交通事件检测技术综述

交通事件检测技术综述交通事件检测技术综述交通事件检测技术综述xxx公司交通事件检测技术综述文件编号：文件日期：修订次数：第1.0次更改批准审核制定方案设计，管理制度交通事件检测技术综述李红梅1，2（1、昆明理工大学信息工程与自动化学院云南省昆明市650500；（2、云南省矿物管道输送工程技术研究中心云南省昆明市650500）摘要：首先分析了交通事件自动检测的研究现状，对两种主要的检测方法进行了描述。通过对交通参数的分析来判断是否发生事件的“间接方法”，这类方法在过去的十几年里研究和使用的较多。随着图像处理技术和计算机视觉技术的快速发展，人们逐渐采用通过对视频图像的智能分析来检测事件的发生以及发生了何种事件，该方法检测速度快、时间短，涉及到模式识别、图像处理、计算机视觉和人工智能等，将是未来交通事件自动检测（AID）的前沿方向。论文的最后分析了交通事件检测可能的研究方向、存在的问题及展望。关键字：交通事件检测、SVM、视频检测、AID、二次事故中图分类号: 文献标识码:文章编号：0引言近年来，随着国家高速公路网的飞速发展，给人们带来舒适、快捷服务的同时，也带来了频发的交通事件。国内的许多城市道路网络及交通需求不断扩大，载重量和行驶速度也不断提高，尤其是大中城市的车流量与日俱增，带来了越来越多的交通事故和道路拥堵，各类交通事件和二次事故明显增多，给人们的出行买下了安全隐患。为了可以迅速检测和处理道路上发生的交通事件，减少由于交通事件所带来的人员伤亡、财产损失等影响，避免二次事件的发生，节约能源，减少污染，准确快速的对交通事件进行检测显得尤为重要。20世纪80年代末期，以高新技术为基础的智能交通系统(IntelligentTransportSystem，ITS)概念和技术被提出，并在短短的时间内得到了了迅速的发展[1]。交通事件作为其重要组成部分，是指非周期性发生且使某段道路通行能力下降的事件。如交通事故、故障停车、货物散落、道路维修、车辆逆行、车道变换、超速、慢速、停止、交通阻塞等[6]。交通事件检测分为人工检测和自动检测两种，其中高速公路交通事件自动检测是近几年研究的主导，即交通事件自动检测（AutomaticIncidentDetection,AID）。目前国内外常用的几种交通信息检测技术:环形线圈、微波、红外线视频、数字视频、机器视觉、超声波检测等。其中基于环形线圈的检测技术目前市场占有率较高，技术比较成熟。但根据目前的交通管理、营运部门的需求来看，对路基无破损、实施方便灵活的视频检测技术越来越受欢迎。根据不同的检测技术检测的方法是不同的，目前国际上广泛研究的AID方法主要有两种：直接检测法和间接检测法。间接检测法是通过埋在地下的地感线圈检测器采集到的交通参数进行分析来判断是否有事件发生，并估计事件对交通流的影响。交通参数包括：交通流量、占有率、排队长度、车型、平均车速等。检测用到的主要有车流量、车速和占有率，核心思想是根据事件对交通参数的影响来检测事件的存在。优点是由于目前环形线圈检测器的普遍存在，使得间接事件检测法在自动事件检测算法中占有主导地位。缺点是由于环形线圈安装和维修时需要对道路进行挖掘，阻断交通，费用高昂，最主要的是该方法无法对车辆跟踪和对事件进行分类，并且检测误报率高、检测时间长。相反，使用视频方法进行交通事件检测属于直接检测方法，目前在国内外正在成为研究热点，这类方法实际上是“看到”发生了交通事件而不是通过交通事件的影响来检测到它的存在。它是利用计算机视觉与数字图像处理技术，对设置在公路上的摄像头采集的视频图像，进行事件检测算法智能处理，自动采集各种交通参数，检测交通事件并及时报警。优点是基于视频的检测方法能够获得更多的交通流信息，并且能识别车辆类型、对车辆进行跟踪得到车辆运行轨迹，判断出事件的种类，而且平均检测时间远小于基于地感线圈的AID系统。缺点是该方法需要密集的安装摄像头，成本较高，且受天气影响较大。1研究现状间接事件检测在国内外的研究交通事件检测技术经过国内外近40年的研究，开发了很多算法。常用的间接检测方法是模式识别方法和统计理论方法。模式识别方法中以加利福尼亚算法和麦克马斯特算法应用最广，统计方法包括指数平滑法、标准正态分布法、贝叶斯算法和自回归移动平均方法、以及近年来发展较快的神经网络算法和视频检测算法，特别是基于视频图像处理的事件检测技术将成为未来的研究热点和发展趋势。RucyLongCheu、DiptiSrinivasm等人2003年提出用SVM模型分类器来检测交通事件的发生，再利用检测率、误报率、平均检测时间等指标来计算性能指数PI[2]。XinJin、RueyLongCheu等人于2004年指出在过去的十年里神经网络在自动事件检测里的广泛应用，开发了基于多层前馈网络的（MLF）的算法，研究指出了多层前馈神经网络（MLFNN）模型与BP神经网络和建设性概率神经网络（CPNN）模型相比，MLFNN具有最好的事件检测性能，而CPNN网络的适应性方法简单，易得到实时应用[3]。Y.Ma、M.Chowdhury、M.Jeihani和R.Fries近年研究出使用车辆动力学的高速公路事件检测框架，设想出了车辆基础设施一体化（VII）,开发了VII-SVM事件检测系统，并表明系统的通用性可适用于整个运输网络[4]。国内对交通事件检测的研究主要基于新技术和理论的应用研究，如神经网络、模糊理论、小波变换、支持向量机等。魏丽英，夏明最新提出了基于LVQ神经网络的事件检测算法，先通过小波分析技术对原始数据高频噪声滤波，再由具有自组织功能的学习矢量量化神经网络进行事件检测[15]。郭艳玲等人提出了一种结合小波分析和自组织特征映射（SOM）神经网络的事件检测算法，利用小波分析检测出信号的奇异性，然后通过SOM网络对奇异性进行分类[16]。梁新荣等开发的最小二乘支持向量机交通事件检测算法，具有检测准确率高、学习速度快等优点。直接事件检测技术在国内外发展状况自20世纪90年代中期以来，国外就开始研究基于图像处理的交通事件检测系统，目前已有相关产品投入实际应用并取得了很好的效果。如比利时的VIP系列视频检测系统，美国的Autoscope视频检测系统、VideoTrak-900系统，新加坡1998年研制的高速公路监控及信息诱导系统(ExpresswayMonitoring&AdvisorySystem，EMAS)，其中的车辆检测系统和事故自动检测系统都是基于视频检测和图像处理技术。法国的Citilog公司研发的动态图像背景自适应技术和车辆图像跟踪技术，能消除光线，雨雪，灰尘对系统的影响，不仅可以判断事故是否发生而且还可以预测事故等，该基于车辆跟踪的交通信息分析系统在世界范围得到了广泛的认可，并已开始在我国推广[11]。对于基于视频的交通事件自动检测算法，Yong-KulKi等人提出了一种检测交叉路口的交通事件模型，模型首先从视频图像中检测车辆目标，跟踪目标，然后提取交通特征，如变化率、面积、位置、方向等，通过分析特征模型检测出交通事件[17]。TANGshuming等人研究了基于非参数回归的交通事件检测算法，能有效解决交通拥堵问题，并于其它事件检测算法进行了比较，该算法具有高检测率、低误报率等。视频检测技术在我国的应用研究起步相对较晚，但由于近年来交通事业的飞速发展，越来越多的研究机构及厂家开始关注该技术的研究。如亚洲视觉公司的路段交通信息系统，哈尔滨工业大学的VTDZ000系列视频交通动态信息采集系统，深圳市神州交通系统有限公司的VidcoTrace智能视频交通信息采集系统，厦门恒深智能软件系统有限公司研制的HeadsunSmartViewer-III视频交通检测器等。视频检测技术存在的难点：从目前国内外的研究及发展情况来看，快速有效的实现视图像中目标的分割和跟踪是解决视频事件检测问题的关键。而今在目标分割和跟踪方面主要存在两大难点：其一，缺乏自适应性是运动目标分割的一大难题，如实际场景中的恶劣天气、路边树木花草的随风摇动，以及目标间的相互遮挡使得目标的准确检测难以实现。其二，目标跟踪的精度和实时性较差，如果目标间发生互相粘连或分裂是都会影响精度，目前开发的多种跟踪算法计算复杂，难以实现目标的实时跟踪。2事件检测的间接方法近年来研究最多和使用最多的间接方法是基于支持向量机的事件检测法，十年前广泛使用的基于神经网络的算法由于存在诸多缺点，例如无统一的准则来确定神经网络结构、训练需要大量的学习样本、易出现过拟合现象，泛化能力不强等，现已逐渐被广泛应用于解决分类问题和回归问题的SVM所代替[6]。SVM的交通事件检测周林英，朱斌等人对基于支持向量机的高速公路事件检测算法进行研究，分别设计了基于线性不可分支持向量机(SVM)、高斯径向基核函数、双曲线正切核函数的事件检测算法。不同的数据子空间，不同的SVM模型，不同的核函数及其参数都影响着算法的性能指标，通过选择合适的SVM模型和核函数，可获得比California算法更好的性能[5]。支持向量机(supportvectormachine,SVM)是Vapnik等人于1993年提出的基于统计学习理论的一类新型机器学习方法。它是一种有效的非线性问题处理工具。具有完备的统计学习理论和出色的学习性能。支持向量机是针对结构风险最小化原则提出的，具有很好的泛化能力。其算法是一个凸优化问题，局部最优解一定是全局最优解。SVM有3种类型：线性可分SVM，线性不可分SVM，非线性可分SVM（非线性可分SVM根据采用的核函数不同可构成不同的支持向量机）。常用的4种核函数：线性核函数、多项式核函数、径向基核函数（RBF）、Sigmoid核函数。其核心思想是:对于线性可分问题，是根据最大分类间隔原则求得最优分类面；对于非线性分类，是折中考虑最少错分样本和最大分类间隔得到的最优分类面，从而判断任意输入所属的类别。对于非线性分类，引入了核空间理论，将低维的输入空间数据通过非线性映射函数映射到高维属性空间，将分类问题转化到属性空间进行。可以证明，如果选用适当的映射函数，输入空间线性不可分问题在属性空间将转化为线性可分问题。由于支持向量机具有完备的统计学习理论和出色的学习性能，它是针对结构风险最小化原则提出的，具有很好的泛化能力，使得基于SVM的交通事件检测是目前应用广泛的，具有潜力的一种检测方法，检测的交通参数一般为车流量、车速和占有率。对于SVM事件检测的理论研究，多数的数据来源为美国加州I-880高速公路交通参数数据库，它是最近非常流行的、被广泛应用在事件检测上的数据集。检测的结果可看作模式识别问题，用SVM对有事件发生和无事件发生进行分类。一般原理可以理解为：以一定的时间间隔对上下游检测站的车流量、车速和占有率数据进行采集，将数据分为训练样本和测试样本，训练样本作为SVM的输入对SVM进行训练，用测试样本对训练好的SVM进行测试，分类函数输出有两类：正数为事件状态，负数为无事件状态。其它方法与SVM结合的事件检测随着支持向量机理论的不断发展和完善，龚炯，余立建等人针对传统的检测方法存在的问题，如交通数据样本有限、输入交通特征过于冗余、参数设置无法达到最优等，提出了运用主成分分析方法(PrincipleComponentAnalysis，PCA)先对交通输入特性进行特征选择，再构建支持向量机事件检测模型，最后用粒子群算法(PanicleSwarmOptimization，PSO)选择支持向量机模型参数，即可获得更加满意的检测效果[7]。解决方法为：利用PCA降维的思想，将多个实测交通参数转换为用少数几个不相关的综合指标，即对上游检测站和下游检测站采集到的车速、车流量及占有率信息进行交通特征选择，构建用于高速公路事件检测的PCA—SVM模型；利用POS群智能的全局优化技术，对支持向量机模型的惩罚参数等进行选择。由于小波分析可在变换域中将信号的频域特征和时域特征同时反映出来，并同时具有良好的局部分析能力。由于最小二乘支持向量机求解的是线性方程运算速度快，还能解决小样本、非线性、高维数、局部极小等问题。裴瑞平、梁新荣等人将离散二进小波变换与最小二乘支持向量机结合，提出了一种提高检测率、减少平均检测时间的新算法，为交通事件检测提供了一种新的思路[8]。解决方法为：由于小波对于信号和噪声有叠加时，去噪效果好，当事件发生时，交通流的信号会发生突变，那么交通流信号的小波变换在突变点有较大的幅值，将该幅值作为交通流信号的特征，然后用LS-SVM分类器对事件进行分类，判断其为正常状态还是有事件发生状态。郭倩，黄林研究利用粗糙集理论对交通数据进行简约，解决了SVM处理包含冗余信息的大量数据存在训练时间长、速度慢的问题。将这两种算法充分融合，可以提高SVM的处理速度，同时还保持了较好的分类效果[9]。武林芝，陈淑燕等人最新提出了改进的基于主分量分类的交通事件自动检测算法，通过对交通流数据提取特征值和确定主分量，再根据贝叶斯决策规则实现交通事件和非交通事件的分类，同样对I-880数据集的测试结果，KPCC比PCC算法的性能要好得多。研究指出，采用不同核函数构建的KPCC模型，它们的性能相差不大。线性核函数使用起来方便些，不需要设置参数[10]。主分量分类（PrincipalComponentClassifier，PCC），最初是由HuWJ提出来的新的两类模型分类法。该分类法通过样本集求解分类面的法向量来实现两类模型的分解。3直接事件检测方法该类方法在检测速度和可靠性方面优于间接检测法，是交通事件自动检测的发展方向和研究热点。基本工作流程：通过道路上监控摄像机将道路交通运行状况的视频图像捕捉下来，再将图像实时送入计算机进行处理和分析，得到交通状况等信息，通过对交通状况的分析检测出是否有交通异常事件。视频事件检测系统包括：背景提取、车辆检测、车辆跟踪、交通参数的提取、事件检测、以及发生意外事件时的自动报警和相应处理等。背景提取背景的准确提取是视频事件检测技术的基础，常用的背景提取方法有：多帧图像平均法、统计直方图法、统计中值法以及基于时间轴滤波的背景估计[11]。多帧图像平均法：由于在足够长的时间里背景被显示的概率是很大的，因而从统计学角度看，有运动目标经过而引起的灰度变化在长时间内可用求平均值的方法来消除，即长时间内车辆对背景的影响可以忽略。该方法是将运动的目标看作是噪声，用累加平均的方法进行消除，利用一段时间的序列图像进行平均得到背景图像。计算表达式为：其中，表示提取的背景图像在点处的灰度值，表示第帧序列图像在像素点的灰度值。该方法模型简单，计算方便，但受运动目标的数量的影响较大。统计直方图法：统计一段时间内N帧图像中每个像素点不同灰度的出现次数，其中出现次数最多的，即将直方图中的最大值取为背景图像在对应点的灰度值。表达式为：表示像素点处灰度值为n的出现次数为Q次。表示第帧图像像素点处的灰度值为n。该方法抗噪声干扰性好，但运算量大，速度慢。统计中值法：根据连续多帧图像中背景的灰度值占主要部分，统计单个像素点在连续图像中的灰度值，在一段时间T内对视频序列图像的灰度值进行排序，然后取其中值灰度作为背景灰度。基于时间轴滤波的背景估计：由于摄像头固定，背景图像变化较小，对应于时间轴上的低频信息，由此可以利用对图像序列的时间轴的低通滤波进行背景估计，滤波后的低频信息即为背景信息。车辆检测车辆检测的目的是从连续的视频图像中提取车辆目标，为后续处理和事件检测提供支持。包括：运动目标检测、背景重建、目标的分割[12]。运动目标检目标检测就是从视频序列图像中，检测出前景目标（车辆、行人等），并确定目标的位置、颜色、灰度等特征信息。主要方法：相邻帧差法、光流法、背景差分法、边缘检测、特征匹配。帧差法是通过直接比较视频序列中连续的两帧或三帧图像，进行差分找出对应像素在灰度值上的差异，然后设定阈值，通过对得到的灰度差分图像进行二值化来区分运动区域与背景区域。优点是算法简单、实时性好、受环境影响小，但易发生漏检或重检，精度不高。光流是空间运动物体在观测成像面上像素运动的瞬时速度。若图像中没有运动物体，则光流矢量在图像区域内连续变化，若有运动物体，则目标和背景存在相对运动，形成的速度矢量和背景速度矢量不同，从而检测出物体及其位置。优点是适用于静止和运动背景情况，但是抗噪差。背景差分法是目前最常用的运动目标检测法。将当前帧图像与背景图像相减，用每一个像素点的差值与预定的阈值比较，从而确定该像素属于前景还是背景。分为固定背景法和自适应背景法。该方法应用广泛，但对干扰较敏感。边缘检测是利用梯度算子、Laplacican算子或Kirsch算子来实现运动目标的检测。该方法效率高，还可检测出静止的车辆。背景重建背景提取及其方法如上所述。背景重建主要利用自适应背景更新法，先对前后连续三帧图像两两相减求出帧差图像，并做二值化处理，对两个帧差的二值图像分别提取运动和非运动区域，然后利用非运动区域实现局部背景更新，而运动区域的背景保持不变，经过多次迭代完成更新。目标分割首先通过一定的阈值将当前帧中的车辆目标从背景中分割出来，然后利用形态学滤波降低噪声，最后提取运动车辆的矩形区域。图像的差分：为像素点的像素差，为当前帧图像像素，为背景图像像素。为阈值。阈值TH选取：TH过大会导致运动车辆出现空洞或断裂发生漏检现象；TH过小分割后的图像含噪声点较多。一般利用迭代阈值选择法来确定TH。目标跟踪车辆目标的跟踪是将被分割的车辆进行合并，粘在一起的车辆分割，并对每辆车建立跟踪轨迹。涉及到对二值图像进行连通区域标识及用最小外接矩形法矩形提取等。车辆跟踪方法有基于特征的跟踪、基于3D的跟踪、基于动态轮廓的跟踪和基于区域的跟踪。基于特征的跟踪方法是通过提取目标的局部特征，对特征进行匹配，而不需要对整个目标区域进行匹配。如提取目标的某个或一组特征：点、线、形状、子区域、灰度分布等，该方法操作简单、受目标相互遮挡问题影响较小，是常用的方法之一；基于3D的跟踪也称基于模型的跟踪，是将几何形状的三维模型投影成图像，再根据图像中的目标位置的变化来实现跟踪，常用kalman滤波器对模型进行更新，包括目标区域特征提取、kalman模型预测、目标的匹配搜索、kalman滤波器更新；将相邻图像间进行轮廓匹配，跟踪并实时修改轮廓特征是基于动态轮廓的跟踪方法；基于区域的跟踪是跟踪运动目标构成的连通区域中共有的特征信息。4结束语对于近年来城市交通面临的交通拥挤、事故繁多、环境污染严重等诸多问题，交通事件的快速准确检测必然成为智能交通领域的研究重点。若在交通事件已经发生的情况下，由于检测不及时极易带来“二次事件”，快速准确地检测出事件发生地点和时间有着重要的现实意义。目前，虽然视频检测器有着诸多优点，但仍然存在许多需要解决的问题。其一，视频检测器的检测精度是随着光照情况的变化而变化的，当光照良好时如正午时检测精度最好，反之如傍晚、雨雪天气则较差。其二，阴影是造成视频检测方法误检测的主要原因，阴影通常有三种：道路场景中的静态阴影、车辆自身的运动阴影、缓慢移动的阴影。AID的未来研究和发展方向应该是注重准确率、综合使用多种检测方法，车辆检测中的多摄像机、多检测器信息融合、交通视频图像的压缩和多媒体数据挖掘也是未来研究的热点。视频交通事件检测中涉及到的目标检测、目标跟踪得到的是底层信息，而对底层信息进行更深层次的理解和识别能更有效提高事件检测率，如HMM（隐马尔可夫模型）和SOFM（自组织特征映射神经网络）方法是有效的运动理解和行为识别方法，对这类方法的开发与研究将是未来的重点。5参考文献:[1]彭雅芳.交通事件视频检测系统中图像处理算法的研究[D].武汉理工大学,2009[2]RucyLongCheu,DiptiSrinivasm.Supportvectormachinemodelsforfreewayincidentdetection.O~/02003IEEE[3]DiptiSrinivasan,XinJin,andRueyLongCheu.EvaluationofadaptiveneuralnetworkmodelsforfreewayincidentTRANSACTIONSONINTELLIGENTTRANSPORTATIONSYSTEMS,VOL.5,NO.1,MARCH2004[4]Y.Ma1M.ChowdhuryM.JeihaniR.Fries.Acceleratedincidentdetectionacrosstransportationnetworksusingvehiclekineticsandsupportvectormachineincooperationwithinfr