专利名称：基于优化svm的高速公路交通事件检测方法
技术领域：
本发明属于机器学习、数据挖掘领域，主要用于高速公路交通管理系统中，为一种基于优化SVM的高速公路交通事件检测方法。
背景技术：
一直以来，高速公路交通拥堵使人们的出行时间和燃料消耗大大增加[1_2]，给人们带来了巨大的损失。然而，大多数的交通拥堵是由于非经常性的交通事件引起的[3]。因此，如何快速准确地检测出交通事件，对减少交通事件的影响和持续时间、实施合理的路网优
化有着重要的意义。交通事件检测系统的性能主要取决于数据采集和数据处理两个方面。数据采集是 指使用一些检测技术获取交通流参数。数据处理是指通过一些算法对获取的交通流参数进行分析，以判断是否有事件发生，并确定事件发生的位置。因此，为了提高事件检测系统的可靠性和有效性应从两个方面进行改善——数据采集技术和数据处理算法。从国内外以往的论文来看，使用基于线圈检测器获取交通流参数[4_6]的文献占了很大一部分。这主要是由于线圈检测系统已得到广泛使用，且现有的基于线圈检测器获取的标准数据库已比较完善，如美国加州的1-880数据库。但是线圈检测器也存在一些缺点每个车道下面都需要安装线圈检测器，成本较高，且不能覆盖很大的区域；当车流拥堵、车间距小于3m时，检测器精度大幅度降低，甚至无法检测；埋置线圈的切缝软化了路面，使路面易损，在路面出现问题时容易造成线圈损坏，维护时需要封闭车道、开挖路面，花费的人力物力较大，且对道路的通行能力有一定的影响[7]。与此相比，基于视频的交通流参数检测快速简便、处理智能、覆盖范围广，一个摄像头可覆盖4-6个车道，检测范围50-150米，同时不会破坏路面、安装和维护无须中断交通，具有广阔的应用前景。通过摄像机视频获得了实时准确的交通流参数之后，使用事件检测算法即可判断是否有交通事件发生。在数据处理算法方面，当今主流的方法是基于人工神经网络的和基于支持向量机SVM (Support Vector Machines)的交通事件检测算法。基于人工神经网络的事件检测算法是一种智能化的交通事件检测算法，它具有检测率高、误报率低等优点，但神经网络结构的确定没有统一准则，需要大量的学习样本，容易出现过拟合现象，模型的泛化能力不佳；而支持向量机具有完备的统计学习理论和出色的学习性能，不需要大量的学习样本就可以达到很高的检测率，且具有良好的泛化性，是目前广泛采用的一种交通事件检测方法[13]。参考文献[l]Barria J A, Thajchayapong S.Detection and Classification of TrafficAnomalies Using Microscopic Traffic Variables[J]. IEEE TRANSACTIONS ONINTELLIGENT TRANSPORTATION SYSTEMS, 2011，12 (3) :695 - 704.[2] Shah S A, Kim H, Baek S, et al. System architecture of a decisionsupport system for freeway incident management in Republic of Korea[J].Transportation Research Part A:Policy and Practice, 2008, 42 (5) :799 - 810.[3]ffilliams B M,Guin A. Traffic management center use of incidentdetection algorithms:Findings of a nationwide survey[J]. IEEE TRANSACTIONS ONINTELLIGENT TRANSPORTATION SYSTEMS, 2007, 8 (2) :351 - 358.[4] Chen S Y, Wang ff, Henk van Zuylen. Construct support vectormachine ensemble to detect traffic incident [J] · Expert Systems withApplications, 2009, 36(8) :10976 - 10986.[5]刘海松，吴杰长，陈国钧.克隆选择优化的SVM模拟电路故障诊断方法[J].电子测量与仪器学报，2010，24(12) :1132-1136[6]覃频频.事件检测支持向量机模型与神经网络模型比较[J].计算机工程与应用，2006，34:214-217.[7]尤三伟.高速公路常用车辆检测器的性能比较[J].甘肃科技· 2008，24(1) :83-85.[8]吴聪，李勃，董蓉等.基于车型聚类的交通流参数视频检测[J].自动化学报，2011，37(5) :569-576.[9]Huang X,Tan Y, He X G. An Intelligent Multifeature StatisticalApproach for the Discrimination of Driving Conditions of a Hybrid ElectricVehicle[J], IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, 2011，12(2)453 - 465.[10]田有文，王立地，姜淑华.基于图像处理和支持向量机的玉米病害识别[J].仪器仪表学报，2007，27 (6) =2123-2124.[11]尹玉梅，胡中华，湛金辉.基于支持向量机(SVM)的汽车车型识别[J].电子测量技术，2008，31 (7) :22-25.[12]刘卫宁，曾恒，孙棣华等.基于视频检测技术的交通拥挤判别模型[J].计算机应用研究，2010，27 (8) =3006-3008.[13]康海贵，李明伟，周鹏飞等.基于混沌高效遗传算法优化SVM的交通量预测[J].武汉理工大学学报交通科学与工程版，2011，35 (4) =649-653.[14]欧阳俊，陆锋，刘兴权等.基于多核混合支持向量机的城市短时交通预测[J]·中国图象图形学报，2010，15(11) =1688-1695.[15]苗静，姚金杰，苏新彦.基于改进惯性权重PSO算法的目标位置测量技术[J].国外电子测量技术，2010，29 (2) :23-25.
发明内容
本发明要解决的问题是现有交通事件检测系统的数据处理所采用的间接事件检测方法中，基于支持向量机SVM (Support Vector Machines)的交通事件检测方法具有广阔的应用前景，在此基础上提出一种基于改进的网格搜索算法优化的SVM高速公路交通事件检测方法。本发明的技术方案为基于优化SVM的高速公路交通事件检测方法，在待检测路段的上下游设置PTZ视频摄像机，通过摄像机视频获取交通流参数，采用基于支持向量机SVM的交通事件检测算法，根据待检测路段上下游交通流参数的变化判断是否有交通异常或交通事件发生，实时检测交通事件，包括以下步骤I)通过高速公路摄像机视频采集待检测路段的交通流参数，所述交通流参数为占有率和速度；
2)将获取的交通流参数与事件数据库融合，所述事件数据库为已有的交通事件历史数据，将融合后的数据按交通情况分组，每一组分为训练数据集和测试数据集两部分，训练数据集和测试数据集各自都包含事件状态和非事件状态数据；3)根据步骤2)分组的数据，针对每一组分别建立支持向量机SVM事件检测模型，简称SVM模型，所用的SVM模型选择径向基RBF核函数，并采用改进的网格搜索算法对各SVM模型的惩罚参数C和核参数Y进行优化选择；所述改进的网格搜索算法步骤如下31)粗估计SVM模型的惩罚参数C和核参数Y的范围，作为惩罚参数C和核参数Y的初始搜索范围，并根据搜索范围确定搜索步长L ;32)以惩罚参数和核参数为坐标系的坐标，根据步骤31)选定的C、Y初始搜索范围构成一个二维网格，以训练数据集为样本，按照交叉验证的方法计算样本预测准确率，即根据二维网格中的每一组惩罚参数和核参数的值，计算得到对应的预测准确率，预测准确率最高的那组惩罚参数和核参数的值作为当前最优参数组合(C；、Y1)；33)根据当前最优参数组合(Cp Y P，以其为中心，扩展土L范围，得到新的搜索范围，进行进一步网格搜索，根据新的搜索范围调整搜索步长；34)以惩罚参数和核参数为坐标系的坐标，根据步骤33)确定新的搜索范围构成一个新的二维网格，对应新的二维网格上每一组的惩罚参数和核参数的值，以训练数据集为样本，按照交叉验证的方法计算样本预测准确率；35)从步骤34)计算得到的结果中，选择一组使得预测准确率最高的惩罚参数和核参数值作为最优的C、Y ；4)用每一组的训练数据集对针对该组建立的SVM模型进行训练，得到确切的SVM模型的决策函数；使用训练好的各SVM模型对所对应组的测试数据集进行事件状态和非事件状态的分类，根据分类结果与测试数据集的实际数据检验SVM模型的性能，得到对应不同交通情况的SVM模型；5)根据待检测路段的具体交通情况选择对应的SVM模型作为交通事件检测模型，对实时采集的待检测路段交通流参数进行检测判断。步骤I)中，高速公路上每隔Ikm设置一个PTZ视频摄像机，通过高速公路摄像机视频采集交通流参数的时间间隔为lmin。步骤2)中，训练数据集和测试数据集中的每一个数据为一个15维的向量，包括待检测路段下游摄像机在t、t-1、t-2时刻检测到的速度、占有率参数，上游摄像机在t、t-1、t-2、t-3时刻检测到的速度、占有率参数，以及状态标志位,所述状态标志位中，I表示事件状态，-I表示非事件状态。步骤3)选取的支持向量机SVM事件检测模型的输入为一个14维的向量，包括待检测路段下游摄像机在t、t-l、t-2时刻检测到的速度、占有率参数和上游摄像机在t、t-l、t-2、t-3时刻检测到的速度、占有率参数，输出为状态标志位。
步骤4)的训练为根据步骤3)建立的基本SVM模型及其惩罚参数C和核参数Y，在训练样本集上采用SVM的方法构造分类器，得到确切的SVM模型的决策函数引入非线性映射函数Φ (X)，将输入的数据映射到高维属性空间，将原来的具有η个训练样本的训练数据集T = KX1, Y1), (X2, y2),…，(Xn, yn)}转化成S = {(Φ (X1)，J1), (Φ (X2), y2)，…，(Φ (Xn), yn)}，式中，Xi, I = I…η为SVM模型的输入向量，为d维向量，Yn为状态标志位，I表示事件状态，"I表示非事件状态；利用训练数据集对SVM模型进行训练的目标是寻找一个超平面，使得采用SVM模型对训练数据集中的事件状态和非事件状态两类样本进行判别时，两类样本完全分开，该超平面描述如式(I)所示w · X+b=0 ⑴式中，W e Rd，为超平面的法向量，b e R，为超平面的参数，R指实数集，#指d维的实数空间，X表示该超平面；对于任意一个训练样本应满足式(2)的条件Yi (w · Φ (Xi) +b) ^ I- ξ i (2)式中，Yi表示第i个训练样本的状态标志位，Φ (Xi)表示转换后的输入向量，I i彡O,表示第i个训练样本(Φ (Xi), Yi)的松弛变量，i=l, 2，…，η ;根据结构风险最小化原则，将超平面的问题转化为式(3)的优化问题
权利要求
1.基于优化SVM的高速公路交通事件检测方法，其特征是在待检测路段的上下游设置PTZ视频摄像机,通过摄像机视频获取交通流参数,采用基于支持向量机SVM的交通事件检测算法，根据待检测路段上下游交通流参数的变化判断是否有交通异常或交通事件发生，实时检测交通事件，包括以下步骤 1)通过高速公路摄像机视频采集待检测路段的交通流参数，所述交通流参数为占有率和速度； 2)将获取的交通流参数与事件数据库融合，所述事件数据库为已有的交通事件历史数据，将融合后的数据按交通情况分组，每一组分为训练数据集和测试数据集两部分，训练数据集和测试数据集各自都包含事件状态和非事件状态数据； 3)根据步骤2)分组的数据，针对每一组分别建立支持向量机SVM事件检测模型，简称SVM模型，所用的SVM模型选择径向基RBF核函数，并采用改进的网格搜索算法对各SVM模型的惩罚参数C和核参数Y进行优化选择； 所述改进的网格搜索算法步骤如下 31)粗估计SVM模型的惩罚参数C和核参数Y的范围，作为惩罚参数C和核参数Y的初始搜索范围，并根据搜索范围确定搜索步长L ; 32)以惩罚参数和核参数为坐标系的坐标，根据步骤31)选定的C、Y初始搜索范围构成一个二维网格，以训练数据集为样本，按照交叉验证的方法计算样本预测准确率，即根据二维网格中的每一组惩罚参数和核参数的值，计算得到对应的预测准确率，预测准确率最高的那组惩罚参数和核参数的值作为当前最优参数组合(C；、Y1)； 33)根据当前最优参数组合(CpY1),以其为中心，扩展土L范围，得到新的搜索范围，进行进一步网格搜索，根据新的搜索范围调整搜索步长； 34)以惩罚参数和核参数为坐标系的坐标，根据步骤33)确定新的搜索范围构成一个新的二维网格，对应新的二维网格上每一组的惩罚参数和核参数的值，以训练数据集为样本，按照交叉验证的方法计算样本预测准确率； 35)从步骤34)计算得到的结果中，选择一组使得预测准确率最高的惩罚参数和核参数值作为最优的C、Y ； 4)用每一组的训练数据集对针对该组建立的SVM模型进行训练，得到确切的SVM模型的决策函数；使用训练好的各SVM模型对所对应组的测试数据集进行事件状态和非事件状态的分类，根据分类结果与测试数据集的实际数据检验SVM模型的性能，得到对应不同交通情况的SVM模型； 5)根据待检测路段的具体交通情况选择对应的SVM模型作为交通事件检测模型，对实时采集的待检测路段交通流参数进行检测判断。
2.根据权利要求I所述的基于优化SVM的高速公路交通事件检测方法，其特征是步骤1)中，高速公路上每隔Ikm设置一个PTZ视频摄像机，通过高速公路摄像机视频采集交通流参数的时间间隔为lmin。
3.根据权利要求I所述的基于优化SVM的高速公路交通事件检测方法，其特征是步骤2)中，训练数据集和测试数据集中的每一个数据为一个15维的向量，包括待检测路段下游摄像机在t、t-1、t-2时刻检测到的速度、占有率参数，上游摄像机在t、t-1、t-2、t-3时刻检测到的速度、占有率参数，以及状态标志位，所述状态标志位中，I表示事件状态，-I表示非事件状态。
4.根据权利要求3所述的基于优化SVM的高速公路交通事件检测方法，其特征是步骤3)选取的支持向量机SVM事件检测模型的输入为一个14维的向量，包括待检测路段下游摄像机在t、t_l、t_2时刻检测到的速度、占有率参数和上游摄像机在t、t-l、t_2、t_3时刻检测到的速度、占有率参数，输出为状态标志位。
5.根据权利要求I一 4任一项所述的基于优化SVM的高速公路交通事件检测方法，其特征是步骤4)的训练为根据步骤3)建立的基本SVM模型及其惩罚参数C和核参数Y，在训练样本集上采用SVM的方法构造分类器，得到确切的SVM模型的决策函数 引入非线性映射函数Φ (X)，将输入的数据映射到高维属性空间，将原来的具有η个训练样本的训练数据集 T= ((XijY1), (X2，y2)，···，(Xn，yn)}转化成 S= {(Φ (X1)^1), (Φ (X2),I2),''', (Φ氏)，7 )}，式中4，1 = 1···η为SVM模型的输入向量，为d维向量，7 为状态标志位，I表示事件状态，-I表示非事件状态； 利用训练数据集对SVM模型进行训练的目标是寻找一个超平面，使得采用SVM模型对训练数据集中的事件状态和非事件状态两类样本进行判别时，两类样本完全分开，该超平面描述如式(I)所示w · X+b=0 (I) 式中，w e Rd，为超平面的法向量，b e R，为超平面的参数，R指实数集，#指d维的实数空间，X表示该超平面； 对于任意一个训练样本应满足式(2)的条件Yi (w · Φ (Xi) +b)彡 I— ξ i (2) 式中，Yi表示第i个训练样本的状态标志位，Φ (Xi)表示转换后的输入向量，ξ i彡O,表示第i个训练样本(Φ (Xi)，Yi)的松弛变量，i=l, 2，…，η ; 根据结构风险最小化原则，将超平面的问题转化为式(3)的优化问题 ' mm 金 ΙΜΓ+令 (3)
全文摘要
基于优化SVM的高速公路交通事件检测方法，首先通过高速公路摄像机视频快速准确地获取交通流参数，并对这些数据进行预处理，分为训练数据集和测试数据集两部分；所用的支持向量机SVM模型选择径向基RBF核函数，并采用改进的网格搜索算法对SVM模型的惩罚参数C和核参数γ进行优化选择；利用训练数据集对SVM模型进行训练；使用测试数据集对训练好的SVM事件检测模型性能进行检验，然后将SVM模型用于高速公路的实时交通事件检测。测试表明，本发明具有90%以上的检测率和5%以下的误报警率，且优化时间短，满足了交通事件检测实时性的要求。
文档编号H04N7/18GK102682601SQ20121013753
公开日2012年9月19日 申请日期2012年5月4日 优先权日2012年5月4日
发明者吴炜, 吴聪, 李勃, 沈舒, 王双, 董蓉, 蒋士正, 阮雅端, 陈启美 申请人:南京大学