交通事件檢測(cè)

1、第一，交通事件的概念，研究的意義，交通事件：非周期性的發(fā)生導(dǎo)致道路通行減少的事件。交通事故、故障停車、貨物分散、道路維護(hù)、車輛逆行、車道轉(zhuǎn)換、超速、低速、停車、交通堵塞等。我國(guó)的事故發(fā)生率居世界第一，近幾年每年有10萬(wàn)人左右的道路交通死亡，每年交通事故造成的損失額達(dá)數(shù)百億韓元。為了預(yù)防和減少交通事故，要及時(shí)有效地進(jìn)行事故結(jié)構(gòu)和處理，有效地減少交通事故造成的交通延遲，預(yù)防二次事故的發(fā)生，必須準(zhǔn)確、迅速地檢測(cè)交通異常和交通事故。第二，交通事故檢測(cè)方法，目前國(guó)內(nèi)外常用的幾種交通信息檢測(cè)技術(shù)：圓形線圈、微波、紅外視頻、數(shù)字視頻、超聲波檢測(cè)等。其中，基于環(huán)線圈的檢測(cè)技術(shù)目前市場(chǎng)占有率高，技術(shù)成熟。但是，

2、根據(jù)目前交通管理、運(yùn)營(yíng)部門的需求，實(shí)施方便靈活的視頻檢測(cè)技術(shù)而不破壞路基，已成為熱門話題。交通事故檢測(cè)分為人工檢測(cè)和自動(dòng)檢測(cè)兩種，其中高速公路交通事故自動(dòng)檢測(cè)是近年來(lái)研究的主導(dǎo)。交通事故自動(dòng)檢測(cè)方法：直接檢測(cè)方法：主要通過(guò)視頻和圖像處理方法對(duì)目標(biāo)進(jìn)行跟蹤、識(shí)別和流量檢測(cè)。這種方法比較集中地安裝相機(jī)，費(fèi)用高，受到天氣條件的影響很大。間接檢測(cè)方法：分析主線上設(shè)置的探測(cè)器收集的交通參數(shù)，以確定是否發(fā)生了事件。主要根據(jù)事件對(duì)交通流的影響，檢測(cè)事件的存在，成本低，操作方便，但存在檢測(cè)率低、誤報(bào)率高的問(wèn)題。第三，世界各地開發(fā)了多種交通事件自動(dòng)檢測(cè)算法，包括交通事故檢測(cè)算法、當(dāng)前加利福尼亞算法、貝葉斯算法、

3、時(shí)間序列算法、低通濾波算法、交通流模型算法、視頻檢測(cè)算法、人工神經(jīng)網(wǎng)絡(luò)算法等。模式識(shí)別算法、統(tǒng)計(jì)預(yù)測(cè)算法、突變理論算法和神經(jīng)網(wǎng)絡(luò)算法。想法：這些算法根據(jù)實(shí)時(shí)采集的交通流數(shù)據(jù)信息自動(dòng)判斷交通事故是否發(fā)生，并估計(jì)事件對(duì)交通流的影響。4，間接方法-閱讀文檔，(a)基于SVM的高速公路事件檢測(cè)測(cè)試的交通參數(shù)：交通流、速度、份額測(cè)試結(jié)果：事件、無(wú)事件(可視為模式識(shí)別問(wèn)題，可使用支持向量機(jī)對(duì)交通事件進(jìn)行分類)檢測(cè)原理：在特定間隔內(nèi)，上級(jí)下游測(cè)試站的交通流，培訓(xùn)示例有兩類：作為SVM的輸入培訓(xùn)SVM，測(cè)試作為測(cè)試示例培訓(xùn)的SVM，輸出為事件輸出1，無(wú)事件輸出-1。支持向量機(jī)(SVM)是一種有效的非線性問(wèn)題處

4、理工具。具有完整的統(tǒng)計(jì)學(xué)習(xí)理論和優(yōu)秀的學(xué)習(xí)性能。提出了支持向量機(jī)的結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，具有良好的泛化能力。支持向量機(jī)算法是凸優(yōu)化問(wèn)題，局部最優(yōu)解必須是全局最優(yōu)解。SVM有三種類型：線性可分SVM、線性不可分SVM和非線性可分SVM(非線性可分SVM可以根據(jù)使用的內(nèi)核函數(shù)配置不同的支持向量機(jī))。對(duì)于線性可分離問(wèn)題，最佳分類面由最大分類間隔原則確定。對(duì)于非線性分類，通過(guò)考慮最小誤差分點(diǎn)樣本和最大分類間隔，權(quán)衡獲得的最佳分類面，確定隨機(jī)輸入所屬的類別。在非線性分類中，引入了內(nèi)核空間理論，通過(guò)非線性映射函數(shù)將低維輸入空間數(shù)據(jù)映射到高維屬性空間，從而將分類問(wèn)題轉(zhuǎn)換為屬性空間。如果選擇了適當(dāng)?shù)挠成浜瘮?shù)，就

5、可以證明輸入空間線性不可分問(wèn)題在屬性空間中轉(zhuǎn)換為線性可分問(wèn)題。四種常用內(nèi)核函數(shù)：線性內(nèi)核函數(shù)、多項(xiàng)式內(nèi)核函數(shù)、徑向基函數(shù)(RBF)和Sigmoid內(nèi)核函數(shù)。(b)基于PCASVM的交通事故檢測(cè)研究，需要解決的問(wèn)題：有限的交通數(shù)據(jù)樣例，過(guò)多的輸入交通要素重復(fù)，最佳參數(shù)設(shè)置失敗。解決方法：利用主成分分析(用于選擇上游和下游檢測(cè)器收集的速度、流量和份額信息的交通特征)構(gòu)建高速公路事件檢測(cè)的PCA-SVM模型。使用粒子群優(yōu)化選擇支持向量機(jī)模型參數(shù)。原則元件分析(PCA)是一種多元統(tǒng)計(jì)分析方法，它利用維度縮小的理念，將多個(gè)測(cè)量變量轉(zhuǎn)換為幾個(gè)無(wú)關(guān)的合成指標(biāo)。粒子群優(yōu)化(PSO)算法是基于組智能的全局優(yōu)化技

6、術(shù)，它通過(guò)粒子間的交互智能地發(fā)現(xiàn)解決方案空間，從而找到最佳解決方案。(c)基于粗糙集和支持向量機(jī)的交通事故檢測(cè)，需要解決的問(wèn)題：支持向量機(jī)算法基于統(tǒng)計(jì)學(xué)習(xí)理論，處理學(xué)習(xí)泛化和分類性能好，但包含重復(fù)信息的大量數(shù)據(jù)存在訓(xùn)練時(shí)間長(zhǎng)、速度慢的缺點(diǎn)。解決方法：使用粗糙集理論預(yù)處理交通流數(shù)據(jù)。從樣本數(shù)據(jù)中刪除重復(fù)屬性，刪除噪聲和重復(fù)對(duì)象，然后使用處理的樣本數(shù)據(jù)作為支持向量機(jī)的輸入來(lái)執(zhí)行最終決策分類。粗糙集理論(Rough Sets，RS)是軟計(jì)算基本理論，該理論處理模糊性和不確定性，通過(guò)垂直減少消除樣本重復(fù)，同時(shí)保持分類能力。通過(guò)屬性減少導(dǎo)出問(wèn)題的決定或分類規(guī)則。(4)小波變換和基于LSSVM的事件檢測(cè)算

7、法需要解決的問(wèn)題：事件發(fā)生時(shí)交通流信號(hào)具有重要的特征信息，傅立葉變換是研究信號(hào)全局奇點(diǎn)的有效工具，但缺乏局部信息，不利于奇點(diǎn)定位。解決方法：小波分析將信號(hào)的頻域特性和時(shí)域特性反映在轉(zhuǎn)換域中，在時(shí)域和頻域中均具有良好的局部分析能力，在突變信號(hào)處理方面具有卓越的性能。LSSVM不僅能很好地解決小樣本、非線性、高維、局部最小值等問(wèn)題，而且在求解線性方程時(shí)還能提供快速的計(jì)算速度。(5)測(cè)量一種交通事故檢測(cè)算法的典型交通事故檢測(cè)指標(biāo)包括檢出率(DR)、誤警率(FAR)和平均檢測(cè)時(shí)間(MTTD)三個(gè)指標(biāo)。好的檢測(cè)算法應(yīng)該是速度和準(zhǔn)的算法。也就是說(shuō)，在評(píng)價(jià)算法性能時(shí)，檢測(cè)率越高越好，誤報(bào)率越小越好，平均計(jì)算

8、時(shí)間越短越好。分析目前由于圓形線圈檢測(cè)器的一般存在，間接事件檢測(cè)方法在自動(dòng)事件檢測(cè)算法中一直處于主導(dǎo)地位。但是該方法在車輛跟蹤、分類、安裝時(shí)道路挖掘工作困難、費(fèi)用高、交通中斷，檢測(cè)誤報(bào)率高、測(cè)試時(shí)間長(zhǎng)?；谝曨l的檢測(cè)系統(tǒng)不僅可以獲取更多的交通流信息，還可以識(shí)別車輛類型和車輛運(yùn)行軌跡，監(jiān)控遠(yuǎn)距離場(chǎng)景，平均檢測(cè)時(shí)間遠(yuǎn)低于基于接地線圈的AID系統(tǒng)。5，直接方法-使用計(jì)算機(jī)視覺(jué)和數(shù)字圖像處理技術(shù)檢測(cè)視頻圖像處理交通事件，如道路上安裝的相機(jī)捕獲的視頻圖像、事件檢測(cè)算法的智能處理、自動(dòng)收集各種交通參數(shù)、交通事件檢測(cè)和及時(shí)報(bào)警等?；竟ぷ髁鳎和ㄟ^(guò)道路上方的閉路電視攝像機(jī)捕獲道路交通狀態(tài)的視頻圖像，然后實(shí)時(shí)將

9、圖像發(fā)送到計(jì)算機(jī)進(jìn)行處理和分析，獲取交通情況等信息，通過(guò)交通情況分析檢測(cè)是否發(fā)生了交通異常。這包括自動(dòng)檢測(cè)移動(dòng)車輛、自動(dòng)跟蹤移動(dòng)車輛、提取交通參數(shù)、基于圖像分析的事件檢測(cè)、發(fā)生事故時(shí)的自動(dòng)警報(bào)及其處理，事件檢測(cè)工作流：快速有效的視頻圖像目標(biāo)分割和跟蹤是解決交通參數(shù)和事件檢測(cè)問(wèn)題的關(guān)鍵。相機(jī)、視頻捕獲、預(yù)處理、車輛檢測(cè)、車輛跟蹤、事件檢測(cè)、預(yù)處理是初始化系統(tǒng)的參數(shù)設(shè)置，例如路面參數(shù)：道路的通過(guò)方向和相機(jī)視野的監(jiān)控范圍。事件閾值參數(shù)車道：標(biāo)識(shí)道路車道位置，以提供系統(tǒng)可以驗(yàn)證測(cè)試的數(shù)據(jù)，例如事故位置和過(guò)渡事件。檢查區(qū)域參數(shù)：設(shè)定系統(tǒng)的檢查范圍，以移除不必要區(qū)域的計(jì)算。車輛檢測(cè)流程運(yùn)動(dòng)目標(biāo)檢測(cè)(幀差法

10、、光流法、背景差減法)背景重建(背景提取、背景更新)車輛目標(biāo)分割(閾值分割法)過(guò)濾和形態(tài)處理(消除車輛外部的噪音以生成更精確的車輛模型)識(shí)別連接區(qū)域(識(shí)別圖像中的其他目標(biāo)對(duì)象并獲得外部矩形)，車輛跟蹤算法基于特征的跟蹤(跟蹤目標(biāo)的局部功能，而不是整個(gè)車輛目標(biāo))基于3d(模型)的跟蹤(將幾何體圖形的3D模型投影到圖像上，然后根據(jù)圖像的目標(biāo)位置更改進(jìn)行跟蹤)動(dòng)態(tài)輪廓跟蹤(匹配相鄰圖像之間的輪廓，跟蹤和實(shí)時(shí)修改輪廓功能)基于區(qū)域的跟蹤(共享跟蹤由移動(dòng)目標(biāo)組成的連接區(qū)域的功能信息)?；诳柭?區(qū)域)的車輛跟蹤過(guò)程目標(biāo)區(qū)域特征提?。和ㄟ^(guò)通過(guò)通過(guò)目標(biāo)物體的外部矩形運(yùn)動(dòng)區(qū)域進(jìn)行補(bǔ)償，每個(gè)運(yùn)動(dòng)區(qū)域的中心位置和區(qū)域大小卡爾曼預(yù)測(cè)模型：使用卡爾曼濾波實(shí)現(xiàn)目標(biāo)的運(yùn)動(dòng)預(yù)測(cè)，預(yù)測(cè)下一幀中可能發(fā)生的位置。目標(biāo)的匹配搜索在：預(yù)測(cè)范圍內(nèi)對(duì)目標(biāo)執(zhí)行匹配搜索。模型更新：更新卡爾曼過(guò)濾器。交通事件檢測(cè)：當(dāng)高速公路上發(fā)生車輛碰撞事件時(shí)，兩個(gè)碰撞的車輛目標(biāo)必須具有特定的時(shí)間段，在此期間，兩個(gè)車輛目標(biāo)相互接觸，圖像中顯示為兩個(gè)車輛目標(biāo)矩形框的重疊區(qū)域，然后使用兩個(gè)車輛目標(biāo)質(zhì)心的相對(duì)距離確定車輛的碰撞事件，如果兩個(gè)車輛目標(biāo)質(zhì)心的距離d小于特定閾值TH，則確定道路上發(fā)生了碰撞事件。如果發(fā)生交通堵塞，車輛的行