專利名稱：一種城市交通事故自動(dòng)識(shí)別方法和系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及智能交通視頻圖像監(jiān)控和視頻圖像分析領(lǐng)域，特別是涉及到一種城市 交通事故自動(dòng)識(shí)別方法和系統(tǒng)。
背景技術(shù)：
近年來，隨著中國經(jīng)濟(jì)的快速發(fā)展，城市基礎(chǔ)設(shè)施建設(shè)以及機(jī)動(dòng)車數(shù)量都取得了 突飛猛進(jìn)的發(fā)展，給人們帶來極大便利的同時(shí)，交通擁擠、交通事故發(fā)生頻率也隨之增加， 已經(jīng)影響到人們的生產(chǎn)、生活等各個(gè)方面。據(jù)統(tǒng)計(jì)，僅2009年全國共發(fā)生道路交通事故2. 3 萬余起，造成6. 7萬人死亡、2. 7萬人受傷，直接財(cái)產(chǎn)損失9. 1億元。交通事故的研究正成為 現(xiàn)代交通的一個(gè)極其重要的研究領(lǐng)域?；谝曨l圖像技術(shù)的交通視頻研究成為解決交通事 故的一個(gè)重要方面。目前，專門針對(duì)交通事故識(shí)別的研究較少，主要把交通事故作為一種交通事件來 對(duì)交通事件進(jìn)行廣泛的研究?，F(xiàn)有的交通事件檢測大多數(shù)是基于地感線圈數(shù)據(jù)的方法。該 方法主要作用有兩方面一方面通過對(duì)超速、逆行、非法停車等交通違法事件進(jìn)行檢測，從 而增強(qiáng)駕駛員的安全意識(shí)，一定程度上起到交通事故預(yù)防的作用；另一方面，通過對(duì)交通擁 堵、道路遺撒、交通事故等事件檢測，進(jìn)而通知交通管理部門及時(shí)處理，以最大限度地減少 交通事件對(duì)正常交通的影響。但由于其技術(shù)不夠成熟，易受各種因素的影響，因而誤檢率、 漏檢率較高。目前基于視頻檢測技術(shù)的城市交通事故往往也是作為交通事件檢測的一部 分，簡單的利用單一的速度，車道占有率等參數(shù)，不能夠很好的識(shí)別出交通事故，也不能很 好的實(shí)現(xiàn)自動(dòng)報(bào)警。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種城市交通事故自動(dòng)識(shí)別方法和系統(tǒng)，用于實(shí)現(xiàn)快速且有 效地檢測到城市交通事故。為了實(shí)現(xiàn)上述目的，本發(fā)明提出一種城市交通事故自動(dòng)識(shí)別方法，其包括獲取城市道路視頻圖像序列；基于混合高斯背景模型的前景車輛分離；基于 Camshiff算法和kalman濾波組合的多目標(biāo)車輛跟蹤算法；提取出速度變化，水平與垂直位 置變化和運(yùn)動(dòng)方向變化等交通事故判別參數(shù)；提出多特征加權(quán)融合自動(dòng)事故識(shí)別算法。進(jìn)一步的，其中上述的獲取道路視頻圖像序列是通過單一固定的CXD攝像機(jī)獲得 城市交通事故多發(fā)路段的視頻圖像。進(jìn)一步的，其中上述的前景車輛分離步驟包括S21基于混合高斯分布模型的背景差分算法；S22利用自適應(yīng)閾值分割方法得到前景和背景圖像；S23利用數(shù)學(xué)形態(tài)學(xué)的開運(yùn)算去除小面積的非運(yùn)動(dòng)車輛目標(biāo)；S24利用輪廓投影分析與形狀分析結(jié)合去除陰影；S25基于腐蝕和膨脹運(yùn)算的四連通區(qū)域車輛輪廓提取算法；
進(jìn)一步的，其中上述的多目標(biāo)跟蹤步驟包括S31為了實(shí)現(xiàn)多目標(biāo)同時(shí)跟蹤，為每個(gè)車輛建立一個(gè)跟蹤器；S32利用步驟S2得到的車輛目標(biāo)，選取車輛中心和顏色作為特征；S33添加新的車輛對(duì)象并更新當(dāng)前跟蹤隊(duì)列，利用camshift跟蹤算法跟蹤車輛；S34利用kalman濾波預(yù)測車輛在下一時(shí)刻的車輛中心，并將結(jié)果送給camshift算 法中；進(jìn)一步的，其中上述的提取交通事故參數(shù)步驟包括S41城市交通事故發(fā)生時(shí)，車輛的速度變化比較明顯，提取出速度變化作為交通參 數(shù)信息；S42城市交通事故發(fā)生時(shí)，車輛的水平位置和垂直位置變化比較明顯，提取出水平 位置和垂直位置變化作為交通參數(shù)信息；S43城市交通事故發(fā)生時(shí)，車輛的運(yùn)動(dòng)方向變化比較明顯，提取出運(yùn)動(dòng)方向變化作 為交通參數(shù)信息；進(jìn)一步的，其中上述的多特征加權(quán)融合識(shí)別算法步驟包括；S51 利用步驟S4得到的交通參數(shù)乘以各自的加權(quán)系數(shù)，然后求和運(yùn)算；S52利用事故多發(fā)路段的統(tǒng)計(jì)信息得到事故閾值信息，利用S51得到的結(jié)果與閾 值比較，大于閾值為事故發(fā)生，否則為正常狀況。本發(fā)明另一目的是提供上述城市交通事故自動(dòng)識(shí)別方法的系統(tǒng)，該包括視頻捕 捉單元、圖像處理單元、傳輸單元、報(bào)警單元和存儲(chǔ)單元；其中，視頻捕捉單元，用于得到道路交通視頻圖像序列；圖像處理單元，用于對(duì)輸入的視頻圖像進(jìn)行處理，并判定是否有事故發(fā)生；傳輸單元，用以實(shí)時(shí)快速的傳輸視頻圖像；報(bào)警單元，用以把交通事故信息實(shí)時(shí)報(bào)警，以及時(shí)處理交通事故；存儲(chǔ)單元，用于把交通事故信息存儲(chǔ)下來，為事故處理使用。進(jìn)一步的，上述的圖像處理單元由背景建模模塊，車輛檢測模塊，車輛跟蹤模塊和 交通識(shí)別判別模塊組成；背景建模模塊利用道路視頻圖像信息，采用混合高斯算法建立背景模型；車輛檢測模塊；利用背景差分算法，采用當(dāng)前幀與背景幀做差，得到前景運(yùn)動(dòng)目 標(biāo)，然后做自適應(yīng)閾值分割，形態(tài)學(xué)去噪和陰影去除，使前景圖像中只包括運(yùn)動(dòng)車輛目標(biāo)；車輛跟蹤模塊；為每一個(gè)檢測到的運(yùn)動(dòng)車輛建立一個(gè)camshift跟蹤器，實(shí)現(xiàn)多目 標(biāo)同時(shí)跟蹤，再結(jié)合kalman濾波預(yù)測下一車輛位置；交通識(shí)別判別模塊根據(jù)速度變化，水平位置和垂直位置變化和運(yùn)動(dòng)方向變化等 參數(shù)信息，利用多特征加權(quán)融合算法識(shí)別交通事故；本發(fā)明的有益效果是本發(fā)明的一種城市交通事故自動(dòng)識(shí)別方法和系統(tǒng)，實(shí)現(xiàn)城 市交通事故多發(fā)路段的交通事故的自動(dòng)識(shí)別，充分利用計(jì)算機(jī)視覺，圖像處理和模式識(shí)別 新技術(shù)，是道路視頻監(jiān)控智能化，為迅速發(fā)現(xiàn)城市交通事故提供極大的幫助，進(jìn)一步提升了 城市智能監(jiān)控系統(tǒng)的能力和整體指揮能力。


圖1是本發(fā)明一種城市交通事故自動(dòng)識(shí)別方法流程圖；圖2所示為基于混合高斯背景模型的前景車輛分離具體過程流程圖；圖3所示為基于Camshift算法和kalman濾波組合的多目標(biāo)跟蹤算法具體流程圖；圖4所示為基于速度、位置和方向等特征的加權(quán)融合識(shí)別算法具體流程圖；圖5所示為本發(fā)明一種城市交通事故自動(dòng)識(shí)別系統(tǒng)結(jié)構(gòu)示意圖。
具體實(shí)施例方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì) 本發(fā)明的一種城市交通事故自動(dòng)識(shí)別方法和系統(tǒng)進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所 描述的具體實(shí)施僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。本發(fā)明的一種城市交通事故自動(dòng)識(shí)別方法和系統(tǒng)，通過對(duì)城市交通事故多發(fā)路段 視頻監(jiān)控圖像的分析，實(shí)現(xiàn)道路交通事故自動(dòng)識(shí)別，并及時(shí)傳送到交通控制中心，使得減少 交通事故帶來的損失。下面詳細(xì)描述本發(fā)明的一種城市交通事故自動(dòng)識(shí)別方法，如圖1所示，包括獲取 城市道路視頻圖像序列，基于混合高斯背景模型的前景車輛分離；基于Camshift算法和 kalman濾波組合的多目標(biāo)車輛跟蹤算法；提取出速度變化，水平與垂直位置變化和運(yùn)動(dòng)方 向變化等交通事故判別參數(shù)；提出多特征加權(quán)融合識(shí)別算法。其處理步驟具體如下S11，通過C⑶攝像機(jī)得到道路視頻圖像序列，做中值濾波，梯度銳化等圖像預(yù)處 理，去除由于設(shè)備等帶來的噪聲影響；S12，采用混合高斯建立背景模型，利用背景差分法檢測出當(dāng)前幀視頻圖像中各像 素在場景和運(yùn)動(dòng)目標(biāo)間的歸屬情況，然后從檢測結(jié)果中提取出各運(yùn)動(dòng)目標(biāo)的中心，形狀和 顏色信息；S13，利用數(shù)學(xué)形態(tài)學(xué)的開運(yùn)算去除小面積的非運(yùn)動(dòng)車輛目標(biāo)，利用輪廓投影分析 與形狀分析結(jié)合去除陰影，利用四聯(lián)通區(qū)域標(biāo)識(shí)運(yùn)動(dòng)車輛；S14，利用Kalman濾波和Camshift組合算法實(shí)現(xiàn)多車輛同時(shí)跟蹤。利用Kalman 濾波器預(yù)測k(k >= 2)幀目標(biāo)的位置，作為Camshift在這個(gè)位置的鄰域中找到目標(biāo)的最 優(yōu)位置，再以這個(gè)目標(biāo)位置作為Kalman濾波器的預(yù)測值來修正k幀預(yù)測值，然后將修正值 代入，進(jìn)行下一幀計(jì)算。S15，從車輛跟蹤結(jié)果中，提取出速度變化，水平和垂直位置變化，運(yùn)動(dòng)方向變化等 交通事故參數(shù)；S16，利用多特征加權(quán)融合算法識(shí)別是否發(fā)生交通事故。若交通事故識(shí)別后及時(shí)發(fā) 送消息到交通控制中心，并通過圖像彈出或者聲音提示實(shí)時(shí)報(bào)警，使得事故得到及時(shí)處理。如圖2所示，基于混合高斯背景模型的前景車輛分離具體過程包括步驟S21，選擇ROI區(qū)域通過在圖像上畫一個(gè)矩形區(qū)域，這樣即可以較準(zhǔn)確地檢測運(yùn)動(dòng) 車輛目標(biāo)，又可以減少計(jì)算量，達(dá)到實(shí)時(shí)性的要求。本文采用背景更新方法來畫定ROI區(qū) 域；S22，混合高斯模型背景建模，具體為高斯混合模型的基本思想是對(duì)每一個(gè)像 素點(diǎn)，定義K狀態(tài)來表示其像素值，K值一般取3-5之間，K值越大，處理背景擾動(dòng)能力越強(qiáng)，相應(yīng)所需的處理時(shí)間也就越長。某點(diǎn)X在某時(shí)刻的隨機(jī)分布概率為
KKP(X) = Σ PiG1 )p(x I Gi) = Σ (Olg(xt Ml t, Σ ht)(2.1)
i=l i=l式中，K為高斯分布的數(shù)量，COi是第i個(gè)高斯分布的權(quán)值；μ i,t，Σ i,t為第i個(gè)高 斯分布的均值向量和方差矩陣；g是第i個(gè)概率密度的高斯分布函數(shù)。在這個(gè)分布模型上， 以X為背景的后驗(yàn)概率P (Β/χ)可進(jìn)一步表示為
權(quán)利要求
1.一種城市交通事故自動(dòng)識(shí)別方法，其特征在于，具體包括以下步驟 步驟Si:獲取城市道路視頻圖像序列；步驟S2:基于混合高斯背景模型的前景車輛分離；步驟S3:基于Camshift算法和kalman濾波組合的多車輛跟蹤算法；步驟S4:提取出速度變化，水平與垂直位置變化和運(yùn)動(dòng)方向變化等交通事故判別參數(shù)；步驟S5:提出多特征加權(quán)融合自動(dòng)識(shí)別算法。
2.根據(jù)權(quán)利要求1所述的交通事故自動(dòng)識(shí)別方法，其特征在于，所述步驟Sl中獲取城 市視頻圖像序列是通過單一固定的CCD攝像機(jī)獲得城市交通事故多發(fā)路段的視頻圖像。
3.根據(jù)權(quán)利要求1所述的交通事故自動(dòng)識(shí)別方法，其特征在于，所述步驟S2中前景車 輛分離步驟包括521)基于混合高斯分布模型的背景差分算法；522)利用自適應(yīng)閾值分割方法得到前景和背景圖像；523)利用數(shù)學(xué)形態(tài)學(xué)的開運(yùn)算去除小面積的非運(yùn)動(dòng)車輛目標(biāo)；524)利用輪廓投影分析與形狀分析結(jié)合去除陰影；525)基于腐蝕和膨脹運(yùn)算的四連通區(qū)域車輛輪廓提取算法。
4.根據(jù)權(quán)利要求1所述的交通事故自動(dòng)識(shí)別方法，其特征在于，所述步驟S3中多目 標(biāo)跟蹤算法步驟包括S31 )為了實(shí)現(xiàn)多目標(biāo)同時(shí)跟蹤，為每個(gè)車輛建立一個(gè)跟蹤器；532)利用步驟S2得到的車輛目標(biāo)，選取車輛中心和顏色作為特征；533)添加新的車輛對(duì)象并更新當(dāng)前跟蹤隊(duì)列，利用camshift算法跟蹤車輛；S34 )利用kalman濾波預(yù)測車輛在下一時(shí)刻的車輛中心，并將結(jié)果送給camshift算法中。
5.根據(jù)權(quán)利要求1所述的交通事故自動(dòng)識(shí)別方法，其特征在于，所述步驟S4中提取交 通事故參數(shù)步驟包括S41 )城市交通事故發(fā)生時(shí)，車輛的速度變化比較明顯，提取出速度變化作為交通事故 參數(shù)信息；542)城市交通事故發(fā)生時(shí)，車輛的水平位置和垂直位置變化比較明顯，提取出水平位 置和垂直位置變化作為交通事故參數(shù)信息；543)城市交通事故發(fā)生時(shí)，車輛的運(yùn)動(dòng)方向變化比較明顯，提取出運(yùn)動(dòng)方向變化作為 交通事故參數(shù)信息。
6.根據(jù)權(quán)利要求1所述的交通事故識(shí)別方法，其特征在于，所述步驟S4中多特征加權(quán) 融合識(shí)別算法步驟包括；551)利用步驟S4得到的交通參數(shù)乘以各自的加權(quán)系數(shù)，然后求和運(yùn)算；552)利用事故多發(fā)路段的統(tǒng)計(jì)信息得到事故閾值信息，利用S51得到的結(jié)果與閾值比 較，大于閾值為事故發(fā)生，否則為正常狀況。
7.根據(jù)權(quán)利要求1-6所述的交通事故識(shí)別方法的自動(dòng)識(shí)別系統(tǒng)，其特征在于，該系統(tǒng) 包括視頻捕捉單元、圖像處理單元、傳輸單元、報(bào)警單元和存儲(chǔ)單元；其中，所述視頻捕捉單 元，用于得到城市交通視頻圖像序列；所述圖像處理單元，用于對(duì)輸入的視頻圖像進(jìn)行處理，并判定是否有事故發(fā)生； 所述傳輸單元，用以實(shí)時(shí)快速的傳輸視頻圖像； 所述報(bào)警單元，用以把交通事故信息實(shí)時(shí)報(bào)警，以及時(shí)處理交通事故； 所述存儲(chǔ)單元，用于把交通事故信息存儲(chǔ)下來，為事故處理使用。
8.根據(jù)權(quán)利要求7所述的自動(dòng)識(shí)別系統(tǒng)，其特征在于，所述圖像處理單元包括 背景建模模塊利用道路視頻圖像信息，采用混合高斯算法建立背景模型； 車輛檢測模塊；利用背景差分算法，采用當(dāng)前幀與背景幀做差，得到前景為運(yùn)動(dòng)目標(biāo)， 然后做自適應(yīng)閾值分割、形態(tài)學(xué)去噪、陰影去除和車輛輪廓標(biāo)識(shí)，使前景圖像中只包括運(yùn)動(dòng) 車輛目標(biāo)；車輛跟蹤模塊；為每一個(gè)檢測到的運(yùn)動(dòng)車輛建立一個(gè)camshift跟蹤器，實(shí)現(xiàn)多車輛同 時(shí)跟蹤，再結(jié)合kalman濾波預(yù)測下一車輛位置，解決車輛部分遮擋問題；交通識(shí)別判別模塊提出速度變化、水平和垂直位置變化、運(yùn)動(dòng)方向變化等交通事故參 數(shù)，利用多特征加權(quán)融合算法識(shí)別交通事故。
全文摘要
本發(fā)明屬于智能交通視頻圖像監(jiān)控和視頻圖像分析領(lǐng)域，特別是涉及到一種城市交通事故自動(dòng)識(shí)別方法和系統(tǒng)，其中，所述交通事故自動(dòng)識(shí)別方法包括獲取城市道路視頻圖像序列；基于混合高斯背景模型的前景車輛分離；基于Camshift算法和kalman濾波組合的多目標(biāo)車輛跟蹤算法；提取出速度變化，水平與垂直位置變化和運(yùn)動(dòng)方向變化等交通事故判別參數(shù)；提出多特征加權(quán)融合自動(dòng)事故識(shí)別算法。本發(fā)明通過傳輸單元和顯示單元及時(shí)把交通事故信息傳送到交通控制中心，從而實(shí)現(xiàn)交通事故得到迅速處理，為交通管理提供了一種有效、靈活、性價(jià)比高的道路交通監(jiān)控手段，為開發(fā)高效的智能視頻交通事故系統(tǒng)提供了一種新的思路。
文檔編號(hào)G06K9/00GK102073851SQ20111000712
公開日2011年5月25日 申請日期2011年1月13日 優(yōu)先權(quán)日2011年1月13日
發(fā)明者劉曉婕, 張海永, 李娟娟, 林宗術(shù), 藍(lán)金輝, 郭敏 申請人:北京科技大學(xué)