基于视频的交通事件自动检测技术研究

基于视频的交通事件自动检测技术研究

0交通事件检测近年来，随着社会经济的快速发展，中国许多城市的交通量不断增加，导致了越来越多的交通事故和道路拥堵，导致了巨大的财产损失和人员损失，损害了公众利益。统计分析表明，交通事件具有以下几个特征：(1)20%～50%的交通事故是由于受到已发生交通事件（称为一次事件）的影响而造成的，这些随后发生的事故被称为二次事故。(2)50%以上的二次事故是在一次事件发生后10min内发生的。很多情况下，这些二次事故是由于小规模的一次事件造成的，如果将一次事件信息提前提供给驶来车辆的司机，这些二次事故是能够避免的。(3）在城市道路上，交通事故和车辆抛锚导致的交通拥堵占全部拥堵的20%，而且这类拥堵持续的时间更长。上述特征表明，如果采用交通事件自动检测系统（AutomaticIncidentDetectionSystems,AIDS）对交通事件进行快速准确的检测，就能够及时发现事件，然后采取措施及时有效地处理和消除交通事件，并将事件信息报警给后来车辆的司机，就能够减少或避免交通拥堵，预防二次交通事故的发生。随着计算机和集成电路技术的飞速发展，交通事件自动检测技术所要求的硬件设备成本逐渐降低，各种交通事件自动检测技术得到了广泛的研究，有的系统已经被投入使用。根据数据来源的不同，目前国际上广泛研究的AID方法主要有两类：基于地感线圈的AID和基于视频图像的AID。地感线圈埋在路面下，当车辆通过时根据线圈磁场强度的变化能够获得车流量、车速、车长等参数，提取交通事件的信息。地感线圈的缺点是安装和维修时必须阻断交通，挖开路面，极为不便，并且只能得到车流量、车速、车长等有限的交通信息。另外，基于地感线圈的AID方法是根据交通事件引起车辆停驶、车流速度减小等来检测事件的，只有在交通事件对交通流的影响范围扩展到线圈位置后才能检测到事件，具有相当的时滞性。与之相比，基于视频的检测系统能够获得更多的交通流信息，除车流量、车速、车道占用率、车长、行车时距之外，还能识别车辆类型和车辆运行轨迹，可以监视远距离大范围场景，且平均检测时间远小于基于地感线圈的AID系统。视觉传感器的另一个优点是费用较低，安装维护时不影响道路的使用，且经久耐用。相信随着视频检测技术的日趋成熟，基于视频交通事件检测技术将成为今后AID的主流技术。本文概括了当前广泛应用的基于视频的交通事件检测算法，其内容安排如下：第1部分从算法和工程应用两个角度介绍了基于视频的AID技术的研究现状；第2部分总结了目前应用最广泛的基于视频的AID算法；第3部分提出了基于视频的AID的技术难点和解决方案；第4部分介绍了AID算法的评价方法；第5部分对本文进行了总结。1其他方面的安全监测措施到目前为止，很多学者提出了多种基于视频的交通事件自动检测算法。例如，Ikeda等研制的基于图像处理技术的异常事件检测系统，能够检测停驶车辆、慢行车辆、丢弃物体、车辆连续变换车道4类事件。Kimachi等提出一种基于图像序列分析和模糊理论的事件检测方法，从图像序列中得到可能导致交通事件的车辆异常行为，对车辆行驶状况进行估计，能检测出交通事故、丢弃物体等类型的交通事件。Versavel等提出了一种多摄像机传感的道路安全监测方法。Trivedi等描述了视频事件检测和管理系统的分布式网络结构。Veeraraghavan等运用低层的模块匹配和高层的Kalman滤波来确定运动目标的轨迹，监视路口的交通状况，从而检测交通事故。然而，其检测算法的流程却是大致相同的：1）建立背景模型；2）进行目标提取和车辆跟踪，获取车辆的运动参数；3）通过模式匹配或状态估计，理解和描述车辆行为。目前，世界上许多路段已经配备了基于视频的交通事件自动检测系统。法国FOIX隧道配备的视频检测系统，能够自动检测停驶车辆、慢行车辆、道路拥堵、逆向行驶、烟雾等交通事件；美国华盛顿州Lynnwood配备的视频监控系统，可以实时检测当前交通流状况、车流量、车队长度等交通信息；意大利Brescia和Verona之间的高速公路上配备的交通监控系统，能够检测慢行车辆、道路拥堵、逆向行驶等交通事件；卢森堡的公路上的视频监控系统，能够提供车速、路面占有率、车辆分类、车辆尺寸、逆向行驶等信息；我国的北京、广州等城市也配备了多视频监控系统，使城市交通管理更加智能化。2交通场景信息分析基于视频的AID是把专用摄像机采集的视频图像作为输入，对这些序列图像进行分析，提取交通场景信息，并将事件检测结果报告给交通管理中心；然后利用数字图像处理、模式识别和计算机视觉技术，视频检测系统能够自动识别和跟踪车辆，分析车辆行为。基于视频的交通事件检测方法的流程大致包括3个主要的步骤：目标提取、车辆跟踪和行为理解。2.1分层次分类跟踪检测交通事件必须先进行目标提取和目标跟踪，以获得车辆特征、运行轨迹、车速等信息。目标提取是从序列图像中识别出变化区域和前景目标，并确定目标的位置、颜色、灰度等特征。将前景目标从背景中有效分割出来置于整个交通检测系统的底层，由于后续的处理过程往往只考虑目标区域的像素，所以目标提取是各种后续处理如目标跟踪、目标分类、行为理解的基础。到目前为止，已有许多经典的目标提取算法，如帧间比较、背景消减、光流方法、边缘检测、特征匹配方法等等。目标跟踪是对检测到的前景目标进行实时跟踪直至其在图像序列中消失，从而描述目标的运动轨迹，提取其动态特征（如位置、速度等）。跟踪等价于在序列图像间基于位置、形状、颜色、尺寸等参数进行的目标匹配。根据匹配所依据属性的不同，可以将目标跟踪算法分为4类：基于三维模型的跟踪；基于区域的跟踪；基于动态轮廓的跟踪；以及基于特征的跟踪（也可以将这几类方法相互结合用于目标跟踪）。(1）基于三维模型的跟踪：这种方法将车辆原型的三维模型与图像中分割出的目标进行匹配，可以得到模型车辆的极精确的运行轨道。但此方法的严重缺陷是跟踪必须依赖于详细的物体几何模型，而得到所有车辆的精确模型是难以实现的，而且会占用大量的计算资源。随着计算机数据处理能力的进一步增强，这种方法将表现出更优的性能。(2）基于区域的跟踪：这种方法首先识别出图像中与每个车辆相关的连通区域，记录每个连通区域的长、宽、面积、颜色、位置等特征，然后进行相邻图像的区域匹配。通过背景消减获取前景物体（车辆），在差值图像中寻找灰度差值大于阀值的像素，然后找到对应的车辆。但是，当出现交通拥堵或车辆遮挡时，多个目标车辆在图像中的区域相互连接，分割出单个车辆极为困难，这种方法不再适用。(3）基于动态轮廓的跟踪：这种方法对目标边界轮廓的特征（轮廓面积、长、宽等）进行记录，在相邻图像间进行轮廓匹配，跟踪轮廓，并实时修改轮廓特征。由于它只是跟踪目标区域的轮廓，而轮廓是连通区域的外围部分，所以比基于区域的跟踪方法的计算量小。但是，由于只标记和跟踪轮廓，这种方法不能得到目标的精确描述，跟踪精度也比不上基于区域的跟踪方法，而且同样不适用于交通拥堵和车辆遮挡情况下的车辆跟踪。(4）基于特征的跟踪：这种方法放弃了把目标作为一个整体进行跟踪的思想，只跟踪目标的局部特征，如标记目标特征的点、线、形状、子区域等。一个车辆可能有多个特征，要根据实际情况为这些特征确定优先级和权重。运动目标的特征区域只占整体区域的一部分，因此这种方法在某种程度上能够适用于交通拥堵和目标遮挡情况下的车辆跟踪。如果车辆的特征集合选择得比较恰当，这种方法能获得良好的跟踪精度，计算量也不大。但是由于运动目标的多样性，往往难以确定最佳的特征集合，这种方法有待于进一步改进和完善。2.2事件理解的建立行为理解主要是对车辆的运动模式进行分析和识别，并用自然语言加以描述。图像序列中车辆运动模式的理解和描述是非常复杂的。以有效的方式传达场景信息，描述车辆行为以进行事件检测是一项困难的任务。行为理解建立在目标提取和车辆跟踪的基础之上，每个步骤的误差都会影响行为理解的准确性。因此，对复杂场景中车辆行为的理解和描述具有相当的挑战性。事件检测是行为理解的一种，但是几乎每个AID系统都采用间接检测方法，即假设事件发生后车辆在车速、行驶车道等方面会表现出与正常行驶时不相同的行为。从交通事件检测所依据特征的角度，基于视频处理的AID算法可分为两类：基于车辆行为特征的AID和基于车流整体特征的AID。2.2.1aid影响行为的分析方法很多情况下，交通事件是由于车辆抛锚停驶、车辆追尾或相撞等原因引起的，且事件发生后车辆一般会迅速停驶并占据车道，阻碍随后驶来的车辆在这个已被占据的车道上通过，这个过程含有一系列可以利用的车辆行为特征。基于车辆行为特征的AID就是指通过分析车辆速度变化、车辆相对位置、车辆停驶、车辆转换行驶车道或方向等可能与事件相关的车辆行为特征，对交通事件进行检测。下面进一步分析与交通事件相关的车辆行为特征。(1）车辆速度变化：如果多数车辆在到达某区域前行驶速度突然减小，而在通过此区域后又逐渐增加，那么在这个区域上可能有交通事件发生。(2）车辆停驶：如果车辆在公路上突然停驶，通常认为是由于车辆相撞、车辆抛锚、车辆故障或其它难以预计的原因引发的。(3）车辆转换车道和方向：如果所有车辆在经过某段区域时都更换车道或行驶方向，说明这个车道或前方有事故发生，后来的车辆必须避障行驶。基于车辆行为特征的AID方法研究起步较早，它的基本思想是：跟踪视野内的每个车辆直至其消失，判断车辆是否在不受干扰地运动。首先，系统从图像中提取车辆的特征，并预测下一时刻车辆正常行驶时应具有的位置、车道、速度等信息；然后，在下一时刻再次提取出车辆的特征，并与预测值进行比较；最后，如果真实值与预测值差别较大或多个车辆均表现出异常行为，则推断有事件发生。这种方法是通过分析可能存在的交通事件对车辆行为的影响来检测交通事件。一方面，在摄像机的有效视野内，它不但能快速检测出交通事件，还能提供事件位置、事件类型、发生原因等详细信息。另一方面，由于它检测的是单个车辆的行为，是根据视野内车辆行为的异常来判断事件的，如果事件发生在摄像机视野之外，事件发生后的短时间内将难以检测到车辆行为的明显变化，只有当视野内的车辆由于受到交通事件的影响而出现了行为异常，才能推断视野外的事件，显然这就延长了检测时间，因此有时该方法无法满足及时检测交通事件的要求。2.2.2交通流运行特征交通事件的发生，不但会改变单个车辆的行为，而且会影响车流的整体特征，如导致交通拥堵、路面占有率增加、交通流速度减小等，从而影响整个车流的通行。基于车流整体特征的AID就是指通过分析平均空间速度、区域占有率、车辆间距、车辆队列等整体交通特征的变化，对交通事件进行检测。下面进一步分析与交通事件相关的车流整体特征。(1）平均空间速度：交通事件发生后，会有车辆停止在车道上，使道路有效宽度和车道数减小，阻碍其它车辆正常通行，其它车辆在通过事发地点时平均速度会降低，即交通流的平均空间速度会降低。(2）区域占有率和车队长度：由于发生事件的车辆降低了道路的平均空间速度，以后通过的车辆将可能导致拥挤，如果拥挤得不到及时处理和消除，随着时间的积累，区域占有率将会增加，车队长度也会随之增加。(3）车辆间距：由于发生事件的车辆降低了道路的平均空间速度，使区域占有率增加，此时车辆行驶速度低于正常行驶车速，也就导致车辆间距比正常行驶时的小。基于车流整体特征的AID方法不是检测可视区域内单个车辆的特征，而是检测与交通事故相关的交通流整体特征，所以不但能检测出事件位置，而且能记录交通流的变化过程，估计事件对交通的负面影响，提供有价值的综合数据。但是这种方法计算量大，计算耗时长，又由于不考虑车辆的个体行为，只是从整体特征上判断，不能给出发生事件车辆的详细信息，在路面过载引起的正常路面拥堵情况下也可能产生误报。基于车辆行为特征的AID和基于车流整体特征的AID两类方法都有其优点和不足，一种理想的处理办法是将二者结合起来，互为补充。在摄像机的视野内，基于车辆行为特征的AID方法可以分析车辆行为，提供最直接的事件信息，基于车流整体特征的AID方法可获得道路的整体车流数据，评估事件影响。如果事件发生在摄像机的视野外，由于基于车流整体特征的AID方法可以检测到更大区域范围的事件，仍有可能检测到交通事件。3检测算法的难点由于交通场景的复杂性，车辆行为理解和交通事件检测是一项很有挑战性的研究课题。背景建模、目标提取和车辆跟踪每个步骤结果的误差都会直接影响行为理解和描述。为了提高检测算法的性能，需要解决一系列技术难点。本文仅以背景建模和车辆阴影处理为例加以说明。(1）景内运动目标的建立和更新背景消减是一种常用的从静态场景中提取目标的方法，这种方法依赖于准确的背景模型。场景是时刻变化的，当时段、天气、光照等条件变化时，或者在白天、夜晚、多云、晴天、雨天、浓雾等各种外界环境下，背景模型都会随之变化。而且在恶劣的环境下（如雨天、夜晚、浓雾等），建立准确的背景模型更为重要，因为在恶劣环境下交通事件更易于发生。如果场景内的运动目标不是频繁出现，车流量比较少，建立和更新背景模型是非常容易的。最简单的方法是把序列图像的平均作为背景图像；如果在一定时间间隔内没有检测到任何运动车辆或目标，也可以取这段时间的中间图像作为背景图像。当有车辆或行人频繁出现时，以整幅图像为单位获取准确的背景图像就比较困难了。这时一般是以像素为单位估计背景图像的灰度值，常见的方法有：a）为每个像素的灰度建立统计模型，通过概率计算判断是背景点还是前景点；b）对每个像素求其在时间轴上的灰度直方图，把频度最大的灰度值作为背景的灰度；c）对每个像素的灰度值进行中值滤波处理，将中值作为背景的灰度值。这些方法在每个像素上进行，由所有像素的灰度值来得到一幅背景图像。背景灰度往往受光照变化的影响较大，当光照缓慢变化时，这些背景建模方法效果比较好。在光照突然变化的情况下，如道路照明灯打开或关闭，太阳突然被云彩遮挡等，都会导致背景图像的像素灰度发生较大的变化。这时可以通过背景图像灰度均值的缓慢调整，来适应光照的骤然变化。文献提出的隐马尔可夫模型能够有效解决简单的光照突然变化时（如道路照明灯打开或关闭）的背景更新问题。(2）行为理解过程精度在光照条件下，阴影总是伴随目标存在的，使图像中目标外形扭曲，同时相邻物体可能由于阴影而相互连接，混淆目标提取系统。背景消减方法通常将目标及其阴影一起提取出来，但是，如果视频检测系统不能将目标和阴影进行有效的分离，后续的交通参数提取和行为理解过程，如目标跟踪、速度计算和事件检测等，精度会有所降低，甚至难以进行。车辆阴影处理一般是假设基于阴影区域缺少纹理和边缘，且阴影区域的亮度小于车辆的亮度等，并利用道路走向、图像拍摄时间、摄像机安装位置等先验知识确定阴影相对于目标的大致方位，缩小阴影搜索范围，减少计算时间，提高计算精度。通过背景消减的方法分割出目标及其阴影，然后计算当前图像的边缘图像和背景图像的边缘图像的差分图像，并根据边缘图像中车辆阴影和车辆存在明显边缘分界这个假设，实现阴影和车辆的有效分离。在缺少道路走向、图像拍摄时间、摄像机安装位置等先验知识的情况下，可以根据阴影区域亮度较低并缺乏纹理等基本假设，自动判断图像中是否存在阴影，并确定阴影相对于车辆的方位，然后去除阴影，恢复车辆区域。4交通事件检测AID检测算法的3个常用的评价指标包括：平均检测时间（MeanTimetoDetect）、检测率（DetectionRate）和误报率（FalseAlarmRate）。高效的AID必须具有3个基本特性：平均检测时间短（ShortMeanTimetoDetect）、检测率高（HighDetectionRate）、误报率低（LowFalseAlarmRate）。事件被系统检测出来的时刻是极其重要的，它是事件确认、事件处理、设置交通预警信息等后续活动的起点。如前所述，50%以上的二次事故是在一次事件发生后10min内发生的，在准确检测事件的前提下，只有满足快速检测的要求，才能及时处理事件和设置预警信息，减少交通拥堵，预防二次事故。AID假设车辆行为或交通流参数的突然变化是交通事件造成的，车辆行为和交通流参数是进行事件检测的依据。在一定时间内，事件发生后持续时间越长，交通流参数变化越大，事件检测率也就越高。一般认为，事件检测率和事件平均检测时间正相关，也就是说，要提高事件检测率，可以采取延长检测时间的方法，而如果减少事件检测时间，又会降低事件检测率，这是一组辨证存在的矛盾，