城市道路交通异常事件自动检测方法

万福才, 尹承祥, 韩晓微, 王东政

(1. 沈阳大学 信息工程学院, 辽宁 沈阳　110044;

2. 大连理工大学 电子信息与电气工程学部, 辽宁 大连　116024)



城市道路交通异常事件自动检测方法

万福才1, 尹承祥1, 韩晓微1, 王东政2

(1. 沈阳大学 信息工程学院, 辽宁 沈阳110044;

2. 大连理工大学 电子信息与电气工程学部, 辽宁 大连116024)

摘要:针对城市道路交通流量大,易发生交通违法异常行为,提出了一种城市道路交通异常事件自动检测方法.该方法在进行异常事件检测时,首先对道路交通进行视频序列采集,然后提取视频中的车辆加速度、方向变化、几何位置信息.在提取这些特征值后,计算三个特征值变化率指数总和,并与设定的阈值进行比较,判断是否发生异常事件.通过对同一道路的相同监控视频片段采用不同的算法进行检测仿真实验,测试结果表明该方法得到的正确检测率DR为98.6%,误报率FAR为7%,相对于基于临界安全区域方法、基于Boosting检测方法其整体检测性能有所提高.

关键词:异常事件; 城市道路交通; 加速度; 几何位置; 自动检测

城市道路交通环境由于交通流量大,易发生诸如闯红灯、违章转弯、拥堵以及拖尾等交通违法行为,因此对城市道路交通进行监测尤为重要.Coifman和Berymer等人提出了基于视频图像处理系统(Video image processing system,VIPS)[1-2],该系统可以对不同车型进行统计,而且可进行交通流量的控制.后来,研究人员突破仅仅对车辆检测的局限,Haag和Nagel等人对机动车车辆跟踪问题进行了研究[3].Masoud和Papanikolopoulosp对道路行人进行跟踪并记数,为道路交通管理提供了重要的信息[4].Tai 等人研究的交通事故检测的视频监视系统[5-6],能够自动检测运动车辆并进行轨迹判定.Pai等人[7]针对十字路口的交通进行研究,对行人检测与跟踪,以保证驾驶员在路口的安全驾驶.

为了实现城市交通异常事件自动检测,本文从交通事件检测流程入手,对车辆检测与跟踪、特征提取进行了研究,在事件检测阶段提出了一种基于车辆加速度变化率、方向变化率、位置变化率的特征值指数方法,有效的提高城市道路交通异常事件的自动检测效果.

1特征值的采集

在城市道路发生交通异常事件时往往会伴随着诸如加速度、车辆运行方向、车辆位置等特征值的变化.因此,分析城市道路是否发生交通异常事件可以分析上述几个交通事件特征值的变化.这些数据都来自安装在道路的CCD摄像头,再通过数字图像处理技术来提取对象,分割、重建、识别、理解,最后进行分析计算[8].为了采集交通事件特征值需在城市交通道路安装CCD摄像头,对道路中运行的车辆进行视频采集.道路摄像装置监测区域如图1所示.

图1　城市交通道路监控区域

2车辆检测与跟踪

利用图像空域的特性,将codebook算法与LBP的优点进行融合,生成了新的背景减除新方法[9].将局部区域纹理特征作为codebook 码元记录以及背景更新,同时为了对阴影进行较好的消除,把codebook方法处理过的图像进行光增益度的改进,从而可以使模型能自适应更新背景、压缩背景,并且有效的去除阴影的影响[10].为了减小图像的失真和噪声影响,将处理后的图像转化为二值图像.虽然二值图像能够有效的减小外界的噪声干扰,但是一些局部区域的噪声容易引发目标跟踪失误.为了更有效的减少噪声干扰,将图像进行8×8分块,并对每块进行滤波处理.二值图像和滤噪后的车辆跟踪效果如图2所示.

图2　二值图像(a)和滤噪后(b)车辆跟踪效果

3特征提取

利用二值图像连通成分标记方法可以同时跟踪多车辆,并能检测出每辆车的几何中心位置.依据系统对运动目标的分割和跟踪结果可以提取出加速度、车辆方向变化、车辆位置等特征值进行交通异常事件判断.

(1) 加速度变化:加速度是速度的变化率.加速度的计算方法如式(1)所示:

(1)

在发生交通事故时,车辆速率会发生快速变化,即加速度的变化.因此,可以利用跟踪和特征提取的加速度变化作为一项判断城市道路交通异常事件的依据.依据加速度变化判断交通异常事件的算法如式(2):

(2)

式中:AF为交通异常事件判定指数,d为阈值.

(2) 车辆方向变化率:车辆方向可利用车辆线性化的图像处理技术来计算.在车辆线性化之后车辆行驶角度就可提取出发点坐标(x1,y1)和终点坐标(x2,y2)计算方程(3):

(3)

当车辆发生碰撞等异常事件时,会引发车辆方向变化率的增加.因此,可以通过分析车辆方向的变化率来进行判断是否发生交通异常事件,算法如式(4):

(4)

式中:DF为交通异常事件判断指数;f为阈值.

如果|Δθ/Δt|比较大,可以估测为车辆运行异常,发生了交通事故的可能性较高.

图3　车辆的中心点示意图

当车辆发生碰撞等异常交通事件时,会引起车辆位置的迅速变化.因此,可利用车辆位置的变化率作为交通异常事件的评判指数,如式(5):

(5)

式中:SF为交通异常事件判定指数;h,j为阈值.

4异常事件监测算法

在CCD摄像机输出的一系列交通场景下的连续的视频帧中,通过目标检测、跟踪可以提取出事件的特征值,并可通过推算判断事件是否发生.流程图如图4所示,交通异常事件自动检测可以总结为以下几步[11]:

(1) CCD摄像头采集道路交通视频图像.

(2) 车辆的运动检测与跟踪.

(3) 提取车辆的运动特征值,如加速度、方向变化、车辆位置变化等.

(4) 计算特征值AF、DF、PF.

(5) 估算特征值总和(AF+DF+PF),然后与阈值T作比较,判断交通事件是否发生.

5实验结果

为测试本文提出的方法异常交通事件检测的有效性,本文利用Matlab 2011a软件对江苏省常熟市某段道路的交通监控视频分别采用基于临界安全区域的交通事件检测方法、基于Boosting检测方法和本文提出的方法进行仿真测试,以检测率(DR),误报率(FAR)和平均检测时间(MTTD)三个指标评价本文提出的方法的有效性.由于实验对象为市区交通运行对象,据调查市区内车辆平均运行速度为24~34 km/h,因此,车辆紧急停车的加速度为-6.67~-9.44 m/s2,设置阈值d为6.67 m/s2;对于车辆方向变化率的阈值f为实验经验阈值,选取f=0.5°/s.图5为利用本文方法检测视频中的车辆的几何中心位置信息.通过车辆集合中心位置变化信息确定PF=1.

图4　交通异常事件算法检测流程图

图5　车辆的位置坐标

图6为利用本文城市交通异常事件检测系统检测结果.由图6可知,本文提出的自动检测方法能够有效的进行跟踪车辆目标,并能有效的检测出城市道路中交通异常事件.

图6　城市交通异常事件检测系统检测结果

实验采用文献[12]中基于临界安全区域的交通的交通事件检测方法、文献[13]中基于Boosting方法与本文提出的方法对江苏常熟市两周内不同时段,含有交通异常事件的监控视频进行仿真实验进行了比较,其中总共通过检测区域车辆数为21 963辆,被检测视频中有四起交通异常事件,检测结果如表1所示.

表1　不同交通事件检测算法比较

通过表1对比可以看出,本文提出的城市道路交通异常事件检测方法检测率已达98.6%,相比其他两种方法,本文方法误报率有所降低,为0.07%,但平均检测时间相对于其他两种检测方法有所增长,但能满足检测要求.整体比较,相对于基于临界安全区域的交通事件检测方法、基于Boosting检测方法检测率有所提高,误报率有所降低.

6结论

本文提出的自动检测方法可以对城市道路交通的异常事件进行检测.该系统在进行异常事件检测时,首先对道路交通视频中的车辆进行检测跟踪,提取加速度、车辆方向、车辆位置三个特征值.在提取这些特征值后,通过估算三个特征值变化率指数总和与设定的阈值进行比较判断,从而判断是否发生异常事件.通过对同一段道路的相同视频段采用不同的算法进行测试得出的参数,可知该算法相对基于临界安全区域的交通事件检测方法、Boosting检测方法检测率有所提高,误报率有所降低.

参考文献:

[ 1 ] Coifman B, Beymer D, Mclauchlan P, et al. A Real-time Computer Vision System for Vehicle Tracking and Traffic Surveillance[J]. Transportation Research Part C: Emerging Technologies, 2008,6(4):271-288.

[ 2 ] Magee D R. Tracking Multiple Vehicles Using Foreground Background and Motion Models[J]. Image and Vision Computing, 2004,22(2):143-155.

[ 3 ] Haag M, Nagel H. Tracking of Complex Driving Manoeuvres in Traffic Image Sequences[J]. Image and Vision Computing, 1998,16(8):517-527.

[ 4 ] Masoud O, Papanikolopoulos N P. A Novel Method for Tracking and Counting Pedestrians in Real-time Using a Single Camera[J]. IEEE Transactions on Vehicular Technology, 2011,50(5):1267-1278.

[ 5 ] Tai J C, Tsang S T, Lin C P, et al. Real-time Image Tracking for Automatic Traffic Monitoring and Enforcement Applications[J]. Image and Vision Computing, 2004,22(6):485-501.

[ 6 ] 马莹,吴楠楠. 基于全球眼的地震现场应急救援交通路径分析系统研究[J]. 沈阳大学学报:自然科学版, 2014,26(5):376-381.

(Ma Ying, Wu Nannan.Earthquake Site Emergency Rescue Transportation Path Analysis System Based on Global Eye[J]. Journal of Shenyang University: Natural Science, 2014,26(5):376-381.)

[ 7 ] Pai C J, Tyan H R, Liang Y M, et al. Pedestrian Detection and Tracking at Crossroads[J]. Pattern Recognition, 2004,37(5):1025-1034.

[ 8 ] 王自上. 基于视频图像的交通事件自动识别算法研究[D]. 北京: 北京交通大学, 2010.

(Wang Zishang.Automatic Recognition Algorithm Based on Video Images of Traffic Incidents[D]. Beijing: Beijing Jiaotong University, 2010.)

[ 9 ] 刘晓男,李勃,陈启美,等. 一种基于视觉技术的交通异常检测算法[J]. 仪器仪表学报, 2011,32(S6):76-82.

(Liu Xiaonan, Li Bo, Chen Qimei, et al. Vision Based Traffic Anomaly Detection Algorithm[J]. Chinese Journal of Scientific Instrument, 2011,32(S6):76-82.)

[10] 邵士雨. 基于视频的交通事件检测算法研究[D]. 济南:山东大学, 2013.

(Shao Shiyu.Research on Traffic Incident Detection Algorithm Based on Video[D]. Jinan: Shandong University, 2013.)

[11] Ki Y K, Lee D Y. A Traffic Accident Recording and Reporting Model at Intersections[J]. IEEE Transactions on Intelligent Transportation System, 2007,8(2):188-194.

[12] 闻帆. 基于视觉的交通路口车辆智能检测技术研究[D]. 哈尔滨:哈尔滨工业大学, 2010.

(Wen Fan. Research on Traffic Intelligent Detection Technology Based on Vision[D]. Harbin: Harbin Institute of Technology, 2010.)

[13] 孙熙,李夏苗. 基于boosting算法的交通事件检测[J]. 交通运输系统工程与信息, 2007,7(5):37-41.

【责任编辑: 胡天慧】

(Sun Xi, Li Xiamiao.Traffic Incidents Detection Based on Boosting Method[J]. Journal of Transportation Systems Engineering and Information Technology, 2007,7(5):37-41.)

Automatic Detection Method of Abnormal Events in City Road Traffic

WanFucai1,YinChengxiang1,HanXiaowei1,WangDongzheng2

(1. School of Information Engineering, Shenyang University, Shenyang 110044, China; 2. Faculty of Electronic Information and Electrical Engineering, Dalian University of Technology, Dalian 116024, China)

Abstract:According to the situation that the flow of the city road traffic is large, and the traffic illegal behavior is easy to happen, an automatic detection method for the abnormal events of the city road traffic is presented. When using the method to detect abnormal events, video sequences of the road traffic are collected firstly, and the information of the vehicle acceleration, the direction of change, and geometrical position are extracted secondly. The sum of three feature values index change rate is calculated after extracting the feature values, and compared with the threshold to judge whether abnormal events happen. Different algorithms are used to do the simulation experiment for the video clip of the same road. The detection test results show that the correct detection rate DR of the method proposed is 98.6%, the false positive rate FAR is 7%, and the overall detection performance is improved compared with the critical security region method and the detection method based on Boosting.

Key words:abnormal events; city road traffic; acceleration; geometrical position; automatic detection

收稿日期:2014-11-14

中图分类号:TP 391

文献标志码:A

作者简介:万福才(1967-),男,辽宁沈阳人,沈阳大学教授,博士.

基金项目:辽宁省教育厅一般项目(L2012429 2012-2015); 沈阳市科技计划项目(Grant No.F12-169-9-00).

文章编号:2095-5456(2015)01-0030-05