基于分布式视频的高速路交通事件影响范围动态监控方法
【专利摘要】本发明公开了基于分布式视频的高速路交通事件影响范围动态监控方法，步骤如下：在高速公路通行路段按距离间隔架设多部高清摄像机；利用摄像机拍摄的高速公路车辆通行状态视频图像信息，采用视频识别方法进行预处理，提取视频特征；创建模糊控制器，利用模糊控制器对交通流状态进行检测；判断是否发生交通事件；进行排队状态检测；建立车辆排队长度动态预估模型，通过该模型来计算车辆排队长度；对发现排队事件的摄像机进行实时排队状态检测；当排队现象消失时，利用车辆排队长度动态预估模型对交通事件影响范围进行动态评估。本发明能利用估计的车辆排队长度确定事件的影响范围和排队消散时间，为高速公路交通管理人员提供调度和决策依据。
【专利说明】基于分布式视频的高速路交通事件影响范围动态监控方法
【技术领域】
[0001] 本发明涉及的是智能交通系统领域，具体是提出基于分布式视频的高速路交通事 件影响范围动态监控方法。
【背景技术】
[0002] 由于高速公路交通事故的发生和高饱和状态下收费站的限流作用，交通流在事 件地点大规模堆积，导致车辆排队行为的必然发生，而通过对多个视频信息的识别处理获 取有效的车辆排队波速，建立路段车辆排队长度与时间的动态联系是进行事件严重程度评 估，影响范围预测分析的前提。
[0003] 通过检索发现：【李哲等，基于DSP的车辆排队长度图像检测系统，计算机应用 研究，2005,22(11):229-230;】，【姚荣涵，车辆排队模型研究，吉林大学博士论文 ；】， 【黄磊等，车辆排队长度检测的方法及装置，发明专利，申请日=2010.06. 28,
【公开日】： 2011.01.05;】，【杨永辉等，基于视频的车辆排队长度检测，2011，28(3) :1037-1041;】；上 述技术都是利用视频检测技术获取某一时刻的车辆排队长度，而没有对未来多个时刻的车 辆排队和可能的影响范围进行估计。
[0004] 另，通过检索发现：【代磊磊等，饱和信号交叉口排队长度预测，吉林大学学报（工 学版），2008, 38 (06) : 1287-1290】；该技术是利用自适应权重指数平滑法，对城市交叉路口 进口车道的实时流量进行预测，建立了以定数排队理论为基础的排队长度预测模型。而对 于高速公路事件发生时的影响与预测没有涉及。
[0005] 本发明要解决的技术问题是：为高速公路交通管理人员在交通事件发生后的交通 调度和做出相应决策时，提供一些准确的信息和数据。
【发明内容】
[0006] 本发明的目的就是为了解决上述问题，提供基于分布式视频的高速路交通事件影 响范围动态监控方法，它具有采用图像识别技术对高速公路交通事件进行检测，进而判断 事件发生地的上游是否有排队现象发生，如果发生排队，则基于排队状态检测的方法获取 排队扩散速度，在计算停车波（和启动波）速度的基础上，建立未来多个时刻的车辆排队动 态估计模型，利用估计的车辆排队长度确定事件的影响范围和排队消散时间，为高速公路 交通管理人员提供调度和决策依据的优点。
[0007] 为了实现上述目的，本发明采用如下技术方案：
[0008] 基于分布式视频的高速路交通事件影响范围动态监控方法，包括如下步骤：
[0009] 步骤（1):在高速公路通行路段按距离间隔架设多部高清摄像机；
[0010] 步骤（2):利用高清摄像机拍摄的高速公路车辆通行状态视频图像信息，采用视 频识别方法进行预处理，提取视频特征；创建模糊控制器，利用模糊控制器对交通流状态进 行检测；
[0011] 步骤（3):判断是否发生交通事件，如果是就继续步骤（4);如果否就返回步骤 (2)；
[0012] 步骤⑷：进行排队状态检测；
[0013] 步骤（5):建立车辆排队长度动态预估模型，通过该模型来计算车辆排队长度； [0014] 步骤（6):对步骤⑷中发现排队事件的摄像机进行实时排队状态检测；当排队现 象消失时，进入步骤（7)，否则返回步骤（4);
[0015] 步骤（7):利用步骤（5)的车辆排队长度动态预估模型对交通事件影响范围进行 动态监控，从而实现为高速公路交通管理部门提供交通调度和决策的依据。
[0016] 基于分布式视频的高速路交通事件影响范围动态监控方法，包括如下步骤：
[0017] 步骤（1):在高速公路通行路段按距离间隔架设多部高清摄像机；
[0018] 步骤（2):利用高清摄像机拍摄的高速公路车辆通行状态视频图像信息，采用视 频识别方法进行预处理，提取视频特征；创建模糊控制器，利用模糊控制器对交通流状态进 行检测；
[0019] 步骤（3):通过对前景目标进行矩运算得到前景目标的矩心，通过前景目标矩心 随时间的变化得到交通流速度及交通流速度的变化；通过检测区域的车辆数随时间的变化 得到交通流的流量及交通流的流量的变化，将交通流速度、交通流速度的变化、交通流的流 量和交通流的流量的变化四个参数作为输入进行模糊推理计算，读取路段模糊控制器输出 的交通流状态，判断下游路段是否发生交通事件，如有交通事件发生，记录发生时间h，继 续步骤（4)，否则，回到步骤（2);
[0020] 步骤（4):对商速路上相邻摄像机拍摄视频作运动车辆的存在比和车辆的运动比 进行计算，以运动车辆的存在比和车辆的运动比作为排队长度检测标准来进行排队状态检 测；同时记录摄像机检测到排队事件发生时间{ti，ti+1，...tn}，通过已检测到排队状态发生 的两摄像机之间的距离A1计算出相应时间段内准确的停车波速度；&表示第i个摄像机 检测到排队现象发生的时间；ti+1表示第i+1个摄像机检测到排队现象发生的时间；tn表示 第n个摄像机检测到排队现象发生的时间；
[0021] 步骤（5):通过排队长度、交通流排队速度和交通流排队时间之间的关系建立车 辆排队长度动态预估模型，计算估计未来N个AT时刻的车辆排队长度，当检测过程中检测 到上游摄像机拍摄路段存在排队长度超过设定阈值Lth时，应报警；
[0022] 步骤（6):继续对步骤（4)中发现事件的摄像机进行实时排队状态检测，当发生排 队现象的最下游摄像机检测到排队现象消失时，即检测到交通流状态表现为消散，记录发 生时间t^，继续步骤（7)，否则，回到步骤（5);
[0023] 步骤（7):分别记录事件地点上游摄像机逐个检测到交通流呈消散状态的时间 {t/，ti+1'，...tn' }，结合已检测到发生消散状态的两摄像机之间的距离A1'得到相邻时间 段内的启动波速度，同时继续利用车辆排队上游的摄像机逐个对停车波速度进行排队状态 检测，然后利用已经建立的车辆排队长度动态预估模型估计未来N个△T时刻的车辆排队 长度、车队排队状态解除时间、车辆排队最大长度及事件发生至完全恢复时间，当检测过程 中检测到上游摄像机拍摄路段存在排队长度超过设定阈值Lth或者预测得到的车辆排队最 大长度超过事故点到上游卡口的路段长度时，应报警，车辆排队长度、车队排队状态解除时 间、车辆排队最大长度及事件发生至完全恢复时间这些参数为高速公路交通管理部门提供 了交通调度和决策的依据。t/表示事件发生地点上游第i个摄像机检测到排队消散的时 间；ti+1'表示事件发生地点上游第i+1个摄像机检测到排队消散的时间；tn'表示事件发生 地点上游第n个摄像机检测到排队消散的时间；
[0024] 所述步骤（2)的视频特征包括：交通流的速度、交通流的速度的变化、交通流的流 量和交通流的流量的变化。
[0025] 所述步骤（2)的交通流状态包括正常状态和异常状态。
[0026] 所述步骤（2)的预处理包括：设定检测区域、图像灰度化和高斯滤波；
[0027] 通过设定检测区域，选取高速公路上单方向一条车道中的交通流进行检测；通过 基于平稳序列搜索的背景提取法获取检测区域中视频图像的背景，然后采用背景差分法提 取视频图像中的前景图像，针对前景图像进行灰度化、二值化和高斯滤波处理，除去干扰， 得到二值化前景目标。
[0028] 所述步骤⑵的创建模糊控制器的步骤为：
[0029] (21)制定输入隶属度函数：所述输入隶属度函数包括：速度隶属度函数、速度变 化量隶属度函数、流量隶属度函数和流量变化量隶属度函数；
[0030] (22)制定模糊规则：根据交通流参数与交通流状态之间的统计规律，建立速度及 速度的变化与交通流状态的模糊规则和流量及流量的变化与交通事件发生的模糊规则；
[0031] (23)制定模糊控制算法：分别计算对应交通流异常状态与正常状态的隶属程度， 模糊判别公式如下：
【权利要求】
1. 基于分布式视频的高速路交通事件影响范围动态监控方法，其特征是，包括如下步 骤： 步骤（1):在高速公路通行路段按距离间隔架设多部高清摄像机； 步骤（2):利用高清摄像机拍摄的高速公路车辆通行状态视频图像信息，采用视频识 别方法进行预处理，提取视频特征；创建模糊控制器，利用模糊控制器对交通流状态进行检 测； 步骤（3):判断是否发生交通事件，如果是就继续步骤（4);如果否就返回步骤（2); 步骤（4):进行排队状态检测； 步骤（5):建立车辆排队长度动态预估模型，通过该模型来计算车辆排队长度； 步骤（6):对步骤⑷中发现排队事件的摄像机进行实时排队状态检测；当排队现象消 失时，进入步骤（7)，否则返回步骤（4); 步骤（7):利用步骤（5)的车辆排队长度动态预估模型对交通事件影响范围进行动态 评估，从而实现为高速公路交通管理部门提供交通调度和决策的依据。
2. 如权利要求1所述的基于分布式视频的高速路交通事件影响范围动态监控方法，其 特征是，包括如下步骤： 所述步骤（3)的步骤为：通过对前景目标进行矩运算得到前景目标的矩心，通过前景 目标矩心随时间的变化得到交通流速度及交通流速度的变化；通过检测区域的车辆数随时 间的变化得到交通流的流量及交通流的流量的变化，将交通流速度、交通流速度的变化、交 通流的流量和交通流的流量的变化四个参数作为输入进行模糊推理计算，读取路段模糊控 制器输出的交通流状态，判断下游路段是否发生交通事件，如有交通事件发生，记录发生时 间h，继续步骤（4)，否则，回到步骤（2)。
3. 如权利要求1所述的基于分布式视频的高速路交通事件影响范围动态监控方法，其 特征是，所述步骤（4)的步骤为：对高速路上相邻摄像机拍摄视频作运动车辆的存在比和 车辆的运动比进行计算，以运动车辆的存在比和车辆的运动比作为排队长度检测标准来进 行排队状态检测；同时记录摄像机检测到排队事件发生时间It i, ti+1，…tn}，通过已检测到 排队状态发生的两摄像机之间的距离Λ 1计算出相应时间段内准确的停车波速度；ti表示 第i个摄像机检测到排队现象发生的时间；ti+1表示第i+Ι个摄像机检测到排队现象发生的 时间；t n表示第η个摄像机检测到排队现象发生的时间。
4. 如权利要求1所述的基于分布式视频的高速路交通事件影响范围动态监控方法，其 特征是，所述步骤（5)的步骤为：通过排队长度、交通流排队速度和交通流排队时间之间的 关系建立车辆排队长度动态预估模型，计算估计未来N个△ T时刻的车辆排队长度，当检测 过程中检测到上游摄像机拍摄路段存在排队长度超过设定阈值Lth时，应报警。
5. 如权利要求1所述的基于分布式视频的高速路交通事件影响范围动态监控方法，其 特征是，步骤￠):继续对步骤（4)中发现事件的摄像机进行实时排队状态检测，当发生排 队现象的最下游摄像机检测到排队现象消失时，即检测到交通流状态表现为消散，记录发 生时间V tl，继续步骤（7)，否则，回到步骤（5)。
6. 如权利要求1所述的基于分布式视频的高速路交通事件影响范围动态监控方法， 其特征是，步骤（7):分别记录事件地点上游摄像机逐个检测到交通流呈消散状态的时间 {t/，t i+1'，…tn'}，结合已检测到发生消散状态的两摄像机之间的距离Λ 1'得到相邻时间 段内的启动波速度，同时继续利用车辆排队上游的摄像机逐个对停车波速度进行排队状态 检测，然后利用已经建立的车辆排队长度动态预估模型估计未来N个△ T时刻的车辆排队 长度、车队排队状态解除时间、车辆排队最大长度及事件发生至完全恢复时间，当检测过程 中检测到上游摄像机拍摄路段存在排队长度超过设定阈值L th或者预测得到的车辆排队最 大长度超过事故点到上游卡口的路段长度时，应报警；t/表示事件发生地点上游第i个摄 像机检测到排队消散的时间；t i+1'表示事件发生地点上游第i+Ι个摄像机检测到排队消散 的时间；tn'表示事件发生地点上游第η个摄像机检测到排队消散的时间。
7. 如权利要求1所述的基于分布式视频的高速路交通事件影响范围动态监控方法，其 特征是，所述步骤（2)的视频特征包括：交通流的速度、交通流的速度的变化、交通流的流 量和交通流的流量的变化。
8. 如权利要求1所述的基于分布式视频的高速路交通事件影响范围动态监控方法，其 特征是，所述步骤（2)的预处理包括：设定检测区域、图像灰度化和高斯滤波； 通过设定检测区域，选取高速公路上单方向一条车道中的交通流进行检测；通过基于 平稳序列搜索的背景提取法获取检测区域中视频图像的背景，然后采用背景差分法提取视 频图像中的前景图像，针对前景图像进行灰度化、二值化和高斯滤波处理，除去干扰，得到 二值化前景目标。
9. 如权利要求1所述的基于分布式视频的高速路交通事件影响范围动态监控方法，其 特征是，所述步骤（2)的创建模糊控制器的步骤为： (21) 制定输入隶属度函数：所述输入隶属度函数包括：速度隶属度函数、速度变化量 隶属度函数、流量隶属度函数和流量变化量隶属度函数； (22) 制定模糊规则：根据交通流参数与交通流状态之间的统计规律，建立速度及速度 的变化与交通流状态的模糊规则和流量及流量的变化与交通事件发生的模糊规则； (23) 制定模糊控制算法：分别计算对应交通流异常状态与正常状态的隶属程度，模糊 判别公式如下：
其中，Am表示速度，Bn表示速度的变化，Am (V)表示速度V关于语言值Am的隶属度，m表 示速度V隶属于关于A第几条语言值，取值范围为[1，4] ;Bn(v'）表示速度的变化ν'关于 语言值Bn的隶属度，η表示速度的变化ν'隶属于关于B第几条语言值，取值范围为[1，3]; μ」=AmXBn表示交通状态对于第j条模糊规则的隶属程度； Dm表示流量，En表示流量的变化，Dm (q)表示流量q关于语言值Dm的隶属度，m表示流 量q隶属于关于D第几条语言值，取值范围为[1，3] ;En(q')表示流量的变化q'针对En 的隶属程度，η表示流量的变化q'隶属于关于E第几条语言值，取值范围为[1，3];表示正 常状态与流量的映射关系，j表示异常状态与流量的映射关系；μ i = DniXEn表示输出针对 第i条模糊规则在设定交通状态下的隶属程度； Sn表示针对输入为速度及速度的变化时输出状态对正常于交通流状态的隶属程度； Sa表示输入为速度及速度的变化时输出状态对异常于交通流状态的隶属程度； Sn'表示针对输入为流量及流量的变化时输出状态对正常于交通流状态的隶属程度； Sa'表示针对输入为流量及流量的变化时输出状态对异常于交通流状态的隶属程度； 若Sn大于S a则输出交通流正常；反之若Sn小于Sa则输出交通流异常，若Sn'大于S A' 则输出交通流正常；反之若Sn'小于SA'则输出交通流异常。
10.如权利要求1所述的基于分布式视频的高速路交通事件影响范围动态监控方法， 其特征县，所沭忠骤（5)的棑队
长麼动杰预估椋型： 其中，L(t+N · ΛΤ)表示未来某一时刻预估的排队长度；L⑴表示现在检测到的排队长 度；N ·△ T表示预估时刻距现在的N个相同的时间段；ti+1表示第i+Ι个摄像机检测到排队 现象发生的时间山表示第i个摄像机检测到排队现象发生的时间。
【文档编号】G08G1/01GK104392610SQ201410798919
【公开日】2015年3月4日 申请日期:2014年12月19日 优先权日:2014年12月19日
【发明者】朱文兴, 刘晓亮 申请人:山东大学