交通事件檢測技術(shù)綜述

交通事件檢測技術(shù)綜述交通事件檢測技術(shù)綜述交通事件檢測技術(shù)綜述xxx公司交通事件檢測技術(shù)綜述文件編號：文件日期：修訂次數(shù)：第1.0次更改批準(zhǔn)審核制定方案設(shè)計(jì)，管理制度交通事件檢測技術(shù)綜述李紅梅1，2（1、昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院云南省昆明市650500；（2、云南省礦物管道輸送工程技術(shù)研究中心云南省昆明市650500）摘要：首先分析了交通事件自動(dòng)檢測的研究現(xiàn)狀，對兩種主要的檢測方法進(jìn)行了描述。通過對交通參數(shù)的分析來判斷是否發(fā)生事件的“間接方法”，這類方法在過去的十幾年里研究和使用的較多。隨著圖像處理技術(shù)和計(jì)算機(jī)視覺技術(shù)的快速發(fā)展，人們逐漸采用通過對視頻圖像的智能分析來檢測事件的發(fā)生以及發(fā)生了何種事件，該方法檢測速度快、時(shí)間短，涉及到模式識(shí)別、圖像處理、計(jì)算機(jī)視覺和人工智能等，將是未來交通事件自動(dòng)檢測（AID）的前沿方向。論文的最后分析了交通事件檢測可能的研究方向、存在的問題及展望。關(guān)鍵字：交通事件檢測、SVM、視頻檢測、AID、二次事故中圖分類號: 文獻(xiàn)標(biāo)識(shí)碼:文章編號：0引言近年來，隨著國家高速公路網(wǎng)的飛速發(fā)展，給人們帶來舒適、快捷服務(wù)的同時(shí)，也帶來了頻發(fā)的交通事件。國內(nèi)的許多城市道路網(wǎng)絡(luò)及交通需求不斷擴(kuò)大，載重量和行駛速度也不斷提高，尤其是大中城市的車流量與日俱增，帶來了越來越多的交通事故和道路擁堵，各類交通事件和二次事故明顯增多，給人們的出行買下了安全隱患。為了可以迅速檢測和處理道路上發(fā)生的交通事件，減少由于交通事件所帶來的人員傷亡、財(cái)產(chǎn)損失等影響，避免二次事件的發(fā)生，節(jié)約能源，減少污染，準(zhǔn)確快速的對交通事件進(jìn)行檢測顯得尤為重要。20世紀(jì)80年代末期，以高新技術(shù)為基礎(chǔ)的智能交通系統(tǒng)(IntelligentTransportSystem，ITS)概念和技術(shù)被提出，并在短短的時(shí)間內(nèi)得到了了迅速的發(fā)展[1]。交通事件作為其重要組成部分，是指非周期性發(fā)生且使某段道路通行能力下降的事件。如交通事故、故障停車、貨物散落、道路維修、車輛逆行、車道變換、超速、慢速、停止、交通阻塞等[6]。交通事件檢測分為人工檢測和自動(dòng)檢測兩種，其中高速公路交通事件自動(dòng)檢測是近幾年研究的主導(dǎo)，即交通事件自動(dòng)檢測（AutomaticIncidentDetection,AID）。目前國內(nèi)外常用的幾種交通信息檢測技術(shù):環(huán)形線圈、微波、紅外線視頻、數(shù)字視頻、機(jī)器視覺、超聲波檢測等。其中基于環(huán)形線圈的檢測技術(shù)目前市場占有率較高，技術(shù)比較成熟。但根據(jù)目前的交通管理、營運(yùn)部門的需求來看，對路基無破損、實(shí)施方便靈活的視頻檢測技術(shù)越來越受歡迎。根據(jù)不同的檢測技術(shù)檢測的方法是不同的，目前國際上廣泛研究的AID方法主要有兩種：直接檢測法和間接檢測法。間接檢測法是通過埋在地下的地感線圈檢測器采集到的交通參數(shù)進(jìn)行分析來判斷是否有事件發(fā)生，并估計(jì)事件對交通流的影響。交通參數(shù)包括：交通流量、占有率、排隊(duì)長度、車型、平均車速等。檢測用到的主要有車流量、車速和占有率，核心思想是根據(jù)事件對交通參數(shù)的影響來檢測事件的存在。優(yōu)點(diǎn)是由于目前環(huán)形線圈檢測器的普遍存在，使得間接事件檢測法在自動(dòng)事件檢測算法中占有主導(dǎo)地位。缺點(diǎn)是由于環(huán)形線圈安裝和維修時(shí)需要對道路進(jìn)行挖掘，阻斷交通，費(fèi)用高昂，最主要的是該方法無法對車輛跟蹤和對事件進(jìn)行分類，并且檢測誤報(bào)率高、檢測時(shí)間長。相反，使用視頻方法進(jìn)行交通事件檢測屬于直接檢測方法，目前在國內(nèi)外正在成為研究熱點(diǎn)，這類方法實(shí)際上是“看到”發(fā)生了交通事件而不是通過交通事件的影響來檢測到它的存在。它是利用計(jì)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(dòng)采集各種交通參數(shù)，檢測交通事件并及時(shí)報(bào)警。優(yōu)點(diǎn)是基于視頻的檢測方法能夠獲得更多的交通流信息，并且能識(shí)別車輛類型、對車輛進(jìn)行跟蹤得到車輛運(yùn)行軌跡，判斷出事件的種類，而且平均檢測時(shí)間遠(yuǎn)小于基于地感線圈的AID系統(tǒng)。缺點(diǎn)是該方法需要密集的安裝攝像頭，成本較高，且受天氣影響較大。1研究現(xiàn)狀間接事件檢測在國內(nèi)外的研究交通事件檢測技術(shù)經(jīng)過國內(nèi)外近40年的研究，開發(fā)了很多算法。常用的間接檢測方法是模式識(shí)別方法和統(tǒng)計(jì)理論方法。模式識(shí)別方法中以加利福尼亞算法和麥克馬斯特算法應(yīng)用最廣，統(tǒng)計(jì)方法包括指數(shù)平滑法、標(biāo)準(zhǔn)正態(tài)分布法、貝葉斯算法和自回歸移動(dòng)平均方法、以及近年來發(fā)展較快的神經(jīng)網(wǎng)絡(luò)算法和視頻檢測算法，特別是基于視頻圖像處理的事件檢測技術(shù)將成為未來的研究熱點(diǎn)和發(fā)展趨勢。RucyLongCheu、DiptiSrinivasm等人2003年提出用SVM模型分類器來檢測交通事件的發(fā)生，再利用檢測率、誤報(bào)率、平均檢測時(shí)間等指標(biāo)來計(jì)算性能指數(shù)PI[2]。XinJin、RueyLongCheu等人于2004年指出在過去的十年里神經(jīng)網(wǎng)絡(luò)在自動(dòng)事件檢測里的廣泛應(yīng)用，開發(fā)了基于多層前饋網(wǎng)絡(luò)的（MLF）的算法，研究指出了多層前饋神經(jīng)網(wǎng)絡(luò)（MLFNN）模型與BP神經(jīng)網(wǎng)絡(luò)和建設(shè)性概率神經(jīng)網(wǎng)絡(luò)（CPNN）模型相比，MLFNN具有最好的事件檢測性能，而CPNN網(wǎng)絡(luò)的適應(yīng)性方法簡單，易得到實(shí)時(shí)應(yīng)用[3]。Y.Ma、M.Chowdhury、M.Jeihani和R.Fries近年研究出使用車輛動(dòng)力學(xué)的高速公路事件檢測框架，設(shè)想出了車輛基礎(chǔ)設(shè)施一體化（VII）,開發(fā)了VII-SVM事件檢測系統(tǒng)，并表明系統(tǒng)的通用性可適用于整個(gè)運(yùn)輸網(wǎng)絡(luò)[4]。國內(nèi)對交通事件檢測的研究主要基于新技術(shù)和理論的應(yīng)用研究，如神經(jīng)網(wǎng)絡(luò)、模糊理論、小波變換、支持向量機(jī)等。魏麗英，夏明最新提出了基于LVQ神經(jīng)網(wǎng)絡(luò)的事件檢測算法，先通過小波分析技術(shù)對原始數(shù)據(jù)高頻噪聲濾波，再由具有自組織功能的學(xué)習(xí)矢量量化神經(jīng)網(wǎng)絡(luò)進(jìn)行事件檢測[15]。郭艷玲等人提出了一種結(jié)合小波分析和自組織特征映射（SOM）神經(jīng)網(wǎng)絡(luò)的事件檢測算法，利用小波分析檢測出信號的奇異性，然后通過SOM網(wǎng)絡(luò)對奇異性進(jìn)行分類[16]。梁新榮等開發(fā)的最小二乘支持向量機(jī)交通事件檢測算法，具有檢測準(zhǔn)確率高、學(xué)習(xí)速度快等優(yōu)點(diǎn)。直接事件檢測技術(shù)在國內(nèi)外發(fā)展?fàn)顩r自20世紀(jì)90年代中期以來，國外就開始研究基于圖像處理的交通事件檢測系統(tǒng)，目前已有相關(guān)產(chǎn)品投入實(shí)際應(yīng)用并取得了很好的效果。如比利時(shí)的VIP系列視頻檢測系統(tǒng)，美國的Autoscope視頻檢測系統(tǒng)、VideoTrak-900系統(tǒng)，新加坡1998年研制的高速公路監(jiān)控及信息誘導(dǎo)系統(tǒng)(ExpresswayMonitoring&AdvisorySystem，EMAS)，其中的車輛檢測系統(tǒng)和事故自動(dòng)檢測系統(tǒng)都是基于視頻檢測和圖像處理技術(shù)。法國的Citilog公司研發(fā)的動(dòng)態(tài)圖像背景自適應(yīng)技術(shù)和車輛圖像跟蹤技術(shù)，能消除光線，雨雪，灰塵對系統(tǒng)的影響，不僅可以判斷事故是否發(fā)生而且還可以預(yù)測事故等，該基于車輛跟蹤的交通信息分析系統(tǒng)在世界范圍得到了廣泛的認(rèn)可，并已開始在我國推廣[11]。對于基于視頻的交通事件自動(dòng)檢測算法，Yong-KulKi等人提出了一種檢測交叉路口的交通事件模型，模型首先從視頻圖像中檢測車輛目標(biāo)，跟蹤目標(biāo)，然后提取交通特征，如變化率、面積、位置、方向等，通過分析特征模型檢測出交通事件[17]。TANGshuming等人研究了基于非參數(shù)回歸的交通事件檢測算法，能有效解決交通擁堵問題，并于其它事件檢測算法進(jìn)行了比較，該算法具有高檢測率、低誤報(bào)率等。視頻檢測技術(shù)在我國的應(yīng)用研究起步相對較晚，但由于近年來交通事業(yè)的飛速發(fā)展，越來越多的研究機(jī)構(gòu)及廠家開始關(guān)注該技術(shù)的研究。如亞洲視覺公司的路段交通信息系統(tǒng)，哈爾濱工業(yè)大學(xué)的VTDZ000系列視頻交通動(dòng)態(tài)信息采集系統(tǒng)，深圳市神州交通系統(tǒng)有限公司的VidcoTrace智能視頻交通信息采集系統(tǒng)，廈門恒深智能軟件系統(tǒng)有限公司研制的HeadsunSmartViewer-III視頻交通檢測器等。視頻檢測技術(shù)存在的難點(diǎn)：從目前國內(nèi)外的研究及發(fā)展情況來看，快速有效的實(shí)現(xiàn)視圖像中目標(biāo)的分割和跟蹤是解決視頻事件檢測問題的關(guān)鍵。而今在目標(biāo)分割和跟蹤方面主要存在兩大難點(diǎn)：其一，缺乏自適應(yīng)性是運(yùn)動(dòng)目標(biāo)分割的一大難題，如實(shí)際場景中的惡劣天氣、路邊樹木花草的隨風(fēng)搖動(dòng)，以及目標(biāo)間的相互遮擋使得目標(biāo)的準(zhǔn)確檢測難以實(shí)現(xiàn)。其二，目標(biāo)跟蹤的精度和實(shí)時(shí)性較差，如果目標(biāo)間發(fā)生互相粘連或分裂是都會(huì)影響精度，目前開發(fā)的多種跟蹤算法計(jì)算復(fù)雜，難以實(shí)現(xiàn)目標(biāo)的實(shí)時(shí)跟蹤。2事件檢測的間接方法近年來研究最多和使用最多的間接方法是基于支持向量機(jī)的事件檢測法，十年前廣泛使用的基于神經(jīng)網(wǎng)絡(luò)的算法由于存在諸多缺點(diǎn)，例如無統(tǒng)一的準(zhǔn)則來確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、訓(xùn)練需要大量的學(xué)習(xí)樣本、易出現(xiàn)過擬合現(xiàn)象，泛化能力不強(qiáng)等，現(xiàn)已逐漸被廣泛應(yīng)用于解決分類問題和回歸問題的SVM所代替[6]。SVM的交通事件檢測周林英，朱斌等人對基于支持向量機(jī)的高速公路事件檢測算法進(jìn)行研究，分別設(shè)計(jì)了基于線性不可分支持向量機(jī)(SVM)、高斯徑向基核函數(shù)、雙曲線正切核函數(shù)的事件檢測算法。不同的數(shù)據(jù)子空間，不同的SVM模型，不同的核函數(shù)及其參數(shù)都影響著算法的性能指標(biāo)，通過選擇合適的SVM模型和核函數(shù)，可獲得比California算法更好的性能[5]。支持向量機(jī)(supportvectormachine,SVM)是Vapnik等人于1993年提出的基于統(tǒng)計(jì)學(xué)習(xí)理論的一類新型機(jī)器學(xué)習(xí)方法。它是一種有效的非線性問題處理工具。具有完備的統(tǒng)計(jì)學(xué)習(xí)理論和出色的學(xué)習(xí)性能。支持向量機(jī)是針對結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則提出的，具有很好的泛化能力。其算法是一個(gè)凸優(yōu)化問題，局部最優(yōu)解一定是全局最優(yōu)解。SVM有3種類型：線性可分SVM，線性不可分SVM，非線性可分SVM（非線性可分SVM根據(jù)采用的核函數(shù)不同可構(gòu)成不同的支持向量機(jī)）。常用的4種核函數(shù)：線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函數(shù)（RBF）、Sigmoid核函數(shù)。其核心思想是:對于線性可分問題，是根據(jù)最大分類間隔原則求得最優(yōu)分類面；對于非線性分類，是折中考慮最少錯(cuò)分樣本和最大分類間隔得到的最優(yōu)分類面，從而判斷任意輸入所屬的類別。對于非線性分類，引入了核空間理論，將低維的輸入空間數(shù)據(jù)通過非線性映射函數(shù)映射到高維屬性空間，將分類問題轉(zhuǎn)化到屬性空間進(jìn)行?？梢宰C明，如果選用適當(dāng)?shù)挠成浜瘮?shù)，輸入空間線性不可分問題在屬性空間將轉(zhuǎn)化為線性可分問題。由于支持向量機(jī)具有完備的統(tǒng)計(jì)學(xué)習(xí)理論和出色的學(xué)習(xí)性能，它是針對結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則提出的，具有很好的泛化能力，使得基于SVM的交通事件檢測是目前應(yīng)用廣泛的，具有潛力的一種檢測方法，檢測的交通參數(shù)一般為車流量、車速和占有率。對于SVM事件檢測的理論研究，多數(shù)的數(shù)據(jù)來源為美國加州I-880高速公路交通參數(shù)數(shù)據(jù)庫，它是最近非常流行的、被廣泛應(yīng)用在事件檢測上的數(shù)據(jù)集。檢測的結(jié)果可看作模式識(shí)別問題，用SVM對有事件發(fā)生和無事件發(fā)生進(jìn)行分類。一般原理可以理解為：以一定的時(shí)間間隔對上下游檢測站的車流量、車速和占有率數(shù)據(jù)進(jìn)行采集，將數(shù)據(jù)分為訓(xùn)練樣本和測試樣本，訓(xùn)練樣本作為SVM的輸入對SVM進(jìn)行訓(xùn)練，用測試樣本對訓(xùn)練好的SVM進(jìn)行測試，分類函數(shù)輸出有兩類：正數(shù)為事件狀態(tài)，負(fù)數(shù)為無事件狀態(tài)。其它方法與SVM結(jié)合的事件檢測隨著支持向量機(jī)理論的不斷發(fā)展和完善，龔炯，余立建等人針對傳統(tǒng)的檢測方法存在的問題，如交通數(shù)據(jù)樣本有限、輸入交通特征過于冗余、參數(shù)設(shè)置無法達(dá)到最優(yōu)等，提出了運(yùn)用主成分分析方法(PrincipleComponentAnalysis，PCA)先對交通輸入特性進(jìn)行特征選擇，再構(gòu)建支持向量機(jī)事件檢測模型，最后用粒子群算法(PanicleSwarmOptimization，PSO)選擇支持向量機(jī)模型參數(shù)，即可獲得更加滿意的檢測效果[7]。解決方法為：利用PCA降維的思想，將多個(gè)實(shí)測交通參數(shù)轉(zhuǎn)換為用少數(shù)幾個(gè)不相關(guān)的綜合指標(biāo)，即對上游檢測站和下游檢測站采集到的車速、車流量及占有率信息進(jìn)行交通特征選擇，構(gòu)建用于高速公路事件檢測的PCA—SVM模型；利用POS群智能的全局優(yōu)化技術(shù)，對支持向量機(jī)模型的懲罰參數(shù)等進(jìn)行選擇。由于小波分析可在變換域中將信號的頻域特征和時(shí)域特征同時(shí)反映出來，并同時(shí)具有良好的局部分析能力。由于最小二乘支持向量機(jī)求解的是線性方程運(yùn)算速度快，還能解決小樣本、非線性、高維數(shù)、局部極小等問題。裴瑞平、梁新榮等人將離散二進(jìn)小波變換與最小二乘支持向量機(jī)結(jié)合，提出了一種提高檢測率、減少平均檢測時(shí)間的新算法，為交通事件檢測提供了一種新的思路[8]。解決方法為：由于小波對于信號和噪聲有疊加時(shí)，去噪效果好，當(dāng)事件發(fā)生時(shí)，交通流的信號會(huì)發(fā)生突變，那么交通流信號的小波變換在突變點(diǎn)有較大的幅值，將該幅值作為交通流信號的特征，然后用LS-SVM分類器對事件進(jìn)行分類，判斷其為正常狀態(tài)還是有事件發(fā)生狀態(tài)。郭倩，黃林研究利用粗糙集理論對交通數(shù)據(jù)進(jìn)行簡約，解決了SVM處理包含冗余信息的大量數(shù)據(jù)存在訓(xùn)練時(shí)間長、速度慢的問題。將這兩種算法充分融合，可以提高SVM的處理速度，同時(shí)還保持了較好的分類效果[9]。武林芝，陳淑燕等人最新提出了改進(jìn)的基于主分量分類的交通事件自動(dòng)檢測算法，通過對交通流數(shù)據(jù)提取特征值和確定主分量，再根據(jù)貝葉斯決策規(guī)則實(shí)現(xiàn)交通事件和非交通事件的分類，同樣對I-880數(shù)據(jù)集的測試結(jié)果，KPCC比PCC算法的性能要好得多。研究指出，采用不同核函數(shù)構(gòu)建的KPCC模型，它們的性能相差不大。線性核函數(shù)使用起來方便些，不需要設(shè)置參數(shù)[10]。主分量分類（PrincipalComponentClassifier，PCC），最初是由HuWJ提出來的新的兩類模型分類法。該分類法通過樣本集求解分類面的法向量來實(shí)現(xiàn)兩類模型的分解。3直接事件檢測方法該類方法在檢測速度和可靠性方面優(yōu)于間接檢測法，是交通事件自動(dòng)檢測的發(fā)展方向和研究熱點(diǎn)?；竟ぷ髁鞒蹋和ㄟ^道路上監(jiān)控?cái)z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(shí)送入計(jì)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。視頻事件檢測系統(tǒng)包括：背景提取、車輛檢測、車輛跟蹤、交通參數(shù)的提取、事件檢測、以及發(fā)生意外事件時(shí)的自動(dòng)報(bào)警和相應(yīng)處理等。背景提取背景的準(zhǔn)確提取是視頻事件檢測技術(shù)的基礎(chǔ)，常用的背景提取方法有：多幀圖像平均法、統(tǒng)計(jì)直方圖法、統(tǒng)計(jì)中值法以及基于時(shí)間軸濾波的背景估計(jì)[11]。多幀圖像平均法：由于在足夠長的時(shí)間里背景被顯示的概率是很大的，因而從統(tǒng)計(jì)學(xué)角度看，有運(yùn)動(dòng)目標(biāo)經(jīng)過而引起的灰度變化在長時(shí)間內(nèi)可用求平均值的方法來消除，即長時(shí)間內(nèi)車輛對背景的影響可以忽略。該方法是將運(yùn)動(dòng)的目標(biāo)看作是噪聲，用累加平均的方法進(jìn)行消除，利用一段時(shí)間的序列圖像進(jìn)行平均得到背景圖像。計(jì)算表達(dá)式為：其中，表示提取的背景圖像在點(diǎn)處的灰度值，表示第幀序列圖像在像素點(diǎn)的灰度值。該方法模型簡單，計(jì)算方便，但受運(yùn)動(dòng)目標(biāo)的數(shù)量的影響較大。統(tǒng)計(jì)直方圖法：統(tǒng)計(jì)一段時(shí)間內(nèi)N幀圖像中每個(gè)像素點(diǎn)不同灰度的出現(xiàn)次數(shù)，其中出現(xiàn)次數(shù)最多的，即將直方圖中的最大值取為背景圖像在對應(yīng)點(diǎn)的灰度值。表達(dá)式為：表示像素點(diǎn)處灰度值為n的出現(xiàn)次數(shù)為Q次。表示第幀圖像像素點(diǎn)處的灰度值為n。該方法抗噪聲干擾性好，但運(yùn)算量大，速度慢。統(tǒng)計(jì)中值法：根據(jù)連續(xù)多幀圖像中背景的灰度值占主要部分，統(tǒng)計(jì)單個(gè)像素點(diǎn)在連續(xù)圖像中的灰度值，在一段時(shí)間T內(nèi)對視頻序列圖像的灰度值進(jìn)行排序，然后取其中值灰度作為背景灰度?；跁r(shí)間軸濾波的背景估計(jì)：由于攝像頭固定，背景圖像變化較小，對應(yīng)于時(shí)間軸上的低頻信息，由此可以利用對圖像序列的時(shí)間軸的低通濾波進(jìn)行背景估計(jì)，濾波后的低頻信息即為背景信息。車輛檢測車輛檢測的目的是從連續(xù)的視頻圖像中提取車輛目標(biāo)，為后續(xù)處理和事件檢測提供支持。包括：運(yùn)動(dòng)目標(biāo)檢測、背景重建、目標(biāo)的分割[12]。運(yùn)動(dòng)目標(biāo)檢目標(biāo)檢測就是從視頻序列圖像中，檢測出前景目標(biāo)（車輛、行人等），并確定目標(biāo)的位置、顏色、灰度等特征信息。主要方法：相鄰幀差法、光流法、背景差分法、邊緣檢測、特征匹配。幀差法是通過直接比較視頻序列中連續(xù)的兩幀或三幀圖像，進(jìn)行差分找出對應(yīng)像素在灰度值上的差異，然后設(shè)定閾值，通過對得到的灰度差分圖像進(jìn)行二值化來區(qū)分運(yùn)動(dòng)區(qū)域與背景區(qū)域。優(yōu)點(diǎn)是算法簡單、實(shí)時(shí)性好、受環(huán)境影響小，但易發(fā)生漏檢或重檢，精度不高。光流是空間運(yùn)動(dòng)物體在觀測成像面上像素運(yùn)動(dòng)的瞬時(shí)速度。若圖像中沒有運(yùn)動(dòng)物體，則光流矢量在圖像區(qū)域內(nèi)連續(xù)變化，若有運(yùn)動(dòng)物體，則目標(biāo)和背景存在相對運(yùn)動(dòng)，形成的速度矢量和背景速度矢量不同，從而檢測出物體及其位置。優(yōu)點(diǎn)是適用于靜止和運(yùn)動(dòng)背景情況，但是抗噪差。背景差分法是目前最常用的運(yùn)動(dòng)目標(biāo)檢測法。將當(dāng)前幀圖像與背景圖像相減，用每一個(gè)像素點(diǎn)的差值與預(yù)定的閾值比較，從而確定該像素屬于前景還是背景。分為固定背景法和自適應(yīng)背景法。該方法應(yīng)用廣泛，但對干擾較敏感。邊緣檢測是利用梯度算子、Laplacican算子或Kirsch算子來實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的檢測。該方法效率高，還可檢測出靜止的車輛。背景重建背景提取及其方法如上所述。背景重建主要利用自適應(yīng)背景更新法，先對前后連續(xù)三幀圖像兩兩相減求出幀差圖像，并做二值化處理，對兩個(gè)幀差的二值圖像分別提取運(yùn)動(dòng)和非運(yùn)動(dòng)區(qū)域，然后利用非運(yùn)動(dòng)區(qū)域?qū)崿F(xiàn)局部背景更新，而運(yùn)動(dòng)區(qū)域的背景保持不變，經(jīng)過多次迭代完成更新。目標(biāo)分割首先通過一定的閾值將當(dāng)前幀中的車輛目標(biāo)從背景中分割出來，然后利用形態(tài)學(xué)濾波降低噪聲，最后提取運(yùn)動(dòng)車輛的矩形區(qū)域。圖像的差分：為像素點(diǎn)的像素差，為當(dāng)前幀圖像像素，為背景圖像像素。為閾值。閾值TH選?。篢H過大會(huì)導(dǎo)致運(yùn)動(dòng)車輛出現(xiàn)空洞或斷裂發(fā)生漏檢現(xiàn)象；TH過小分割后的圖像含噪聲點(diǎn)較多。一般利用迭代閾值選擇法來確定TH。目標(biāo)跟蹤車輛目標(biāo)的跟蹤是將被分割的車輛進(jìn)行合并，粘在一起的車輛分割，并對每輛車建立跟蹤軌跡。涉及到對二值圖像進(jìn)行連通區(qū)域標(biāo)識(shí)及用最小外接矩形法矩形提取等。車輛跟蹤方法有基于特征的跟蹤、基于3D的跟蹤、基于動(dòng)態(tài)輪廓的跟蹤和基于區(qū)域的跟蹤?；谔卣鞯母櫡椒ㄊ峭ㄟ^提取目標(biāo)的局部特征，對特征進(jìn)行匹配，而不需要對整個(gè)目標(biāo)區(qū)域進(jìn)行匹配。如提取目標(biāo)的某個(gè)或一組特征：點(diǎn)、線、形狀、子區(qū)域、灰度分布等，該方法操作簡單、受目標(biāo)相互遮擋問題影響較小，是常用的方法之一；基于3D的跟蹤也稱基于模型的跟蹤，是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，常用kalman濾波器對模型進(jìn)行更新，包括目標(biāo)區(qū)域特征提取、kalman模型預(yù)測、目標(biāo)的匹配搜索、kalman濾波器更新；將相鄰圖像間進(jìn)行輪廓匹配，跟蹤并實(shí)時(shí)修改輪廓特征是基于動(dòng)態(tài)輪廓的跟蹤方法；基于區(qū)域的跟蹤是跟蹤運(yùn)動(dòng)目標(biāo)構(gòu)成的連通區(qū)域中共有的特征信息。4結(jié)束語對于近年來城市交通面臨的交通擁擠、事故繁多、環(huán)境污染嚴(yán)重等諸多問題，交通事件的快速準(zhǔn)確檢測必然成為智能交通領(lǐng)域的研究重點(diǎn)。若在交通事件已經(jīng)發(fā)生的情況下，由于檢測不及時(shí)極易帶來“二次事件”，快速準(zhǔn)確地檢測出事件發(fā)生地點(diǎn)和時(shí)間有著重要的現(xiàn)實(shí)意義。目前，雖然視頻檢測器有著諸多優(yōu)點(diǎn)，但仍然存在許多需要解決的問題。其一，視頻檢測器的檢測精度是隨著光照情況的變化而變化的，當(dāng)光照良好時(shí)如正午時(shí)檢測精度最好，反之如傍晚、雨雪天氣則較差。其二，陰影是造成視頻檢測方法誤檢測的主要原因，陰影通常有三種：道路場景中的靜態(tài)陰影、車輛自身的運(yùn)動(dòng)陰影、緩慢移動(dòng)的陰影。AID的未來研究和發(fā)展方向應(yīng)該是注重準(zhǔn)確率、綜合使用多種檢測方法，車輛檢測中的多攝像機(jī)、多檢測器信息融合、交通視頻圖像的壓縮和多媒體數(shù)據(jù)挖掘也是未來研究的熱點(diǎn)。視頻交通事件檢測中涉及到的目標(biāo)檢測、目標(biāo)跟蹤得到的是底層信息，而對底層信息進(jìn)行更深層次的理解和識(shí)別能更有效提高事件檢測率，如HMM（隱馬爾可夫模型）和SOFM（自組織特征映射神經(jīng)網(wǎng)絡(luò)）方法是有效的運(yùn)動(dòng)理解和行為識(shí)別方法，對這類方法的開發(fā)與研究將是未來的重點(diǎn)。5參考文獻(xiàn):[1]彭雅芳.交通事件視頻檢測系統(tǒng)中圖像處理算法的研究[D].武漢理工大學(xué),2009[2]RucyLongCheu,DiptiSrinivasm.Supportvectormachinemodelsforfreewayincidentdetection.O~/02003IEEE[3]DiptiSrinivasan,XinJin,andRueyLongCheu.EvaluationofadaptiveneuralnetworkmodelsforfreewayincidentTRANSACTIONSONINTELLIGENTTRANSPORTATIONSYSTEMS,VOL.5,NO.1,MARCH2004[4]Y.Ma1M.ChowdhuryM.JeihaniR.Fries.Acceleratedincidentdetectionacrosstransportationnetworksusingvehiclekineticsandsupportvectormachineincooperationwithinfr