基于視頻的城市道路交通擁堵檢測系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像識別領(lǐng)域，具體涉及一種基于視頻的城市道路交通擁堵檢測系 統(tǒng)。
【背景技術(shù)】
[0002] 當今，城市中的車輛數(shù)目與日倶增，與此同時，城市道路上的負載也加重，城市道 路規(guī)劃的速度明顯低于車輛增加的速度，車路矛盾日漸突出。交通擁堵現(xiàn)象已經(jīng)存在于大 中城市內(nèi)，不僅給城市道路危害，而且給社會帶來巨大損失。通常情況下，交通參數(shù)包括:路 面空間占有率指在某一時間段內(nèi)，一段道路上所有交通車輛的面積之和和觀測路面的比 值;車速是指在單位時間內(nèi)車輛在道路上行駛的距離，在討論道路上的交通問題的時候一 般采用許多車輛的平均速度，而不是一輛車的瞬時速度或者是一輛車的平均速度，而在討 論城市道路中的交通車輛的車速時，由于車輛的速度都是很均勻統(tǒng)一的，所以用一輛車的 車速可以代替道路的平均車速;車流量在單位時間內(nèi)通過某個橫截面的車輛的數(shù)目；排隊 長度是指在道路上的某一個斷點開始，車輛在道路上的排隊長度。一般情況下，道路交通擁 堵程度和車輛在道路上的排隊長度呈正相關(guān)性，但是也不能排除車輛在等待交通紅綠燈時 的排長隊的特殊情況;交通密度是指在某一時刻道路上的車輛數(shù)目與所觀測的道路長度的 比值。
[0003] 所以，能夠?qū)崟r、有效地檢測道路擁堵問題是順應(yīng)社會發(fā)展的需要。若要對交通擁 堵進行預(yù)警和避免，必須要對交通擁堵進行正確的檢測?，F(xiàn)有的交通擁堵檢測方法主要利 用超聲波傳感器進行檢測、利用GPS定位技術(shù)進行擁堵檢測，此外還有地感線圈檢測、環(huán)形 線圈檢測、微波檢測等手段，但是這些傳統(tǒng)的檢測方法中都存在著一些不足之處，例如進行 檢測的投資成本高、容易損壞、難于維護等缺點。
[0004] 利用視頻圖像技術(shù)檢測交通擁堵，相比傳統(tǒng)的檢測方法，其檢測范圍廣、破壞性 小、易于維護、能克服環(huán)境背景的變化、行人及天氣的影響的特點更適合當今社會對城市道 路交通擁堵檢測的需要。但是，目前視頻圖像處理在智能交通中的應(yīng)用，主要集中在對交通 參數(shù)的提取，而對視頻流中的交通擁擠狀態(tài)的檢測很少涉及。然而，本系統(tǒng)則是利用視頻圖 像處理技術(shù)，對獲取到的交通運行狀況視頻進行處理，得到能夠判斷交通是否擁堵的參數(shù) 信息，進而對擁堵等級進行檢測。

【發(fā)明內(nèi)容】

[0005] 針對上述現(xiàn)有技術(shù)，本發(fā)明目的在于提供一種基于視頻的城市道路交通擁堵檢測 系統(tǒng)，其旨在解決現(xiàn)有用于交通擁堵檢測的視頻圖像系統(tǒng)，存在易受環(huán)境影響，不易維護， 安裝時破壞原有交通設(shè)備，實時性差，數(shù)據(jù)準確度低且圖像識別誤差較大等技術(shù)問題。
[0006] 為達到上述目的，基于視頻的城市道路交通擁堵檢測系統(tǒng)，其方法步驟如下：
[0007] 讀取視頻以及預(yù)處理視頻，以獲取視頻幀;將獲取的視頻幀進行背景建模，獲得背 景幀序列和前景幀序列；對與背景幀序列同幀的前景幀序列進行檢測并提取運動目標，并 在平滑濾波處理后按前景幀序列保存單幀前景圖片;按前景幀序列順序播放單幀前景圖片 并對運動目標進行卡爾曼濾波跟蹤以獲得道路中車速，以及根據(jù)運動目標的前景幀序列計 算并得出路面占有率以及路面占有率離差平方值和/或車流量;利用模糊C均值聚類算法對 路面占有率以及路面占有率離差平方值和/或車流量進行聚類，分別計算并得出與對應(yīng)聚 類中心的歐式距離;所獲得的歐式距離再結(jié)合車速，進行交通擁堵等級檢測和劃分。
[0008] 上述方案中，優(yōu)選地，所述的進行平滑濾波處理，包括進行中值濾波處理和/或進 行均值濾波處理和/或進行高斯濾波處理和/或進行形態(tài)學(xué)濾波處理。在得到的初步運動前 景中會有很多噪聲，在城市道路兩旁的樹葉因為風吹而運動的原因，有時也會當做是運動 的目標檢測出來，但是檢測到的樹葉在前景中只是很小像素點的前景，分布比較稀疏，可以 通過去噪算法將這些對系統(tǒng)檢測結(jié)果形成干擾的噪聲去掉。另外，檢測到的運動目標的前 景輪廓的周圍會有一些噪聲，影響整個輪廓的提取，也需要去噪方法將這些噪聲去掉。
[0009] 上述方案中，還包括根據(jù)得出的交通參數(shù)，進行交通擁堵等級檢測。國家劃定的擁 堵等級的依據(jù)是道路中車輛的速度，本系統(tǒng)在設(shè)計時除了運動車速作為限定條件之外，同 時還利用聚類C均值算法，將路面占有率和路面占有率的離差平方值進行聚類;利用這兩個 條件對交通擁堵狀況進行劃分，增加了檢測的準確性和可信性。
[0010]上述方案中，優(yōu)選地，所述的預(yù)處理視頻，包括檢測視頻的格式并獲取視頻的幀 率、播放長度、幀高度和寬度屬性。根據(jù)系統(tǒng)的特點，在讀取交通視頻的時候需要讀取.avi 格式的視頻;如用戶在讀取視頻的時候不符合格式要求，則提醒用戶讀取合適格式的視頻； 預(yù)處理操作主要獲幀率、播放長度、幀高度與寬度等基本屬性，以方便后邊步驟對視頻幀圖 像的處理。
[0011]上述方案中，所述的對獲取的視頻幀進行背景建模，包括對獲取的視頻幀錄制背 景和/或前景視頻幀，獲取已錄制的背景和/或前景幀數(shù)，獲取已錄取的背景和/或前景時 間，并進行混合高斯背景建模和/或平均建模。選擇正確合適的背景模型，能夠使檢測到的 前景目標更加接近目標真實的輪廓形狀和參數(shù)信息，而且也使檢測的結(jié)果更加可靠;混合 高斯背景建模方法是根據(jù)像素點符合的高斯分布來疊加的，對光照和天氣等噪聲的影響不 是很大。
[0012] 上述方案中，優(yōu)選地，所述的混合高斯背景建模，背景的來源是對較長一段時間內(nèi) 背景像素點的密度統(tǒng)計進行分析得出的，該方法是基于統(tǒng)計的一種方法，計算的復(fù)雜度較 大；因為現(xiàn)實環(huán)境中，道路交通的背景是很復(fù)雜的，所以背景像素的呈現(xiàn)規(guī)律大多出現(xiàn)多峰 的情況;對于多峰的情況，每個像素點的顏色變化規(guī)律并不是有單個的高斯分布來確定的， 而是由多個高斯分布在不同權(quán)重的情況下疊加決定的;在處理彩色圖像時，一般采用R，G，B 的形式來描述像素點顏色信息，像素點X(X1，X2，X3. . .Xn)是由在η個不同高斯分布情況下的 十曰息置加而成的，Xn= (rn，gn，bn)，
[0013]
[0014]
[0015]
[0016] 式中每個像素點有K個高斯分布函數(shù)疊加而成，11(111^,11，_^, 11)為第11時刻第1個高 斯分布，ω i, η是其權(quán)重，η為均值，δ?, η為方差，Ti,A協(xié)方差矩陣，I為三維單位矩陣。
[0017] 上述方案中，優(yōu)選地，所述的平均建模該方法是將所需要的檢測幀的相同位置的 像素點值和背景中相同位置的像素點值相減，得到要檢測的前景;此方法對光照的變化比 較敏感;背景中像素點u(x，y)，待檢測的像素點為T(x，y)，前景差值d(x， y)，將差值和提前 設(shè)定好的閾值T進行比較，得出真正需要輸出的out (X，y)值，
[0018] d(x.v) = I(x.v)-u(x.v) (E4)
[0019]
[0020] 用Tt(X，y)表示圖像(x，y)位置處t時刻時的像素值，At表示兩幀之間的時間間 隔，
[0021] Ft(x,y)= | It(x,y)-It-At(x,y) (E6)
[0022]
[0023]
[0024] T = a(x,y)+0Xs (E9)
[0025] 為了保證a和s的精確性，Μ值要設(shè)的非常大，β值一般設(shè)為2;
[0026] 在每一幀視頻檢測之后需要更近背景來提高算法的魯棒性，即提高系統(tǒng)性能保持 能力;相應(yīng)的11(1，7)、3(叉，7)和8(叉，7)更新為11'（叉，7)，3'（叉，7)和8'（叉，7)，
[0027] u，(x,y) = (l-a) Xu(x,y)+a X I(x,y) (E10)
[0028] a，(x,y) = (l-a)Xa(x,y)+aXF(x,y) (Ell)
[0029] s，（x，y) = a-a)Xs(x，y)+aX |F(X，y)-a，（x，y)| (E12)
[0030] α是學(xué)習率，值越大，更新越快。
[0031] 上述方案中，優(yōu)選地，所述的對與背景幀序列同幀的前景幀序列進行檢測并提取 運動目標，包括對與背景幀序列同幀的前景幀序列，通過設(shè)置有效閾值面積、設(shè)置前景二值 化閾值和設(shè)置平均建模參數(shù)進行檢測，并通過背景差分法和/或幀間差法提取運動目標。要 檢測視頻中的車輛，若利用背景差分的方法對運動目標的前景幀序列進行檢測，在背景建 模之后，利用當前幀和背景進行相減。
[0032] 上述方案中，優(yōu)選地，所述的濾波跟蹤，包括卡爾曼濾波跟蹤。運動中車輛的位置 會隨著時間的變化而改變，若要獲取運動車輛的具體位置信息就要對車輛進行跟蹤。
[0033] 上述方案中，優(yōu)選地，所述的交通參數(shù)，包括車速和/或路面占有率及路面占有率 離差平方值和/或車流量。
[0034] 上述方案中，優(yōu)選地，所述的進行交通擁堵等級檢測劃分，通過卡爾曼濾波跟蹤所 獲得的車速，并結(jié)合利用模糊C均值聚類算法進行聚類后的路面占有率以及路面占有率離 差平方值和/或車流量，再判斷分別對應(yīng)聚類中心的歐式距離，進行擁堵等級劃分。
[0035] 上述方案中，在擁堵等級劃分過程中，如果所述的車速不屬于所獲得交通擁堵等 級對應(yīng)公共規(guī)定的車速，則所獲得的交通擁堵等級重置為所述車速所屬公共規(guī)定車速范圍 對應(yīng)的交通擁堵等級。
[0036]上述方案中，優(yōu)選地，所述的交通擁堵等級，其算法采用如下三種算法任意一種， [0037] (1)模糊綜合檢測算法
[0038] 為了更高可信度地去劃分擁堵等級，需要實現(xiàn)定義好評定因素集合U，也就是說這 些因素會對評定結(jié)果有影響，包括車速和/或路面占有率及路面占有率離差平方值和/或車 流量，對于評判等級V，可以分為V={暢通，擁堵，嚴重擁堵}，或者V={暢通，輕度擁堵，擁 堵，嚴重擁堵}等情況;ReF(U，V)表示評定因素集合U到評判等級集合V的模糊關(guān)系；同時需 要對因素集種各個評判因素對評判結(jié)果的不同重要程度有描述，用權(quán)重集A表示，集合A中 各個元素符合歸一化原理，也就是所有元素之和為1;模糊評判結(jié)果B=A〇R