基于视频的城市道路交通拥堵检测系统的制作方法
【技术领域】
[0001] 本发明涉及图像识别领域，具体涉及一种基于视频的城市道路交通拥堵检测系 统。
【背景技术】
[0002] 当今，城市中的车辆数目与日倶增，与此同时，城市道路上的负载也加重，城市道 路规划的速度明显低于车辆增加的速度，车路矛盾日渐突出。交通拥堵现象已经存在于大 中城市内，不仅给城市道路危害，而且给社会带来巨大损失。通常情况下，交通参数包括:路 面空间占有率指在某一时间段内，一段道路上所有交通车辆的面积之和和观测路面的比 值;车速是指在单位时间内车辆在道路上行驶的距离，在讨论道路上的交通问题的时候一 般采用许多车辆的平均速度，而不是一辆车的瞬时速度或者是一辆车的平均速度，而在讨 论城市道路中的交通车辆的车速时，由于车辆的速度都是很均匀统一的，所以用一辆车的 车速可以代替道路的平均车速;车流量在单位时间内通过某个横截面的车辆的数目；排队 长度是指在道路上的某一个断点开始，车辆在道路上的排队长度。一般情况下，道路交通拥 堵程度和车辆在道路上的排队长度呈正相关性，但是也不能排除车辆在等待交通红绿灯时 的排长队的特殊情况;交通密度是指在某一时刻道路上的车辆数目与所观测的道路长度的 比值。
[0003] 所以，能够实时、有效地检测道路拥堵问题是顺应社会发展的需要。若要对交通拥 堵进行预警和避免，必须要对交通拥堵进行正确的检测。现有的交通拥堵检测方法主要利 用超声波传感器进行检测、利用GPS定位技术进行拥堵检测，此外还有地感线圈检测、环形 线圈检测、微波检测等手段，但是这些传统的检测方法中都存在着一些不足之处，例如进行 检测的投资成本高、容易损坏、难于维护等缺点。
[0004] 利用视频图像技术检测交通拥堵，相比传统的检测方法，其检测范围广、破坏性 小、易于维护、能克服环境背景的变化、行人及天气的影响的特点更适合当今社会对城市道 路交通拥堵检测的需要。但是，目前视频图像处理在智能交通中的应用，主要集中在对交通 参数的提取，而对视频流中的交通拥挤状态的检测很少涉及。然而，本系统则是利用视频图 像处理技术，对获取到的交通运行状况视频进行处理，得到能够判断交通是否拥堵的参数 信息，进而对拥堵等级进行检测。
【发明内容】
[0005] 针对上述现有技术，本发明目的在于提供一种基于视频的城市道路交通拥堵检测 系统，其旨在解决现有用于交通拥堵检测的视频图像系统，存在易受环境影响，不易维护， 安装时破坏原有交通设备，实时性差，数据准确度低且图像识别误差较大等技术问题。
[0006] 为达到上述目的，基于视频的城市道路交通拥堵检测系统，其方法步骤如下：
[0007] 读取视频以及预处理视频，以获取视频帧;将获取的视频帧进行背景建模，获得背 景帧序列和前景帧序列；对与背景帧序列同帧的前景帧序列进行检测并提取运动目标，并 在平滑滤波处理后按前景帧序列保存单帧前景图片;按前景帧序列顺序播放单帧前景图片 并对运动目标进行卡尔曼滤波跟踪以获得道路中车速，以及根据运动目标的前景帧序列计 算并得出路面占有率以及路面占有率离差平方值和/或车流量;利用模糊C均值聚类算法对 路面占有率以及路面占有率离差平方值和/或车流量进行聚类，分别计算并得出与对应聚 类中心的欧式距离;所获得的欧式距离再结合车速，进行交通拥堵等级检测和划分。
[0008] 上述方案中，优选地，所述的进行平滑滤波处理，包括进行中值滤波处理和/或进 行均值滤波处理和/或进行高斯滤波处理和/或进行形态学滤波处理。在得到的初步运动前 景中会有很多噪声，在城市道路两旁的树叶因为风吹而运动的原因，有时也会当做是运动 的目标检测出来，但是检测到的树叶在前景中只是很小像素点的前景，分布比较稀疏，可以 通过去噪算法将这些对系统检测结果形成干扰的噪声去掉。另外，检测到的运动目标的前 景轮廓的周围会有一些噪声，影响整个轮廓的提取，也需要去噪方法将这些噪声去掉。
[0009] 上述方案中，还包括根据得出的交通参数，进行交通拥堵等级检测。国家划定的拥 堵等级的依据是道路中车辆的速度，本系统在设计时除了运动车速作为限定条件之外，同 时还利用聚类C均值算法，将路面占有率和路面占有率的离差平方值进行聚类;利用这两个 条件对交通拥堵状况进行划分，增加了检测的准确性和可信性。
[0010]上述方案中，优选地，所述的预处理视频，包括检测视频的格式并获取视频的帧 率、播放长度、帧高度和宽度属性。根据系统的特点，在读取交通视频的时候需要读取.avi 格式的视频;如用户在读取视频的时候不符合格式要求，则提醒用户读取合适格式的视频； 预处理操作主要获帧率、播放长度、帧高度与宽度等基本属性，以方便后边步骤对视频帧图 像的处理。
[0011]上述方案中，所述的对获取的视频帧进行背景建模，包括对获取的视频帧录制背 景和/或前景视频帧，获取已录制的背景和/或前景帧数，获取已录取的背景和/或前景时 间，并进行混合高斯背景建模和/或平均建模。选择正确合适的背景模型，能够使检测到的 前景目标更加接近目标真实的轮廓形状和参数信息，而且也使检测的结果更加可靠;混合 高斯背景建模方法是根据像素点符合的高斯分布来叠加的，对光照和天气等噪声的影响不 是很大。
[0012] 上述方案中，优选地，所述的混合高斯背景建模，背景的来源是对较长一段时间内 背景像素点的密度统计进行分析得出的，该方法是基于统计的一种方法，计算的复杂度较 大；因为现实环境中，道路交通的背景是很复杂的，所以背景像素的呈现规律大多出现多峰 的情况;对于多峰的情况，每个像素点的颜色变化规律并不是有单个的高斯分布来确定的， 而是由多个高斯分布在不同权重的情况下叠加决定的;在处理彩色图像时，一般采用R，G，B 的形式来描述像素点颜色信息，像素点X(X1，X2，X3. . .Xn)是由在η个不同高斯分布情况下的 十曰息置加而成的，Xn= (rn，gn，bn)，
[0013]
[0014]
[0015]
[0016] 式中每个像素点有K个高斯分布函数叠加而成，11(111^,11，_^, 11)为第11时刻第1个高 斯分布，ω i, η是其权重，η为均值，δ?, η为方差，Ti,A协方差矩阵，I为三维单位矩阵。
[0017] 上述方案中，优选地，所述的平均建模该方法是将所需要的检测帧的相同位置的 像素点值和背景中相同位置的像素点值相减，得到要检测的前景;此方法对光照的变化比 较敏感;背景中像素点u(x，y)，待检测的像素点为T(x，y)，前景差值d(x， y)，将差值和提前 设定好的阈值T进行比较，得出真正需要输出的out (X，y)值，
[0018] d(x.v) = I(x.v)-u(x.v) (E4)
[0019]
[0020] 用Tt(X，y)表示图像(x，y)位置处t时刻时的像素值，At表示两帧之间的时间间 隔，
[0021] Ft(x,y)= | It(x,y)-It-At(x,y) (E6)
[0022]
[0023]
[0024] T = a(x,y)+0Xs (E9)
[0025] 为了保证a和s的精确性，Μ值要设的非常大，β值一般设为2;
[0026] 在每一帧视频检测之后需要更近背景来提高算法的鲁棒性，即提高系统性能保持 能力;相应的11(1，7)、3(叉，7)和8(叉，7)更新为11'（叉，7)，3'（叉，7)和8'（叉，7)，
[0027] u，(x,y) = (l-a) Xu(x,y)+a X I(x,y) (E10)
[0028] a，(x,y) = (l-a)Xa(x,y)+aXF(x,y) (Ell)
[0029] s，（x，y) = a-a)Xs(x，y)+aX |F(X，y)-a，（x，y)| (E12)
[0030] α是学习率，值越大，更新越快。
[0031] 上述方案中，优选地，所述的对与背景帧序列同帧的前景帧序列进行检测并提取 运动目标，包括对与背景帧序列同帧的前景帧序列，通过设置有效阈值面积、设置前景二值 化阈值和设置平均建模参数进行检测，并通过背景差分法和/或帧间差法提取运动目标。要 检测视频中的车辆，若利用背景差分的方法对运动目标的前景帧序列进行检测，在背景建 模之后，利用当前帧和背景进行相减。
[0032] 上述方案中，优选地，所述的滤波跟踪，包括卡尔曼滤波跟踪。运动中车辆的位置 会随着时间的变化而改变，若要获取运动车辆的具体位置信息就要对车辆进行跟踪。
[0033] 上述方案中，优选地，所述的交通参数，包括车速和/或路面占有率及路面占有率 离差平方值和/或车流量。
[0034] 上述方案中，优选地，所述的进行交通拥堵等级检测划分，通过卡尔曼滤波跟踪所 获得的车速，并结合利用模糊C均值聚类算法进行聚类后的路面占有率以及路面占有率离 差平方值和/或车流量，再判断分别对应聚类中心的欧式距离，进行拥堵等级划分。
[0035] 上述方案中，在拥堵等级划分过程中，如果所述的车速不属于所获得交通拥堵等 级对应公共规定的车速，则所获得的交通拥堵等级重置为所述车速所属公共规定车速范围 对应的交通拥堵等级。
[0036]上述方案中，优选地，所述的交通拥堵等级，其算法采用如下三种算法任意一种， [0037] (1)模糊综合检测算法
[0038] 为了更高可信度地去划分拥堵等级，需要实现定义好评定因素集合U，也就是说这 些因素会对评定结果有影响，包括车速和/或路面占有率及路面占有率离差平方值和/或车 流量，对于评判等级V，可以分为V={畅通，拥堵，严重拥堵}，或者V={畅通，轻度拥堵，拥 堵，严重拥堵}等情况;ReF(U，V)表示评定因素集合U到评判等级集合V的模糊关系；同时需 要对因素集种各个评判因素对评判结果的不同重要程度有描述，用权重集A表示，集合A中 各个元素符合归一化原理，也就是所有元素之和为1;模糊评判结果B=A〇R