CN101923778A - 一种基于视频的高速公路交通拥堵状态检测方法 - Google Patents

Abstract

本发明是一种基于视频的交通拥堵状态检测方法，交通拥堵检测往往注重的不是检测单个车辆的交通流参数，而是交通流的整体状况。高速公路的车辆运动的方向性、规律性明显，其光流场也是有序、规则的，光流矢量直接反映了车流速度的大小和方向。研究光流在视频监控范围下道路运动信息的强弱变化变化规律，可以实现对交通道路状态的检测。本发明提出一种新的在宏观广角视频监控下的高速公路交通拥堵检测方法，包括以下步骤：第一步计算整体图像的光流场，并除去不满足主方向的光流点；然后计算筛选后的光流速度平均值，作为车辆宏观的光流速度值；第二步，根据光流平均速度，结合交通状态的持续时间特征，判断是否有交通拥堵发生。

Description

一种基于视频的高速公路交通拥堵状态检测方法

技术领域

本发明属于数字图像处理领域，具体涉及一种基于视频的高速公路交通拥堵状态判定方法。

背景技术

交通拥堵状态识别手段有人工识别和自动识别两种，人工识别主要通过CCTV监视和公路巡警报告等人为观察，自动识别主要是通过交通拥堵塞自动识别(Automatic TrafficCongestion Identification，ACI)算法实现对交通拥堵塞的自动识别。由于人工识别会占用不少人力资源，而且受天气和时间等因素影响，因此，各国纷纷开发新型的ACI算法用于交通拥堵塞的识别。

过去，研究人员已经开发了许多ACI算法，其中比较著名的有加州算法和McMaster算法。加州系列算法是十九世纪八十年代由美国加利福尼亚州运输部开发的，这种算法已经在加州南部的高速公路交通拥堵识别***中应用了多年，效果比较好。McMaster算法是由加拿大McMaster大学土木工程系基于交通流的突变理论开发的，该算法已经利用加拿大伊丽莎白大街和安大略省Burlington Skyway的实测数据进行了测试，测试的结果非常成功，之后对这种算法进行了在线测试和进一步的改进。

除了以上介绍的这两种算法外，也有许多研究人员从事过ACI算法方面的研究工作。1982年Ahmad和Cook提出了一种基于占有率时间序列分析方法的交通拥塞拥堵识别算法，在这种算法中，利用一个时间序列模型对一个检测站点过去几个时间间隔中占有率的变化趋势进行拟合，并通过此模型预测出下一个时间间隔占有率的范围，如果实测数据出现明显的偏差或者偏离预测平均值程度太大，此算法就会判别发生交通拥塞拥堵。1979年美国德克萨斯州运输协会利用模式匹配方法开发了一种用于识别低流量状态下交通拥塞拥堵的算法。此算法纪记录车辆经过上游检测站的时间和速度，并能给出该车辆经过相邻下游检测站的时间值预测范围，然后利用上游车辆的速度和相邻两检测站之间的距离计算出该时间范围内能从下游检测站经过的流量值，并将此流量值和下游检测站检测到的实际流量值进行对照，如果差 值大于一个给定的阈值，则判断路段上有拥塞拥堵发生。英国的运输与道路实验室(TRRL)于1979年开发了两种算法。第一种算法用于高占有率情况下，当一个检测器的占有率持续两秒为100％，那么判断有拥塞拥堵发生。第二种算法利用模式匹配技术，找出距离大约为500米的两个检测站间行驶车辆到达模式的时间延迟来估计车辆的区间平均车速，如果实际检测到的车速有一个明显的下降则判断有拥塞拥堵发生。Willsky等和Cremer与Schutt利用卡尔曼滤波技术来估计高速公路路段交通流的参数，当某一参数值的变化超给定阈值，则判断此路段上有拥塞拥堵发生，但是这种方法还停留在实验室阶段。1991年Blosseville等人使用图像处理技术来识别高速公路上交通拥塞拥堵的发生，在最初的试验中，此方法能从133个拥塞拥堵中识别出124个，仅仅出现9次误识。这种方法适合于识别停驶在路肩和主要车道上的车辆，同时还可以给出排队长度，此方法还在进一步的研究中。由于识别率和误识率之间存在着内在的联系，一些研究人员已经开始将统计技术应用到交通拥塞拥堵的自动识别中，1978年Levin和Krause使用相邻两检测站点之间占有率时间差值作为输入特征，用类似于神经网络模型结构的“committee-machine”方法对拥塞拥堵进行识别，但这种方法只是处于实验室阶段。

目前，国内在ACI算法的研究方面还处于起步阶段，从事这方面研究工作的单位有交通部公路科学研究所ITS中心、吉林大学、同济大学、北京交通大学和北京工业大学等，但比较成熟的ACI算法比较少，主要是对国外算法的继续研究。

本发明创新性地通过光流计算技术，得到宏观交通流信息，结合交通状态特征进行交通拥堵状态检测，克服了基于单个车辆检测、跟踪的算法的局限性，而且此种方法前人没有研究过。

发明内容

本发明的目的是判断交通状态，从而检测是否有拥塞情况发生，具体实现过程分为两步：一、利用光流场计算方法，计算出车流的光流场矢量，得到宏观光流平均速度；采用如下步骤进行处理：①初始关键特征点提取，②针对关键特征点计算宏观光流速度。二、根据光流速度值和交通状态持续特征判断交通拥堵状态发生；①根据宏观光流速度初步判断是属于哪一种交通状态(顺畅、缓行、拥堵)，②根据交通状态转移模型最终确定交通状态，③设定拥堵时间阈值，超过时间阈值进行拥堵报警。具体技术方案如下：

计算光流平均速度

由于同一视频监控下的道路区域的车辆运动规律一般具有一定的相似性，包括车辆的运动方向和速度，而且车辆速度可以作为道路状态(顺畅，拥挤)的客观评价标准，因此针对整个图像中的所有车辆，计算所有车辆的整体宏观光流速度，就可以大致把握交通流的整体状态。于是本发明提出了一种融合角点检测和光流计算来计算交通流宏观光流速度方法，该方法主要分为两步：

第一步是初始关键特征点提取。具体方法是：首先对整个图像进行光流计算和角点提取，找出图像中既是强运动点又是强角点的像素，作为初始关键特征点。

由于光流场的不连续性及违反守恒假设条件处的光流场分布是不可靠的，若针对差值图中不为零处的像素来计算其光流，计算整个运动物体的光流场要可靠得多。这是因为它们往往对应于灰度梯度较大的点，而这些点处的光流场基本方程近似成立。采用这种约束措施后，可使得计算出的光流场分布更为可靠和精确，也减少了计算量(这是因为不必计算整幅图像，只需计算差值图中不为零处的光流场分布)。同时，由于光流计算是针对全局图像，光流场中不少光流是不需要的，特别是光流值过小的像素点的噪声点，筛选并去除这些特征点并提取出我们所要的特征点，只针对这些光流值较大的特征点处理，可以大大地提高计算速度以及准确率。

第二步是宏观光流速度的计算。具体方法是：用Horn-Schunck算法计算整体图像的光流场，然后判定出光流主方向，并除去不满足主方向的光流点；最后使用Lucas-Kanade金字塔算法计算筛选后的光流速度平均值，作为车辆宏观的光流速度值。

由于第一步所提取的特征点并不一定都处于车辆区域的，而且方向也不一定与车辆行驶方向相同。为了只计算车辆的特征点，本文进行定义光流主方向的概念并进行光流主方向的筛选操作，筛选出满足符合光流主方向的特征点，限定特征点处于道路位置。最后采用光流算法计算剩下特征点的光流强度，并把其平均值作为交通流宏观的光流速度值。

为了尽可能的减少混淆光流和噪声对计算交通流宏观光流速度的影响，更精确地计算观光流速度，首先采用Horn-Schunck算法计算光流场值，经过光流场值阈值筛选并去除光流值过少的噪声点，计算剩余特征点的方向并统计各方向，并计算主方向。然后，利用主方向去 除混淆光流的影响，把剩下的点作为关键特征点，计算关键特征点的光流速度值。为了使计算更为准确，使用Lucas-Kanade金字塔算法，计算流程如下：

生成图像的m+1层Guassian金字塔结构，其中第0层为原始图像，并在最高层m计算特征点的标准光流(Lucas-Knadae算法)；

计算到第i层时：

获取第i+1层特征点(k，l)的光流u_i+1(k，l)和v_i+1(k，l)；

用双线性插值计算特征点(k，l)的补偿光流u_i ^*(k，l)，v_i ^*(k，l)；

将u_i ^*(k，l)，v_i ^*(k，l)都乘以2；

用u_i ^*(k，l)，v_i ^*(k，l)补偿第i层当前帧的金字塔图像；

在补偿后的金字塔图像间用标准光流计算特征点的光流u′_i(k，l)和v′_i(k，l)；

最终计算得第i层特征点的光流场：

$u_{i+1}(k,l)=u_i^{*}(k,l)+u_i^{\′}(k,l),v_{i+1}(k,l)=v_i^{*}(k,l)+v_i^{\′}(k,l)$

重复第(2)步，直至计算出最终第0层(原始图像)所有特征点的光流场。

通过上述对所有筛选特征点的光流计算，获取到每个特征点水平和垂直两方向的光流速度值，分别计算特征点水平和垂直两方向光流速度值的平均值 和 

整个计算宏观光流速度的流程如图所示。

附图说明

图1为交通拥堵检测流程图。

图2为宏观光流速度计算流程图。

图3为畅行交通状态图。其中红色箭头表示像素点的光流矢量。

图4为慢行交通状态图。其中红色箭头表示像素点的光流矢量。

图5为左侧路面为拥堵交通状态图。其中红色箭头表示像素点的光流矢量。

图6为交通状态的宏观光流速度分析图。其中绿色曲线表示畅行状态时的光流速度；蓝色曲线表示慢行状态时的光流速度；红色曲线表示拥堵状态时的光流速度。

图7为交通状态模型结构图。包括三种交通状态，分别为畅行状态、慢行状态、拥堵状态。

图8为交通状态转换关系图。其意在表示，交通状态的转换有两种可能性，分别为：一、畅行状态--慢行状态--拥堵状态；二、拥堵状态--慢行状态--畅行状态。不可能出现畅行状态--拥堵状态，或者拥堵状态--畅行状态。

图9为表1，交通状态复核表。从表中可得，通过“上次检测状态”和“当前检测状态”可以对当前检测状态进行复核，得到“复核后的检测状态”，从而校正在逻辑上出现的错误。

具体实施方式

结合交通状态的特征判断是否有交通拥堵发生

判定交通拥堵的发生具体包括以下两个步骤。

1.各场景下的宏观光流速度特征

具体方法是：由于经过研究得知畅行与慢行间宏观光流速度相差较大，所以首先计算车辆宏观的光流速度值，并根据之前所研究的畅行于慢行光流阈值来初步判断交通状态。

首先假设不同交通状态场景下的宏观光流速度有所不同，以下的三组实验证实了这个假设，三组实验分别在两种交通情况下实验，***现实的高速公路，视频尺寸为320*240，帧率为25fps。其中一个视频中的道路交通状态是畅行，如图3；一个视频中的道路交通状态是慢行，如图4；最后一个视频中的道路交通状态是慢行，如图5，三个图中蓝色圈点代表上述提取的关键特征点，红色箭头部分表示相应的车辆光流。计算上述三种情况下的宏观光 流速度，通过连续10帧中的相邻两帧来计算的9组宏观光流速度，所得结果比较见图6。

从图6的结果看，畅行与慢行间宏观光流速度相差较大，研究结果表明，畅行状态时，其宏观光流速度一般大于1像素/帧；慢行状态时，其宏观光流速度一般大于0.25像素/帧，小于1像素/帧；拥堵情况下宏观光流速度均值一般少于0.25像素/帧，很多情况下几乎为0。

2.交通状态转移模型研究

最终确定交通状态的具体方法是：首先研究三种交通状态确定基本的状态模型，并确定三者间的关系即：拥堵状态的第一次出现必然要经过畅行与缓行的状态；从拥堵状态到畅行状态，中间必然要经过缓行状态，也体现了一种过程性的状态。其次根据交通状态转移模型最终确定交通状态。

通过上述的宏观光流速度分析，通过宏观光流速度可以区分畅行，慢行和拥堵情况。但是，由于计算交通流宏观光流速度依赖于图像的光流场变化，如果光流场值过小，主要由于两种原因引起的，一种是道路无车的情况，另一种是道路车辆堵塞的情况。

由于光流计算的局限性，在这两种情况下一般会得到相同的结果，显然，仅仅依靠上述计算的主方向以及宏观光流速度两个宏观参量难以准确描述这类情况，为了解决这个问题。本发明研究的三种交通状态确定基本的状态模型，并确定三者间的关系，如图7所示。模型中假定畅行、慢行、拥堵三种状态是互相独立的，并不存在两者共存和三者共存的情况。

由于车流的交通状态转移具有滞后性，从而产生状态转换过程枛过渡态。由于过渡态持续时间相对较短，而且慢行状态时的判定流程比较相似，一般把过渡态划分为慢行状态。根据三种状态间转换关系和过程，提出交通状态转移判定的方法，其依据如下：

1)畅行、慢行、拥堵等交通状态之间存在状态转移：畅行到慢行、慢行到拥堵、拥堵到慢行和慢行到畅行等，并不会存在从畅行跨越到拥堵或拥堵跨越到畅行状态。

2)不同状态一般持续有所不同，一般畅行的整体持续时间最长。另外，交通状态转换的过程有一定的时间。

三种交通状态转换关系如图8所示。

确定三种状态转换关系后，从图8看出慢行处于畅行与拥堵状态之间的过渡阶段，如果 检测时间周期较短，则可根据上次交通状态和当前交通状态，确定当前检测的交通状态的正确性，复核后具体的关系表如表1所示。

通过对上述交通拥堵的研究分析，可以根据计算的宏观光流速度以及交通状态间的转换关系的复核来检测拥堵情况。

设定拥堵时间阈值，超过时间阈值进行拥堵报警的具体方法是：对于检测交通状态出现检测拥堵情况时，由于拥堵可能是瞬时产生的，是突发性的。短时间的拥堵并不需要报警，本发明方法设定一个持续时间间隔，只检测拥堵持续一段时间后才报警。

本发明方法主要有以下几个特点：

(1)对交通场景下光流进行详细的分析，提出光流主方向的概念和宏观光流速度的计算方法。

(2)通过光流计算技术，得到宏观交通光流场信息，实现对进行交通拥堵检测，克服了基于单个车辆检测、跟踪的算法的局限性。

(3)提出了交通状态转移模型，并且跟据三种状态间转换关系和过程，制定交通状态转移判定的方法。

Claims (6)

1.一种基于视频的高速公路交通拥堵状态检测方法，其特征是该方法包括以下步骤：

a.利用光流场计算方法，计算出车流的光流场矢量，得到宏观光流平均速度；采用如下步骤进行处理：①初始关键特征点提取，②针对关键特征点计算宏观光流速度；

b.根据光流速度值和交通状态持续特征判断交通拥堵状态发生；①根据宏观光流速度初步判断是属于哪一种交通状态，如顺畅、缓行、拥堵，②根据交通状态转移模型最终确定交通状态，③设定拥堵时间阈值，超过时间阈值进行拥堵报警。

2.根据权利要求1所述的交通状态检测方法，其特征是所述步骤a中①初始关键特征点提取的具体方法是：首先对整个图像进行光流计算和角点提取，找出图像中既是强运动点又是强角点的像素，作为初始关键特征点。

3.根据权利要求1所述的交通状态检测方法，其特征是所述步骤a中？针对关键特征点计算宏观光流速度的具体方法是：用Horn-Schunck算法计算整体图像的光流场，然后判定出光流主方向，并除去不满足主方向的光流点；最后使用Lucas-Kanade金字塔算法计算筛选后的光流速度平均值，作为车辆宏观的光流速度值。

4.根据权利要求1所述的交通状态检测方法，其特征是所述步骤b中①根据宏观光流速度初步判断是属于哪一种交通状态，顺畅、缓行、拥堵的具体方法是：由于经过研究得知畅行与慢行间宏观光流速度相差较大，所以首先计算车辆宏观的光流速度值，并根据之前所研究的畅行于慢行光流阈值来初步判断交通状态。

5.根据权利要求1所述的交通状态检测方法，其特征是所述步骤b中②根据交通状态转移模型最终确定交通状态的具体方法是：首先研究三种交通状态确定基本的状态模型，并确定三者间的关系即：拥堵状态的第一次出现必然要经过畅行与缓行的状态；从拥堵状态到畅行状态，中间必然要经过缓行状态，也体现了一种过程性的状态，其次根据交通状态转移模型最终确定交通状态。

6.根据权利要求5所述的交通状态检测方法，其特征是所述步骤b中③设定拥堵时间阈值，超过时间阈值进行拥堵报警的具体方法是：对于检测交通状态出现检测拥堵情况时，由于拥堵可能是瞬时产生的，是突发性的，短时间的拥堵并不需要报警，本发明方法设定一个持续时间间隔，只检测拥堵持续一段时间后才报警。

Images