[0039] 算法流程如下：
[0040] 1.確定評(píng)定因素集合U
[0041] 2.確定評(píng)價(jià)結(jié)果集合V
[0042] 3.確定權(quán)重集合A
[0043] 4.確定模糊評(píng)判矩陣R
[0044] L
[0045] 5.確定模糊評(píng)判結(jié)果
[0046]
[0047] 6.選擇最合適的檢測(cè)結(jié)果
[0048] 因?yàn)槿绻`屬度為最大的話，那么就很有可能處在該情況下的擁堵等級(jí)。（2)人工 神經(jīng)網(wǎng)絡(luò)法
[0049] 該方法借助了人工神經(jīng)網(wǎng)絡(luò)智能的優(yōu)點(diǎn);首先要人為地事先對(duì)網(wǎng)絡(luò)進(jìn)行大量數(shù)據(jù) 的訓(xùn)練，讓網(wǎng)絡(luò)學(xué)習(xí)更多現(xiàn)實(shí)道路中的交通運(yùn)行狀況，然后對(duì)輸入要檢測(cè)的交通信息，得出 檢測(cè)結(jié)果；
[0050] 該方法主要有三個(gè)模塊構(gòu)成：
[0051] 1.輸入層
[0052]輸入層主要是輸入已經(jīng)采取好的交通參數(shù)，如車輛等待時(shí)間、車輛在道路上的排 隊(duì)長(zhǎng)度、車輛行駛速度、道路占有率等；
[0053] 2.中間層
[0054]中間層主要是對(duì)輸入層數(shù)據(jù)進(jìn)行處理，在對(duì)輸入進(jìn)網(wǎng)絡(luò)的數(shù)據(jù)進(jìn)行處理之前，首 先要確保網(wǎng)絡(luò)已經(jīng)對(duì)現(xiàn)實(shí)中的交通道路狀況進(jìn)行了模擬，保證網(wǎng)絡(luò)可以對(duì)各種數(shù)據(jù)具有判 斷的能力；
[0055] 3.輸出層
[0056]將中間層處理的結(jié)果輸出來(lái)。
[0057] (3)灰色決策法
[0058]灰色是相對(duì)于透明而言，用在檢測(cè)算法上就是指輸入樣本具有不確定性;在輸入 數(shù)據(jù)信息不完整的情況下，可以用已知的信息代替位置的信息或者是不確定的信息;但是， 所缺少的信息量不能過大，能確保在用已知代替未知時(shí)，檢測(cè)結(jié)果離真實(shí)結(jié)果的偏差很小； 具體分為以下幾個(gè)步驟：
[0059] 1.確定集合. . .fn)作為評(píng)價(jià)目標(biāo)，該集合有已建立好的評(píng)審小組確定；
[0060] 2.采用U-V模糊映射模型對(duì)評(píng)價(jià)結(jié)果進(jìn)行模糊處理；
[0061 ] 3.確定評(píng)語(yǔ)集合A，得到模糊評(píng)定映射集合；
[0062] 4.將評(píng)定指標(biāo)進(jìn)行量化處理，確定比較矩陣K和經(jīng)過層次分析法分析之后得到的 判定矩陣Q，在計(jì)算γ u是采用的計(jì)算公式即：
[0063] 乂 ▲'"max. ^^min
[0064] bm即為評(píng)判因素集合中最為重要因素與最為不重要因素的比；權(quán)系數(shù)字Wk的計(jì)算 方法為
[0065]
[0066] 5.確定決策矩陣D2，評(píng)判結(jié)果的確定是選取02的最大值
[0067]
. K=1
[0068] 上述方案中，優(yōu)選地，所述的路面占有率，在視頻的每一幀中所觀測(cè)到的道路交通 路面面積為Area^d，視頻中檢測(cè)到的交通車輛的總面積為
[0069]
[0070] number表示視頻中車輛的個(gè)數(shù)路面占有率為
[0071]
[0072]上述方案中，優(yōu)選地，所述的車速，視頻中車輛在Τι時(shí)刻是車輛的質(zhì)心為centrei， 進(jìn)過一段時(shí)間之后在T2時(shí)刻時(shí)車輛的質(zhì)心移動(dòng)到centres位置，則車速可以表示為：
[0073]
[0074] 上述方案中，優(yōu)選地，所述的車流量視頻中車輛在1^時(shí)刻是某一車輛的質(zhì)心為 centrei，進(jìn)過一段時(shí)間之后在T2時(shí)刻時(shí)車輛的質(zhì)心移動(dòng)到centre〗位置，統(tǒng)計(jì)在這段時(shí)間間 隔內(nèi)centrei和centre〗兩位置之間的車輛數(shù)目sum，那么車流量可以通過以下方式計(jì)算：
[0075]
^2' A'l
[0076] 上述方案中，優(yōu)選地，所述的卡爾曼Kalman濾波，輸入為系統(tǒng)的觀測(cè)量，輸出為估 計(jì)的值或者狀態(tài)，利用系統(tǒng)方程和觀測(cè)方程處理輸入的信號(hào);核心主要有五個(gè)方程：
[0077] X(k | k-1) =AX(k-l I k-1 )+BU(k) (E22)
[0078] P(k|k-l)=AP(k-l |k-l)A，+Q (E23)
[0079] X(k|k)=X(k|k-l)+Kg(k)(Z(k)-HX(k|k-l)) (E24)
[0080] Kg(k)=P(k|k-l)H，/(HP(k|k-l)H，+R) (E25)
[0081] P(k|k) = (I-Kg(k)H)P(k|k-l) (E26)
[0082] 上述式子中，算法中還需要系統(tǒng)控制量U(k)，系統(tǒng)狀態(tài)用X(k)表示，測(cè)量值用Z (k);X(k)狀態(tài)向量，包含了觀測(cè)的目標(biāo)的性質(zhì);U(k)既是系統(tǒng)控制量，也稱為驅(qū)動(dòng)輸入向 量，它能影響觀測(cè)目標(biāo)運(yùn)動(dòng)的改變，如運(yùn)動(dòng)目標(biāo)可以受一個(gè)恒定的驅(qū)動(dòng)力而產(chǎn)生加速度;系 統(tǒng)參數(shù)是A和B;B稱為驅(qū)動(dòng)控制輸入矩陣，也就是說(shuō)在k時(shí)刻時(shí)，運(yùn)動(dòng)目標(biāo)的狀態(tài)會(huì)受k-Ι時(shí) 刻時(shí)驅(qū)動(dòng)力的影響;Η稱為觀測(cè)矢量，當(dāng)A、B、H為矩陣時(shí)，則系統(tǒng)處在多模型系統(tǒng)的狀態(tài)下。 高斯白噪聲為W(k)，V(k)，W(k)為過程噪聲，V(k)為測(cè)量噪聲，它們的協(xié)方差矩陣分別為Q和 R;系統(tǒng)的測(cè)量值方程為
[0083] Z(k)=HX(k)+V(k)。 （E27)
[0084] 上述方案中，優(yōu)選地，所述的模糊C均值算法(fuzzy c-means)，將一個(gè)包含大量數(shù) 據(jù)的樣本，通過計(jì)算劃分到c個(gè)類別中，每個(gè)聚類中心可以用V表示，V={V1， V2...VcJJ* 屬度U解釋模糊;fuzzy c-means算法在求每個(gè)類的聚類中心時(shí)，保證Je最小，Je的值是描述 數(shù)據(jù)之間非相似性程度;而U則滿足歸一性原理；
[0085] _
[0086] 價(jià)值函數(shù)的表達(dá)式為，
[0087]
,i=i ,?-I ]
[0088] V1，V2. . .Vc表示c個(gè)聚類的聚類中心，m表示隸屬度的指數(shù)，dij表示第i個(gè)聚類中心 到第j個(gè)樣本的歐氏距離;當(dāng)(E23)式子達(dá)到最小值時(shí)，
[0089]
(E30 )
[0090]對(duì)所有輸入變量進(jìn)行求導(dǎo)得到，
[0091]
[0092]
[0093] 運(yùn)用(E29)和(E30)兩式進(jìn)行模糊C均值聚類算法的迭代過程：
[0094] 1.首先要初始化U，要求滿足歸一化；
[0095] 2.將樣本化為c個(gè)聚類，利用(E31)計(jì)算V;
[0096] 3.設(shè)定價(jià)值函數(shù)值得閾值，進(jìn)行迭代處理，直至價(jià)值函數(shù)值小于設(shè)定的閾值；
[0097] 4.利用公式(E32)計(jì)算U，將循環(huán)返回到第二步。
[0098] 與現(xiàn)有技術(shù)相比，本發(fā)明有益效果:新穎地并創(chuàng)造地，利用卡爾曼濾波跟蹤的方法 實(shí)現(xiàn)了交通監(jiān)控視頻中車速獲取以及再通過模糊C均值聚類算法進(jìn)行路面占有率及其離差 平方值模糊聚類后，完成了交通擁堵等級(jí)劃分;顯著地并實(shí)質(zhì)地，提高了交通擁堵檢測(cè)的精 度、易用性以及數(shù)據(jù)的可靠性。
【附圖說(shuō)明】
[0099]圖1為本發(fā)明方法框圖；
[0100]圖2為本發(fā)明的讀取視頻與預(yù)處理模塊時(shí)序圖；
[0101]圖3為本發(fā)明的卡爾曼濾波流程圖；
[0102]圖4為本發(fā)明的平均建模流程圖；
[0103]圖5為本發(fā)明的錄制背景流程圖；
[0104] 圖6為本發(fā)明的獲取背景錄制時(shí)間、背景錄制狀態(tài)及背景錄制幀數(shù)流程圖；
[0105] 圖7為本發(fā)明的模糊C均值聚類流程圖；
[0106] 圖8為本發(fā)明的運(yùn)動(dòng)目標(biāo)跟蹤模塊時(shí)序圖；
[0107] 圖9為本發(fā)明的交通參數(shù)的提取模塊時(shí)序圖；
[0108] 圖10為本發(fā)明的提取路面占有率流程圖；
[0109] 圖11為本發(fā)明的提取車流量流程圖；
[0110] 圖12為本發(fā)明的提取車速流程圖；
[0111] 圖13為本發(fā)明的交通擁堵等級(jí)檢測(cè)模塊時(shí)序圖；
[0112] 圖14為本發(fā)明的具體實(shí)施界面設(shè)計(jì)的一種實(shí)施例示意圖；
[0113] 圖15為本發(fā)明的一具體實(shí)施例視頻第N幀檢測(cè)結(jié)果示意圖；
[0114] 圖16為本發(fā)明的一具體實(shí)施例視頻第N+1幀檢測(cè)結(jié)果示意圖；
[0115] 圖17為本發(fā)明的一具體實(shí)施例視頻Kalman濾波跟蹤計(jì)算車速表格；
[0116] 圖18為本發(fā)明的一具體實(shí)施例視頻聚類結(jié)果表格；
[0117] 圖19為本發(fā)明的一具體實(shí)施例視頻中待測(cè)的交通參數(shù)與每個(gè)聚類中心的歐氏距 離；
[0118] 圖20為本發(fā)明的一具體實(shí)施例視頻交通擁堵等級(jí)檢測(cè)示意圖。
【具體實(shí)施方式】
[0119] 本說(shuō)明書中公開的所有特征，或公開的所有方法或過程中的步驟，除了互相排斥 的特征和/或步驟以外，均可以以任何方式組合。
[0120]下面結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步說(shuō)明：
[0121]圖1為本發(fā)明方法框圖，基于視頻的城市道路交通擁堵檢測(cè)系統(tǒng)，包括讀取視頻以 及預(yù)處理視頻，以獲取視頻幀;對(duì)獲取的視頻幀進(jìn)行背景建模，獲得背景幀序列和前景幀序 列，并保存單幀背景圖片;對(duì)與背景幀序列同幀的前景幀序列進(jìn)行檢測(cè)并提取運(yùn)動(dòng)目標(biāo)，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(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行濾波跟蹤，以獲得道路中車輛情況;根據(jù)車輛情況和/或運(yùn)動(dòng)目標(biāo)的前景 幀序列，計(jì)算并得出交通參數(shù)。
[0122]讀取視頻以及預(yù)處理視頻，實(shí)施例一
[0123] 圖2為本發(fā)明的讀取視頻與預(yù)處理模塊時(shí)序圖，讀取視頻，將視頻讀取到系統(tǒng)中。 如果用戶讀取的視頻的格式為AVI格式，若視頻格式不正確是系統(tǒng)是無(wú)法識(shí)別的，用戶需要 重新選擇視頻目標(biāo)。視頻預(yù)處理，對(duì)讀入的待檢測(cè)視預(yù)處理，獲取到視頻幀的屬性信息，并 將視頻幀的首幀在各個(gè)區(qū)域顯示出來(lái)。在得到視頻幀的屬性信息之后，將屬性信息保存在 成員變量里，并保證這些信息的正確性，且對(duì)當(dāng)前視頻進(jìn)行處理時(shí)，保證成員變量的值不 變。
[0124] 接口程序如下具體實(shí)施如下，
[0125] void 0nRead()，讀取視頻信息。//在rect區(qū)域