[0039] 算法流程如下：
[0040] 1.确定评定因素集合U
[0041] 2.确定评价结果集合V
[0042] 3.确定权重集合A
[0043] 4.确定模糊评判矩阵R
[0044] L
[0045] 5.确定模糊评判结果
[0046]
[0047] 6.选择最合适的检测结果
[0048] 因为如果隶属度为最大的话，那么就很有可能处在该情况下的拥堵等级。（2)人工 神经网络法
[0049] 该方法借助了人工神经网络智能的优点;首先要人为地事先对网络进行大量数据 的训练，让网络学习更多现实道路中的交通运行状况，然后对输入要检测的交通信息，得出 检测结果；
[0050] 该方法主要有三个模块构成：
[0051] 1.输入层
[0052]输入层主要是输入已经采取好的交通参数，如车辆等待时间、车辆在道路上的排 队长度、车辆行驶速度、道路占有率等；
[0053] 2.中间层
[0054]中间层主要是对输入层数据进行处理，在对输入进网络的数据进行处理之前，首 先要确保网络已经对现实中的交通道路状况进行了模拟，保证网络可以对各种数据具有判 断的能力；
[0055] 3.输出层
[0056]将中间层处理的结果输出来。
[0057] (3)灰色决策法
[0058]灰色是相对于透明而言，用在检测算法上就是指输入样本具有不确定性;在输入 数据信息不完整的情况下，可以用已知的信息代替位置的信息或者是不确定的信息;但是， 所缺少的信息量不能过大，能确保在用已知代替未知时，检测结果离真实结果的偏差很小； 具体分为以下几个步骤：
[0059] 1.确定集合. . .fn)作为评价目标，该集合有已建立好的评审小组确定；
[0060] 2.采用U-V模糊映射模型对评价结果进行模糊处理；
[0061 ] 3.确定评语集合A，得到模糊评定映射集合；
[0062] 4.将评定指标进行量化处理，确定比较矩阵K和经过层次分析法分析之后得到的 判定矩阵Q，在计算γ u是采用的计算公式即：
[0063] 乂 ▲'"max. ^^min
[0064] bm即为评判因素集合中最为重要因素与最为不重要因素的比；权系数字Wk的计算 方法为
[0065]
[0066] 5.确定决策矩阵D2，评判结果的确定是选取02的最大值
[0067]
. K=1
[0068] 上述方案中，优选地，所述的路面占有率，在视频的每一帧中所观测到的道路交通 路面面积为Area^d，视频中检测到的交通车辆的总面积为
[0069]
[0070] number表示视频中车辆的个数路面占有率为
[0071]
[0072]上述方案中，优选地，所述的车速，视频中车辆在Τι时刻是车辆的质心为centrei， 进过一段时间之后在T2时刻时车辆的质心移动到centres位置，则车速可以表示为：
[0073]
[0074] 上述方案中，优选地，所述的车流量视频中车辆在1^时刻是某一车辆的质心为 centrei，进过一段时间之后在T2时刻时车辆的质心移动到centre〗位置，统计在这段时间间 隔内centrei和centre〗两位置之间的车辆数目sum，那么车流量可以通过以下方式计算：
[0075]
^2' A'l
[0076] 上述方案中，优选地，所述的卡尔曼Kalman滤波，输入为系统的观测量，输出为估 计的值或者状态，利用系统方程和观测方程处理输入的信号;核心主要有五个方程：
[0077] X(k | k-1) =AX(k-l I k-1 )+BU(k) (E22)
[0078] P(k|k-l)=AP(k-l |k-l)A，+Q (E23)
[0079] X(k|k)=X(k|k-l)+Kg(k)(Z(k)-HX(k|k-l)) (E24)
[0080] Kg(k)=P(k|k-l)H，/(HP(k|k-l)H，+R) (E25)
[0081] P(k|k) = (I-Kg(k)H)P(k|k-l) (E26)
[0082] 上述式子中，算法中还需要系统控制量U(k)，系统状态用X(k)表示，测量值用Z (k);X(k)状态向量，包含了观测的目标的性质;U(k)既是系统控制量，也称为驱动输入向 量，它能影响观测目标运动的改变，如运动目标可以受一个恒定的驱动力而产生加速度;系 统参数是A和B;B称为驱动控制输入矩阵，也就是说在k时刻时，运动目标的状态会受k-Ι时 刻时驱动力的影响;Η称为观测矢量，当A、B、H为矩阵时，则系统处在多模型系统的状态下。 高斯白噪声为W(k)，V(k)，W(k)为过程噪声，V(k)为测量噪声，它们的协方差矩阵分别为Q和 R;系统的测量值方程为
[0083] Z(k)=HX(k)+V(k)。 （E27)
[0084] 上述方案中，优选地，所述的模糊C均值算法(fuzzy c-means)，将一个包含大量数 据的样本，通过计算划分到c个类别中，每个聚类中心可以用V表示，V={V1， V2...VcJJ* 属度U解释模糊;fuzzy c-means算法在求每个类的聚类中心时，保证Je最小，Je的值是描述 数据之间非相似性程度;而U则满足归一性原理；
[0085] _
[0086] 价值函数的表达式为，
[0087]
,i=i ,?-I ]
[0088] V1，V2. . .Vc表示c个聚类的聚类中心，m表示隶属度的指数，dij表示第i个聚类中心 到第j个样本的欧氏距离;当(E23)式子达到最小值时，
[0089]
(E30 )
[0090]对所有输入变量进行求导得到，
[0091]
[0092]
[0093] 运用(E29)和(E30)两式进行模糊C均值聚类算法的迭代过程：
[0094] 1.首先要初始化U，要求满足归一化；
[0095] 2.将样本化为c个聚类，利用(E31)计算V;
[0096] 3.设定价值函数值得阈值，进行迭代处理，直至价值函数值小于设定的阈值；
[0097] 4.利用公式(E32)计算U，将循环返回到第二步。
[0098] 与现有技术相比，本发明有益效果:新颖地并创造地，利用卡尔曼滤波跟踪的方法 实现了交通监控视频中车速获取以及再通过模糊C均值聚类算法进行路面占有率及其离差 平方值模糊聚类后，完成了交通拥堵等级划分;显著地并实质地，提高了交通拥堵检测的精 度、易用性以及数据的可靠性。
【附图说明】
[0099]图1为本发明方法框图；
[0100]图2为本发明的读取视频与预处理模块时序图；
[0101]图3为本发明的卡尔曼滤波流程图；
[0102]图4为本发明的平均建模流程图；
[0103]图5为本发明的录制背景流程图；
[0104] 图6为本发明的获取背景录制时间、背景录制状态及背景录制帧数流程图；
[0105] 图7为本发明的模糊C均值聚类流程图；
[0106] 图8为本发明的运动目标跟踪模块时序图；
[0107] 图9为本发明的交通参数的提取模块时序图；
[0108] 图10为本发明的提取路面占有率流程图；
[0109] 图11为本发明的提取车流量流程图；
[0110] 图12为本发明的提取车速流程图；
[0111] 图13为本发明的交通拥堵等级检测模块时序图；
[0112] 图14为本发明的具体实施界面设计的一种实施例示意图；
[0113] 图15为本发明的一具体实施例视频第N帧检测结果示意图；
[0114] 图16为本发明的一具体实施例视频第N+1帧检测结果示意图；
[0115] 图17为本发明的一具体实施例视频Kalman滤波跟踪计算车速表格；
[0116] 图18为本发明的一具体实施例视频聚类结果表格；
[0117] 图19为本发明的一具体实施例视频中待测的交通参数与每个聚类中心的欧氏距 离；
[0118] 图20为本发明的一具体实施例视频交通拥堵等级检测示意图。
【具体实施方式】
[0119] 本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥 的特征和/或步骤以外，均可以以任何方式组合。
[0120]下面结合附图对本发明做进一步说明：
[0121]图1为本发明方法框图，基于视频的城市道路交通拥堵检测系统，包括读取视频以 及预处理视频，以获取视频帧;对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，并保存单帧背景图片;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 并对运动目标进行滤波跟踪，以获得道路中车辆情况;根据车辆情况和/或运动目标的前景 帧序列，计算并得出交通参数。
[0122]读取视频以及预处理视频，实施例一
[0123] 图2为本发明的读取视频与预处理模块时序图，读取视频，将视频读取到系统中。 如果用户读取的视频的格式为AVI格式，若视频格式不正确是系统是无法识别的，用户需要 重新选择视频目标。视频预处理，对读入的待检测视预处理，获取到视频帧的属性信息，并 将视频帧的首帧在各个区域显示出来。在得到视频帧的属性信息之后，将属性信息保存在 成员变量里，并保证这些信息的正确性，且对当前视频进行处理时，保证成员变量的值不 变。
[0124] 接口程序如下具体实施如下，
[0125] void 0nRead()，读取视频信息。//在rect区域