基于双视角学习的山区高速公路车辆事件检测方法
【技术领域】
[0001] 本发明属于智能交通监控及基于图像处理的交通事件检测技术领域，具体涉及一 种基于双视角学习的山区高速公路车辆事件检测方法。
【背景技术】
[0002] 随着我国西部大发展战略的实施，联系边远地区的山区高速公路迅猛发展。山区 高速公路具有保证连续行驶且通行能力大的特点，它满足了人员、货物快速流动的需要，实 现了交通整体水平的提升，提高了交通的社会效益。由于山区高速公路具有较高的设计通 行能力，也具有较大的交通吸引力，部分山区高速公路特定瓶颈路段逐渐达到饱和通行量， 各类交通事件明显增加。同时由于山区高速公路的建设条件限制，比如大的土石立方(限制 驾驶员视野范围）以及山岭局部气象条件所导致的雾区地带等原因，导致山区高速公路交 通事件频发，而且交通事故更加严重。而山区高速公路很多地段由于成本的限制不具备设 立现场派驻管理人员站点的条件。交通事件自动检测及识别是高速公路交通管理系统的一 个重要组成部分，其实时性与准确性直接关系到高速公路交通控制与交通诱导的效果。因 此及时、具有更高精度及更强鲁邦性的交通事件检测技术，对于山区高速公路特定路段更 是具有重要性。
[0003] 目前交通事件视频自动检测技术不但作为已有交通视频监控系统平台功能的有 效提升，而且由于传统的线圈检测技术安装与维护存在着成本高，影响道路寿命、影响交通 等缺陷，交通事件视频自动检测技术在实际应用中广泛得以实施。对于交通事件视频自动 检测技术，美欧日等国家已经有了近30年的发展，目前获得国际或国内广泛应用的成熟知 名的应用系统，主要包括美国的A u t 〇 s c 〇 p e系列产品，比利时的T r a f i c ο η产品及法国的 citilog系统等。国内产品虽然开发和应用的周期还很短，随着视频交通检测技术的日益成 熟及其功能的不断完善与丰富，基于国产视频检测产品技术不断成熟以及其性价比优势越 发突出。交通事件智能视觉自动检测在国内自主研发的厂家有清华紫光VS3001、深圳哈工 大交通电子VTDZ000、深圳市神州交通系统有限公司的VideoTrace、上海高德威、湖南天翼、 厦门哀天、北京文安、成都威路特、宇航时代、动视元等。目前的交通事件检测产品性能还需 要进一步提高检测率而降低误检率和漏检率，以便更加有效地推广高速公路交通检测系 统。基于一定的广泛的技术水平，检测率和误检率两个指标相互冲突，很难保证误检率较低 水平的情况下持续提高检测率，需要研究新的技术手段，以实现技术上升到新的水平。
[0004] 高速公路交通事件视频自动检测技术本身是一种基于内容的图像检测与分析。同 计算机视觉、模式识别和信息检索等领域一样，各种高速公路交通事件都属于高层语义的 内容，不可避免地存在着语义鸿沟问题，并不能由简单几种底层特征来充分准确地表达。现 有大量图像分类及医学图像检测实验证明，由于单一特征的特异性以及分类器本身的样本 依赖性等限制，将多个特征及其决策结果结合在一起，往往可以得到比单个分类器更好的 性能。目前所常用的基于车辆运动轨迹提取交通事件特征，只是交通视频内容交通事件本 身体现的一个方面，应该获取更多的交通视频特征，从而有效提高交通事件检测方法的性 能。
[0005] 交通拥堵、车辆逆行、车辆违规停车和交通事故等车辆事件的发生既是单个车辆 各自独立行为的结果，也是交通断面车流整体特征的反映。在摄像机的视野内，基于车辆行 为特征的自动事件检测(Automatic Incident Detection，AID)方法可以分析车辆行为，提 供最直接的事件信息，基于车流整体特征的AID方法可获得道路的整体车流数据，评估事件 影响。对于车辆事件而言，基于车辆行为特征的AID和基于车流整体特征的AID两类方法都 有其优点和不足，一种理想的处理办法是将二者结合起来，互为补充。目前的交通事件检测 产品一般主要采用单视角的思路，针对图像单一特征进行处理与分析。一方面，单一特征的 鲁棒性针对各种复杂的室外环境有待进一步提高；另一方面，针对交通事件检测本身的高 层语义理解的本质，需要多视角特征完成底层特征到高层语义之间的联系。
【发明内容】
[0006] 本发明针对山区高速公路交通视频事件检测技术要求更高精度以及更强鲁棒性 的需求特点，基于双视角学习原理提出一种鲁棒的山区高速公路交通事件检测方法。
[0007] 具体地，本发明提供了一种基于双视角学习的山区高速公路车辆事件检测方法， 包括以下步骤：
[0008] 步骤1，视角一:运动目标时空轨迹模式学习，包括步骤1.1~步骤1.3。
[0009] 步骤1.1，交通视频初始化设置，包括设定车道线和工作区域。
[0010] 步骤1.2,基于背景建模的运动车辆检测与轨迹跟踪。
[0011] 步骤1.3，基于车辆运动轨迹模式学习的交通事件识别。
[0012] 步骤2,视角二:基于外极面图的车辆运动态势分析，包括步骤2.1~步骤2.3。
[0013] 步骤2.1，基于Hough变换及场景动态图的高速公路车道自动检测。
[0014] 步骤2.2,基于跟踪线的分车道运动车辆时空外极面图生成。
[0015]根据提取的车道线为各分车道设置贯通摄像机视野范围的跟踪线，保证车辆行驶 通过摄像机视野范围内的任意时刻，都必须通过某一条跟踪线。分车道车辆跟踪线可选定 为车道线，也可选定为车道中心线。分别将每条跟踪线上的像素沿时间轴累积，生成外极面 图。
[0016] 步骤2.3,基于分车道外极面图的车辆运动态势特征提取。
[0017] 计算外极面图所检测线段的斜率，获得车辆行驶速度，并求得车辆行驶方向以及 车辆行驶加速度。通过外极面图提取车流整体特征，根据空间平均速度来检测交通拥堵和 交通事故，根据车辆行驶速度的方向检测车辆是否逆行，空间速度变化幅度用于检测交通 拥堵和交通事故事件。
[0018] 步骤3,基于双视角学习的决策层融合，以检测交通事件是否发生，发送交通事件 时，交通事件所在的图像区域;包括步骤3.1~步骤3.2。
[0019] 步骤3.1，融合评判。
[0020] 在每个视角对交通事件检测目标做出识别后，将两个视角的检测结果进行决策层 融合，获得最终决策；
[0021] 步骤3.2,进行图像融合定位。
[0022] 设交通事件在图像中的发生位置用一个矩形框来表示，该矩形框由四元组(x，y， W，h)表达，（x，y)为矩形框左上角的图像坐标，w和h分别为矩形框的宽和高；
[0023]设第j个视角下检测交通事件发生位置的矩形框为(^，^，^，匕），」=1，2;将多视 角交通事件图像融合定位问题简化为多个平面四边形的求并集问题，所求的多边形就是交 通事件所在图像区域的融合定位结果。
[0024]与现有技术相比，本发明具有以下明显优势：
[0025] (1)本发明针对高速公路交通结构化特点提出了一种新的交通事件视频特征一一 基于分车道外极面图（Epipolar Plane Image，简称EPI)线段特征斜率及方向检测结果，以 此反映交通断面车流整体特征；
[0026] (2)本发明基于双视角学习原理，将分车道外极面图与现有广泛应用的反映车辆 独立行为的行驶轨迹特征进行决策层融合，实现高速公路车辆事件鲁棒检测。
[0027] (3)实验结果充分表明本发明算法复杂性低，实时性好，针对多种车辆交通事件都 有较高的性能表现。
【附图说明】
[0028] 图1为本发明基于双视角学习的山区高速公路车辆事件检测方法的流程图；
[0029] 图2为交通视频初始化设置示意图，其中（a)为原始图像，（b)为工作区域设定示意 图；
[0030] 图3为基于Hough变换及场景动态图的高速公路车道自动检测示意图；其中，（a)为 基于Hough变换的车道线检测结果示意图；（b)为分车道车辆跟踪线设置结果示意图；
[0031] 图4为基于跟踪线的分车道外极面图生成示意图；（a)为对应于由左向右数第4条 跟踪线的外极面图；（b)为交通视频序列对应EPI三条线的图像帧；
[0032] 图5为外极面图透视投影修正及线段特征检测；（a)为外极面图生成结果；（b)为外 极面图透视投影修正结果；（c)为线段特征检测结果；
[0033] 图6为基于双视角的车辆拥堵检测结果；（al)是车辆拥堵原始视频帧；（a2)是车辆 拥堵车辆运动轨迹跟踪及事件检测结果；（bl)是车