专利名称：基于流形学习的交通拥堵事件协同检测方法
技术领域：
本发明涉及交通状态智能识别技术领域，特别是一种基于流形学习的交通拥堵事件协同检测方法。
背景技术：
交通拥堵事件可定义为平均行程车速已经低于一定范围的交通状态。此时道路交通流处于不稳定状态，交通流内部有小的扰动就将产生大的运行问题，甚至发生交通中断。 此事件发生时车辆经常排成长队，整个车队会走走停停。传统的交通拥堵事件检测器有线圈、微波、红外线等几种，这些检测器基本上是先通过检测车速、车流量、排队长度等交通参数，然后，再通过一些预测或间接转换算法来检测交通拥堵事件。已有的比较经典的检测方法包括California算法、McMaster算法、指数平滑法等。随着技术的发展，判别算法也在改进，视频检测算法也得到了快速的发展，但是它们都各有优劣，并没有一种算法的绩效完全优于其他算法，因为各种算法都是基于某种思想或理论，也都有其限定条件及适用性。近年来随着计算机和图像处理技术的不断发展，利用视频检测器进行交通事件检测已成为一种特别有潜力的方法，有望取代传统检测器成为智能交通系统的一个重要组成部分。视频检测器与传统的检测器相比，具有处理速度快、安装维护便捷且费用较低、可监视范围广、可获取更多种类的交通参数等诸多优点，已在智能交通系统中得到了越来越广泛的应用。世界各国目前广泛使用的是基于视频车辆跟踪的间接检测方法首先，通过图像处理技术自动提取交通参数(车速、车流量、排队长度等)，然后，依据相关交通参数间接检测交通拥堵事件。此种方法与传统的基于线圈的检测方法相比，只是交通参数的提取有一定的不同，但核心的交通拥堵事件的自动检测还是采用类似的算法，可以说在交通拥堵事件自动检测方面没有本质的提高。由于道路交通环境的多样性以及交通拥堵事件发生时存在很多的不可预见性，现有的视频检测技术易受车辆行驶状态或气候条件等外部环境的干扰，背景建模、目标提取和车辆跟踪每个步骤的误差都会直接影响交通参数的自动提取。另外，间接视频检测方法比较依赖交通参数的提取精度，参数提取的误差往往是间接检测算法难以弥补的。因此，这种基于视频技术的间接检测拥堵事件的方法在运用中仍存在着较大的局限性。视频检测方法是指使用图象处理技术和智能技术来识别交通参数及状态的方法， 该方法利用摄像机获取视频信号，通过视频信号检测道路交通状况，由图像处理设备将视频信号转换成数字图像，再由计算机进行相关交通参数和状态的检测识别。它是一类最多样的检测方法，现有常用的方法有方法一是利用车辆的形状、颜色、对称性等信息，结合道路和阴影等常识信息进行相关检测。该方法简单、直观，易于编程实现，但需要估计多个经验阈值，如车辆长宽的经验比值、车辆边缘的最小长度、车辆阴影与道路的灰度差异阈值等。经验阈值准确与否，直接关系到检测性能的好坏。方法二是利用序列图像之间存在的大量相关信息进行车辆的检测，该方法不要预先知道场景的任何信息，且适用于摄像机移动情况。该方法缺点是耗时大，对过于复杂、过快或过慢的运动检测效果不好。方法三是直接检测帧间变化的方法，该方法快捷简单，实时性较好，较适合运动快且形变较大的运动目标，但不适合有全局运动的场景，如不平坦或弯路较多的道路等。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于流形学习的交通拥堵事件协同检测方法，该方法不仅有利于提高交通拥堵事件的检测准确率，而且具有较强的鲁棒性，使用效果好。为实现上述目的，本发明采用的技术方案是一种基于流形学习的交通拥堵事件协同检测方法，其特征在于该方法包括训练学习过程、事件检测过程和反馈过程，所述训练学习过程按如下步骤进行
步骤1. 1 对交通拥堵等级类别进行定义，并采集对应于各交通拥堵等级类别的典型图像形成交通拥堵事件训练图集；
步骤1. 2 对所述各交通拥堵事件训练图集进行纹理转换，生成交通拥堵事件纹理图
集；
步骤1. 3 对所述交通拥堵事件纹理图集进行流形降维处理，得到降维纹理图集； 步骤1. 4 对应于各交通拥堵等级类别，根据降维纹理图集进行原型模式选择，得到事件分类原型集和基于所述事件分类原型集的流形协同检测模型； 所述事件检测过程按如下步骤进行 步骤2. 1 实时采集交通视频帧图像； 步骤2. 2 对各帧图像进行纹理转换，得到实时纹理图； 步骤2. 3 对所述实时纹理图进行流形降维处理，得到实时降维纹理图； 步骤2. 4 将所述实时降维纹理图送入所述流形协同检测模型进行交通拥堵事件分类检测，得到相关的检测结果及相关参数； 所述反馈过程按如下步骤进行
比较相邻帧图像的检测结果，若检测结果未出现突变，则将实时降维纹理图信息叠加进其所属类别的事件分类原型，以更新原型模式，并用更新后的原型模式来识别下一个实时采集且经过纹理转换和流形降维的待检测样本；否则，反馈错检的实时降维纹理图，修正相应的事件分类原型。本发明的有益效果是利用协同神经网络技术和流形学习方法，采用依据拥堵和非拥堵路况的车辆分布整体形态特征的直接视频方法来检测拥堵事件，该方法具有较强的鲁棒性，不易受局部状况的干扰，环境变化相对来说对检测结果的影响小。同时，该方法可提高交通拥堵事件的检测率，降低误识率，加快检测速度，有望进一步提高交通拥堵事件的视频检测水平，具有很强的实用性，具有广阔的应用前景。
图1是本发明方法的实现结构示意图。
具体实施例方式本发明基于流形学习的交通拥堵事件协同检测方法，其特征在于该方法包括训练学习过程、事件检测过程和反馈过程，所述训练学习过程按如下步骤进行
步骤1. 1 对交通拥堵等级类别进行定义，并采集对应于各交通拥堵等级类别的典型图像形成交通拥堵事件训练图集；
步骤1. 2 对所述各交通拥堵事件训练图集进行纹理转换，生成交通拥堵事件纹理图
集；
步骤1. 3 对所述交通拥堵事件纹理图集进行流形降维处理，得到降维纹理图集； 步骤1. 4 对应于各交通拥堵等级类别，根据降维纹理图集进行原型模式选择，得到事件分类原型集和基于所述事件分类原型集的流形协同检测模型； 所述事件检测过程按如下步骤进行 步骤2. 1 实时采集交通视频帧图像； 步骤2. 2 对各帧图像进行纹理转换，得到实时纹理图； 步骤2. 3 对所述实时纹理图进行流形降维处理，得到实时降维纹理图； 步骤2. 4 将所述实时降维纹理图送入所述流形协同检测模型进行交通拥堵事件分类检测，得到相关的检测结果及相关参数； 所述反馈过程按如下步骤进行
比较相邻帧图像的检测结果，若检测结果未出现突变，则将实时降维纹理图信息叠加进其所属类别的事件分类原型，以更新原型模式，并用更新后的原型模式来识别下一个实时采集且经过纹理转换和流形降维的待检测样本；否则，反馈错检的实时降维纹理图，修正相应的事件分类原型。下面对本方法关键步骤的具体实施方案作进一步说明。1、纹理转换算法纹理分析的方法很多，如共生矩阵，GAbor小波，分形维、纹理谱等。共生矩阵提取的纹理性质缺少视觉相似性；而GAbor小波虽最符合人类的视觉特征，但其计算量太大，难以满足实时处理要求；分形维数门限值确定困难。而纹理谱算法简单，纹理单元特别适合表现纹理粗糙度，因此，本发明选择纹理单元来表现交通纹理图像。纹理图像可被看作由一组纹理单元构成，纹理单元表示了一个像素及其邻域像素所构成的局部纹理特征，而对整幅图像的纹理单元的统计则可展现整幅图像的纹理特征。 纹理单元表示法是在3X3窗口内考虑中心像素与8邻域像素的灰度关系。定义纹理单元为包含8个像素的一个集合-.TU=^1, E2,…，EJ，
万的值由以下公式确定 [0 if (F0-A) 马=1 if (V0-A) <￥, <(V0+A) [2 if Vi > (V0+A)
其中i=l，2，…，8, V0为被处理像素，V1为其邻域像素，」为灰度变化阈值。
8定义纹理单元标记值为-.Nm = J^Ei >iirl
2、流形学习降维算法流形学习旨在发现高维数据集分布的内在规律性，其基本思想是高维观测空间中的点由少数独立变量的共同作用在观测空间长成一个流形，如果能有效地展开观测空间卷曲的流形或发现内在的主要变量，就可以对该数据集进行降维。流形学习定义令r是炉空间的d维域，今/ι — Μ为一光滑嵌入,其中况。数据点
IyiJc7由某个随机过程生成，经/映射形成观测空间的数据k =/仏)}〔及"。流形学习
的目标是要从观测数据k)中重构/和W。一般称κ为隐空间，h)为隐数据。目前流形学习已经成为机器学习的一个热点研究领域，主要有四类流形学习方法神经网络、主流形、核主成分分析与嵌入方法。其中，嵌入方法以其具有着思想深刻、算法简单、全局最优等特点，成为流形学习的热点方向。自从2000年&化11(^杂志上刊出了使用嵌入方法LLE与Isomap进行流形学习的算法与实验之后，LLE和Isomap方法成为流形学习的突出代表，前者可看为局部方法的代表，而后者可看作全局方法的代表，并以其各自的优势引起了众多理论和应用上的关注。目前出现的嵌入方法种类繁多，各种嵌入方法之间的区别在于其对嵌入所作假设不同，或者描述数据之间的局部与全局关系的方式不同。但大多局部嵌入方法都存在不同程度的欠拟合现象，即重构流形不能有效地逼近数据集合，这种现象是由于当前嵌入方法将位于流形的不同区域的样本映射到隐空间中的同一个邻域而引起的，而其深层次原因则是当前许多嵌入方法忽略了样本集的全局信息，而全局方法过于严格地限定保持样本之间的流形距离，从而在一些无法在保持全局流形距离的条件下嵌入到低维欧氏空间中的数据集上难以得到好的效果。因此，如何在高维空间的流形映射至低维空间的流形的同时保证数据间的几何关系和距离测度不变性，是嵌入流形学习方法的关键。本发明利用已知的类别信息对邻域点的选择进行监督，同时依据类别信息之间的相关性，自适应选择每个样本点的邻域尺度，融合局部和全局信息实现嵌入流形学习算法。 另外，流形算法对噪声和算法参数都比较敏感，噪声的存在使得输入参数更加难以选择，参数较小的变化会导致差异显著的学习结果。针对这个问题，本发明采用预处理的方案对源图像进行纹理图像转换，以转换后的数据作为流形学习的输入样本，这样不但可以减少样本的信息量，而且也减少噪声的干扰，同时，还能获取粗糙度类别信息以监督流形学习。3、流形协同识别模型本发明提出基于流形学习的协同识别模型的基本思路是首先应用非线性嵌入流形学习算法对交通纹理图像数据进行从高维空间的流形到低维空间流形的映射学习，得到对应低维空间中的流形矩阵作为协同识别模型的输入样本模式。因此，以下协同识别模型中出现的模式或样本均为经过流形学习得到的低维流形矩阵。根据协同学的基本思想，模式识别过程可以理解为若干序参量竞争的过程。对于待试验模式W可以构造一个动力学过程，它能够“拉” ^使它经过中间状态7作)进入到诸原型模式中的一个原型模式vk，即4与Q(O)最为靠近，也就是说拉使其处于Vk的吸引谷
底，这个过程可描述为。在图像模式识别中，图像矩阵先被转换为一维向量，并将其归一化为具有零均值和单位长度的列向量。图像模式识别的动力学方程为 ^ = Σ --C((fq)q+ FXt) ⑴
k滅
其中^为试验模式向量，Xk为注意参数，只有当λk>0时，模式才能被识别，&为原型模式向量，< 为4的伴随向量，它必须满足
权利要求
1.一种基于流形学习的交通拥堵事件协同检测方法，其特征在于该方法包括训练学习过程、事件检测过程和反馈过程，所述训练学习过程按如下步骤进行步骤1. 1 对交通拥堵等级类别进行定义，并采集对应于各交通拥堵等级类别的典型图像形成交通拥堵事件训练图集；步骤1. 2 对所述各交通拥堵事件训练图集进行纹理转换，生成交通拥堵事件纹理图集；步骤1. 3 对所述交通拥堵事件纹理图集进行流形降维处理，得到降维纹理图集； 步骤1. 4 对应于各交通拥堵等级类别，根据降维纹理图集进行原型模式选择，得到事件分类原型集和基于所述事件分类原型集的流形协同检测模型； 所述事件检测过程按如下步骤进行 步骤2. 1 实时采集交通视频帧图像； 步骤2. 2 对各帧图像进行纹理转换，得到实时纹理图； 步骤2. 3 对所述实时纹理图进行流形降维处理，得到实时降维纹理图； 步骤2. 4 将所述实时降维纹理图送入所述流形协同检测模型进行交通拥堵事件分类检测，得到相关的检测结果及相关参数； 所述反馈过程按如下步骤进行比较相邻帧图像的检测结果，若检测结果未出现突变，则将实时降维纹理图信息叠加进其所属类别的事件分类原型，以更新原型模式，并用更新后的原型模式来识别下一个实时采集且经过纹理转换和流形降维的待检测样本；否则，反馈错检的实时降维纹理图，修正相应的事件分类原型。
2.根据权利要求1所述的基于流形学习的交通拥堵事件协同检测方法，其特征在于 在步骤2. 4的交通拥堵事件分类检测中，原型模式的选择方法为在同类别样本中选择不同形态的多个原型，作为该类别的原型集，将待检测样本首先与原型集中各原型进行相似匹配竞争，取最大相似的原型作为最优原型输出，然后再将待检测样本分别与各类别的最优原型进行相似匹配，以最大相似结果作为分类结果。
全文摘要
本发明涉及交通状态智能识别技术领域，特别是一种基于流形学习的交通拥堵事件协同检测方法，其特征在于该方法包括训练学习过程、事件检测过程和反馈过程，训练学习过程为采集各交通状态典型图像形成交通拥堵事件训练图集，进行纹理转换和流形降维处理后，进行原型模式选择，得到事件分类原型集和流形协同检测模型；事件检测过程为实时采集交通视频帧图像，进行纹理转换和流形降维处理后，送入流形协同检测模型进行交通拥堵事件分类检测，得到检测结果；反馈过程为比较相邻帧图像的检测结果，根据检测结果突变情况，更新或修正相应的事件分类原型。该方法不仅有利于提高交通拥堵事件的检测准确率，而且具有较强的鲁棒性，使用效果好。
文档编号G08G1/01GK102169631SQ201110100910
公开日2011年8月31日 申请日期2011年4月21日 优先权日2011年4月21日
发明者刘秉瀚, 王伟智 申请人:福州大学