交通事件檢測

1、1313、交通事件自動檢測技術(shù)（、交通事件自動檢測技術(shù)（AIDAID）我國事故發(fā)生率居全世界之首，近幾年每年公我國事故發(fā)生率居全世界之首，近幾年每年公路交通死亡人數(shù)一直在十萬人左右，每年因交路交通死亡人數(shù)一直在十萬人左右，每年因交通事故造成的損失達(dá)數(shù)百億元。為了預(yù)防和減通事故造成的損失達(dá)數(shù)百億元。為了預(yù)防和減少交通事故，及時有效地進(jìn)行事故救援和處理少交通事故，及時有效地進(jìn)行事故救援和處理，有效減少由于交通事故產(chǎn)生交通延誤及避免，有效減少由于交通事故產(chǎn)生交通延誤及避免二次事故的發(fā)生，就必須準(zhǔn)確、快速地對交通二次事故的發(fā)生，就必須準(zhǔn)確、快速地對交通異常和交通事件進(jìn)行檢測異常和交通事件進(jìn)行檢測。 1

2、3.113.1道路交通擁擠的檢測方法道路交通擁擠的檢測方法 交通擁擠：交通需求超過道路通行能力時，超交通擁擠：交通需求超過道路通行能力時，超過通行能力的那部分車輛滯留在道路上形成排過通行能力的那部分車輛滯留在道路上形成排隊(duì)的交通現(xiàn)象。隊(duì)的交通現(xiàn)象。 根本原因：由于在道路系統(tǒng)中存在交通瓶頸（即根本原因：由于在道路系統(tǒng)中存在交通瓶頸（即低通行能力的道路組成部分）。低通行能力的道路組成部分）。 一旦瓶頸上游的交通量大于瓶頸處的通行能力時一旦瓶頸上游的交通量大于瓶頸處的通行能力時，必然會產(chǎn)生交通擁擠。，必然會產(chǎn)生交通擁擠。 實(shí)質(zhì)：交通需求超過了道路通行能力實(shí)質(zhì)：交通需求超過了道路通行能力 特點(diǎn)：交通密

3、度增大（一般雙車道密度大于特點(diǎn)：交通密度增大（一般雙車道密度大于50ve50veh/kmh/km時，認(rèn)為出現(xiàn)擁擠）；時，認(rèn)為出現(xiàn)擁擠）； 空間平均速度下降（空間平均速度下降（=60km/h=S1）擁擠路段上下游占有率的相對差值大于等于某閾值（=S2）擁擠開始時下游占有率的相對差值大于等于某閾值（=S3） 該算法的不足之處在于該算法的不足之處在于: : 交通參數(shù)選取比較單一，算法僅僅采用了一種交通交通參數(shù)選取比較單一，算法僅僅采用了一種交通流參數(shù)流參數(shù)( (占有率占有率) )進(jìn)行事件檢測，沒有反映復(fù)雜的交通進(jìn)行事件檢測，沒有反映復(fù)雜的交通本質(zhì)本質(zhì); ; 各閾值需要大量數(shù)據(jù)進(jìn)行計算，且三個預(yù)定的事

4、件各閾值需要大量數(shù)據(jù)進(jìn)行計算，且三個預(yù)定的事件判斷方程不能有效地捕捉到所有可能的交通狀態(tài)判斷方程不能有效地捕捉到所有可能的交通狀態(tài); ; 所選擇的各閾值尤其依賴于地點(diǎn)及歷史數(shù)據(jù)的質(zhì)量所選擇的各閾值尤其依賴于地點(diǎn)及歷史數(shù)據(jù)的質(zhì)量，會導(dǎo)致誤報率上升，會導(dǎo)致誤報率上升; ; 不能判別擁擠類型。不能判別擁擠類型。 2 2）麥克馬斯特（）麥克馬斯特（McMasterMcMaster）算法）算法 基于高速公路交通狀態(tài)突變理論模型開發(fā)的，基于高速公路交通狀態(tài)突變理論模型開發(fā)的，不僅能識別擁擠，還能確定擁擠類型。不僅能識別擁擠，還能確定擁擠類型。判斷擁擠的存在判別擁擠的類型從被檢測路段的實(shí)際出發(fā)，在基本交通流

5、從被檢測路段的實(shí)際出發(fā)，在基本交通流曲線的基礎(chǔ)上，用正常曲線的基礎(chǔ)上，用正常( (非擁擠非擁擠) )交通區(qū)域交通區(qū)域的下限的下限(LUD)(LUD)、臨界占有率、臨界占有率( (OcritOcrit) )、臨界交、臨界交通量通量( (QcritQcrit) )三條曲線把流量一占有率平面三條曲線把流量一占有率平面劃分為四個區(qū)域，分別對應(yīng)不同的交通狀劃分為四個區(qū)域，分別對應(yīng)不同的交通狀態(tài)。態(tài)。OcritOcrit為觀察路段非擁擠狀態(tài)的最大占有率為觀察路段非擁擠狀態(tài)的最大占有率，QcritQcrit為觀察路段上通過能力開始減少時為觀察路段上通過能力開始減少時的交通量的交通量QQ交通量交通量 OCCO

6、CC占有率占有率區(qū)域1表示正常(非擁擠)交通狀態(tài);區(qū)域2表示偶發(fā)性擁擠點(diǎn)上游的交通狀態(tài)，當(dāng)檢測站數(shù)據(jù)Q、OCC落入?yún)^(qū)域2時，大體上可以確定其下游發(fā)生了事件;區(qū)域3表示緩慢交通流的阻塞狀態(tài)，一般意味著該檢測站下游有事件發(fā)生或存在幾何瓶頸;區(qū)域4表示常發(fā)性擁擠地點(diǎn)上游處的交通狀態(tài)。通過檢查實(shí)測數(shù)據(jù)點(diǎn)在四個區(qū)域中的分布情況可以對某個檢測站點(diǎn)下游交通擁擠狀態(tài)的開始、持續(xù)和結(jié)束時刻進(jìn)行判別。 在三個連續(xù)的采樣周期內(nèi)，車速均降至閾值以下或占在三個連續(xù)的采樣周期內(nèi)，車速均降至閾值以下或占有率超過閑值或流量與占有率都在非擁擠區(qū)域之外，有率超過閑值或流量與占有率都在非擁擠區(qū)域之外，可判定有擁擠存在?？膳卸ㄓ袚頂D

7、存在。 在連續(xù)兩個采樣周期內(nèi)，車速、流量和占有率任意兩在連續(xù)兩個采樣周期內(nèi)，車速、流量和占有率任意兩個超過各自的閾值，也可判斷發(fā)生了交通擁擠。個超過各自的閾值，也可判斷發(fā)生了交通擁擠。 McMasterMcMaster算法不足之處在于算法不足之處在于: : 采用單檢測線圈的測量數(shù)據(jù)，沒有充分利用交通流采用單檢測線圈的測量數(shù)據(jù)，沒有充分利用交通流的空間變化特點(diǎn)，僅根據(jù)交通數(shù)據(jù)的時間改變來檢測的空間變化特點(diǎn)，僅根據(jù)交通數(shù)據(jù)的時間改變來檢測事件的發(fā)生事件的發(fā)生; ; 該算法雖然能識別事件及事件成因，但準(zhǔn)確確定該算法雖然能識別事件及事件成因，但準(zhǔn)確確定3 3條臨界曲線比較困難，可能會出現(xiàn)比較大的誤差。

8、條臨界曲線比較困難，可能會出現(xiàn)比較大的誤差。 3 3）指數(shù)平滑法）指數(shù)平滑法 通常情況下，檢測器采集到的交通參數(shù)數(shù)據(jù)中含有較通常情況下，檢測器采集到的交通參數(shù)數(shù)據(jù)中含有較多的噪聲，如果將其直接用于交通擁擠的判別將導(dǎo)致多的噪聲，如果將其直接用于交通擁擠的判別將導(dǎo)致較高的誤報率。較高的誤報率。 指數(shù)平滑法先對原始交通數(shù)據(jù)進(jìn)行平滑，剔除短期的指數(shù)平滑法先對原始交通數(shù)據(jù)進(jìn)行平滑，剔除短期的交通干擾，如隨機(jī)波動、交通脈沖和壓縮波等，然后交通干擾，如隨機(jī)波動、交通脈沖和壓縮波等，然后將處理過的數(shù)據(jù)與預(yù)先設(shè)定的閾值進(jìn)行比較并判斷是將處理過的數(shù)據(jù)與預(yù)先設(shè)定的閾值進(jìn)行比較并判斷是否有擁擠發(fā)生。否有擁擠發(fā)生。 4

9、 4）標(biāo)準(zhǔn)偏差算法）標(biāo)準(zhǔn)偏差算法 即即SNDSND法，屬于統(tǒng)計預(yù)測算法，其原理是利用法，屬于統(tǒng)計預(yù)測算法，其原理是利用時刻時刻t t前前n n個采樣周期的交通參數(shù)個采樣周期的交通參數(shù)( (流量或占有流量或占有率率) )的算術(shù)平均值預(yù)測時刻的算術(shù)平均值預(yù)測時刻t t的交通參數(shù)值，再的交通參數(shù)值，再用標(biāo)準(zhǔn)正常偏差來度量交通參數(shù)相對于以前的用標(biāo)準(zhǔn)正常偏差來度量交通參數(shù)相對于以前的時間間隔中測到的平均趨勢值的變化程度，當(dāng)時間間隔中測到的平均趨勢值的變化程度，當(dāng)它超過預(yù)先設(shè)定的閾值時認(rèn)為發(fā)生了交通事件它超過預(yù)先設(shè)定的閾值時認(rèn)為發(fā)生了交通事件。 標(biāo)準(zhǔn)偏差算法簡單且易于應(yīng)用，其不足之處在標(biāo)準(zhǔn)偏差算法簡單且易

10、于應(yīng)用，其不足之處在于于: : 由于從歷史數(shù)據(jù)標(biāo)定的控制變量使該算法僅由于從歷史數(shù)據(jù)標(biāo)定的控制變量使該算法僅反映了歷史的交通模式，缺乏適應(yīng)近期交通變反映了歷史的交通模式，缺乏適應(yīng)近期交通變化的能力，在正常交通流起伏較大的情況下，化的能力，在正常交通流起伏較大的情況下，誤報率高誤報率高; ; 算法的性能很大程度上取決于檢測器的間距算法的性能很大程度上取決于檢測器的間距。 5 5）算法評價指標(biāo)）算法評價指標(biāo) 任何檢測算法均不可避免地產(chǎn)生誤報，因此需任何檢測算法均不可避免地產(chǎn)生誤報，因此需要用一些客觀的評價指標(biāo)來評估交通事件檢測要用一些客觀的評價指標(biāo)來評估交通事件檢測算法的效果。算法的效果。 目前主

11、要的衡量指標(biāo)有三個，即檢測率目前主要的衡量指標(biāo)有三個，即檢測率( (DetecDetectionRatetionRate，簡稱，簡稱DR)DR)、誤報率、誤報率( (FalseAIRateFalseAIRate，簡稱簡稱FAR)FAR)和平均檢測時間和平均檢測時間 ( (MeanTimeMeanTime To Det To Detectionection，簡稱，簡稱MTD)MTD)。 (1)DR(1)DR指一定時間內(nèi)算法檢測出的有效事件數(shù)指一定時間內(nèi)算法檢測出的有效事件數(shù)與實(shí)際發(fā)生事件數(shù)的比值與實(shí)際發(fā)生事件數(shù)的比值 (2)FAR(2)FAR指一定時間內(nèi)算法檢測誤報事件的次指一定時間內(nèi)算法檢測誤

12、報事件的次數(shù)與檢測到的事件總數(shù)的比值數(shù)與檢測到的事件總數(shù)的比值 (3)MTTD(3)MTTD指一定時間內(nèi)從事件發(fā)生到檢測算指一定時間內(nèi)從事件發(fā)生到檢測算法檢測到事件之間的平均時間間隔法檢測到事件之間的平均時間間隔 一般采用上述三個指標(biāo)來評價一個一般采用上述三個指標(biāo)來評價一個AIDAID算法的算法的性能。其中性能。其中DRDR，F(xiàn)ARFAR反映算法的有效性，反映算法的有效性，MTMTD D反映算法的效率。反映算法的效率。 檢測率越高越好，誤報率越小越好，平均檢測檢測率越高越好，誤報率越小越好，平均檢測時間越短越好。時間越短越好。 檢測算法的性能體現(xiàn)在檢測算法的性能體現(xiàn)在DRDR、FARFAR和和

13、MTDMTD指標(biāo)的綜合指標(biāo)的綜合評價，沒有必要強(qiáng)調(diào)某一方面的最優(yōu)。因此，在評估評價，沒有必要強(qiáng)調(diào)某一方面的最優(yōu)。因此，在評估過程中也經(jīng)常使用總體性能指標(biāo)過程中也經(jīng)常使用總體性能指標(biāo) ( (PerformaneeIndexPerformaneeIndex，PI)PI)這個參數(shù)，較低的這個參數(shù)，較低的PIPI值表明算法具有更好的特性值表明算法具有更好的特性。當(dāng)。當(dāng)DRDR0%FAR0%及及MTTD0MTTD0時，時， JustinBlaJustinBlackck和和 IndusreedeviIndusreedevi給出評價公式給出評價公式: : 其中，其中，m0m0，nono且且P0P0。mm，n

14、 n，P P分別代表分別代表DRDR、F FARAR和和MTDMTD的重要程度，取值越大，該參數(shù)越重要。的重要程度，取值越大，該參數(shù)越重要。一般這些系數(shù)的取值均為一般這些系數(shù)的取值均為1 1。三、三、AIDAID系統(tǒng)結(jié)構(gòu)及原理系統(tǒng)結(jié)構(gòu)及原理 1 1、系統(tǒng)結(jié)構(gòu)、系統(tǒng)結(jié)構(gòu) 交通信息采集、通信、事件檢測交通信息采集、通信、事件檢測3 3部分組成部分組成 2 2、AIDAID系統(tǒng)原理系統(tǒng)原理 交通異常事件導(dǎo)致道路上交通流的變化，可以交通異常事件導(dǎo)致道路上交通流的變化，可以通過實(shí)時監(jiān)測道路上不同位置的交通流參數(shù)變通過實(shí)時監(jiān)測道路上不同位置的交通流參數(shù)變化值加以識別?；导右宰R別。 模式識別，設(shè)計確定某些

15、交通流參數(shù)的變化（模式識別，設(shè)計確定某些交通流參數(shù)的變化（例如交通量、速度、車道占有率或它們的各種例如交通量、速度、車道占有率或它們的各種組合）。組合）。 宏觀上，宏觀上，AIDAID系統(tǒng)警報有系統(tǒng)警報有3 3個層次個層次 1 1）平均檢測時間盡可能短的一級報警，用于）平均檢測時間盡可能短的一級報警，用于出行信息系統(tǒng)，提醒上游駕駛員對可能發(fā)生的出行信息系統(tǒng)，提醒上游駕駛員對可能發(fā)生的擁擠注意。擁擠注意。 2 2）各種指標(biāo)居中的二級報警，提供交通事件）各種指標(biāo)居中的二級報警，提供交通事件管理者準(zhǔn)備救援手段。管理者準(zhǔn)備救援手段。 3 3）誤報率較低的三級警報，供交通事件救援）誤報率較低的三級警報，

16、供交通事件救援單位采取救援行動。單位采取救援行動。分析分析 目前由于環(huán)形線圈檢測器的普遍存在，使得間接事件檢測法一直都目前由于環(huán)形線圈檢測器的普遍存在，使得間接事件檢測法一直都在自動事件檢測算法中占有主導(dǎo)地位。在自動事件檢測算法中占有主導(dǎo)地位。但但該方法無法對車輛跟蹤、該方法無法對車輛跟蹤、分類，安裝時需要對道路進(jìn)行挖掘，費(fèi)用高昂，會造成交通中斷，分類，安裝時需要對道路進(jìn)行挖掘，費(fèi)用高昂，會造成交通中斷，并且檢測誤報率高、檢測時間長。并且檢測誤報率高、檢測時間長。 基于視頻的檢測系統(tǒng)除能夠獲得更多的交通流信息之外，還能識別基于視頻的檢測系統(tǒng)除能夠獲得更多的交通流信息之外，還能識別車輛類型和車輛

17、運(yùn)行軌跡，可以監(jiān)視遠(yuǎn)距離大范圍場景，且平均檢車輛類型和車輛運(yùn)行軌跡，可以監(jiān)視遠(yuǎn)距離大范圍場景，且平均檢測時間遠(yuǎn)小于基于地感線圈的測時間遠(yuǎn)小于基于地感線圈的 AID AID 系統(tǒng)。系統(tǒng)。五、直接方法五、直接方法視頻圖像處理的交通事件檢測視頻圖像處理的交通事件檢測 方法：利用計算機(jī)視覺與數(shù)字圖像處理技術(shù)，對設(shè)置在公路上的攝方法：利用計算機(jī)視覺與數(shù)字圖像處理技術(shù)，對設(shè)置在公路上的攝像頭采集的視頻圖像，進(jìn)行事件檢測算法智能處理，自動采集各種像頭采集的視頻圖像，進(jìn)行事件檢測算法智能處理，自動采集各種交通參數(shù)，檢測交通事件并及時報警。交通參數(shù)，檢測交通事件并及時報警。 基本工作流程：通過道路上監(jiān)控攝像機(jī)將

18、道路交通運(yùn)行狀況的視頻基本工作流程：通過道路上監(jiān)控攝像機(jī)將道路交通運(yùn)行狀況的視頻圖像捕捉下來，再將圖像實(shí)時送入計算機(jī)進(jìn)行處理和分析，得到交圖像捕捉下來，再將圖像實(shí)時送入計算機(jī)進(jìn)行處理和分析，得到交通狀況等信息，通過對交通狀況的分析檢測出是否有交通異常事件通狀況等信息，通過對交通狀況的分析檢測出是否有交通異常事件。 包括：運(yùn)動車輛的自動檢測、運(yùn)動車輛的自動跟蹤、交通參數(shù)的提包括：運(yùn)動車輛的自動檢測、運(yùn)動車輛的自動跟蹤、交通參數(shù)的提取、基于圖像分析的事件檢測、發(fā)生意外事件時的自動報警和相應(yīng)取、基于圖像分析的事件檢測、發(fā)生意外事件時的自動報警和相應(yīng)處理等。處理等。事件檢測工作流程：事件檢測工作流程：

19、快速有效的視頻圖像目標(biāo)分割及跟蹤是解決交通參數(shù)與事件檢測問題的關(guān)快速有效的視頻圖像目標(biāo)分割及跟蹤是解決交通參數(shù)與事件檢測問題的關(guān)鍵。鍵。 攝像機(jī)視頻采集預(yù)處理車輛檢測車輛跟蹤事件檢測 預(yù)處理預(yù)處理即初始化系統(tǒng)的參數(shù)設(shè)置，如即初始化系統(tǒng)的參數(shù)設(shè)置，如 路面參數(shù)：道路的通行方向和攝像機(jī)視場的監(jiān)控范圍。路面參數(shù)：道路的通行方向和攝像機(jī)視場的監(jiān)控范圍。 事件閾值參數(shù)事件閾值參數(shù) 車道線：標(biāo)識出道路車道線位置，為系統(tǒng)確定事故位置和變道事件等車道線：標(biāo)識出道路車道線位置，為系統(tǒng)確定事故位置和變道事件等檢測提供數(shù)據(jù)。檢測提供數(shù)據(jù)。 檢測區(qū)域參數(shù)：設(shè)置系統(tǒng)的檢測范圍，去除不必要區(qū)域的計算。檢測區(qū)域參數(shù)：設(shè)置系

20、統(tǒng)的檢測范圍，去除不必要區(qū)域的計算。視頻圖像檢測器TraficonTraficon VIP/I VIP/I事件檢測檢測拋灑物、逆向行駛、違章停車、交通事故等視頻圖像交通事件檢測器CITILOGCITILOGAt Present Popular Traffic Detector Types 當(dāng)車輛發(fā)生異常交通事件后，經(jīng)系統(tǒng)判斷認(rèn)定為異常事件時，10秒鐘內(nèi)發(fā)出報警，為交通管理人員及時處理提供依據(jù)。 車輛檢測流程車輛檢測流程 運(yùn)動目標(biāo)檢測（幀差法、光流法、背景減除）運(yùn)動目標(biāo)檢測（幀差法、光流法、背景減除） 背景重建（背景提取、背景更新）背景重建（背景提取、背景更新） 車輛目標(biāo)分割（閾值分割法）車輛目

21、標(biāo)分割（閾值分割法） 濾波和形態(tài)學(xué)處理（將車輛之外的噪聲去除，得到更為精確地車輛模濾波和形態(tài)學(xué)處理（將車輛之外的噪聲去除，得到更為精確地車輛模型）型） 連通區(qū)域標(biāo)識（對圖像中不同目標(biāo)物體進(jìn)行標(biāo)識，得到外接矩形）連通區(qū)域標(biāo)識（對圖像中不同目標(biāo)物體進(jìn)行標(biāo)識，得到外接矩形） 車輛跟蹤算法車輛跟蹤算法 基于特征的跟蹤（跟蹤目標(biāo)的局部特征，而非整個車輛目標(biāo)）基于特征的跟蹤（跟蹤目標(biāo)的局部特征，而非整個車輛目標(biāo)） 基于基于3D3D（模型）的跟蹤（將幾何形狀的三維模型投影成圖像，再根據(jù)（模型）的跟蹤（將幾何形狀的三維模型投影成圖像，再根據(jù)圖像中的目標(biāo)位置的變化來實(shí)現(xiàn)跟蹤）圖像中的目標(biāo)位置的變化來實(shí)現(xiàn)跟蹤） 基于動態(tài)輪廓的跟蹤（將相鄰圖像間進(jìn)行輪廓匹配，跟蹤并實(shí)時修改基于動態(tài)輪廓的跟蹤（將相鄰圖像間進(jìn)行輪廓匹配，跟蹤并實(shí)時修改輪廓特征）輪廓特征） 基于區(qū)域的跟蹤（跟蹤運(yùn)動目標(biāo)構(gòu)成的連通區(qū)域中共有特征信息基于區(qū)域的跟蹤（跟蹤運(yùn)動目標(biāo)構(gòu)成的連通區(qū)域中共有特征信息） 基于基于kalmankalman的（區(qū)域）車輛跟蹤流程的（區(qū)域）車輛跟蹤流程 目標(biāo)區(qū)域特征提取目標(biāo)區(qū)域特征提取: :通過目標(biāo)物體的外接矩形運(yùn)動區(qū)域進(jìn)行標(biāo)定，并通