一种基于视频分析的交通拥堵检测方法与流程

本发明属于公共交通领域，尤其涉及一种基于视频分析的交通拥堵检测方法。

背景技术：

现如今，随着社会经济的快速发展，居民车辆拥有率逐渐攀升，它为人们的生活带来极大便利的同时，不断涌现的社会交通问题对智能交通系统的要求越来越高，实时、准确、有效地通报交通拥堵就显得尤为重要。

为解决道路交通问题，智能交通系统已成为新的研究热点，其中交通拥堵检测是关键技术之一，对于交通拥堵检测，已经提出了很多切实可行的方法，如传统its采用的地感线圈、微波检测器和雷达等方法虽然能实现车辆计数但难以检测拥堵状态，再如基于gps数据的交通拥堵检测，往往出现原始数据较难获取，容易存在数据缺失等现象，随着计算机视觉技术的发展，基于视频分析的智能交通系统逐渐被推广，与传统方法相比，交通视频的监控范围大、交通信息多、监控成本低，具有一定优势。

技术实现要素：

本发明旨在提供一种基于视频分析的交通拥堵检测方法。

为实现上述技术目的，本发明采用以下技术方案，一种基于视频分析的交通拥堵检测方法，包括以下步骤：

步骤s1、预置位处理，把摄像头调整到适合视频分析的位置，并将当前相机位置设置为预置位，设置每个预置位用于视频分析的roi坐标信息，设置每个相机的能力类型，开始识别前先对相机位置进行内检，判断相机是否在预置位，如果相机不在预置位，则固定时间后把相机拉回到预置位；

步骤s2、视频数据处理，把相机的rtsp流转码解码成base64格式的图像，所述rtsp为real-timestreamprotocol即实时流传输协议；

步骤s3、用高斯混合模型检测车辆，设置高斯混合模型的参数：滑动窗口的大小和前景目标大小的阈值，根据roi坐标信息从图像中提取感兴趣的区域，用高斯混合模型提取roi的车辆目标，判断车辆目标数目是否达到拥堵条件；

步骤s4、用光流法计算车辆的相对移动速度：设置光流法的参数，根据roi坐标信息从图像中提取感兴趣的区域；用光流法提取和跟踪roi的特征点，当特征点移动至roi外时，计算特征点的相对平均移动速度并用光流法重新提取和跟踪roi的新的特征点；

步骤s5、判断拥堵的状态，先根据步骤s3高斯混合模型提取的车辆目标数目判断是否达到拥堵条件，车辆目标数目超过阈值的再根据步骤s4光流法计算得到的速度判断是否达到拥堵条件，根据光流法计算得到的速度判断是缓行、速度骤降还是完全堵死；

步骤s6、将交通拥堵状态上报至交通指挥中心。

作为优选，步骤s1中采用的摄像头为球形摄像头。

作为优选，步骤s6向交通指挥中心上报速度骤降或完全堵死的状态信息的同时发出报警信息。

本发明设计的基于视频分析的交通拥堵检测方法，主要目的是通过把接入的交通监控视频流转换成图像并用本专利系统来对交通拥堵情况进行检测和播报，解决人工监测交通拥堵情况的耗时长、效率低的情况，区别于传统交通拥堵检测，本发明检测方法具有以下几个优点：预置位判断，很多摄像头是球形摄像机，此类设备具备灵活可旋转的特点，常常被用来巡查交通状况，目前市场上的智能摄像头已经可以在后台控制旋转角度，为了减少误判，在接入算法的时候先判断球形摄像机是否在预置位上，在预置位上，则进行拥堵识别，否则不进行识别，若相机长时间不在预置位，则使其自动回到预置位；多角度识别拥堵，在智能监控系统中，对于运动目标的检测是中心内容，而在运动目标检测提取中，背景目标对于目标的识别和跟踪至关重要，因此建模正是背景目标提取的一个重要环节，建模的基本思想是从当前帧中提取前景，其目的是使背景更接近当前视频帧的背景，而高斯混合模型是建模最为成功的方法之一，本发明利用高斯混合模型提取前景目标并统计目标数量，目标数量超过阈值是判断交通拥堵的依据之一；在交通拥堵识别中，目标速度应是重要判断依据，光流法是对运动序列图像分析的一个重要方法，光流不仅包含图像中目标的运动信息，而且包含了三维物理结构的丰富信息，因此可用来确定目标的运动情况，反映目标的运动速度，本发明利用光流法计算前景目标的速度，并根据速度判断当前交通处于缓行、骤降、堵死三种状态中的哪一种状态。

附图说明

图1是本发明方法的流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

下面参照图1描述根据本发明实施例的一种基于视频分析的交通拥堵检测方法，包括以下步骤：

步骤s1、预置位处理，把摄像头调整到适合视频分析的位置，并将当前相机位置设置为预置位，设置每个预置位用于视频分析的roi坐标信息，设置每个相机的能力类型，开始识别前先对相机位置进行内检，判断相机是否在预置位，如果相机不在预置位，则固定时间后把相机拉回到预置位；

步骤s2、视频数据处理，把相机的rtsp流转码解码成base64格式的图像，所述rtsp为real-timestreamprotocol即实时流传输协议；

步骤s3、用高斯混合模型检测车辆，设置高斯混合模型的参数：滑动窗口的大小和前景目标大小的阈值，根据roi坐标信息从图像中提取感兴趣的区域，用高斯混合模型提取roi的车辆目标，判断车辆目标数目是否达到拥堵条件；

步骤s4、用光流法计算车辆的相对移动速度：设置光流法的参数，根据roi坐标信息从图像中提取感兴趣的区域；用光流法提取和跟踪roi的特征点，当特征点移动至roi外时，计算特征点的相对平均移动速度并用光流法重新提取和跟踪roi的新的特征点；

步骤s5、判断拥堵的状态，先根据步骤s3高斯混合模型提取的车辆目标数目判断是否达到拥堵条件，车辆目标数目超过阈值的再根据步骤s4光流法计算得到的速度判断是否达到拥堵条件，根据光流法计算得到的速度判断是缓行、速度骤降还是完全堵死；

步骤s6、将交通拥堵状态上报至交通指挥中心。

作为优选，步骤s1中采用的摄像头为球形摄像头。

作为优选，步骤s6向交通指挥中心上报速度骤降或完全堵死的状态信息的同时发出报警信息。

本发明设计的基于视频分析的交通拥堵检测方法，主要目的是通过把接入的交通监控视频流转换成图像并用本专利系统来对交通拥堵情况进行检测和播报，解决人工监测交通拥堵情况的耗时长、效率低的情况，区别于传统交通拥堵检测，本发明检测方法具有以下几个优点：预置位判断，很多摄像头是球形摄像机，此类设备具备灵活可旋转的特点，常常被用来巡查交通状况，目前市场上的智能摄像头已经可以在后台控制旋转角度，为了减少误判，在接入算法的时候先判断球形摄像机是否在预置位上，在预置位上，则进行拥堵识别，否则不进行识别，若相机长时间不在预置位，则使其自动回到预置位；多角度识别拥堵，在智能监控系统中，对于运动目标的检测是中心内容，而在运动目标检测提取中，背景目标对于目标的识别和跟踪至关重要，因此建模正是背景目标提取的一个重要环节，建模的基本思想是从当前帧中提取前景，其目的是使背景更接近当前视频帧的背景，而高斯混合模型是建模最为成功的方法之一，本发明利用高斯混合模型提取前景目标并统计目标数量，目标数量超过阈值是判断交通拥堵的依据之一；在交通拥堵识别中，目标速度应是重要判断依据，光流法是对运动序列图像分析的一个重要方法，光流不仅包含图像中目标的运动信息，而且包含了三维物理结构的丰富信息，因此可用来确定目标的运动情况，反映目标的运动速度，本发明利用光流法计算前景目标的速度，并根据速度判断当前交通处于缓行、骤降、堵死三种状态中的哪一种状态。

在本说明书的描述中，参考术语“一个实施例”、“示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。