基于速度分类算法的交通事件视频检测系统设计＊

熊 昕 徐建闽

（1.广州番禺职业技术学院计算机中心 广州 511483；2.华南理工大学交通学院 广州 510640）

0 引言

交通事件是指公路上偶发性事件，如交通事故、故障停车、货物散落和常发性拥挤等引起的交通堵塞。对于可预测类的交通事件，驾驶员可以预先制定合理的出行计划来降低其影响，但对于突发事件引起的延误，驾驶员却无法采取躲避措施。这类事件的影响不仅造成交通拥挤，还会引起二次事故。当交通拥挤时，车辆走走停停会引发更多的小事故及汽车抛锚等事件的发生。这样就增加了事件的数量，并延长了清除事件的时间。所以，如何采用交通事件自动检测系统（automatic incident detection system，AIDS）对交通事件进行快速准确的检测，已经成为越来越多人关心的问题。国内外许多专家学者提出了描述交通事件检测的算法。Kamijo［1］等通过对序列目标图像的跟踪学习获得目标运动的时空区域，经定性的推理和统计分析，自动构造出定性的事件模型，实现事件的预测和异常事件的检测；Jutaek Oh［2］等建立了包括交通场景中的检测数据，例如时间序列的车辆行驶方向、位置等的3D 场景描述序列；Kumar［3］等利用运动目标与场景内静态设施及动态目标之间的相互关系识别行为活动。以上介绍的算法中，都具有模型复杂，运算量大，实现起来比较复杂等的缺点。赵有婷［4］提出1种背景差分法进行车辆检测方法，采用了简单的背景模型，即对一定时间内的帧数进行中值滤波得到背景，这种方法必须对车辆进行连续的跟踪，才能知道每辆车的行驶轨迹等信息，作为后续事件检测的依据。汪勤［5］等论述了运动理解和行为识别中的HMM（隐马尔可夫模型）方法和SOFM（自组织特征映射神经网络）方法。通过对运动图像分割、特征提取，提出了1种基于特征的跟踪（featurebased tracking），基于特征的跟踪与基于区域跟踪算法的区别在于后者使用目标整体作为关联时的对象，前者使用目标的某个或某些局部特征作为相关时的计象。此算法的优点是实现简单，即使目标的某1部分被遮挡，只要其他特征可见，即可完成跟踪，这种方法与Kahnan滤波结合使用，也具有很好的效果。本文重点对交通量检测、车辆跨道处理、速度检测、交通状况检测及交通事件识别和车辆行为的跟踪与分析，并提出了基于速度分类算法的交通事件实时视频检测方法。

1 视频交通事件检测系统的实现

1.1 系统功能及处理流程

视频的交通事件检测系统是通过对道路监控系统中的视频图像进行处理和综合分析，采用基于视频检测［8］和目标跟踪［9］的技术，来实现对道路交通发生影响正常交通秩序的事件过程进行实时检测、报警、记录、传输、统计。如果发现某机动车的运行状态出现异常（如撞车、突然停车、遗撒物等）立即报警并将该路视频图像及报警区域图像切换到主监控画面。VIPS能够采集的数据很广，1个摄像机可以采集几个车道的数据，使得检测交通动态行为（如振动波）和各种空间交通参数（如密度、速度、排队长度）成为可能［6］。除此以外，视频检测能提供辅助信息，如路肩交通、停车交通、车道变化、速度差异和其他方向的交通拥堵情况。其系统处理流程见图1。

图1 系统处理流程图Fig.1 System processing flow chart

系统实现功能如下。

1）借助高速公路和隧道闭路电视监控系统，实时传输各种交通数据信息。

2）实时检测交通路况，发现异常立即自动报警。

3）记录和存储历史数据信息，为交通规划和组织管理提供有效的参考依据。

4）快速处理道路交通事件，及时发布交通信息，有效地解除道路隐患。

5）及时通知车辆救援单位赶赴现场对事故车辆进行处理，避免造成交通拥堵。

1.2 交通量检测

交通量检测［6］模块的输入是图像数据、用户可设置检测线参数，模块的输出是车辆驶入、存在和驶出检测区域的判断结果。分析处理后提取车辆目标，辨别不同帧之间的同一车辆；自动识别跨道车辆、流量统计。

用累加器实现车辆的计数，建立2个数据库分别记录车辆出现的次数和相应的起始时间，计算任意时间段的车辆流量数N。计算方法为：假设时间段tstart→tend，先确定tstart时刻车辆出现次数N1，同样可找到tend时刻所对应的次数N2，式（1）则为tstart→tend时间段的车辆数计算公式。

在实际交通系统中，常以单向和双向车道上的车辆计数统计交通量，对于多车道上的车辆计数只需将几个车道的车辆数相加即可。

1.3 跨道处理

当临近的2个检测线圈同时检测到同一车辆时，需把这种情况与两车辆同时经过临近两线圈的情况区分开来，避免交通流量统计错误。以下是从2个线圈产生信号的特征着手判别2辆车同时经过车辆跨道行驶。对于2辆车同时驶过的情况，线圈一和线圈二检测到的车辆目标处的位置在接近中央的地方，较均匀。对于车辆跨道行驶的情况，线圈产生的检测信号是不均匀的。如图2所示，对于线圈一来说，检测到的车辆目标在右侧；对于线圈二来说，检测到的车辆目标在左侧。由于车辆的宽度限制，2个线圈检测到的目标，必定有1个检测到的车辆目标只是占据了线圈的小部分。因此，当两检测线圈同时检测到有车辆驶过，且2个检测线圈检测到的车辆目标都偏向临近的线圈，且其中有1个或2个的线圈检测到的车辆目标只是占据了线圈的一侧的小部分，就可认为车辆是跨道行驶，把车辆规定为经过检测到占据较大部分的车辆目标的线圈。

图2 车辆经过线圈的情形Fig.2 Vehicle passes through the coi

1.4 速度检测

车辆的速度检测［7］有2种方法：在同一虚拟标志线上检测；在相邻2 条虚拟标志线上检测。其检测线的定义和功能如下。

1）检测线是由检测线圈的前后端组成。

2）检测线是由存在判断从0变成1时触发的第1 时间T1检测，即检测车辆前端驶入检测线的时间。

3）检测线是在存在判断从1变成0时触发的第2 时间T2检测，即检测车辆尾端驶出检测线的时间。

车辆速度检测全过程见图3。首先，在监视器显示的各车道的中心，沿车辆行驶方向平行放置若干个虚拟检测线圈，每车道各有1个，检测线圈尽可能地跟车道宽度相等，并将该检测线圈上各象素点的实际世界坐标信息对应存入存储器中。然后，通过检测车辆的前端和尾端在视频图象中压线的全过程。最后，通过求取车辆目标的长度与经过检测线的时间比值，获得实际的车速信息。

图3 车辆速度检测全过程Fig.3 Vehicle speed detection process

车辆整个压线过程为：开始触发检测线，开始检测T1；车辆前端入检测线，检测到T1；开始触发检测线，开始检测T2；车辆尾端驶入检测线，检测到T2。

由于车辆的车头和车尾，在这些位置还存在较强烈的水平边缘纹理，这是车体和背景的分界线。因此采用跟踪车头和车尾在检测线的交点位置，即可检测出车辆的经过检测线的情况。进而计算出车辆的行驶速度。

第1种检测方法是将车辆长度取基于统计意义下的折合长度，一般取5 m，已知车长为L，车速的计算可直接在虚拟窗口上操作，对某一检测到并通过的车辆，只要得到车辆的通过时间，便可计算车辆的速度。

式中：k为车辆出现的次序号。

第2种方法，利用2相邻虚拟标志线之间的距离L（已知），本系统设为10 m，只需计算车头分别到达两相邻的虚拟标志线之间的时间差便可计算出车辆的速度。算法如下。

1）车辆先经过虚拟标志线i时刻为T1（i）。

2）车辆后经过的虚拟标志线i＋1的时刻T1（i＋1），在实际运用中T1（i）和T2（i＋1）之间要确保在虚拟标志线i和i＋1经过的是同一辆车。此时可得到车辆的速度计算公式为

在一段道路上车辆的平均速度为

1.5 隧道交通事件检测

1.5.1 交通事件检测方法

基于速度分类算法的交通事件实时视频检测方法是在车辆检测和跟踪的基础上［7］，运用事故检测算法，设定阈值，可检测到不同类型的事故，如车辆停止、车道变换、车辆排队、交通阻塞、行车逆行等事件。基于速度分类算法的事件检测的判定准则是在系统中设置的连续计数时间阈值Tth，以超过此阈值判断1个事件的发生，不同的事件中，可以设置不同的时间阈值Tth。此处，将交通视频图像平面分为36个子区域，为每个子区域分配1个计数器，根据不同的运动目标的坐标将其分入各个子区域，并记录这36个子区域中低速运动目标的个数。当算法跟踪1个低速目标达到系统设定的时间阈值T 时，系统确认这个目标为低速目标，根据这个低速目标的坐标，将这个目标所在的子区域以及其四周子区域的低速计数器中的数字相加得到的和称为这个低速目标的低速指标Id。以下是速度分类算法的交通事件实时视频检测的算法。

1）自由流停车。可通过计算同一跟踪目标的中心点位置的变化，经过一段时间连续在1个小的速度阈值内变化，以此确认低速目标的出现。满足条件：

式（5）表明如果自由流停车发生时，其周围低速目标的数目较少，而且在过去的一段时间内，并没有1个高速目标的位置能够和这个低速目标出现的位置十分接近。

2）机动车拥堵。通过计算同一跟踪目标的中心点位置的变化，经过一段时间连续在1个小的速度阈值内变化，可确认为低速目标的出现。满足条件：

式（6）表明当拥堵停车发生时，低速目标附近区域出现的其他低速数量比较大，同样也不能够跟踪到过去的一段时间内，有高速目标曾经出现在低速目标出现的位置附近。

3）货物遗撒。通过计算同一跟踪目标的中心点位置的变化，经过一段时间连续在1个小的速度阈值内变化，以此确认低速目标的出现。

4）机动车逆行。检测区域内的车辆速度与其所在车道的给定正常方向相反，并持续跟踪到这种反方向运动达到一定的时间阈值，可以判断逆行事件的发生。

5）排队超限。在图像中指定2点间的前景图像中，表现为所有的前景目标的速度都低于某1个阈值。在2点间中设置4 个采样点，当4 个采用点附近同时检测到低速运动目标时，输出排队超限事件。

6）行人闯入。行人检测采用的方法和自由流停车相同，但是对不同场景下的行人面积需要1个阈值范围的确定。

1.5.2 交通事件检测的软件开发

软件流程见图4，如果要检测车辆的通过状态，则需要在该车道内设置1个实际长度为0.8～2m，实际宽度约为车道宽度的检测线圈，对线圈判断是否有车辆经过，并决定是否开启车辆的车长车宽特征提取进程。如果车辆刚刚进入检测线圈，则开启车长车宽提取进程，并且根据线圈的前端检测线的灰度判定车辆前端是否到达了前端检测线；在车辆驶出检测线圈时候，开启检测线圈前端检测线的灰度检测进程，检测车辆的尾端是否已经到达前端检测线。该输出信号判断车辆已经驶过该线圈，则对该车辆的重要参数进行传送，由车速测量算法进行计算。

图4 软件流程图Fig.4 Software flow chart

2 系统的运行与测试

2.1 系统的运行

由于该系统软件负责后台运算，因此程序一旦启动，即可进入运行状态。软件运行过程中，除非异常退出，或者需要重新启动电脑，否则不能随意关闭。系统主界面见图5。

图5 系统的主界面Fig.5 Main interface of the system

系统主界面主要分成4 部分：菜单、视频窗口、统计窗口和状态显示窗口。

1）菜单窗口。主要有系统、控制和帮助3个选项。

2）视频窗口。视频窗口分别对应温泉隧道南行（或北行）从隧道入口到出口的3个摄像机的信号，从左到右分别为进洞口视频、洞中间视频和出洞口视频。

3）统计窗口。统计窗口包括了2个图，左边为画面照度变化曲线图，右边为“流量统计柱状图（辆／min）。其中画面照度变化曲线图统计了最近12s内隧道中间摄像枪的画面平均亮度，统计点间隔为40ms；一般情况下，没有车辆通过时亮度大于120cd／m2，否则为不正常，系统会自动报警，提示管理人员处理。流量统计柱状图以每分钟为统计量，每分钟更新1次，图中显示最近100 min的流量统计情况。

4）状态显示窗口。状态显示窗口由检测信息、状态设置和事件记录3部分组成。

检测信息。

（a）“流量”信息每分钟更新1次，显示数据是从当天00：00时开始，到当前前1 min的累计流量值。

（b）“均速”表示整个交通流的平均速度，显示的数据是从当天00：00 时开始，到当前前1 min通过车辆的平均速度。

（c）“当前状态”表示视频检测状态信息，共有6种检测状态，每种状态的定义如下。

状态设置。显示以上6种检测状态，如需要人工设定某种状态，可以在“当前状态”处选择相应的状态，按下右边的“确定”按钮即可。

事件记录。事件记录处显示以往事件信息，例如上图中记录了最后1路视频无信号输入的情况。信息显示字符小于300个，超过的将写入日志文件中。

3 系统的测试

视频交通事件检测系统经温泉隧道南行和或北行道的实际运行，效果良好。图5所示的系统的主界面图中的隧道是温泉隧道南行和北行在2007年9月16日18：00时开始到9月16日23：00时时段视频。表1所列的是温泉隧道2008年5月17日03：05时开始到5月17日13：05时交通事件统计的数据，表中准确次数为已检测到交通事件的总和，误报次数为错误数据，并未进行归类。

表1 基于视频交通事件检测系统检测结果统计Tab.1 Based on the testing results of video traffic incident detection system statistics

4 结束语

视频交通事件检测为异常和突发事件的快速反应提供先进手段，并能有效克服传统事件检测系统用交通量、速度、占有率变化来检测事件发生方法的种种弊病，实现高效、准确、快速的事件检测，为事件快速处理、大大减少交通延误及二次事故发生提供条件。以视频交通事件检测器为前端机组成基于视频图像的交通事件检测系统可直接利用高速公路各重点路段现有的电视监控系统，方便实现交通突发事件的自动检测，因而能适应我国高速公路交通发展的实际需要，具有良好的市场需求和社会经济效益。

［1］Kamijo S，Matsushita Y，Ikeuchi K，M，et al.Traffic monitoring and accident detection at intersections［J］.IEEE Transactions on Intelligent Transportation Systems，2000（2）：108－118.

［2］Oh Jutaek，Min Joonyoung，Kim Myungseob，et a1.Development of an automatic traffic conflict detection system based on image tracking technology［J］.Transportation Research Record，2009（2129）：45－54.

［3］Kumar P，Ranganath S，Huang Weimin，et al.Framework for real－time behavior interpretation from traffic video［J］.IEEE Transactions on Intelligent Transportation Systems，2005，6（1）：43－53.

［4］赵有婷，李熙莹，罗东华.基于视频车辆轨迹模型的交通事件自动检测方法研究［J］.中山大学学报，2011，50（4）：56－60.

［5］汪 勤，黄 山，张洪斌，等.基于视频图像处理的交通事件检测系统［J］.计算机应用，2008，28（7）：1187－1198.

［6］徐 杨，吴成东，陈东岳.基于视频图像的交通事件自动检测算法综述［J］.计算机应用研究，2011，28（4）：101－103.

［7］张盈盈，张 路，蔡 豫，等.基于速度分类算法的交通事件实时视频检测［J］.交通信息与安全，2009，27（2）：107－110.

［8］赵建东，张 昊，王自上，等.交通事件视频图像自动识别系统的研究［J］.北京交通大学学报，2011，35（4）：138－141.

［9］徐建闽，杨传岗，林培群.视频交通场景的背景生成方法［J］.公路交通科技，2009，26（8）：120－124.