一种道路异常行为动作检测装置的制作方法

本发明涉及道路实时检测领域，特别是一种道路异常行为动作检测装置。

背景技术：

随着经济的发展和人们生活水平的提高，人们的日常出行越来越频繁，城市交通越来越拥挤，交通事故也时有发生，大多数交通事故是由于车辆或者行人违规造成的，交通违规不但影响交通路面的通行，而且还给人们的生命财产带来重大的安全隐患，因此如何制止交通违规现象成为交通部门亟待解决的热门问题。

目前，通用的交通监控系统是在十字路口等重要路段使用电子摄像监管技术来确定车辆的违章行为，这种方式的主要局限性在于：必须通过复杂的算法来识别车辆的牌照，用以确定违章车辆，其准确性及可靠性受到诸多因素制约。如在夜晚、天气恶劣以及车速过高时，就会导致拍摄的影像清晰度较低，在车辆之间产生遮挡时，甚至会导致无法拍摄到违章车辆的车牌。因此，在目前条件下交管部门主要依靠通过人工方式(看交通录像)来辨别违章车辆，这就需要大量人力，同时也意味着判断违章的效率和实时性都不高。另一种技术是通过在地下埋设传感器来进行检测，该方法虽然不受道路可见度的制约，但地下的感应线易被重型车辆、路面修理等工作损坏，而修理或安装传感器时又会中断交通并且会影响路面寿命，在一定程度上影响交通的顺畅。总之，目前使用的技术手段均不能很好地解决大量存在的交通违章问题。

技术实现要素：

针对上述问题，本发明旨在提供一种道路异常行为动作检测装置。

本发明的目的采用以下技术方案来实现：

一种道路异常行为动作检测装置，包括：

视频采集模块，与视频识别模块连接，用于获取路面车辆运动的原始视频；

视频识别模块，用于实现视频处理算法，实时检测车辆的异常行为并提取异常行为车辆的车牌信息；

视频处理模块，与所述识别模块连接，用于将获取的异常行为车辆的车牌信息嵌入视频信息中，得到处理后的视频；

通信模块，用于通过无线网络将原始视频和处理后的视频发送至管理中心。

其中，所述视频采集模块为网络监控摄像头，设置在具有一定高度和广角度的位置。

其中，所述视频识别模块包括：

运动车辆检测单元，用于提取原始视频中的背景图像和前景图像，并进行运动识别，获取前景图像中的运动车辆作为跟踪目标；

运动车辆跟踪单元，用于获取跟踪目标的运动轨迹；

车辆轨迹学习单元，用于在学习阶段，根据采集到的车辆轨迹样本数据来建立标准轨迹模型；

异常行为检测单元，以所述跟踪目标的运动轨迹作为目标轨迹，判断目标轨迹是否存在异常行为；

车牌信息提取单元：用于实时提取异常行为车辆的车牌信息。

本发明的有益效果为：本发明能够获取道路上所有车辆的运动信息，并且快速判断车辆是否存在异常行为，将异常行为车辆的视频和车牌信息实时发送至管理中心，能够有效、快速地将道路异常情况反映至管理中心，为管理者立刻采取措施提供了保证，提高了道路监控的智能化水平。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1本发明的框架结构图；

图2是本发明视频识别模块的框架结构图。

附图标记：

视频采集模块1、视频识别模块2、视频处理模块3、通信模块4、运动车辆检测模块20、运动车辆跟踪模块21、车辆轨迹学习模块22、异常行为检测模块23和车牌信息提取单元24

具体实施方式

结合以下应用场景对本发明作进一步描述。

一种道路异常行为动作检测装置，参见图1，包括：

视频采集模块1，与视频识别模块2连接，用于获取路面车辆运动的原始视频；

视频识别模块2，用于实现视频处理算法，实时检测车辆的异常行为并提取异常行为车辆的车牌信息；

视频处理模块3，与所述识别模块2连接，用于将获取的异常行为车辆的车牌信息嵌入视频信息中，得到处理后的视频；

通信模块4，用于通过无线网络将原始视频和处理后的视频发送至管理中心。

优选地，所述视频采集模块1为网络监控摄像头，设置在具有一定高度和广角度的位置。

优选地，参见图2，所述视频识别模块2包括：

运动车辆检测单元20：用于提取原始视频中的背景图像和前景图像，并进行运动识别，获取前景图像中的运动车辆作为跟踪目标；

运动车辆跟踪单元21，用于获取跟踪目标的运动轨迹；

车辆轨迹学习单元22，用于在学习阶段，根据采集到的车辆轨迹样本数据来建立标准轨迹模型；

异常行为检测单元23，以所述跟踪目标的运动轨迹作为目标轨迹，判断目标轨迹是否存在异常行为；

车牌信息提取单元24，用于实时提取异常行为车辆的车牌信息。

本发明上述实施例，能够获取道路上所有车辆的运动信息，并且快速判断车辆是否存在异常行为，将异常行为车辆的视频和车牌信息实时发送至管理中心，能够有效、快速地将道路异常情况反映至管理中心，为管理者立刻采取措施提供了保证，提高了道路监控的智能化水平。

优选地，所述运动车辆跟踪单元21，用于获取跟踪目标的运动轨迹，包括：

(1)建立跟踪目标状态描述模型，用于描述跟踪目标r的状态特征：

xk＝(ck,vk,mk,gk)

式中，xk表示跟踪目标在k时刻的状态特征向量，ck表示跟踪目标在k时刻的重心位置，vk表示跟踪目标在k时刻的运动速度，vk＝ck-ck-1，mk表示跟踪目标在k时刻的偏心矩向量分散度，其中km表示偏心矩向量的总维数，d″(i)表示第i维偏心矩归一化向量，表示偏心矩向量均值，gk表示跟踪目标在k时刻的灰度特征，其中n表示跟踪目标r中像素点的总数，i(i,j)表示跟踪目标r中任意像素点的灰度值；

(2)对跟踪目标的状态特征进行估计，其中采用的状态特征估计函数为：

ck＝ck-1+ck-1×δt+μ1

gk＝gk-1+μ3

式中，ck和ck-1分别表示k和k-1时刻跟踪目标的重心位置，δt表示相邻观测时刻的时间间隔，μ1表示位置估计误差，mk和mk-1分别表示k和k-1时刻跟踪目标的偏心矩向量分散度，表示k-1时刻对下一时刻预测的跟踪目标偏心矩向量分散度变化量，γ表示更新因子，表示k-2时刻对下一时刻预测的跟踪目标偏心矩向量分散度变化量，μ2表示偏心矩向量分散度估计误差，gk和gk-1分别表示k和k-1时刻跟踪目标的灰度特征，μ3表示灰度特征估计误差；

(3)将前一时刻的跟踪目标状态特征分量估计值与当前时刻中的所有未匹配的前景目标的状态特征分量进行匹配，即将所有未匹配的前景目标的重心位置、偏心矩向量分散度、灰度等状态特征分量与跟踪目标一一匹配，如果某状态特征分量的距离小于设定的阈值，则认为该状态特征分量匹配成功，如果其中一个未匹配的前景目标存在两个或两个以上的特征匹配成功时，则将该未匹配的前景目标匹配为跟踪目标；否则，当所有未匹配的前景目标都仅有一个或没有特征分量匹配成功时，则有可能是发生遮挡情况所导致，需要对跟踪目标进行遮挡处理分析；

(4)所述的遮挡处理分析为：当发生遮挡情况的时候，对状态特征进行预测，具体为：

采用的自定义状态特征预测模型对跟踪目标的状态特征进行预测：

其中，

式中，表示k+1时刻跟踪目标的状态特征预测，u0(1)表示跟踪目标的初始状态特征，α和β表示状态特征预测参数，a和b表示待估参数，且满足(a,b)^t＝(b^tb)^-1b^tu，其中b表示累计状态特征序列，u表示状态特征序列，u1(n)表示跟踪目标在n时刻的累计状态特征，u0(n)表示跟踪目标在n时刻的状态特征，

如果当前第k时刻跟踪目标与所有前景目标未发生匹配，则认为其可能发生遮挡，这时将未匹配的跟踪目标暂时保留，并对其进行标记处理，建立遮挡临时链表，将该跟踪目标的历史状态特征加入到遮挡临时链表中，同时采用上述自定义状态特征预测模型更新目标状态，对遮挡过程的运动状态进行预测，如果在t个时刻内，跟踪目标与前景目标重新匹配成功，便可认为该跟踪目标发生暂时性遮挡，将其回归到正常跟踪状态，如果在t个时刻内，跟踪目标仍未匹配成功，则认为该跟踪目标消失，其中t为设定的遮挡时间阈值；

(5)记录下跟踪目标的重心位置变化作为跟踪目标的运动轨迹。

本优选实施例，采用上述的方法对车辆进行跟踪，能够根据车辆的特征参量对车辆的运动轨迹进行准确的估计和匹配，有效地获取车辆运动轨迹，适应性强；特别是在车辆可能被遮挡的情况下，采用自定义的车辆状态特征预测模型，能够准确地模拟车辆被遮挡时的运动状态，有效地提高了车辆轨迹获取的精确度，为之后的车辆异常行为判断奠定了基础。

优选地，所述车辆轨迹学习单元22，用于在学习阶段，根据采集到的车辆轨迹样本数据来建立标准轨迹模型，包括：

(1)通过视频采集模块采集并筛选出车辆正常行为的运动轨迹作为有效样本轨迹；

(2)对于一个包含有k条有效样本轨迹的样本t＝{t1,t2,…,tk}，建立自定义相似矩阵s：

其中，

s(ti,tj)＝exp(-h(ti,tj)/2σ²)

h(ti,tj)＝min(h(ti,tj),h(tj,ti))

式中，si,j表示相似矩阵中第i行第j列的取值，ti和tj分别表示样本中第i条和第j条有效样本轨迹，i,j∈[1,k]，k表示有效样本轨迹的总数，s(ti,tj)表示有效样本轨迹ti和tj的自定义相似度函数，用于计算效样本轨迹ti和tj的相似度，h(ti,tj)表示有效轨迹ti和tj之间的对称距离，σ表示尺度参数，h(a,b)表示有向距离函数，用于计算目标轨迹a到轨迹b的有向距离，nr表示有向距离函数中目标轨迹的轨迹点的个数，和分别表示轨迹ti中第m个轨迹点的横坐标和纵坐标，和分别表示在有效样本轨迹tj中与有效样本轨迹tj中第m个轨迹点距离最近的轨迹点的横坐标和纵坐标，表示有效样本轨迹tj中与有效样本轨迹tj中第m个轨迹点距离最近的轨迹点的排序，和分别表示有效样本轨迹tj中第n个轨迹点的横坐标和纵坐标，其中n小于等于有效样本轨迹tj中轨迹点的总数，函数表示符合函数a(n)取为最小值时n的取值；

(3)根据相似性矩阵s与度矩阵d构造拉普拉斯矩阵l，其中l＝d^-1/2sd^-1/2，其中si,j表示相似矩阵中第i行第j列的取值，k表示有效样本轨迹的总数；

(4)利用krylov子空间迭代法对l进行特征值分解；

(5)将所有特征值λ由小到大排序λ1≤λ2≤…≤λk，如果第b个特征值与第b+1个特征值的差异较大，即则取b为聚类类别数；

(6)计算b个最小特征值即对应的特征向量u1,u2,…,ub，构造k×b矩阵u＝[u1,u2,…,ub]；对u的每一行进行归一化，得到矩阵u‘；

(7)把u‘的行向量视为b维空间中的点，每个轨迹样本ti对应u‘的第i个行向量，利用k-means聚类算法在空间中进行聚类，将轨迹样本划分为b类，作为设定的b类轨迹模式。

本优选实施例，采用上述的方法对样本轨迹进行分类学习，通过自定义相似度函数，能够有效、准确地描述出样本轨迹之间的相似性，然后根据样本轨迹之间的相似度建立相似矩阵并通过聚类算法对每个样本轨迹进行准确、合理的分类，为之后的准确的目标异常行为判断提供了保证。

优选地，所述异常行为检测单元23，以所述跟踪目标的运动轨迹作为目标轨迹，判断目标轨迹是否存在异常行为，包括：

(1)设定样本轨迹划分为b类的轨迹模式为ω1,ω2,…,ωb，采用自定义轨迹模式归属函数来判断目标轨迹a中每个轨迹点的模式归属：

式中，pr(at)表示t时刻目标轨迹中的轨迹点属于轨迹模式ωr的归属值，r＝1,2,…,b，b表示轨迹模式分类的总数，at表示t时刻目标轨迹中的轨迹点，表示轨迹模式ωr中样本的二维均值向量，sr表示二维协方差矩阵，p(ωr)表示轨迹模式ωr所占的比重；

(2)依次获取目标轨迹a中的每个轨迹点对于每个轨迹模式的归属值，如果目标轨迹a中每个轨迹点的最大归属值均属于同一轨迹模式，且该归属值大于设定的阈值，即且pδ(at)>θj，则判断目标轨迹属于轨迹模式ωδ；相反的，如果对于轨迹模式ω1,ω2,…,ωb中的任一模式，目标轨迹a均不满足上述条件，则判断其存在异常行为；

其中pr(at)表示第t时刻目标轨迹中的轨迹点属于轨迹模式ωr的归属值，r＝1,2,…,b，b表示轨迹模式分类的总数，at表示第t时刻目标轨迹中的轨迹点，δ表示t时刻目标轨迹中的轨迹点属于轨迹模式ωδ时所得的归属值最大，θj表示设定的归属阈值。

本优选实施例，采用自定义轨迹模式归属函数对目标轨迹中的每个轨迹点进行模式归属判断，通过判断目标轨迹中每个轨迹点的模式归属，能够快速、准确地判断目标轨迹是否存在异常，适用于实时性的道路异常情况判断，为管理中心快速做出应对措施提供了基础。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当分析，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。