一种基于监控视频的交通事故自动检测方法
【技术领域】
[0001] 本发明涉及一种交通事故自动检测方法，尤其涉及一种基于监控视频的交通事故 自动检测方法。
【背景技术】
[0002] 随着经济的发展及汽车拥有量的增加，城市交通拥堵严重，事故频发，环境恶化， 为了减少和预防交通事故的发生，对道路交通的实时检测、实时监控越来越受到人们的重 视，因此智能交通系统的研究成为了热点。在交通监督和控制系统中，精确的和环境自适 应的交通事故检测方法的研究有着非常重要的意义，它可以迅速检测道路上发生的交通事 件，减少由于交通事件所带来的人员伤亡、财产损失等影响，避免二次事件的发生，节约能 源，减少污染。随着研究的深入，诸多的研究者提出了很多有效的交通事件检测的方法。
[0003] 基于智能交通系统的研究迅速发展，精确的和环境自适应的交通事故检测方法的 研究吸引了广泛的注意力，近几年研究者在该领域的研究中也取得了重大进展，但是这些 文献中发表的检测方法要运用到实际中仍然存在很大的困难。交通事故检测方法要运用到 实际中，必须要能够处理交通情况从拥堵时段到闲暇时段的转变，以及适应不同的交通条 件和光照条件。
[0004] 目前在交通事故检测方法上的研究表现出两个方向：轨迹分析和运动分析。但是 两种方法的主要目的都是构建正常情况下的交通运动模型，而不是直接在视频中捕捉发生 的交通事故。轨迹分析方法通过使用目标轨迹建立正常的车辆轨迹模型，从而来检测异常 事件，虽然这个方法取得了很大的成就，但是在不好的光照环境和复杂的交通环境等条件 下快速地获得精确的车辆轨迹仍然是一个很大的难题。运动分析方法主要是通过分析整个 视频帧来提取时间和空间上的特征来描述特定的目标信息。与轨迹分析方法相比，运动分 析方法有着更好的能力去适应不同的交通环境，在单个事件的检测上有着很好的表现。
[0005] 轨迹分析方法中，重在分析十字路口场景中的左转弯等角度碰撞，该方法无法检 测更多种类的交通事故，而且一些小目标和相连的目标容易产生错误的轨迹，导致该方法 检测效果较差。运动分析方法并不跟踪车辆，由于只有稀疏的监视器，该检测方法只能使用 本地的信息，因此这些固定的监视器会错过一些重要的光流并产生一些错误的警报。
[0006] 基于交通流的交通事件检测方法对公路上车辆的交通流参数进行估计，避免了跟 踪车辆轨迹的一些弊端问题，但是在对车辆事故的检测中缺少针对性，不能捕捉事故发生 的区域坐标，且容易造成事故误报、漏报等情况。基于方向图的交通事故检测方法利用全局 的光流场来构建整帧图像的方向图来检测交通事故，在鲁棒性上有很大的提高，但是该算 法在计算耗时上有很大的负担，运行速度较缓慢，无法保证实时性运用。
[0007] 总的说来，目前针对交通事故自动定位检测仍没有一种针对性强、精确性高、鲁棒 性与实时性好的检测方法。
【发明内容】
[0008] 本发明的目的就在于为了解决上述问题而提供一种针对性强、精确性高、鲁棒性 与实时性好的基于监控视频的交通事故自动检测方法。
[0009] 本发明通过以下技术方案来实现上述目的：
[0010] 一种基于监控视频的交通事故自动检测方法，包括以下步骤：
[0011] (1)对监控视频序列的每一帧图像使用金字塔Lucas-Kanade光流法构建光流场；
[0012] (2)基于光流场，分析视频帧全局的交通流特性，根据由光流场定义的速度流、 加速度流，定义描述交通流特性的描述子，其后，根据视频帧序列构建高斯模型，并设定阈 值；
[0013] (3)基于光流场，分析视频帧局部的车辆运动特性，定义局部方向图的概念并计算 其能量，其后，根据视频帧序列构建高斯模型，并设定阈值；
[0014] (4)构造事故检验模型，检验交通事故是否发生。
[0015] 具体地，所述步骤（1)中，每一帧图像选取的角点数目在500到1000之间。
[0016] 作为优选，所述步骤（2)的具体方法包括以下步骤：
[0017] ①对监控视频中第k帧的交通速度流Sk的定义如下：
[0019] 其中，1表示在第k帧视频中光流的模值不为零的个数，|〇1|，|〇2|，...，| 〇1|表示 第k帧中1个非零的光流的模值，交通速度流sk代表的是一帧视频中移动像素点的平均移 动速度；
[0020] ②对监控视频中第k帧的交通加速度流Ck的定义如下：
[0021] Ck=|sk-sk!
[0022] 其中&和Ski分别代表第k帧和第k_l帧的交通速度流，交通加速度流Ck代表的 是当前帧移动像素点的平均移动速度的变化量；
[0023] ③根据交通速度流与交通加速度流构造描述子：首先定义交通监控视频中第k帧 的活跃值&的概念，定义公式如下：
[0024] Gk=p1Sk+p2Ck+p3SkCk
[0025] 其中，Pl，p2,p3是调节交通速度流和交通加速度流以及它们乘积的权值，活跃值Gk 代表的是第k帧视频中交通速度流和加速度流以及它们的乘积的一个加权活跃性；
[0026] 对于描述子Mk，定义如下：
[0027] Mk=|Gk_Gkl
[0028] 第k帧交通视频的描述子Mk表示的是当前帧的活跃值G前一帧活跃值Gki的 差值的绝对值；
[0029] 整个交通监控视频的描述子序列为％，M2, ...Mk...，第k帧之前的描述子序列的 均值队的计算公式如下：
[0031] 其中Tk是在第k帧之前的描述子序列的总帧数；
[0032] 根据计算出来的描述子序列均值Uk来计算交通事故检测模型的第一个阈值：
[0033] δk=HUk
[0034] 其中Η是一个调节阈值的常数；
[0035] 所述步骤（3)的具体方法包括以下步骤：
[0036] Α、构建交通运动方向图：在光流场中，假设从当前帧提取的光流集合0 = {Oi, 02, . . .，〇J，其中每条光流〇i拥有一个起始坐标点和终止坐标点/^，根据这个起 止坐标对，计算出光流的方向和光流的模值|〇1|，运动方向图与光流图和原始视频具有 同样的尺寸，光流〇1在运动方向图中对应着一块矩形区域Wi，其具体区域由下式指定：
[0038] 其中，(xf，3；f)表示光流〇1起始点的坐标，?，)表示光流〇1终止点 的坐标；
[0039] 在运动方向图中，区域1的面积是由光流的模值|〇1|决定的，而光流的方向决定 区域I中像素点的取值，具体像素点的取值由下式决定：
[0041] 通过上式，在视频图像上的不同光流的方向被映射为在运动方向图上具有不 同像素值的区域，由于光流方向反映了物体运动方向，所以将物体的运动方向分布映射 成运动方向图，将当前帧提取的光流集合0 = {〇1，〇2,...，〇n}转化为映射区域集合W= {ff!,ff2, . . . ,WJ；
[0042] 当两个映射的区域^和Wj出现相交的情况即WPW卢Φ，i乒j，就会发生赋值 的冲突，通过将区域^和W,融合形成新的块Bi来解决，新的块Bi的具体定义如下：
[0043]
[0044] 其中，η是指在视频图像中提取到的光流总数；
[0045] 对于在块&中像素点的赋值，按照下式进行：
[0047] 其中，（X，y)表示在块&中的像素点坐标；
[0048]通过上述的操作，视频图像上的光流集合0 = {c^，〇2,·…，〇n}被转化为运动方向 图上的块的集合B= {^，B2,. . .，BJ;
[0049]B、计算块Bi的能量：在运动方向图中，块B;的能量由下式计算得到：
[0051] 其中，D^)的计算公式如下所示：
[0053] 其中，N表示块&中像素值种类数，p(X)表示在块Bi中像素值等于X的像素点所 占比率；
[0054] VlΒ,)的计算公式如下所示：
[0055] VCB^Bj) =iDCB^-DCBj) | ；
[0056] C、计算运动方向图的能量：第k帧视频图像所对应的运动方向图fk的能量，按照 下式计算：
[0058] 其中，Μ是运动方向图fk中团块总数，λ是一个调节阈值的常数，表示在运动 J 方向图中能量最大的块；
[0059] D、构建基于交通方向图序列的交通事故检测模型：首先采用以下公式估计在运动 方向图产之前的能量序列的均值标准差σk:
[0062] 其中，Tk是在第k帧之前的运动方向图序列的总帧数；
[0063] 然后根据估计出来的均值uk和标准差〇k计算交通事故检测模型的第二个阈值即 报警阈值为：
[0064] ek= uk+l. 96* 0k；
[0065]Ε、构建基于双高斯模型的交通事故检测系统：
[0066] 通过第二个阈值1^来检测当前运动方向图的能量E(fk)是否超过了检测阈值来 判定是否在当前帧发生了交通事故，通过第一个阈值Sk配合第二个阈值对交通流的速度 变化以及混乱异常进行双重检测来检测交通事故是否发生，同时排除由于帧间光流场的多 处混乱而造成的交通事故误报，双重判定方法如下：
[0068]其中，S表示事故运动方向图集合，R表示正常运动方向图集合，如果S辛Φ，则表 示发生了交