基于運(yùn)動(dòng)目標(biāo)軌跡的高速公路異常事件檢測(cè)算法研究

隋 靚 黨建武

(蘭州交通大學(xué)電子與信息工程學(xué)院 甘肅 蘭州 730070)

0 引 言

隨著我國(guó)機(jī)動(dòng)車保有量的逐年增加，道路上交通擁擠問題變得日益突出，每年的交通事故居高不下，尤其在車輛行駛速度快的高速公路上，駕駛員無(wú)視交通法規(guī)，逆行、停車等異常事件往往會(huì)造成嚴(yán)重的交通事故。為了及時(shí)發(fā)現(xiàn)異常行駛車輛，減少不必要的交通事故，交通異常事件檢測(cè)系統(tǒng)成為當(dāng)前研究的熱點(diǎn)。

傳統(tǒng)的人工觀看視頻監(jiān)控判斷交通事件的檢測(cè)方式勞動(dòng)強(qiáng)度大、工作效率低且存在交通事件發(fā)現(xiàn)不及時(shí)和漏判現(xiàn)象，已不能滿足現(xiàn)實(shí)交通視頻監(jiān)控的需求。目前，基于視頻的交通事件自動(dòng)檢測(cè)技術(shù)越來(lái)越受到研究學(xué)者們的重視，該技術(shù)主要由運(yùn)動(dòng)目標(biāo)檢測(cè)[1-4]、運(yùn)動(dòng)目標(biāo)跟蹤[5-10]和交通事件檢測(cè)[11-13]三部分組成。其中，常見的運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)有背景差法、幀差法以及光流法。當(dāng)檢測(cè)車輛運(yùn)動(dòng)速度較慢或靜止時(shí)采用幀差法檢測(cè)車輛容易發(fā)生漏檢現(xiàn)象；背景差法對(duì)外界環(huán)境變化(例如光照)比較敏感，需要依靠穩(wěn)定的背景；而光流法計(jì)算比較復(fù)雜，計(jì)算量比較大。運(yùn)動(dòng)目標(biāo)跟蹤技術(shù)主要有kalman濾波和粒子濾波等方法，kalman濾波是線性條件下的跟蹤，而粒子濾波是非線性條件下的跟蹤。在交通事件檢測(cè)方面，許多學(xué)者針對(duì)不同的交通情景提出了不同的交通事件檢測(cè)模型，其中文獻(xiàn)[14]提出了一種采用時(shí)間序列特征的穩(wěn)態(tài)分析法來(lái)檢測(cè)靜止目標(biāo)的露天場(chǎng)景下的高速公路違章停車視頻檢測(cè)算法。文獻(xiàn)[15]采用滑動(dòng)窗口的方法來(lái)判斷車輛的運(yùn)動(dòng)趨勢(shì)，并通過(guò)計(jì)算滑動(dòng)窗口內(nèi)的軌跡點(diǎn)的平均速度來(lái)判斷交通異常行為。文獻(xiàn)[16]采用碼本模型對(duì)背景進(jìn)行建模來(lái)檢測(cè)運(yùn)動(dòng)目標(biāo)，根據(jù)車輛停留時(shí)間的長(zhǎng)短來(lái)判斷車輛是否停車。文獻(xiàn)[17]提出了一種仿昆蟲復(fù)眼算法來(lái)檢測(cè)停車事件，該文將整個(gè)視頻畫面分割成若干小區(qū)域，對(duì)每個(gè)區(qū)域建立停車事件數(shù)學(xué)模型進(jìn)行停車檢測(cè)。文獻(xiàn)[18] 提出了一種基于視頻車輛軌跡模型的交通事件自動(dòng)檢測(cè)方法，該方法通過(guò)分析車輛行駛軌跡點(diǎn)將車輛軌跡分解為前行、反行、停滯、斜行四類軌跡元素,并且根據(jù)這4類軌跡元素對(duì)車輛的行駛行為建立數(shù)學(xué)模型來(lái)確定發(fā)生的交通事件類型。文獻(xiàn)[19] 提出的基于機(jī)器視覺的高速公路交通事件檢測(cè)方法，該方法根據(jù)二值圖上運(yùn)動(dòng)目標(biāo)的特征，判斷擁堵、行人、停車等交通事件的發(fā)生。文獻(xiàn)[20] 提出了一種基于支持向量機(jī)的交通事件自動(dòng)檢測(cè)(SVM-AID)算法，對(duì)實(shí)際高速公路交通參數(shù)數(shù)據(jù)應(yīng)用SVM-AID算法進(jìn)行測(cè)試，檢測(cè)率和實(shí)用性均達(dá)到了很好的效果。文獻(xiàn)[21] 利用像素級(jí)時(shí)間序列特征檢測(cè)靜止物體,并根據(jù)對(duì)象級(jí)區(qū)域特征實(shí)現(xiàn)停駛車輛的辨識(shí),獲取車輛的違章停車信息。以上方法都對(duì)交通異常事件進(jìn)行了分析，但是沒有對(duì)異常事件進(jìn)行細(xì)致的劃分，容易出現(xiàn)漏判。

基于以上分析，本文針對(duì)高速公路停車、逆行交通事件提出了基于運(yùn)動(dòng)目標(biāo)軌跡的高速公路異常事件檢測(cè)算法研究。車輛的運(yùn)動(dòng)軌跡含有豐富的車輛信息，通過(guò)觀察車輛的運(yùn)動(dòng)軌跡可以直觀地了解車輛的運(yùn)動(dòng)狀態(tài)，獲得車輛的運(yùn)動(dòng)方向。同時(shí)，通過(guò)對(duì)車輛運(yùn)動(dòng)軌跡進(jìn)行分析，可以間接獲得各種空間交通參數(shù)(例如速度，質(zhì)心變化等)，為交通異常事件的檢測(cè)提供了判斷依據(jù)。本文首先采用均值法建立背景，背景差法提取運(yùn)動(dòng)目標(biāo)前景，針對(duì)存在陰影的運(yùn)動(dòng)目標(biāo)前景采用改進(jìn)的基于邊緣和HSV顏色空間相結(jié)合的算法消除陰影，該方法彌補(bǔ)了單一特征陰影去除算法陰影消除不干凈和前景過(guò)度消除的缺點(diǎn)，提高了運(yùn)動(dòng)目標(biāo)檢測(cè)的精度。其次，對(duì)檢測(cè)出的運(yùn)動(dòng)目標(biāo)前景采用kalman濾波算法進(jìn)行跟蹤，獲得車輛的運(yùn)動(dòng)軌跡。最后，分析車輛的運(yùn)動(dòng)軌跡，根據(jù)車輛的運(yùn)動(dòng)狀態(tài)設(shè)計(jì)異常事件模型，檢測(cè)相關(guān)的交通參數(shù)來(lái)判斷異常事件。該檢測(cè)方法能夠精確地檢測(cè)出車輛屬于哪種違章行為，實(shí)用性好。

1 運(yùn)動(dòng)目標(biāo)檢測(cè)

本文重點(diǎn)是分析車輛的運(yùn)動(dòng)狀態(tài)，判斷車輛是否異常行駛。精確提取運(yùn)動(dòng)目標(biāo)前景是分析車輛運(yùn)動(dòng)狀態(tài)的基礎(chǔ)，為后續(xù)的車輛跟蹤，行為分析做準(zhǔn)備。本文以均值法建立背景，背景差法提取目標(biāo)前景，通過(guò)閾值分割、濾波、形態(tài)學(xué)等預(yù)處理獲得完整運(yùn)動(dòng)目標(biāo)，如式(1)-式(4)所示。

(1)

Bi+1=(1-α)Bi(x,y)+αfi(x,y)

(2)

Di(x,y)=|fi(x,y)-Bi-1(x,y)|

(3)

(4)

式中：fi(x,y)為原圖像，B(x,y)為背景圖像，Di(x,y)為差分圖像，F(xiàn)(x,y)為前景二值圖像。為防止停車車輛融入背景，本文以較小的學(xué)習(xí)率α對(duì)背景進(jìn)行更新來(lái)適應(yīng)當(dāng)前環(huán)境的變化，取α=0.005，N=200，th=45。 實(shí)驗(yàn)結(jié)果如圖1所示。

圖1 視頻序列第18幀運(yùn)動(dòng)目標(biāo)檢測(cè)

1.1 陰影去除

由于陰影的存在，通過(guò)背景差法得到的運(yùn)動(dòng)前景區(qū)域，使檢測(cè)出的前景區(qū)域部分車輛信息丟失或者多個(gè)車輛區(qū)域發(fā)生融合，從而改變了車輛的大小和形狀。如圖1(c)中，由于陰影的存在使3輛車識(shí)別為1輛車。產(chǎn)生這個(gè)誤差的原因是由于車輛陰影與車輛具有一致的運(yùn)動(dòng)特性，以至于陰影被識(shí)別為運(yùn)動(dòng)目標(biāo)，使后續(xù)的跟蹤無(wú)法進(jìn)行。對(duì)于車輛陰影，國(guó)內(nèi)外學(xué)者提出了不同的陰影去除算法[22-23]，但在陰影消除過(guò)程中采用基于顏色的算法去除陰影會(huì)使車輛顏色與背景顏色相同的車輛被誤認(rèn)為陰影而被消除，從而得到的檢測(cè)前景不完整。本文采用基于邊緣和HSV顏色空間相結(jié)合的方法去除陰影，能夠檢測(cè)出精確的運(yùn)動(dòng)區(qū)域，彌補(bǔ)了基于邊緣的陰影去除算法陰影消除不干凈的結(jié)果，也彌補(bǔ)了基于顏色空間的陰影去除算法檢測(cè)不完整的情況。算法流程如圖2所示。

圖2 陰影去除算法流程圖

1.1.1 基于HSV顏色空間的陰影去除

HSV顏色模型保留了精確的灰度信息和色彩信息，能夠突出陰影與運(yùn)動(dòng)物體和背景的不同。在 HSV 顏色空間下，陰影區(qū)域相對(duì)于前景區(qū)域在色調(diào)(H)和飽和度 (S)上變化不大，但亮度 (V)有很大不同，即陰影區(qū)域比非陰影區(qū)域暗很多?；谶@個(gè)原因，進(jìn)行陰影去除，算法如式(5)-式(8)所示，算法流程如圖2(a)所示。

(5)

△S=|Sf(x,y)-Sb(x,y)|

(6)

△H=|Hf(x,y)-Hb(x,y)|

(7)

(8)

式中：Hf、Sf、Vf分別為前景色調(diào)、飽和度、亮度，Hb、Sb、Vb分別為背景色調(diào)、飽和度、亮度。 其中(α,β)∈(0,1)，在本文中取α=0.05，β=0.2，Ts=30，Th=15。

1.1.2 基于邊緣特征的陰影檢測(cè)

圖像中邊緣含有豐富的信息，車輛陰影的邊緣相比車輛的邊緣更清晰簡(jiǎn)潔且陰影的邊緣密度比較小，而車輛的邊緣密度比較大。本文采用文獻(xiàn)[24]的方法利用Log邊緣檢測(cè)算子對(duì)背景差法得到的車輛前景和閾值分割后的圖像分別進(jìn)行邊緣檢測(cè)，將最終的邊緣圖像進(jìn)行異或運(yùn)算后得到去除陰影的前景圖像。Log邊緣檢測(cè)[25]先對(duì)原始圖像進(jìn)行平滑處理,從而實(shí)現(xiàn)對(duì)噪聲最大程度的抑制,再對(duì)平滑后的圖像提取邊緣。具體可以分為三個(gè)部分：① 采用二維高斯函數(shù)對(duì)灰度圖像進(jìn)行卷積，實(shí)現(xiàn)對(duì)灰度圖像的平滑；② 采用二維拉普拉斯算子對(duì)平滑后的圖像進(jìn)行增強(qiáng)；③ 根據(jù)二階導(dǎo)數(shù)零交叉進(jìn)行邊緣檢測(cè)，即提取增強(qiáng)后的二階方向?qū)?shù)圖像的零交叉點(diǎn)軌跡，即可得到圖像的邊緣。如式(10)、式(12)所示，算法流程如圖2(b)所示。

(9)

img(x,y)=G(x,y)*f(x,y)

(10)

(11)

g(x,y)= ▽2{img(x,y)}=

▽2[G(x,y)*f(x,y)]=

▽2G(x,y)*f(x,y)

(12)

(13)

式中：式(9)為二維高斯函數(shù)，σ為G函數(shù)的標(biāo)準(zhǔn)差，*為卷積運(yùn)算符；式(13)為高斯拉普拉斯(LOG)。本文取3×3的高斯濾波器，取σ=0.25。

2 基于kalman濾波算法的車輛跟蹤

檢測(cè)出完整運(yùn)動(dòng)目標(biāo)前景后，用最小矩形框標(biāo)定運(yùn)動(dòng)車輛的連通區(qū)域并跟蹤，提取連續(xù)幀車輛的質(zhì)心坐標(biāo)，即可以獲得車輛的運(yùn)動(dòng)軌跡。實(shí)驗(yàn)結(jié)果如圖3所示。

圖3 運(yùn)動(dòng)目標(biāo)跟蹤

本文采用文獻(xiàn)[26]中的質(zhì)心距離約束、目標(biāo)大小約束雙重約束條件相結(jié)合的方法進(jìn)行車輛跟蹤，獲得車輛運(yùn)動(dòng)軌跡。跟蹤過(guò)程如下：

(1) 對(duì)t時(shí)刻矩形框標(biāo)記的運(yùn)動(dòng)目標(biāo)，分別計(jì)算矩形框信息BBox=[x,y,width,height]和質(zhì)心坐標(biāo)及面積大小，并通過(guò)kalman濾波算法對(duì)質(zhì)心坐標(biāo)和面積大小進(jìn)行預(yù)估計(jì)，建立初始目標(biāo)信息鏈。

(2)t+1時(shí)刻時(shí)，通過(guò)同樣的方法獲得目標(biāo)的質(zhì)心和面積及矩形框信息。

(3)t+1時(shí)刻，對(duì)目標(biāo)進(jìn)行匹配，匹配規(guī)則：質(zhì)心距離約束匹配要求t+1時(shí)刻對(duì)應(yīng)目標(biāo)區(qū)域的質(zhì)心的估計(jì)值和實(shí)際值歐氏距離小于給定閾值dth，即|CtCt+1|

其中，kalman濾波算法是對(duì)車輛信息建立狀態(tài)空間方程和觀測(cè)方程，根據(jù)前一幀的車輛特征信息估計(jì)當(dāng)前幀的特征信息值，與當(dāng)前幀的觀測(cè)值在線性無(wú)偏差最小方差的估計(jì)下對(duì)車輛的特征信息做出最優(yōu)估計(jì)，它的狀態(tài)方程和觀測(cè)方程可用一個(gè)線性隨機(jī)微分方程表示：

狀態(tài)方程：

x(k)=Ax(k-1)+W(K)

(14)

觀測(cè)方程：

z(k)=Hx(k)+V(K)

(15)

對(duì)于視頻中的運(yùn)動(dòng)車輛，相鄰幀間車輛的運(yùn)動(dòng)距離非常小，幾乎不會(huì)發(fā)生較大的改變，所以認(rèn)為在相鄰幀△t時(shí)間內(nèi)的車輛在做勻速運(yùn)動(dòng)，即滿足如下公式：

xk=xk-1+vxk-1×△t

(16)

vxk=vxk-1

(17)

因此，可選用質(zhì)心的橫縱坐標(biāo)和外接矩形框的高和寬設(shè)置一個(gè)八維向量來(lái)構(gòu)建運(yùn)動(dòng)車輛的運(yùn)動(dòng)狀態(tài)。

運(yùn)動(dòng)車輛的狀態(tài)方程為：

x(k)=[xk,yk,vxk,vyk,wk,hk,vwk,vhk]

(18)

運(yùn)動(dòng)車輛的觀測(cè)方程為：

z(k)=[xk,yk,wk,hk]

(19)

式中：(xk,yk)為質(zhì)心的橫、縱坐標(biāo);wk、hk為外接矩形的寬、高;vxk、vyk、vwk、vhk分別為質(zhì)心和外接矩形四個(gè)分量的速度。

根據(jù)整個(gè)跟蹤模型可以得到:

式中：△t為相鄰幀間的時(shí)間間隔，按每秒30幀的速率，其取值為0.33。

3 車輛異常事件檢測(cè)

3.1 違章逆行事件檢測(cè)

在高速公路上每個(gè)攝像機(jī)安裝的位置和角度都是確定的，每個(gè)路段車輛的正確行駛方向可以在上位機(jī)上直接進(jìn)行人工設(shè)置，通過(guò)分析車輛某一方向上的運(yùn)動(dòng)，觀察質(zhì)心坐標(biāo)大小的變化，判斷車輛是否逆行。本文以左上角為坐標(biāo)原點(diǎn)，以向攝像機(jī)的方向?yàn)檎较?，通過(guò)對(duì)車輛連續(xù)跟蹤T幀，分析車輛的運(yùn)動(dòng)軌跡的縱坐標(biāo)序列y=(y1,y2,…,yn)。當(dāng)y1y2>…>yn時(shí)，表示車輛在視頻中向遠(yuǎn)離攝像頭方向行駛,判斷為車輛逆行。

3.2 違章停車事件檢測(cè)

判斷車輛停車的基本思想是：車輛在高速路上減速行駛至停車，初始速度大于0，加速度小于0，速度逐漸減小，車輛質(zhì)心的位置變化減?。划?dāng)車輛停止行駛時(shí)，車輛的質(zhì)心不在變化，速度為0。因此，通過(guò)計(jì)算車輛的質(zhì)心位置的變化和車輛的速度變化來(lái)判斷車輛是否違章停車。具體判斷方法如下：

(1) 分析車輛運(yùn)動(dòng)軌跡，對(duì)矩形框標(biāo)定的運(yùn)動(dòng)車輛的質(zhì)心C，每j個(gè)跟蹤點(diǎn)計(jì)算車輛質(zhì)心的位置變化(其中，j=5)：

(20)

若△Ck(x,y)>△Ck+i(x,y)(i=1,2,3,4,5)則表明車輛在減速行駛。對(duì)于減速行駛的車輛，連續(xù)k幀，滿足△Ck(x,y)=0，則表明車輛停止行駛，k=5。

(2) 本文認(rèn)為車輛在相鄰幀內(nèi)做勻速直線運(yùn)動(dòng)，因此，認(rèn)為視頻圖像中的車輛在相鄰幾幀之間的運(yùn)動(dòng)速度為瞬時(shí)速度。

(21)

(22)

當(dāng)連續(xù)k幀，vt=0，則表明車輛停止行駛，其中k=5。

4 實(shí)驗(yàn)結(jié)果

本文基于MATLAB 2014a實(shí)現(xiàn)，在CPU為2.60 GHz，內(nèi)存為4 GB的普通計(jì)算機(jī)上對(duì)廣泛使用的陰影檢測(cè)基準(zhǔn)運(yùn)動(dòng)圖像序列Highway1、Highway2(https://cvrr.ucsd.edu/aton/shadow/)和實(shí)際高速公路圖像序列Highway進(jìn)行實(shí)驗(yàn)來(lái)驗(yàn)證本文對(duì)改進(jìn)的陰影去除算法的性能，測(cè)試圖像序列如表1所示。

表1 測(cè)試圖像序列

并和文獻(xiàn)[24]提出的基于邊緣檢測(cè)的陰影去除算法在同樣的實(shí)驗(yàn)平臺(tái)上進(jìn)行實(shí)驗(yàn)對(duì)比，采用文獻(xiàn)[27]提出的性能評(píng)價(jià)公式來(lái)判斷不同算法的檢測(cè)效果，其中陰影檢測(cè)率η和陰影分辨率ξ越大則效果越好，實(shí)驗(yàn)結(jié)果如圖4-圖6所示。

圖4 Highway1陰影檢測(cè)對(duì)比結(jié)果

圖5 Highway2陰影檢測(cè)對(duì)比結(jié)果

圖6 Highway陰影檢測(cè)對(duì)比結(jié)果

(23)

(24)

從圖4-圖6實(shí)驗(yàn)結(jié)果可以看出，文獻(xiàn)[24]提出的基于邊緣檢測(cè)的陰影去除能夠去除大部分的陰影，但是仍然存在細(xì)小的陰影邊緣,如圖4(b)和圖5(b)的陰影檢測(cè)結(jié)果；當(dāng)車輛本身顏色和路面的顏色一樣時(shí)，采用HSV陰影去除算法誤將部分車輛識(shí)別為陰影，使得檢測(cè)的車輛不完整，如圖6(c)中的HSV陰影去除算法將大部分的車輛識(shí)別為陰影，僅保留了部分車輛前景。本文采用文獻(xiàn)[24]的方法與HSV顏色空間相結(jié)合的方法去除陰影，很好地解決了細(xì)小陰影去除不干凈和車輛檢測(cè)不完整的現(xiàn)象。實(shí)驗(yàn)數(shù)據(jù)檢測(cè)結(jié)果如表2所示。

表2 實(shí)驗(yàn)數(shù)據(jù)檢測(cè)結(jié)果

從表中檢測(cè)結(jié)果數(shù)據(jù)可以看出，本文所采用的方法陰影分辨率ξ比文獻(xiàn)[24]小，但是陰影檢測(cè)率較文獻(xiàn)[24]高,整個(gè)陰影去除效果較文獻(xiàn)[24]好。

本文以高速公路實(shí)際交通視頻為研究對(duì)象，在此實(shí)驗(yàn)平臺(tái)上驗(yàn)證逆行、停車異常事件算法的正確性。其中視頻分辨率為320×240，幀率為30幀/s。圖7為在高速公路匝道口由于車輛錯(cuò)過(guò)出口而發(fā)生的逆行事件，分別列出了視頻序列的第45幀和第456幀，從2幀圖像車輛的運(yùn)動(dòng)軌跡可以明顯地看出456幀圖像中的車輛在逆向行駛。取T為20，獲得車輛的20個(gè)跟蹤點(diǎn)如表3所示。分析跟蹤點(diǎn)的y坐標(biāo)序列，得出y1>y2>…>yn，車輛在背向攝像機(jī)的方向運(yùn)動(dòng)，從而判斷車輛逆行。視頻序列中3輛車質(zhì)心橫縱坐標(biāo)變化如圖8所示。從圖中可以看出，車輛質(zhì)心的橫坐標(biāo)均在一定的范圍變化，而正常行駛車輛的縱坐標(biāo)在逐漸增大，逆行車輛的縱坐標(biāo)在逐漸的減小。

圖7 運(yùn)動(dòng)車輛違章逆行檢測(cè)

跟蹤點(diǎn)坐標(biāo)(x,y)跟蹤點(diǎn)坐標(biāo)(x,y)1(508,332)11(488,233)2(498,314)12(487,222)3(497,304)13(484,216)4(496,295)14(485,211)5(495,284)15(485,205)6(494,276)16(483,200)7(491,261)17(481,190)8(489,254)18(479,186)9(489,247)19(475,182)10(486,239)20(473,177)

圖8 車輛質(zhì)心坐標(biāo)變化圖

圖9為某高速公路違章停車視頻序列的第104幀、253幀、828幀。該視頻序列是車輛行駛至路中停車后有人下車最終車輛離開的過(guò)程，通過(guò)分析車輛減速至停車部分車輛質(zhì)心、速度、加速度等交通參數(shù)來(lái)判斷車輛是否違章停車。

圖9 運(yùn)動(dòng)車輛違章停車檢測(cè)

圖10為圖9中停車車輛的交通參數(shù)變化圖，其中在圖10(a)中可以看出，在100幀左右車輛質(zhì)心的橫縱坐標(biāo)幾乎保持不變，并且質(zhì)心的位置變化也逐漸的趨于0，在104幀達(dá)到0。車輛在運(yùn)動(dòng)的過(guò)程中，通過(guò)式(21)、式(22)可以得到車輛的初始瞬時(shí)速度為52.9像素/s，大于0，初始加速度為-11.1像素/s2小于0，說(shuō)明車輛在做減速運(yùn)動(dòng)，在第104幀時(shí)質(zhì)心位置變化為0，速度為0，并且以后連續(xù)5幀均為0，說(shuō)明車輛停止運(yùn)動(dòng)，車輛位置變化及速度變化如圖10(b)、10(c)所示。

圖10 停車車輛參數(shù)變化圖

為了驗(yàn)證本文異常事件檢測(cè)算法的正確性，對(duì)高速公路不同路段視頻進(jìn)行違章逆行、停車異常事件檢測(cè)，得出如圖表4所示的實(shí)驗(yàn)結(jié)果。針對(duì)不同幀視頻序列均可以檢測(cè)出異常事件，正確檢測(cè)率可以達(dá)到91%。

表4 高速公路車輛異常行駛檢測(cè)

5 結(jié) 語(yǔ)

本文提出的基于車輛運(yùn)動(dòng)軌跡的高速公路異常事件檢測(cè)算法，應(yīng)用背景差分法提取車輛前景，在已有的陰影去除算法的基礎(chǔ)上，提出了基于邊緣檢測(cè)和HSV顏色空間相結(jié)合的方法去除陰影，陰影去除效果及陰影檢測(cè)率均有所提高，比單一的陰影去除方法效果好。針對(duì)高速公路異常逆行、停車事件易出現(xiàn)追尾、交通擁堵甚至連環(huán)的交通事故的情況，本文根據(jù)車輛行駛狀態(tài)建立異常事件模型，通過(guò)分析車輛運(yùn)動(dòng)軌跡檢測(cè)交通參數(shù)判斷車輛是否發(fā)生異常行駛。最后以實(shí)際高速公路視頻序列為研究對(duì)象進(jìn)行實(shí)驗(yàn)驗(yàn)證，實(shí)驗(yàn)結(jié)果表明交通異常事件檢測(cè)的準(zhǔn)確率可以達(dá)到91%，能夠很好地檢測(cè)出異常事件并且能夠清楚地了解車輛發(fā)生了哪種異常行為。

[1] 于萬(wàn)霞,杜太行.基于彩色空間的背景幀差法視頻車輛檢測(cè)[J].計(jì)算機(jī)仿真,2010,27(1):285-287.

[2] 康曉晶,吳謹(jǐn).基于高斯背景建模的目標(biāo)檢測(cè)技術(shù)[J].液晶與顯示,2010,25(3):454-459.

[3] 徐凱,陳仕先,顏廣.基于高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法研究[J].激光與紅外,2012,42(7):821-824.

[4] 范文超,李曉宇,魏凱,等.基于改進(jìn)的高斯混合模型的運(yùn)動(dòng)目標(biāo)檢測(cè)[J].計(jì)算機(jī)科學(xué),2015,42(5):286-288.

[5] 馬文羅,胡建新,錢東海.基于視覺的運(yùn)動(dòng)目標(biāo)伺服跟蹤研究[J].計(jì)算機(jī)工程,2012,38(8):183-185.

[6] 柴毅,陽(yáng)小燕,尹宏鵬,等.基于運(yùn)動(dòng)區(qū)域檢測(cè)的運(yùn)動(dòng)目標(biāo)跟蹤算法[J].計(jì)算機(jī)應(yīng)用研究,2010,27(12):4787-4789.

[7] 劉超,惠晶.基于改進(jìn)CAMShift的運(yùn)動(dòng)目標(biāo)跟蹤算法[J].計(jì)算機(jī)工程與應(yīng)用,2014,50(11):149-153.

[8] 路紅,李宏勝,費(fèi)樹岷,等.融合塊顯著質(zhì)心描述和多級(jí)關(guān)聯(lián)的多目標(biāo)跟蹤[J].系統(tǒng)工程與電子技術(shù),2015,37(9):2182-2190.

[9] 萬(wàn)中田,冼鐘業(yè),胡明宇,等.基于Kalman預(yù)測(cè)器的多特征Camshift運(yùn)動(dòng)目標(biāo)跟蹤算法[J].武漢大學(xué)學(xué)報(bào)(工學(xué)版),2015,48(5):712-716.

[10] 王煒,郭毓,俞信.基于卡爾曼濾波的多區(qū)域關(guān)聯(lián)運(yùn)動(dòng)目標(biāo)跟蹤[J].計(jì)算機(jī)應(yīng)用,2012,32(11):3174-3177.

[11] Wang R,Work D B.Interactive multiple model ensemble Kalman filter for traffic estimation and incident detection[C]//IEEE,International Conference on Intelligent Transportation Systems.IEEE,2014:804-809.

[12] 宋煥生,郭玲玲,袁彬,等.一種基于塊累積的高速公路車輛停車事件檢測(cè)方法:中國(guó),102110366[P].2011-06-29.

[13] Tan Z,Lu X.A Combination Algorithm of Freeway Traffic Automatic Incident Detection[C]//International Conference on Transportation Information and Safety,2011:1106-1112.

[14] 趙敏,張波,唐毅,等.露天場(chǎng)景下高速公路違章停車視頻檢測(cè)算法[J].計(jì)算機(jī)測(cè)量與控制,2014,22(2):489-492.

[15] 邱凌赟,韓軍,顧明.車道模型的高速公路車輛異常行為檢測(cè)方法[J].計(jì)算機(jī)應(yīng)用,2014,34(5):1378-1382.

[16] 姜明新,王洪玉,沐方順.基于視頻監(jiān)控的違章停車檢測(cè)算法[J].計(jì)算機(jī)工程,2012,38(19):151-153.

[17] 王衛(wèi)鋒,黃翰,郝志峰,等.仿昆蟲復(fù)眼的交通視頻停車事件檢測(cè)方法[J].計(jì)算機(jī)工程與應(yīng)用,2012,48(6):246-248.

[18] 趙有婷,李熙瑩,羅東華.基于視頻車輛軌跡模型的交通事件自動(dòng)檢測(cè)方法研究[J].中山大學(xué)學(xué)報(bào),2011,50(4):56-60.

[19] 苑瑋琪,謝昌隆.基于機(jī)器視覺的交通事件檢測(cè)方法的研究[J].計(jì)算機(jī)仿真,2013,30(10):189-193.

[20] 陳維榮,關(guān)佩,鄒月嫻.基于SVM的交通事件檢測(cè)技術(shù)[J].西南交通大學(xué)學(xué)報(bào),2011,46(1):63-67.

[21] 殿海,胡宏宇,李志慧,等.違章停車檢測(cè)與識(shí)別算法[J].吉林大學(xué)學(xué)報(bào)(工學(xué)版),2010,40(1):42-46.

[22] 余孟澤,劉正熙,駱鍵,等.融合紋理特征和陰影屬性的陰影檢測(cè)方法[J].計(jì)算機(jī)工程與設(shè)計(jì),2011,32(10):3431-3434.

[23] 張紅穎,李鴻,孫毅剛.基于混合高斯模型的陰影去除算法[J].計(jì)算機(jī)應(yīng)用,2013,33(1):31-34.

[24] 李浩亮,水清河,范文兵,等.一種新穎的基于邊緣檢測(cè)的車輛陰影去除方法[J].鄭州大學(xué)學(xué)報(bào)(工學(xué)版),2014,35(5):11-14.

[25] 賀強(qiáng),宴立.基于LOG和canny算子的邊緣檢測(cè)算法[J].計(jì)算機(jī)工程,2011,37(3):210-212.

[26] 陳聰,朱煜,肖玉玲,等.一種有效的車輛跟蹤算法與異常車輛檢測(cè)[J].華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2015,41(2):205-209.

[27] 邱一川,張亞英,劉春梅.多特征融合的車輛陰影消除[J].中國(guó)圖象圖形學(xué)報(bào),2015,20(3):0311-0319.