CN103927875A - 基于视频的交通溢流状态识别方法 - Google Patents

Abstract

本发明公开了一种基于视频的交通溢流状态识别方法，步骤如下：在目标十字交叉口架设两台摄像机，第一台摄像机对溢流发生方向的交叉口内部车辆排队行为进行监控，第二台摄像机对与之交叉方向的信号灯进行监控；针对第一台摄像机监控的视频图像进行预处理，提取视频特征：车辆存在比和运动像素比；然后利用带反馈的模糊识别器进行图像识别；针对第二台摄像机监控的图像进行处理，实现信号灯的定位与识别；输出信号灯识别结果；根据真假溢流判别规则，得出交通溢流结果；进行交通溢流状态显示与报警。本发明通过摄像机对交叉口内部交通信息进行实时监控，采用带反馈的模糊识别技术实现交通溢流状态的自动识别，为交通拥堵的预防、缓解提供支持。

Description

基于视频的交通溢流状态识别方法

技术领域

本发明涉及一种基于视频的交通溢流状态识别方法。

背景技术

交通溢流是由于下游交叉口的瓶颈作用，使得路段车辆排队超出路段长度，从而导致部分车辆占据上游交叉口的交通现象。它带来的直接后果是引发交通拥堵，如果发生后不加以控制，拥堵现象将会从单个路口向周边蔓延，导致连锁拥堵，甚至产生格锁，造成大面积路网的交通瘫痪。

目前，国内外关于交通溢流的理论研究与技术应用大多集中在其发生机理及控制方法领域，针对交通溢流的检测主要利用传统线圈检测器实现，文献【Geroliminis N,Skabardonis A.Queue spillovers in city street networks with signal-controlled Intersections[C].TransportationResearch Board(TRB)89th Annual Meeting,Washington,D.C.2010:10-3498.】提出了基于线圈检测器占有率数据的溢流识别方法，并给出了相应阈值，但线圈检测器具有安装维护工序复杂、成本高等缺点，且通过线圈检测器进行的交通溢流检测结果准确率很大程度上依赖于检测器的布设距离，因此该方法在实际应用中具有很大局限性。文献【张立东,贾磊,朱文兴.基于模糊理论的交通溢流识别算法[J].计算机应用,2012,32(8):2378-2380.】提出基于模糊理论的溢流识别方法，获取车辆排队比例及平均车速等指标并进行模糊推理，从而实现了仿真环境下的溢流状态识别，但上述指标在实际应用中难以获取，因此该方法在实际应用中同样具有局限性。交通溢流状态识别的核心环节是对交叉口内部车辆排队状态的检测，文献【贺晓锋,杨玉珍,陈阳舟.基于视频图像处理的车辆排队长度检测[J].交通与计算机,2006,24(5):43-46.】提出基于视频的先进行运动检测再进行存在检测的方法，可快速检测车车辆排队长度，但无法给出车辆排队的动态形成过程，不能为溢流状态识别提供必要条件。目前国内多采用人工观察方式对交通溢流进行识别，效率较低。因此，研究探索一种检测速度快、准确率高、便于维护的全新溢流检测技术具有显著的现实意义。

通过对现有发明专利和技术进行检索发现，有关“交叉***通溢流状态视频识别”的报道在国内外还是个空白，本发明通过视频拍摄获取交通图像，利用带反馈的模糊识别技术，并结合图像处理技术，实现对交通溢流状态的识别；并将识别结果以图像文字结合报警方式实时反馈给交通管理者。

发明内容

本发明的目的就是为了解决上述问题，提供一种基于视频的交通溢流状态识别方法，它具有针对城市交通高峰期时常发生的交通溢流现象，通过高清摄像机对交叉口内部交通信息进行实时监控，在实现对车辆静止排队及运动状态识别的基础上，采用带反馈的模糊识别技术，实现对车辆排队形成及消散状态的判定，最终实现交通溢流状态的自动识别，并满足实时性、稳定性及自适应性强等要求，为城市交通拥堵的预防、缓解提供支持的优点。

为了实现上述目的，本发明采用如下技术方案：

一种基于视频的交通溢流状态识别方法，包括如下步骤：

步骤(1)：在目标十字交叉口架设两台高清摄像机，其中第一台高清摄像机对溢流发生方向的交叉口内部车辆排队行为进行监控，具***置为靠近路段末端的横向中间位置；第二台高清摄像机对与溢流方向交叉方向的信号灯进行监控，具***置为与溢流方向垂直方向的路段末端横向中间位置；

步骤(2)：包括并列的两个步骤：步骤(2-1)和步骤(2-2)；

步骤(2-1)：针对第一台高清摄像机监控的视频图像进行预处理，提取视频特征：车辆存在比和运动像素比；然后利用带反馈的模糊识别器进行图像识别；

步骤(2-2)：针对第二台高清摄像机监控的图像进行处理，实现信号灯的定位与识别；然后输出信号灯识别结果；

步骤(3)：综合步骤(2-1)和步骤(2-2)的结果，根据真假溢流判别规则，得出交通溢流结果；

步骤(4)：进行交通溢流状态显示与报警。

所述步骤(2-1)的预处理的步骤为：

自适应背景模型的获取及更新、运动目标检测，提取交叉口内车辆目标；

所述自适应背景模型的获取采用统计直方图法，具体如下式所示：

$P(x,y,k)=\left\{\begin{array}{ccc}P(x,y,k)+1& \mathrm{if}& I_i(x,y)=k\\ P(x,y,k)& \mathrm{if}& I_i(x,y)\≠k\end{array}\right.i=\mathrm{1,2,2},...,N---\left(1\right)$

B(x,y)＝k                (2)

if   P(x,y,k)＝max(P)    k＝0,1,2,…,255         (3)

B(x,y)为建立的背景图像在像素点(x,y)处对应的灰度值，I_i(x,y)表示第i帧原图像在像素点(x,y)处对应的灰度值，N表示统计总帧数。P(x,y,k)表示像素点(x,y)处灰度值k出现的次数；式(3)表示在点(x,y)处，取出现次数最大的灰度值作为背景图像的灰度值。

所述自适应背景模型的更新采用选择性背景更新方法，可用式(4)表示：

$B_i(x,y)=\left\{\begin{array}{cc}\mathrm{\α}{I}_i(x,y)+(1-\mathrm{\α}){\mathrm{\β}}_{i-1}(x,y)& G_i(x,y)=0\\ B_{i-1}(x,y)& G_i(x,y)\≠0\end{array}\right.---\left(4\right)$

B_i(x,y)和I_i(x,y)分别为第i帧背景图像及原图像在像素点(x,y)处的灰度值，G_i(x,y)为第i帧原图像进行背景差分后的二值化图像在像素点(x,y)处的值，α为背景更新权重，0≤α≤1。

所述步骤(2-1)的提取视频特征的车辆存在比的步骤为：

车辆存在比Q为交叉口内车辆覆盖面积与检测区域总面积之比，采用背景差分及移动窗对车辆存在比Q特征量进行提取：

背景差分表示如下：

令I_k为第k帧灰度图像，B_k为背景灰度图像，将I_k与B_k作差，得到背景差图像M_k，对M_k进行中值滤波，并利用Otsu算法给出阈值T₁对M_k进行图像分割，得到二值化图像S_k；计算式如下：

$S_k(x,y)=\left\{\begin{array}{cc}1& |I_k(x,y)-B_k(x,y)|>T_1\\ 0& \mathrm{otherwise}\end{array}\right.---\left(5\right)$

移动窗表示如下：

利用一个高度为检测区域垂直高度十分之一的水平检测窗，从队列头部向尾部移动。将检测窗从队头至队尾扫描，若满足存在条件的水平区域最大编号为i，则L_k＝i(0≤i≤10)。以L_k来表征第i帧图像的车辆存在比。由于数据序列的中值点具有较强的鲁棒性，本算法采用连续N帧图像的时间长度作为最小单位时间，连续N帧检测结果序列的中值作为单位时间的车辆存在比结果。

因此，车辆存在比Q特征量为：

Q＝med(L_k),(1≤k≤N)               (6)

L_k＝max(I)                  (7)

$I=\left\{\begin{array}{cc}i|P_E\left(i\right)=\frac{E_i}{N_i}>T_E,& 0\≤i\≤10\end{array}\right\}---\left(8\right)$

式(8)表示I为第k帧图像中满足存在检测阈值的所有区域编号的集合；式(7)表示取集合I中的最大值来表征第k帧图像的车辆存在比，用L_k来表示；式(6)表示在一个连续N帧的视频序列中，取所有L_k的中值Q来表征当前N帧图像的车辆存在比结果。

所述步骤(2-1)的提取视频特征的运动像素比的步骤为：

运动像素比S为检测区域内运动像素点与全部像素点之比，定义式为

S＝med(P_M(k)),(1≤k≤N)          (9)

$P_M\left(k\right)=\frac{M_k}{N_k}---\left(10\right)$

其中，M_k为第k帧图像检测区域内运动像素个数，N_k为第k帧图像检测区域内所有像素个数，式(9)表示在一个连续N帧的视频序列中，取所有P_M(k)的中值S来表征当前N帧图像的车辆存在比结果。

所述步骤(2-1)中利用带反馈的模糊识别器进行图像识别：

将采集的车辆存在比Q和运动像素比S作为模糊识别器的输入，经过模糊识别器的模糊化、模糊推理及解模糊之后，模糊识别器输出当前溢流检测结果；其中，模糊识别器在逻辑上由四个部分构成，即模糊识别规则、模糊化过程、模糊推理过程和去模糊过程，经过以上四步处理，该模糊识别器可以输出模糊识别结果，即本发明中的溢流程度结果。

当车辆处于排队形成、消散过渡状态时，将模糊识别器输出的“当前溢流检测结果”作为模糊识别器的反馈输入量，在模糊识别器的实际工作过程中，反馈输入量为“上一次溢流检测结果”，该变量初始化值为“无溢流”。

所述车辆存在比Q的模糊子集为{无N，低L，中M，高H}，分别表示当前车辆排队比例“无排队”、“低”、“中等”和“高”；

所述运动像素比例S的模糊子集为{堵塞C，通畅F，过渡T}，分别表示当前交叉口内部车流通行状况为“堵塞”、“通畅”及“过渡”；

所述当前溢流检测结果O的模糊子集为{无N，轻度L，中度M，重度H}，分别表示交叉口溢流情况“无”、“轻度”、“中度”、“重度”。

车辆存在比Q、运动像素比例S和当前溢流检测结果O三变量的隶属度函数分别为梯形、梯形及三角形函数。模糊推理规则：若当前车辆存在比Q是运动像素比S是上一次溢流检测结果是则当前溢流检测结果是模糊蕴含关系采用Mamdani“最大-最小”推理法，通过重心法解模糊获得模糊查询表。所述模糊查询表在交通溢流实时检测过程中供查询使用。该模糊识别器引入上一次溢流检测结果作为反馈量，从而实现对处于过渡运动状态的车流的溢流情况判断。

所述步骤(2-2)信号灯的定位与识别是采用一种复杂背景下的信号灯自动识别方法，包含亮度分割、K均值聚类和前景直方图分析手段，对信号灯的颜色、方向信息进行识别。该方法具体步骤如下：

A将图像转化至HSV空间，采用大津法给出亮度分割阈值，其基本思想是找出一个分割阈值，使被其分成两类的像素点灰度值具有最大类间方差或最小类内方差。基于亮度的图像分割规则如式(11)所示：

$f_3(x,y)=\left\{\begin{array}{cc}{f}_2(x,y)& V(x,y)\&GreaterEqual;T^{*}\\ 0& V(x,y)<T^{*}\end{array}\right.---\left(11\right)$

B基于几何特征的信号灯位置提取：在亮度分割的基础上，对图像进行灰度化处理，然后进行轮廓检测，并对检测到的轮廓做外接矩形。记单个矩形区域为R，根据R的形状和位置信息，引入新规则对噪声进行滤除。新规则包含面积信息、位置信息和宽高比信息等作为约束条件。

C定义信号灯的红、绿状态为信号灯关键信息，黄色和数字倒计时状态为非关键信息。信号灯的关键信息可以由位置坐标、颜色、形状和方向进行描述。首先采用分类统计获取目标检测区域，规则为：

若任意两候选区域R_ij的中心点L_ij(x_ij,y_ij)之间的欧氏距离d满足

$d=\sqrt{{(x_{\mathrm{ij}1}-x_{\mathrm{ij}2})}^2+{(y_{\mathrm{ij}1}-y_{\mathrm{ij}2})}^2}<T6---\left(12\right)$

则认为两点重合，否则认为两点不重合。其中，R_ij为第i帧图像中的第j个候选区域，T6为距离阈值。目标视频序列中共有N帧图像，包含若干个完整的信号周期；其中，第i帧图像中候选区域总个数为M_i，对L_ij(i＝(1,2,…,N),j＝(1,2,…,M_i))按照上述规则进行分类，得到不重合中心点L_k,k＝(1,2,…,S)，在视频序列中所占比例分别为C_k,k＝(1,2,…,S)，S为不重合中心点的个数。由于信号灯非关键信息及噪声在视频序列中的出现具有随机性强、持续时间短等特点，因此根据

C_k＞T7             (13)

对所有中心点进行筛选，可以得到关键信号灯位置集合D＝{R_ij|i＝(1,2,…,N),j＝(1,2,…,K_i)}，其中，T7为比例阈值，K_i为第i帧图像中关键信号灯区域个数。

D采用K均值聚类算法获取红、绿颜色聚类中心(r_c,g_c)，则待测区域R_ij(i＝(1,2,…,N2),j＝(1,2,…,K_i))的颜色判别规则为

$\mathrm{color}=\left\{\begin{array}{cc}R& |h_{\mathrm{ij}}-r_c|=\min \left\{\right|h_{\mathrm{ij}}-r_c|,|h_{\mathrm{ij}}-g_c\left|\right\}\\ G& |h_{\mathrm{ij}}-r_c|=\min \left\{\right|h_{\mathrm{ij}}-r_c|,|h_{\mathrm{ij}}-g_c\left|\right\}\end{array}\right.---\left(14\right)$

E为实现对圆形及箭头形信号灯的灵活识别，采用前景直方图分析方法：归纳出不同类型信号灯前景直方图在不同扫描方式下的分布规律，并将待测区域的直方图与归纳结果进行匹配，进而得出信号灯形状和方向信息。

所述步骤(3)的步骤为：将交叉口内部车辆排队情况与信号灯识别结果综合分析，根据交叉口真假溢流判别规则，给出溢流识别结果；所述溢流识别结果给出的频率根据用户实际需要来设定；

根据溢流性质划分，溢流结果包括真溢流和假溢流两种情况；

根据溢流程度划分，溢流结果包括无溢流、轻度、中度和重度四种情况。

本发明的有益效果是：

1、能够实现对交叉口溢流现象的及时准确识别；

2、克服了人工识别效率低、成本高、信息传递缓慢等缺点；

3、高清摄像机具有快速、准确、易于维护等优点，使该发明具有极大的实用价值。

附图说明

图1为本发明的整体流程图；

图2为摄像机安装方式及***框架示意图；

图3为交通溢流模糊识别器；

图4为溢流识别结果显示界面；

图5为移动窗检测车辆存在示意图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

如图1所示，一种基于视频的交通溢流状态识别方法，包括如下步骤：

步骤(1)：如图2所示，在目标十字交叉口架设两台高清摄像机，其中第一台高清摄像机对溢流发生方向的交叉口内部车辆排队行为进行监控，具***置为靠近路段末端的横向中间位置；第二台高清摄像机对与溢流方向交叉方向的信号灯进行监控，具***置为与溢流方向垂直方向的路段末端横向中间位置；

步骤(2)：包括并列的两个步骤：步骤(2-1)和步骤(2-2)；

步骤(2-1)：针对第一台高清摄像机监控的视频图像进行预处理，提取视频特征：车辆存在比和运动像素比；然后利用带反馈的模糊识别器进行图像识别；

步骤(2-2)：针对第二台高清摄像机监控的图像进行处理，实现信号灯的定位与识别；然后输出信号灯识别结果；

步骤(3)：综合步骤(2-1)和步骤(2-2)的结果，根据真假溢流判别规则，得出交通溢流结果；

步骤(4)：进行交通溢流状态显示与报警。

所述步骤(2-1)的预处理的步骤为：

自适应背景模型的获取及更新、运动目标检测，提取交叉口内车辆目标；

所述自适应背景模型的获取采用统计直方图法，具体如下式所示：

$P(x,y,k)=\left\{\begin{array}{ccc}P(x,y,k)+1& \mathrm{if}& I_i(x,y)=k\\ P(x,y,k)& \mathrm{if}& I_i(x,y)\&NotEqual;k\end{array}\right.i=\mathrm{1,2,2},...,N---\left(1\right)$

B(x,y)＝k        (2)

if   P(x,y,k)＝max(P)      k＝0,1,2,…,255        (3)

B(x,y)为建立的背景图像在像素点(x,y)处对应的灰度值，I_i(x,y)表示第i帧原图像在像素点(x,y)处对应的灰度值，N表示统计总帧数。P(x,y,k)表示像素点(x,y)处灰度值k出现的次数；式(3)表示在点(x,y)处，取出现次数最大的灰度值作为背景图像的灰度值。

所述自适应背景模型的更新采用选择性背景更新方法，可用式(4)表示：

$B_i(x,y)=\left\{\begin{array}{cc}\mathrm{\&alpha;}{I}_i(x,y)+(1-\mathrm{\&alpha;}){\mathrm{\&beta;}}_{i-1}(x,y)& G_i(x,y)=0\\ B_{i-1}(x,y)& G_i(x,y)\&NotEqual;0\end{array}\right.---\left(4\right)$

B_i(x,y)和I_i(x,y)分别为第i帧背景图像及原图像在像素点(x,y)处的灰度值，G_i(x,y)为第i帧原图像进行背景差分后的二值化图像在像素点(x,y)处的值，α为背景更新权重，0≤α≤1。

所述步骤(2-1)的提取视频特征的车辆存在比的步骤为：

车辆存在比Q为交叉口内车辆覆盖面积与检测区域总面积之比，采用背景差分及移动窗对车辆存在比Q特征量进行提取：

背景差分表示如下：

令I_k为第k帧灰度图像，B_k为背景灰度图像，将I_k与B_k作差，得到背景差图像M_k，对M_k进行中值滤波，并利用Otsu算法给出阈值T₁对M_k进行图像分割，得到二值化图像S_k；计算式如下：

$S_k(x,y)=\left\{\begin{array}{cc}1& |I_k(x,y)-B_k(x,y)|>T_1\\ 0& \mathrm{otherwise}\end{array}\right.---\left(5\right)$

移动窗表示如下：

利用一个高度为检测区域垂直高度十分之一的水平检测窗，从队列头部向尾部移动。由于物体从三维立体空间转换到二维平面空间时，距离摄像头越远，在二维平面中越小，因此移动窗检测车辆存在方法的一般性几何示意图如图5所示。将检测窗从队头至队尾扫描，若满足存在条件的水平区域最大编号为i，则L_k＝i(0≤i≤10)。以L_k来表征第i帧图像的车辆存在比。由于数据序列的中值点具有较强的鲁棒性，本算法采用连续N帧图像的时间长度作为最小单位时间，连续N帧检测结果序列的中值作为单位时间的车辆存在比结果。

因此，车辆存在比Q特征量为：

Q＝med(L_k),(1≤k≤N)          (6)

L_k＝max(I)          (7)

$I=\left\{\begin{array}{cc}i|P_E\left(i\right)=\frac{E_i}{N_i}>T_E,& 0\&le;i\&le;10\end{array}\right\}---\left(8\right)$

式(8)表示I为第k帧图像中满足存在检测阈值的所有区域编号的集合；式(7)表示取集合I中的最大值来表征第k帧图像的车辆存在比，用L_k来表示；式(6)表示在一个连续N帧的视频序列中，取所有L_k的中值Q来表征当前N帧图像的车辆存在比结果。

所述步骤(2-1)的提取视频特征的运动像素比的步骤为：

运动像素比S为检测区域内运动像素点与全部像素点之比，定义式为

S＝med(P_M(k)),(1≤k≤N)              (9)

$P_M\left(k\right)=\frac{M_k}{N_k}---\left(10\right)$

其中，M_k为第k帧图像检测区域内运动像素个数，N_k为第k帧图像检测区域内所有像素个数，式(9)表示在一个连续N帧的视频序列中，取所有P_M(k)的中值S来表征当前N帧图像的车辆存在比结果。

所述步骤(2-1)中利用带反馈的模糊识别器进行图像识别：

将采集的车辆存在比Q和运动像素比S作为模糊识别器的输入，经过模糊识别器的模糊化、模糊推理及解模糊之后，模糊识别器输出当前溢流检测结果；当车辆处于排队形成、消散等过渡状态时，仅凭上述两指标无法对交通溢流状态进行判别，因此将模糊识别器的输出“当前溢流检测结果”作为模糊识别器的反馈输入量，在该模糊识别器的实际工作过程中，反馈输入量的实际含义为“上一次溢流检测结果”，该变量初始化值为“无溢流”。因此，模糊识别器实为三输入单输出结构，如图3所示。

其中，模糊识别器在逻辑上由四个部分构成，即模糊识别规则、模糊化过程、模糊推理过程和去模糊过程，经过以上四步处理，该模糊识别器可以输出模糊识别结果，即本发明中的溢流程度结果。

当车辆处于排队形成、消散过渡状态时，将模糊识别器输出的“当前溢流检测结果”作为模糊识别器的反馈输入量，在模糊识别器的实际工作过程中，反馈输入量为“上一次溢流检测结果”，该变量初始化值为“无溢流”。

所述车辆存在比Q的模糊子集为{无N，低L，中M，高H}，分别表示当前车辆排队比例“无排队”、“低”、“中等”和“高”；

所述运动像素比例S的模糊子集为{堵塞C，通畅F，过渡T}，分别表示当前交叉口内部车流通行状况为“堵塞”、“通畅”及“过渡”；

所述当前溢流检测结果O的模糊子集为{无N，轻度L，中度M，重度H}，分别表示交叉口溢流情况“无”、“轻度”、“中度”、“重度”。

车辆存在比Q、运动像素比例S和当前溢流检测结果O三变量的隶属度函数分别为梯形、梯形及三角形函数。模糊推理规则：若当前车辆存在比Q是运动像素比S是上一次溢流检测结果是则当前溢流检测结果是模糊蕴含关系采用Mamdani“最大-最小”推理法，通过重心法解模糊获得模糊查询表。所述模糊查询表在交通溢流实时检测过程中供查询使用。该模糊识别器引入上一次溢流检测结果作为反馈量，从而实现对处于过渡运动状态的车流的溢流情况判断。

所述步骤(2-2)信号灯的定位与识别是采用一种复杂背景下的信号灯自动识别方法，包含亮度分割、K均值聚类和前景直方图分析手段，对信号灯的颜色、方向信息进行识别。该方法具体步骤如下：

A将图像转化至HSV空间，采用大津法给出亮度分割阈值，其基本思想是找出一个分割阈值，使被其分成两类的像素点灰度值具有最大类间方差或最小类内方差。基于亮度的图像分割规则如式(11)所示：

$f_3(x,y)=\left\{\begin{array}{cc}{f}_2(x,y)& V(x,y)\&GreaterEqual;T^{*}\\ 0& V(x,y)<T^{*}\end{array}\right.---\left(11\right)$

B基于几何特征的信号灯位置提取：在亮度分割的基础上，对图像进行灰度化处理，然后进行轮廓检测，并对检测到的轮廓做外接矩形。记单个矩形区域为R，根据R的形状和位置信息，引入新规则对噪声进行滤除。新规则包含面积信息、位置信息和宽高比信息等作为约束条件。

C定义信号灯的红、绿状态为信号灯关键信息，黄色和数字倒计时状态为非关键信息。信号灯的关键信息可以由位置坐标、颜色、形状和方向进行描述。首先采用分类统计获取目标检测区域，规则为：

若任意两候选区域R_ij的中心点L_ij(x_ij,y_ij)之间的欧氏距离d满足

$d=\sqrt{{(x_{\mathrm{ij}1}-x_{\mathrm{ij}2})}^2+{(y_{\mathrm{ij}1}-y_{\mathrm{ij}2})}^2}<T6---\left(12\right)$

则认为两点重合，否则认为两点不重合。其中，R_ij为第i帧图像中的第j个候选区域，T6为距离阈值。目标视频序列中共有N帧图像，包含若干个完整的信号周期；其中，第i帧图像中候选区域总个数为M_i，对L_ij(i＝(1,2,…,N),j＝(1,2,…,M_i))按照上述规则进行分类，得到不重合中心点L_k,k＝(1,2,…,S)，在视频序列中所占比例分别为C_k,k＝(1,2,…,S)，S为不重合中心点的个数。由于信号灯非关键信息及噪声在视频序列中的出现具有随机性强、持续时间短等特点，因此根据

C_k＞T7         (13)

对所有中心点进行筛选，可以得到关键信号灯位置集合D＝{R_ij|i＝(1,2,…,N),j＝(1,2,…,K_i)}，其中，T7为比例阈值，K_i为第i帧图像中关键信号灯区域个数。

D采用K均值聚类算法获取红、绿颜色聚类中心(r_c,g_c)，则待测区域R_ij(i＝(1,2,…,N2),j＝(1,2,…,K_i))的颜色判别规则为

$\mathrm{color}=\left\{\begin{array}{cc}R& |h_{\mathrm{ij}}-r_c|=\min \left\{\right|h_{\mathrm{ij}}-r_c|,|h_{\mathrm{ij}}-g_c\left|\right\}\\ G& |h_{\mathrm{ij}}-r_c|=\min \left\{\right|h_{\mathrm{ij}}-r_c|,|h_{\mathrm{ij}}-g_c\left|\right\}\end{array}\right.---\left(14\right)$

E为实现对圆形及箭头形信号灯的灵活识别，采用前景直方图分析方法：归纳出不同类型信号灯前景直方图在不同扫描方式下的分布规律，并将待测区域的直方图与归纳结果进行匹配，进而得出信号灯形状和方向信息。

所述步骤(3)的步骤为：将交叉口内部车辆排队情况与信号灯识别结果综合分析，根据交叉口真假溢流判别规则，给出溢流识别结果；所述溢流识别结果给出的频率根据用户实际需要来设定；

根据溢流性质划分，溢流结果包括真溢流和假溢流两种情况；

根据溢流程度划分，溢流结果包括无溢流、轻度、中度和重度四种情况。

溢流结果将通过实时变化曲线与文字提示结合的方式进行显示，结果给出频率以5秒为例，如图4所示。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于视频的交通溢流状态识别方法，其特征是，包括如下步骤： 

步骤(1)：在目标十字交叉口架设两台高清摄像机，其中第一台高清摄像机对溢流发生方向的交叉口内部车辆排队行为进行监控，具***置为靠近路段末端的横向中间位置；第二台高清摄像机对与溢流方向交叉方向的信号灯进行监控，具***置为与溢流方向垂直方向的路段末端横向中间位置； 

步骤(2)：包括并列的两个步骤：步骤(2-1)和步骤(2-2)； 

步骤(2-1)：针对第一台高清摄像机监控的视频图像进行预处理，提取视频特征：车辆存在比和运动像素比；然后利用带反馈的模糊识别器进行图像识别； 

步骤(2-2)：针对第二台高清摄像机监控的图像进行处理，实现信号灯的定位与识别；然后输出信号灯识别结果； 

步骤(3)：综合步骤(2-1)和步骤(2-2)的结果，根据真假溢流判别规则，得出交通溢流结果； 

步骤(4)：进行交通溢流状态显示与报警。 

2.如权利要求1所述的一种基于视频的交通溢流状态识别方法，其特征是，所述步骤(2-1)的预处理的步骤为：自适应背景模型的获取及更新、运动目标检测，提取交叉口内车辆目标。 

3.如权利要求1所述的一种基于视频的交通溢流状态识别方法，其特征是，所述步骤(2-1)的提取视频特征的车辆存在比的步骤为： 

车辆存在比Q为交叉口内车辆覆盖面积与检测区域总面积之比，采用背景差分及移动窗对车辆存在比Q特征量进行提取： 

因此，车辆存在比Q特征量为： 

Q＝med(L_k),(1≤k≤N)                  (6) 

L_k＝max(I)                      (7) 

式(8)表示I为第k帧图像中满足存在检测阈值的所有区域编号的集合；式(7)表示取集合I中的最大值来表征第k帧图像的车辆存在比，用L_k来表示；式(6)表示在一个连续N帧的视频序列中，取所有L_k的中值Q来表征当前N帧图像的车辆存在比结果。 

4.如权利要求1所述的一种基于视频的交通溢流状态识别方法，其特征是，所述步骤(2-1)的提取视频特征的运动像素比的步骤为： 

运动像素比S为检测区域内运动像素点与全部像素点之比，定义式为 

S＝med(P_M(k)),(1≤k≤N)           (9) 

其中，M_k为第k帧图像检测区域内运动像素个数，N_k为第k帧图像检测区域内所有像素个数，式(9)表示在一个连续N帧的视频序列中，取所有P_M(k)的中值S来表征当前N帧图像的车辆存在比结果。 

5.如权利要求1所述的一种基于视频的交通溢流状态识别方法，其特征是，所述步骤(2-1)中利用带反馈的模糊识别器进行图像识别： 

将采集的车辆存在比Q和运动像素比S作为模糊识别器的输入，经过模糊识别器的模糊化、模糊推理及解模糊之后，模糊识别器输出当前溢流检测结果；其中，模糊识别器在逻辑上由四个部分构成，即模糊识别规则、模糊化过程、模糊推理过程和去模糊过程，经过以上四步处理，该模糊识别器输出模糊识别结果； 

当车辆处于排队形成、消散过渡状态时，将模糊识别器输出的“当前溢流检测结果”作为模糊识别器的反馈输入量，在模糊识别器的实际工作过程中，反馈输入量为“上一次溢流检测结果”，该变量初始化值为“无溢流”； 

所述车辆存在比Q的模糊子集为{无N，低L，中M，高H}，分别表示当前车辆排队比例“无排队”、“低”、“中等”和“高”； 

所述运动像素比例S的模糊子集为{堵塞C，通畅F，过渡T}，分别表示当前交叉口内部车流通行状况为“堵塞”、“通畅”及“过渡”； 

所述当前溢流检测结果O的模糊子集为{无N，轻度L，中度M，重度H}，分别表示交叉口溢流情况“无”、“轻度”、“中度”、“重度”； 

车辆存在比Q、运动像素比例S和当前溢流检测结果O三变量的隶属度函数分别为梯形、梯形及三角形函数；模糊推理规则：若当前车辆存在比Q是运动像素比S是上一次溢流检测结果是则当前溢流检测结果是模糊蕴含关系采用Mamdani“最大-最小” 推理法，通过重心法解模糊获得模糊查询表；所述模糊查询表在交通溢流实时检测过程中供查询使用；所述模糊识别器引入上一次溢流检测结果作为反馈量，从而实现对处于过渡运动状态的车流的溢流情况判断。 

6.如权利要求1所述的一种基于视频的交通溢流状态识别方法，其特征是，所述步骤(2-2)信号灯的定位与识别是采用一种复杂背景下的信号灯自动识别方法，包含亮度分割、K均值聚类和前景直方图分析手段，对信号灯的颜色、方向信息进行识别。 

7.如权利要求1所述的一种基于视频的交通溢流状态识别方法，其特征是，所述步骤(3)的步骤为：将交叉口内部车辆排队情况与信号灯识别结果综合分析，根据交叉口真假溢流判别规则，给出溢流识别结果；所述溢流识别结果给出的频率根据用户实际需要来设定； 

根据溢流性质划分，溢流结果包括真溢流和假溢流两种情况； 

根据溢流程度划分，溢流结果包括无溢流、轻度、中度和重度四种情况。 

8.如权利要求2所述的一种基于视频的交通溢流状态识别方法，其特征是，所述自适应背景模型的获取采用统计直方图法，具体如下式所示： 

B(x,y)＝k                      (2) 

if   P(x,y,k)＝max(P)    k＝0,1,2,…,255          (3) 

B(x,y)为建立的背景图像在像素点(x,y)处对应的灰度值，I_i(x,y)表示第i帧原图像在像素点(x,y)处对应的灰度值，N表示统计总帧数。P(x,y,k)表示像素点(x,y)处灰度值k出现的次数；式(3)表示在点(x,y)处，取出现次数最大的灰度值作为背景图像的灰度值。 

9.如权利要求2所述的一种基于视频的交通溢流状态识别方法，其特征是，所述自适应背景模型的更新采用选择性背景更新方法，用式(4)表示： 

B_i(x,y)和I_i(x,y)分别为第i帧背景图像及原图像在像素点(x,y)处的灰度值，G_i(x,y)为第i帧原图像进行背景差分后的二值化图像在像素点(x,y)处的值，α为背景更新权重， 0≤α≤1。 

10.如权利要求3所述的一种基于视频的交通溢流状态识别方法，其特征是，背景差分表示如下： 

令I_k为第k帧灰度图像，B_k为背景灰度图像，将I_k与B_k作差，得到背景差图像M_k，对M_k进行中值滤波，并利用Otsu算法给出阈值T₁对M_k进行图像分割，得到二值化图像S_k；计算式如下： 

移动窗表示如下： 

利用一个高度为检测区域垂直高度十分之一的水平检测窗，从队列头部向尾部移动；将检测窗从队头至队尾扫描，若满足存在条件的水平区域最大编号为i，则L_k＝i(0≤i≤10)；以L_k来表征第i帧图像的车辆存在比；由于数据序列的中值点具有较强的鲁棒性，采用连续N帧图像的时间长度作为最小单位时间，连续N帧检测结果序列的中值作为单位时间的车辆存在比结果。