happen, an automatic detection method for the abnormal events of the city road traffic is presented. When using the method to detect abnormal events, video sequences of the road traffic are collected firstly, and the information of the vehicle acceleration, the direction of change, and geometrical position are extracted secondly. The sum of three feature values index change rate is calculated after extracting the feature values, and compared with the threshold to judge whether abnormal events happen. Different algorithms are used to do the simulation experiment for the video clip of the same road. The detection test results show that the correct detection rate DR of the method proposed is 98.6%, the false positive rate FAR is 7%, and the overall detection performance is improved compared with the critical security region method and the detection method based on Boosting.

Key words:abnormal events; city road traffic; acceleration; geometrical position; automatic detection

收稿日期:2014-11-14

中圖分類號(hào):TP 391

文獻(xiàn)標(biāo)志碼:A

作者簡(jiǎn)介:萬(wàn)福才(1967-),男,遼寧沈陽(yáng)人,沈陽(yáng)大學(xué)教授,博士.

基金項(xiàng)目:遼寧省教育廳一般項(xiàng)目(L2012429 2012-2015); 沈陽(yáng)市科技計(jì)劃項(xiàng)目(Grant No.F12-169-9-00).

文章編號(hào):2095-5456(2015)01-0030-05