CN104809874B - 一种交通事件检测方法和装置 - Google Patents

Abstract

本发明提供了一种交通事件的检测方法及装置，所述方法包括：获取摄像机处于预设预置位时采集的交通监控视频图像；根据所述交通监控视频图像建立车辆轨迹模型和/或车周环境模型；根据所述车辆轨迹模型和预先建立的路面结构模型检测交通事件，和/或，根据所述车周环境模型和预先建立的路面结构模型检测交通事件；所述路面结构模型是根据路面上未发生交通事件的监控视频图像建立的模型。这种通过交通事件检测***自动检测交通事件的方法节省了大量的人力和物力资源，降低了监控人员的工作强度。并且不会发生由于精力不足导致对交通事件的误报和漏报的风险，因此，该检测方法提高了交通事件检测的精确度。

Description

一种交通事件检测方法和装置

技术领域

本发明涉及道路监控领域，尤其涉及一种交通事件检测方法和装置。

背景技术

道路监控***在治安防控中发挥着重要的作用。为了实时获取道路的交通状况，在一些重要路段均设置有道路监控***，通过摄像机拍摄道路实时状况，然后将拍摄的图像实时上传到道路监控指挥中心。

在现有的道路监控***中，道路监控指挥中心的监控人员通过操作云台观察上传的道路各个方向的监控视频图像，通过观察监控视频图像来人为判断交通事件的发生。这种交通事件监控方法消耗了大量的人力、物力资源。而且由于监控人员的精力有限，很容易造成交通事件的误报和漏报。

发明内容

有鉴于此，本发明提供了一种交通事件检测方法和装置，以实现对交通事件的自动检测。

为了解决上述技术问题，本发明采用了如下技术方案：

一种交通事件的检测方法，包括：

获取摄像机处于预设预置位时采集的交通监控视频图像；

根据所述交通监控视频图像建立车辆轨迹模型和/或车周环境模型；

根据所述车辆轨迹模型和预先建立的路面结构模型检测交通事件，和/或，根据所述车周环境模型和预先建立的路面结构模型检测交通事件；所述路面结构模型是根据路面上未发生交通事件的监控视频图像建立的模型。

可选地，所述交通事件检测方法采用每路摄像机在多个不同预置位之间进行自动轮巡监控的方法，每路摄像机所处的多个不同预置位能够覆盖整个路面的横断面，设定摄像机在一个预置位的监控时间达到预设时间后，自动轮换到下一个预置位进行监控。

可选地，所述根据所述车辆轨迹模型和预先建立的路面结构模型检测交通事件，和/或，根据所述车周环境模型和预先建立的路面结构模型检测交通事件之后，还包括：

当接收到进行人工干预的指令后，取消加载预置位相关配置文件，自接收到进行人工干预的指令起至达到预设人工监控时长后，提示是否加载预置位相关配置文件，如果是，控制摄像机切换到所述预设预置位的下一个预置位的位置，以采集所述预设预置位的下一个预置位对应的道路上的交通状况，如果否，延长人工监控时长，自接收到延长人工监控时长的指令起至再次达到预设人工监控时长后，返回执行所述提示是否加载预置位相关配置文件的步骤；

当接收到拒绝进行人工干预的指令后，判断摄像机在当前预置位的监控事件是否达到预设时间，如果是，控制摄像机切换到所述预设预置位的下一个预置位，并返回执行所述获取摄像机处于预设预置位时采集的交通监控视频图像的步骤。

可选地，所述根据所述交通监控视频图像建立车辆轨迹模型包括：

检测所述交通监控视频图像中的车辆；

对检测到的车辆进行跟踪，得到所述车辆的运动轨迹；

根据所述车辆的运动轨迹，建立车辆轨迹模型。

可选地，所述车辆轨迹模型和所述路面结构模型均包括车辆运动的方向角模型和车辆运动速度模型；

所述根据车辆轨迹模型和预先建立的路面结构模型检测交通事件具体包括：

比较所述车辆轨迹模型和所述路面结构模型中的方向角模型和/或速度模型，得到所述车辆轨迹模型和所述路面结构模型的方向角偏差和/或速度偏差；

判断所述方向角偏差是否达到第一预设条件，和/或，判断所述速度偏差是否达到第二预设条件，以判定路面上是否发生交通事件；

当所述车辆轨迹模型中的方向角模型与所述路面结构模型中的方向角模型的偏差大于角度阈值时，判定发生车辆逆行事件；

当所述车辆轨迹模型中的速度变量与所述路面结构模型中的速度变量的偏差大于第一速度阈值时，判定发生车辆超速事件；

当所述路面结构模型中的速度变量与所述车辆轨迹模型中的速度变量的偏差大于第二速度阈值时，判定发生车辆慢速事件；

当在第一时间段内所述车辆轨迹模型中的速度变量持续小于第三速度阈值时，判定发生车辆停止事件；

当路面上超过一定比例的车辆的车辆轨迹模型中的速度变量持续小于第三速度阈值时，判定发生车辆拥堵事件；

当路面上至少两辆车辆的车辆轨迹模型出现重叠且重叠的时间持续超过第二时间段时，判定发生车辆碰撞事件。

可选地，根据所述交通监控视频图像建立车周环境模型具体包括：

从所述交通监控视频图像中选取车辆及周围环境部分；

根据所述车辆及周围环境部分获取车周环境轮廓特征图；

根据所述车周环境轮廓特征图建立车周环境DPM模型，所述车周环境DPM模型包括根模型p₀、第一局部模型p₁、第二局部模型p₂、第三局部模型p₃和第四局部模型p₄，所述根模型p₀为车辆模型，所述第一局部模型p₁、第二局部模型p₂、第三局部模型p₃和第四局部模型p₄分别为车辆的前后左右四个方向上的环境模型。

可选地，所述根据所述车周环境模型和预先建立的路面结构模型检测交通事件具体包括：

将车辆环境模型与所述路面结构模型进行匹配，获取匹配值；

当匹配值大于预设阈值时，从车周环境中分割出车周异常物体；

对所述车周异常物体的运动轨迹进行跟踪，建立车周异常物体的轨迹模型；

当车周异常物体的轨迹模型的中速度为0时，开始计时，当车周异常物体的停留时间达到预设时间后，确定所述车周异常物体为抛洒物。

一种交通事件的检测装置，包括：

获取单元，用于获取摄像机处于预设预置位时采集的交通监控视频图像；

模型建立单元，用于根据所述交通监控视频图像建立车辆轨迹模型和/或车周环境模型；

检测单元，用于根据所述车辆轨迹模型和预先建立的路面结构模型检测交通事件，和/或，根据所述车周环境模型和预先建立的路面结构模型检测交通事件；所述路面结构模型是根据未发生交通事件时的监控视频图像建立的模型。

可选地，所述交通事件检测装置采用每路摄像机在多个不同预置位之间进行自动轮巡监控的方法进行交通事件的检测，每路摄像机所处的多个不同预置位能够覆盖整个路面的横断面，设定摄像机在一个预置位的监控时间达到预设时间后，自动轮换到下一个预置位进行监控。

可选地，所述模型建立单元包括：

检测子单元，用于检测所述交通监控视频图像中的车辆；

跟踪子单元，用于对检测到的车辆进行跟踪，得到所述车辆的运动轨迹；

车辆轨迹模型建立子单元，用于根据所述车辆的运动轨迹，建立车辆轨迹模型。

可选地，所述车辆轨迹模型和所述路面结构模型均包括车辆运动的方向角模型和车辆运动速度模型；

所述检测单元包括：

比较子单元，用于比较所述车辆轨迹模型和所述路面结构模型中的方向角模型和/或速度模型，得到所述车辆轨迹模型和所述路面结构模型的方向角偏差和/或速度偏差；

判断子单元，用于判断所述方向角偏差是否达到第一预设条件，和/或，所述速度偏差是否达到第二预设条件，以判定路面上是否发生交通事件；

当所述车辆轨迹模型中的方向角模型与所述路面结构模型中的方向角模型的偏差大于角度阈值时，判定发生车辆逆行事件；

当所述车辆轨迹模型中的速度变量与所述路面结构模型中的速度变量的偏差大于第一速度阈值时，判定发生车辆超速事件；

当所述路面结构模型中的速度变量与所述车辆轨迹模型中的速度变量的偏差大于第二速度阈值时，判定发生车辆慢速事件；

当在第一时间段内所述车辆轨迹模型中的速度变量持续小于第三速度阈值时，判定发生车辆停止事件；

当路面上超过一定比例的车辆的车辆轨迹模型中的速度变量持续小于第三速度阈值时，判定发生车辆拥堵事件；

当路面上至少两辆车辆的车辆轨迹模型出现重叠且重叠的时间持续超过第二时间段时，判定发生车辆碰撞事件。

可选地，所述模型建立单元包括：

选取子单元，用于从所述交通监控视频图像中选取车辆及周围环境部分；

获取子单元，用于根据所述车辆及周围环境部分获取车周环境轮廓特征图；

车周环境DPM模型建立子单元，用于根据所述车周环境轮廓特征图建立车周环境DPM模型，所述车周环境DPM模型包括根模型p₀、第一局部模型p₁、第二局部模型p₂、第三局部模型p₃和第四局部模型p₄，所述根模型p₀为车辆模型，所述第一局部模型p₁、第二局部模型p₂、第三局部模型p₃和第四局部模型p₄分别为车辆的前后左右四个方向上的环境模型。

可选地，所述检测单元包括：

匹配子单元，用于将车辆环境模型与所述路面结构模型进行匹配，获取匹配值；

分割子单元，用于当所述匹配值大于预设阈值时，从车周环境中分割出车周异常物体；

车周异常物体轨迹模型建立子单元，用于对所述车周异常物体的运动轨迹进行跟踪，建立车周异常物体的轨迹模型；

判断抛洒物子单元，用于当车周异常物体的轨迹模型的中速度为0时，开始计时，当车周异常物体的停留时间达到预设时间后，确定所述车周异常物体为抛洒物。

相较于现有技术，本发明具有以下有益效果：

本发明提供的交通事件的检测方法中，交通事件检测***能够根据车辆轨迹模型和预先建立的路面结构模型自动检测路面上是否发生了交通事件。因此，本发明提供的交通事件检测方法替代了现有技术中通过工作人员观察监控视频图像来人工判断路面上是否发生交通事件的方法。这种通过交通事件检测***自动检测交通事件的方法节省了大量的人力和物力资源，降低了监控人员的工作强度。并且不会发生由于精力不足导致对交通事件的误报和漏报的风险，因此，该检测方法提高了交通事件检测的精确度。

附图说明

为了清楚地理解本发明的技术方案，下面将描述本发明的具体实施方式时用到的附图做一简要说明。显而易见地，这些附图仅是本发明的部分实施例，本领域普通技术人员在未付出创造性劳动的前提下还可以获得其它的附图。

图1是本发明实施例一提供的交通事件检测方法流程示意图；

图2是本发明实施例一提供的路面结构模型的建立方法流程示意图；

图3是本发明实施例二提供的交通事件检测方法流程示意图；

图4是本发明实施例二提供的车周环境模型的建立的方法流程示意图；

图5是本发明实施例三提供的利用智能轮巡监控方式检测交通事件的方法流程示意图；

图6是本发明实施例三提供的智能轮巡监控***在人工监控模式下进行的操作流程示意图；

图7是本发明实施例四提供的交通事件检测装置结构示意图；

图8是本发明实施例四提供的交通事件检测装置的第一个具体实施方式的结构示意图；

图9是本发明实施例四提供的交通事件检测装置的第二个具体实施方式的结构示意图；

图10是本发明实施例四提供的利用智能轮巡监控***的交通事件检测装置的结构示意图。

具体实施方式

为使本发明的发明目的、技术方案和达到的技术效果更加清楚、完整，下面结合附图对本发明的具体实施方式进行详细描述。

实施例一

图1是本发明实施例一提供的交通事件检测方法的流程示意图。如图1所示，该交通事件检测方法包括以下步骤：

S101、获取摄像机处于预设预置位时采集的交通监控视频图像：

控制安装在道路上的摄像机开启，使摄像机采集道路上的路况信息。由于摄像机通常安装在云台上，所以摄像机可以根据需求安装在指定的预设预置位上。当摄像机开启后，摄像机就可以采集路况信息，并把采集到的路况信息上传到智能监控中心，智能监控中心就可获取到摄像机处于预设预置位时采集的交通监控视频图像。

S102、根据所述交通监控视频图像建立车辆轨迹模型：

需要说明的是，可以采用本领域惯用的技术手段根据所述交通监控视频图像建立车辆轨迹模型。

作为本发明的一个具体实施方式，所述根据所述交通监控视频图像建立车辆轨迹模型具体可以包括以下步骤：

S1021、检测所述交通监控视频图像中的车辆：

需要说明的是，本发明实施例提供的检测视频图像中的车辆方法可以采用本领域惯用的采用背景建模的方法。该采用背景建模的方法通过对图像的背景进行建模，模型建立后，将当前图像与背景图像进行比较，根据比较结果确定前景目标。但是该方法存在以下问题：

1)对阴影敏感，很容易将阴影误检测为运动目标；

2)低对比度和光晕环境下的适应能力差；

3)对目标物无区分能力，易产生误识别，从而严重影响交通流量以及车速的统计结果的问题。

为了避免上述问题，本发明优选采用公开号为CN101030256A(公开日为2007年9月5日)的中国专利申请。该专利申请的方法能够确切地识别检测目标，相较于传统的基于背景建模的方法，该方法在阴影干扰、复杂光照等方面都有着明显优势。

S1022、对检测到的车辆进行跟踪，得到所述车辆的运动轨迹：

对检测到的车辆进行跟踪，并对其运动轨迹进行分析，能够确切地了解车辆的行驶轨迹。

本发明采用的车辆跟踪方法可以采用基于光流跟踪或者模板匹配的方法，但是这些方法常常存在以下问题：1)遮挡问题，2)形变问题，车辆在行驶的过程中通常会发生尺寸变化，同时转弯也会导致车辆的形态变化，从而影响跟踪的稳定性。

为了避免上述问题，本发明优选采用一种新的车辆跟踪方法，该方法采用跟踪和检测相结合的机制，并通过在线学习建立目标车辆的实时模型，同时将在线学习的结果反作用于跟踪和检测，最终的目标定位由跟踪和检测协同决定。该方法可以有效解决车辆跟踪过程中目标的形变，其它物体的遮挡以及遮挡后车辆由于转弯等发生形变的问题。

S1023、根据所述车辆的运动轨迹，建立车辆轨迹模型。

S103、根据所述车辆轨迹模型和预先建立的路面结构模型检测交通事件：

需要说明的是，路面结构模型根据路面交通状况正常时的监控视频图像建立的模型。

通过统计路面交通状况正常时的车辆运动轨迹，对车辆轨迹进行建模，并进行在线学习，从而自动识别出路面结构，根据该路面结构建立相应的路面结构模型。所述路面交通状况正常的情形是指路面上没有发生交通事件的情形。

需要说明的是，车辆的运动轨迹通常包括两个因素：行驶方向和行驶速度。所以，所述路面结构模型包括车辆的运动方向角模型和车辆的运动速度模型，同样车辆的轨迹模型也包括车辆的运动方向角模型和车辆的运动速度模型。因此，根据车辆的轨迹模型和路面结构模型可以检测出与车辆的行驶方向和行驶速度有关的交通事件。

在本发明实施例中，所述根据车辆轨迹模型和预先建立的路面结构模型检测交通事件具体为：

获取所述车辆轨迹模型和所述路面结构模型：

比较所述车辆轨迹模型和所述路面结构模型中的方向角模型和/或速度模型，以得到所述车辆轨迹模型和所述路面结构模型中的方向角偏差和/或速度偏差；

判断所述方向角偏差是否达到第一预设条件，和/或，判断所述速度偏差是否达到第二预设条件，以判定路面上是否发生交通事件。

当所述车辆轨迹模型中的方向角模型与所述路面结构模型中的方向角模型的偏差大于角度阈值时，判定发生车辆逆行事件；

当所述车辆轨迹模型中的速度变量与所述路面结构模型中的速度变量的偏差大于第一速度阈值时，判定发生车辆超速事件；

当所述路面结构模型中的速度变量与所述车辆轨迹模型中的速度变量的偏差大于第二速度阈值时，判定发生车辆慢速事件；

当在第一时间段内所述车辆轨迹模型中的速度变量持续小于第三速度阈值时，判定发生车辆停止事件；

当路面上超过一定比例的车辆的车辆轨迹模型中的速度变量持续小于第三速度阈值时，判定发生车辆拥堵事件；

当路面上至少两辆车辆的车辆轨迹模型出现重叠且重叠的时间持续超过第二时间段时，判定发生车辆碰撞事件。

需要说明的是，在本发明实施例中，为了更准确地检测到交通事件，将交通监控视频图像中的每一帧图像按照相同的规则划分成多个小块，路面结构模型由该多个小块内的路面结构模型组成。

作为本发明的一个具体实施例，交通监控视频图像中的每一帧图像按照相同的规则划分成N×M个小块，其中，N、M均为大于等于1的整数；

在监控视频图像中每一个小块的路面结构模型的建立方法均相同，下面以划分的N×M个小块中的任意一个小块的路面结构模型的建立方法为例进行描述路面结构模型的建立方法。

设定预设小块为N×M个小块中的任意一个小块，如果认为N×M个小块在监控视频图像中构成一个阵列的话，则预设小块在该阵列中的位置为第i行第j列，该预设小块在监控视频图像中的位置可以表示为(i，j)，其中，1≤i≤N,1≤j≤M,并且i、j均为整数。

作为本发明的一个具体实施例，如图2所示，所述预设小块的路面结构模型的建立方法包括以下步骤：

S21、从预设小块的第t帧图像和第t-1帧图像中提取用于跟踪的特征点：

采用本领域惯用的技术手段，从预设小块的第t帧图像和第t-1帧图像中提取用于跟踪的特征点。

在本发明实施例中，t≥2，且t为整数。

S22、对第t帧图像和第t-1帧图像中的用于跟踪的特征点的运动轨迹进行光流估计，得到所述预设小块内的路面结构的初始化模型。

S23、利用所述预设小块内的第t+1帧图像对所述初始化模型进行优化，得到预设小块内的更新后的路面结构模型。

S24、判断t是否小于预设的训练帧数，如果否，执行步骤S25。如果是，执行步骤S26。

S25、对所述更新后的路面结构模型进行模型滤波，最终得到所述预设小块的路面结构模型：

对更新后的路面结构模型进行模型滤波的目的之一是为了消除道路上行人的运动轨迹以及不按照交通规则行驶的车辆轨迹，使得得到的路面结构模型符合正常交通状况下的路面信息。

S26、将第t帧图像更新为第t+1帧图像，返回执行所述步骤S21。

需要说明的是，步骤S21至步骤S26是任意一个小块内的路面结构模型的建立过程，也可以看作是任意一个小块内的路面结构模型的训练过程。

统计显示，路面车辆运动的方向角θ与车辆的运动速度v符合高斯分布，因此，在每一个小块的路面结构模型的训练过程中建立每一个小块的车辆运动方向和速度的混合高斯模型P_(i,j)(θ,v)。

在本发明实施例中，车辆的路面结构模型可以看作是其所占小块的路面结构模型的集合。

在本发明实施例中，为了使得智能监控***自动检测发生在道路上的各种类型的交通事件，智能监控***中预先设置有各种类型的交通事件模型。当路面交通状况符合某一类型的交通事件模型后，则智能监控***自动判定路面上发生了该类型的交通事件。

如上所述，在本发明实施例中，交通事件包括车辆逆行事件、车辆超速事件、车辆慢速事件、车辆停止事件、车辆拥堵事件以及车辆碰撞事件。

对应地，上述各个交通事件模型如下：

在描述各个交通事件模型之前，首先解释下在下面的模型中的各个参数的物理意义。(i、j)为小块在监控视频图像中的位置为第i行第j列；n表示小块内用于跟踪的特征点个数；m表示车辆在监控视频图像中所占的小块数。

其中，车辆逆行事件模型为：

其中，表示路面结构模型在该小块(i，j)内的平均角度；

表示车辆在该小块内的角度中值；

δ为角度阈值。

车辆超速事件模型为：

其中，表示路面结构模型在小块(i，j)内的的平均速度；

为车辆轨迹模型中的车辆在该小块(i，j)内的速度中值；

ε1表示第一速度阈值。

车辆慢速事件模型为：

其中，表示路面结构模型在小块(i，j)内的的平均速度；

为车辆轨迹模型中的车辆在该小块(i，j)内的速度中值；

ε2表示第二速度阈值。

车辆停止事件模型在第一时间段内，车辆轨迹模型中的速度变量与路面结构模型中的速度变量的关系符合下面公式：

其中，表示路面结构模型在小块(i，j)内的的平均速度；

为车辆轨迹模型中的车辆在该小块(i，j)内的速度中值；

ε3表示第三速度阈值，且ε3几乎为零。

根据车辆停止模型可以判定出一辆车辆发生停车事件，采用同样的判定方法，当道路上大多数车辆可以设置为超过一定预设比例的车辆均发生停车时候后，此时判定道路上发生了交通拥堵事件。

当道路上的至少两辆车辆的车辆轨迹模型出现重叠，并且该至少两辆车辆停止，则智能监控***判定道路上发生了车辆碰撞事件。

进一步地，当判定道路上发生了车辆碰撞事件后，可以进一步根据发生碰撞的车辆的车辆轨迹模型中的方向角模型和速度模型来判定车辆碰撞类型：侧面碰撞、追尾或正面碰撞。

S104、当检测到交通事件时发出报警提示。

作为本发明的优选实施例，当检测到路面上发生了交通事件后，还可以向外发出报警提示，以提示工作人员对检测到的交通事件进行处理。

通过实施例一提供的交通事件检测方法，智能监控***通过比较轨迹模型以及路面结构模型中的方向角模型和/或行驶速度模型，然后根据轨迹模型与路面结构模型中的方向角偏差是否满足第一预设条件，和/或，行驶速度偏差是否满足第二预设条件(即路面交通状况是否达到交通事件模型)来判定路面上是否发生了交通事件。本发明提供的交通事件检测方法能够自动检测路面上的交通事件。因此，本发明提供的交通事件检测方法替代了现有技术中通过工作人员观察监控视频图像来人工判断路面上是否发生交通事件的方法。这种通过交通事件检测***自动检测交通事件的方法节省了大量的人力和物力资源，降低了监控人员的工作强度。并且不会发生由于人员精力不足导致对交通事件的误报和漏报的风险，因此，该检测方法提高了交通事件检测的精确度。

实施例一所述的交通事件检测方法中，根据车辆轨迹模型即车辆的行驶方向和行驶速度与路面结构模型中的车辆方向角模型和速度模型的比较可以检测出路面上是否发生了与车辆轨迹相关的交通事件，例如：车辆逆行、超速、慢速、停止、碰撞等事件。除此之外，本发明还提供了一种能够检测抛洒物的方法。具体参见实施例二。

实施例二

图3是本发明实施例二提供的交通事件检测方法的流程示意图，如图3所示，该交通事件检测方法包括以下步骤：

S301、获取摄像机处于预设预置位时采集的交通监控视频图像：

该步骤与实施例一中的步骤S101相同，为了简要起见，在此不再详细描述，具体参见实施例一的描述。

S302、根据所述交通监控视频图像建立车周环境模型：

如图4所示，该步骤具体包括以下步骤：

S41、从所述交通监控视频图像中选取车辆及周围环境部分：

采用本领域惯用的技术手段从所述交通监控视频图像中选取车辆及周围环境部分。

S42、根据所述车周及周围环境部分获取车周环境轮廓特征图：

具体地，根据选取的车辆及周围环境部分，基于sobel和SURF算法获取轮廓图，再通过Hough算法去掉车道线干扰，获得车周环境轮廓特征图。

S43、根据所述车周环境轮廓特征图建立车周环境DPM模型：

从所述车周环境轮廓特征图中分割出车体，根据车体建立车辆模型p₀，从所述车周环境轮廓特征图中分割出车辆的周围环境，根据分割出的周围环境分别建立车辆的前后左右四个方向上的模型。

以车辆模型p₀作为根模型，以车辆的四周环境模型作为局部模型，这五个模型组成车周环境的DPM模型，其中，四周环境模型为DPM模型的局部模型，其分别为第一局部模型p₁，第二局部模型p₂、第三局部模型p₃和第四局部模型p₄。用公式表示车周环境的DPM(可制造)模型如下：

z＝(p₀,p₁,p₂,p₃,p₄)。

S303、根据所述车周环境模型和预先建立的路面结构模型检测抛洒物事件：

该步骤具体包括以下步骤：

S3031、将车辆环境模型与路面结构模型进行匹配，获得匹配值：

需要说明的是，本发明实施例所述的路面结构模型包括由车辆模型组成的根模型以及车辆四周环境构成的四个局部模型。

其中，车辆环境模型与路面结构模型进行匹配的公式如下：

其中，score(p₀,p₁,p₂,p₃,p₄)为匹配值；

F₀，F_i分别表示路面结构模型中的根模型和第i局部模型。

S3032、当匹配值大于预设阈值时，则确定车周异常，从车周环境中分割出车周异常物体：

S3033、对车周异常物体的运动轨迹进行跟踪，建立车周异常物体的轨迹模型：

S3034、当车周异常物体的轨迹模型的中速度为0时，确定车周异常物体为静止物体，并开始计时，当车周异常物体的停留时间达到预设时间后，对车周异常物体进行特征提取与分类：

为了更加准确地确定车周异常物体为抛洒物，当车周异常物体的停留时间达到预设时间后，该车周异常物体有可能是行人，为了避免对抛洒物的误判，在确定车周异常物体是否为抛洒物之前，优选对车周异常物体进行特征提取与分类。

S3035、根据提取的特征确定车周异常物体是否为抛洒物。

S304、当检测到抛洒物事件时发出报警提示。

作为本发明的一个优选实施例，当检测到路面上发生了抛洒物事件后，还可以向外发出报警提示，以提醒工作人员。

通过实施例二所述的交通事件检测方法能够自动检测出路面上的抛洒物事件。

通过实施例一和实施例二所述的交通事件检测方法，不仅能够检测出与车连轨迹有关的交通事件，还能够根据车周环境检测出抛洒物事件。实施例一和实施例二检测的交通事件基本上包括了道路上的所有交通事件，所以通过实施例一和实施例二提供的交通事件检测方法，智能监控***能够自动检测出发生在道路上的交通事件，因此，实施例一和实施例二提供的交通事件检测方法替代了人工检测交通事件的方法，提高了检测交通事件的准确性，降低了出现漏检或误检的风险。

需要说明的是，实施例一和实施例二所述的交通事件检测方法中，摄像机可以一直固定在某一预置位，在整个监控工作过程中，摄像机监控的视角固定不变，然而这种固定视角的监控方式，有可能存在监控盲区，从而导致交通事件的漏报。为了避免出现监控盲区，并充分利用云台摄像机的特点，作为本发明的一个优选实施例，可以采用智能轮巡监控的方法控制每路摄像机在多个不同的预置角度之间进行转动。每路摄像机所处的多个不同的预置角度达到的监控视野可以覆盖整个路面的横断面。这种利用智能轮巡监控方式来检测交通事件的方法如实施例三所示。

需要说明的是，当某一路段上设置有多路摄像机时，该多路摄像机的位置控制方式可以采用联动控制方式。当一路摄像机的位置发生变化时，其它路摄像机的位置也发生变化。为了避免监控盲区，设置在同一路段上的多路摄像机在同一时刻所处的位置能够保证监控视野覆盖整个路面的横断面。另外，在多路摄像机在不同预置位之间进行轮换时，能够保证监控视野的无缝衔接。

实施例三

需要说明的是，本发明实施例所述的智能轮巡监控***的工作模式包括自动轮巡监控模式和人工监控模式。通常情况下，智能轮巡监控***处于自动轮巡监控模式，只有在特殊情况下如发生交通事件，需要人工干预时才会处于人工监控模式。

图5是本发明实施例三提供的利用智能轮巡监控方式来检测交通事件的方法流程示意图。如图5所示，该利用智能轮巡监控方式来检测交通事件的方法包括以下步骤：

S501、调整摄像机的拍摄角度达到某一预设预置位，将该预设预置位看作是摄像机的当前预置位：

智能监控***调整摄像机的拍摄角度达到某一预设预置位，将该预设预置位看作是摄像机的当前预置位。

S502、加载当前预置位的相关配置文件。

S503、根据当前预置位的相关配置文件检测交通事件。

需要说明的是，本步骤所述的根据当前预置位的相关配置文件检测交通事件具体包括实施例一所述的步骤S101至步骤S103，和/或实施例二所述的步骤S301至步骤S303。

S504、当检测到交通事件时，向外发出报警提示。

S505、当接收到工作人员进行人工干预的指令后，智能轮巡监控***从自动轮巡监控模式切换至人工监控模式：

当监控工作人员收到智能监控***发出的报警提示后，监控工作人员进一步判断报警的交通事件是否为合理的交通事件，以决定是否进行人工干预。当智能轮巡监控***接收到工作人员进行人工干预的指令后，智能轮巡监控***从自动轮巡监控模式切换至人工监控模式。

当智能轮巡监控***从自动轮巡监控模式切换至人工监控模式后，如图6所示，智能轮巡监控***会执行以下操作：

S61、取消加载预置位相关配置文件。

S62、待达到预设人工监控时长后，智能轮巡监控***提示是否加载预置位相关配置文件。

S63、如果得到监控工作人员的肯定答复后，智能轮巡监控***从人工监控模式切换至自动轮巡监控模式。

S64、如果得到监控工作人员的否定答复后，智能轮巡监控***延长人工监控时长，并返回执行步骤S62。

S506、当接收到工作人员拒绝进行人工干预的指令后，智能轮巡监控***判断摄像机在当前预置位的监控时间是否达到预设时间，如果是，执行步骤S507。

S507、控制摄像机切换到下一个预置位，并将当前预置位更新为该下一个预置位，返回执行步骤S502。

通过实施例三提供的智能轮巡监控方法既能够使摄像机发挥自动轮巡的优势，又能大大降低监控人员的工作强度，最大程度地减少事件漏报并提高反应速度，使得每台摄像机的监控能力得到极大的提高。

实施例一至实施例三为本发明实施例提供的交通事件的检测方法的具体实施方式，基于上述实施例提供的交通事件的检测方法，本发明还提供了交通事件的检测装置的具体实施方式，具体参见以下实施例四。

实施例四

图7是本发明实施例四提供的交通事件检测装置的结构示意图。如图7所示，该交通事件检测装置包括以下单元：

获取单元71，用于获取摄像机处于预设预置位时采集的交通监控视频图像；

模型建立单元72，用于根据所述交通监控视频图像建立车辆轨迹模型和/或车周环境模型；

检测单元73，用于根据所述车辆轨迹模型和预先建立的路面结构模型检测交通事件，和/或，根据所述车周环境模型和预先建立的路面结构模型检测交通事件；所述路面结构模型是根据未发生交通事件时的监控视频图像建立的模型；

为了提醒工作人员路面上发生了交通事件，所述交通事件检测装置还可以包括：

报警单元74，当检测到交通事件时，发出报警提示。

通过图7所示的交通事件检测装置能够自动地检测出路面上的交通事件，避免了通过人工进行检测的方法，节省了大量的人力、物力资源，降低了监控人员的工作强度，并且不会发生由于精力不足导致对交通事件的误报和漏报的风险，因此，该检测装置提高了交通事件检测的精确度。

为了能够检测与车辆轨迹相关的交通事件，作为本发明的第一个具体实施例，如图8所示，上述实施例所示的交通事件检测装置中的所述模型建立单元72包括：

检测子单元721，用于检测所述交通监控视频图像中的车辆；

跟踪子单元722，用于对检测到的车辆进行跟踪，得到所述车辆的运动轨迹；

车辆轨迹模型建立子单元723，用于根据所述车辆的运动轨迹，建立车辆轨迹模型。

进一步地，对上述第一个具体实施例的进一步改进，如图8所示，所述车辆轨迹模型和所述路面结构模型均包括车辆运动的方向角模型和车辆运动速度模型；

所述检测单元73具体包括：

比较子单元731，用于比较所述车辆轨迹模型和所述路面结构模型中的方向角模型和/或速度模型，得到所述车辆轨迹模型和所述路面结构模型的方向角偏差和/或速度偏差；

判断子单元732，用于判断所述方向角偏差是否达到第一预设条件，和/或，所述速度偏差是否达到第二预设条件，以判定路面上是否发生交通事件；

当所述车辆轨迹模型中的方向角模型与所述路面结构模型中的方向角模型的偏差大于角度阈值时，判定发生车辆逆行事件；

当所述车辆轨迹模型中的速度变量与所述路面结构模型中的速度变量的偏差大于第一速度阈值时，判定发生车辆超速事件；

当所述路面结构模型中的速度变量与所述车辆轨迹模型中的速度变量的偏差大于第二速度阈值时，判定发生车辆慢速事件；

当在第一时间段内所述车辆轨迹模型中的速度变量持续小于第三速度阈值时，判定发生车辆停止事件；

当路面上超过一定比例的车辆的车辆轨迹模型中的速度变量持续小于第三速度阈值时，判定发生车辆拥堵事件；

当路面上至少两辆车辆的车辆轨迹模型出现重叠且重叠的时间持续超过第二时间段时，判定发生车辆碰撞事件。

通过上述第一个具体实施例，交通事件检测装置能够检测出与车辆轨迹相关的交通事件，这些交通事件包括车辆逆行、超速、慢速、停止、拥堵、碰撞事件。

本发明提供的交通事件检测装置除了能够检测与车辆轨迹相关的交通事件外，还可以检测抛洒物事件。

为了能够检测抛洒物事件，作为本发明的第二个具体实施例，如图9所示，上述图8所示的交通事件检测装置中的所述模型建立单元72还可以包括：

选取子单元721’，用于从所述交通监控视频图像中选取车辆及周围环境部分；

获取子单元722’，用于根据所述车辆及周围环境部分获取车周环境轮廓特征图；

车周环境DPM模型建立子单元723’,用于根据所述车周环境轮廓特征图建立车周环境DPM模型，所述车周环境DPM模型包括根模型p₀、第一局部模型p₁、第二局部模型p₂、第三局部模型p₃和第四局部模型p₄，所述根模型p₀为车辆模型，所述第一局部模型p₁、第二局部模型p₂、第三局部模型p₃和第四局部模型p₄分别为车辆的前后左右四个方向上的环境模型。

进一步地，所述检测单元73还可以包括：

匹配子单元731’，用于将车辆环境模型与所述路面结构模型进行匹配，获取匹配值；

分割子单元732’，用于当所述匹配值大于预设阈值时，从车周环境中分割出车周异常物体；

车周异常物体轨迹模型建立子单元733’，用于对所述车周异常物体的运动轨迹进行跟踪，建立车周异常物体的轨迹模型；

判断抛洒物子单元734’，用于当车周异常物体的轨迹模型的中速度为0时，开始计时，当车周异常物体的停留时间达到预设时间后，确定所述车周异常物体为抛洒物。

需要说明的是，图9所示的交通事件检测装置是在图8所示的交通事件检测装置的基础上进行的改进，实际上，作为本发明的另一实施例，用于检测抛洒物事件的交通事件检测装置还可以在图7所示的交通事件检测装置的基础上进行改进。根据图9公开的信息，本领域普通技术人员在不付出创造性劳动的前提下能够得到该实施方式，在此不再详细描述。

上述第一个具体实施例和第二个具体实施例中，摄像机可以一直固定在某一预置位，在整个监控工作过程中，摄像机监控的视角固定不变，然而这种固定视角的监控方式，有可能存在监控盲区，从而导致交通事件的漏报。为了避免出现监控盲区，并充分利用云台摄像机的特点，作为本发明的一个优选实施例，可以采用智能轮巡监控的方法控制每路摄像机在多个不同的预置角度之间进行转动。每路摄像机所处的多个不同的预置角度达到的监控视野可以覆盖整个路面的横断面。这种利用智能轮巡监控方式来检测交通事件的装置如第三个具体实施方式所示。

需要说明的是，当某一路段上设置有多路摄像机时，该多路摄像机的位置控制方式可以采用联动控制方式。当一路摄像机的位置发生变化时，其它路摄像机的位置也发生变化。为了避免监控盲区，设置在同一路段上的多路摄像机在同一时刻所处的位置能够保证监控视野覆盖整个路面的横断面。另外，在多路摄像机在不同预置位之间进行轮换时，能够保证监控视野的无缝衔接。

进一步地，所述交通事件检测装置采用每路摄像机在多个不同预置位之间进行自动轮巡监控的方法进行交通事件的检测，每路摄像机所处的多个不同预置位能够覆盖整个路面的横断面，设定摄像机在一个预置位的监控时间达到预设时间后，自动轮换到下一个预置位进行监控。

作为本发明的第三个具体实施方式，如图10所示，所述装置除了具有第一个具体实施方式或第二个具体实施方式的单元以外，还可以包括以下单元：

取消加载预置位相关配置文件单元101，用于在接收到工作人员进行人工干预的指令后，取消加载预置位相关配置文件；

提示单元102，用于自接收到工作人员进行人工干预的指令起到达到预设人工监控时长后，提示是否加载预置位相关配置文件，如果是，控制摄像机切换到所述预设预置位的下一个预置位的位置，以采集所述预设预置位的下一个预置位对应的道路上的交通状况，如果否，延长人工监控时长，自接收到延长人工监控时长的指令起到再次达到预设人工监控时长后，将人工监控时长的信号发送至所述提示单元。

进一步地，所述装置还可以进一步包括：判断单元103，用于当接收到工作人员拒绝进行人工干预的指令后，判断摄像机在当前预置位的监控事件是否达到预设时间，如果是，控制摄像机切换到所述预设预置位的下一个预置位，并将摄像机所处的位置信号发送至所述获取单元。

需要说明的是，图10所示的交通事件检测装置是在本发明的第一个具体实施例即图8所示的实施例的基础上进行的改进。实际上，能够进行智能轮巡的交通事件检测装置可以在上述任一实施例的基础上进行改进。

以上为本发明的优选实施例。应当指出，对于本领域的普通技术人员来说，在不脱离本发明的发明构思的前提下，还可以做出若干改进和润饰，这些改进和润饰也应在本发明的保护范围之列。

Claims (10)

1.一种交通事件的检测方法，其特征在于，所述交通事件检测方法采用每路摄像机在多个不同预置位之间进行自动轮巡监控的方法，每路摄像机所处的多个不同预置位能够覆盖整个路面的横断面，设定摄像机在一个预置位的监控时间达到预设时间后，自动轮换到下一个预置位进行监控，所述交通事件检测方法包括：

获取摄像机处于预设预置位时采集的交通监控视频图像；

根据所述交通监控视频图像建立车辆轨迹模型和/或车周环境模型；

根据所述车辆轨迹模型和预先建立的路面结构模型检测交通事件，和/或，根据所述车周环境模型和预先建立的路面结构模型检测交通事件；所述路面结构模型是根据路面上未发生交通事件的监控视频图像建立的模型；

当接收到进行人工干预的指令后，取消加载预置位相关配置文件，自接收到进行人工干预的指令起至达到预设人工监控时长后，提示是否加载预置位相关配置文件，如果是，控制摄像机切换到所述预设预置位的下一个预置位的位置，以采集所述预设预置位的下一个预置位对应的道路上的交通状况，如果否，延长人工监控时长，自接收到延长人工监控时长的指令起至再次达到预设人工监控时长后，返回执行所述提示是否加载预置位相关配置文件的步骤；

当接收到拒绝进行人工干预的指令后，判断摄像机在当前预置位的监控事件是否达到预设时间，如果是，控制摄像机切换到所述预设预置位的下一个预置位，并返回执行所述获取摄像机处于预设预置位时采集的交通监控视频图像的步骤。

2.根据权利要求1所述的方法，其特征在于，所述根据所述交通监控视频图像建立车辆轨迹模型包括：

检测所述交通监控视频图像中的车辆；

对检测到的车辆进行跟踪，得到所述车辆的运动轨迹；

根据所述车辆的运动轨迹，建立车辆轨迹模型。

3.根据权利要求1所述的方法，其特征在于，所述车辆轨迹模型和所述路面结构模型均包括车辆运动的方向角模型和车辆运动速度模型；

所述根据车辆轨迹模型和预先建立的路面结构模型检测交通事件具体包括：

比较所述车辆轨迹模型和所述路面结构模型中的方向角模型和/或速度模型，得到所述车辆轨迹模型和所述路面结构模型的方向角偏差和/或速度偏差；

判断所述方向角偏差是否达到第一预设条件，和/或，判断所述速度偏差是否达到第二预设条件，以判定路面上是否发生交通事件；

当所述车辆轨迹模型中的方向角模型与所述路面结构模型中的方向角模型的偏差大于角度阈值时，判定发生车辆逆行事件；

当所述车辆轨迹模型中的速度变量与所述路面结构模型中的速度变量的偏差大于第一速度阈值时，判定发生车辆超速事件；

当所述路面结构模型中的速度变量与所述车辆轨迹模型中的速度变量的偏差大于第二速度阈值时，判定发生车辆慢速事件；

当在第一时间段内所述车辆轨迹模型中的速度变量持续小于第三速度阈值时，判定发生车辆停止事件；

当路面上超过一定比例的车辆的车辆轨迹模型中的速度变量持续小于第三速度阈值时，判定发生车辆拥堵事件；

当路面上至少两辆车辆的车辆轨迹模型出现重叠且重叠的时间持续超过第二时间段时，判定发生车辆碰撞事件。

4.根据权利要求1所述的方法，其特征在于，根据所述交通监控视频图像建立车周环境模型具体包括：

从所述交通监控视频图像中选取车辆及周围环境部分；

根据所述车辆及周围环境部分获取车周环境轮廓特征图；

根据所述车周环境轮廓特征图建立车周环境DPM模型，所述车周环境DPM模型包括根模型p₀、第一局部模型p₁、第二局部模型p₂、第三局部模型p₃和第四局部模型p₄，所述根模型p₀为车辆模型，所述第一局部模型p₁、第二局部模型p₂、第三局部模型p₃和第四局部模型p₄分别为车辆的前后左右四个方向上的环境模型。

5.根据权利要求4所述的方法，其特征在于，所述根据所述车周环境模型和预先建立的路面结构模型检测交通事件具体包括：

将车辆环境模型与所述路面结构模型进行匹配，获取匹配值；

当匹配值大于预设阈值时，从车周环境中分割出车周异常物体；

对所述车周异常物体的运动轨迹进行跟踪，建立车周异常物体的轨迹模型；

当车周异常物体的轨迹模型的中速度为0时，开始计时，当车周异常物体的停留时间达到预设时间后，确定所述车周异常物体为抛洒物。

6.一种交通事件的检测装置，其特征在于，所述交通事件检测装置采用每路摄像机在多个不同预置位之间进行自动轮巡监控的方法进行交通事件的检测，每路摄像机所处的多个不同预置位能够覆盖整个路面的横断面，设定摄像机在一个预置位的监控时间达到预设时间后，自动轮换到下一个预置位进行监控，所述检测装置包括：

获取单元，用于获取摄像机处于预设预置位时采集的交通监控视频图像；

模型建立单元，用于根据所述交通监控视频图像建立车辆轨迹模型和/或车周环境模型；

检测单元，用于根据所述车辆轨迹模型和预先建立的路面结构模型检测交通事件，和/或，根据所述车周环境模型和预先建立的路面结构模型检测交通事件；所述路面结构模型是根据未发生交通事件时的监控视频图像建立的模型；

取消单元，当接收到进行人工干预的指令后，取消加载预置位相关配置文件；

提示单元，用于自接收到进行人工干预的指令起至达到预设人工监控时长后，提示是否加载预置位相关配置文件；

切换单元，用于当加载预置位相关配置文件时，控制摄像机切换到所述预设预置位的下一个预置位的位置，以采集所述预设预置位的下一个预置位对应的道路上的交通状况；

延时单元，用于当不加载预置位相关配置文件时，延长人工监控时长，自接收到延长人工监控时长的指令起至再次达到预设人工监控时长后，触发所述提示单元；

判断单元，用于当接收到拒绝进行人工干预的指令后，判断摄像机在当前预置位的监控事件是否达到预设时间，如果是，控制摄像机切换到所述预设预置位的下一个预置位，并触发所述获取单元。

7.根据权利要求6所述的装置，其特征在于，所述模型建立单元包括：

检测子单元，用于检测所述交通监控视频图像中的车辆；

跟踪子单元，用于对检测到的车辆进行跟踪，得到所述车辆的运动轨迹；

车辆轨迹模型建立子单元，用于根据所述车辆的运动轨迹，建立车辆轨迹模型。

8.根据权利要求6所述的装置，其特征在于，所述车辆轨迹模型和所述路面结构模型均包括车辆运动的方向角模型和车辆运动速度模型；

所述检测单元包括：

比较子单元，用于比较所述车辆轨迹模型和所述路面结构模型中的方向角模型和/或速度模型，得到所述车辆轨迹模型和所述路面结构模型的方向角偏差和/或速度偏差；

判断子单元，用于判断所述方向角偏差是否达到第一预设条件，和/或，所述速度偏差是否达到第二预设条件，以判定路面上是否发生交通事件；

当所述车辆轨迹模型中的方向角模型与所述路面结构模型中的方向角模型的偏差大于角度阈值时，判定发生车辆逆行事件；

当所述车辆轨迹模型中的速度变量与所述路面结构模型中的速度变量的偏差大于第一速度阈值时，判定发生车辆超速事件；

当所述路面结构模型中的速度变量与所述车辆轨迹模型中的速度变量的偏差大于第二速度阈值时，判定发生车辆慢速事件；

当在第一时间段内所述车辆轨迹模型中的速度变量持续小于第三速度阈值时，判定发生车辆停止事件；

当路面上超过一定比例的车辆的车辆轨迹模型中的速度变量持续小于第三速度阈值时，判定发生车辆拥堵事件；

当路面上至少两辆车辆的车辆轨迹模型出现重叠且重叠的时间持续超过第二时间段时，判定发生车辆碰撞事件。

9.根据权利要求6所述的装置，其特征在于，所述模型建立单元包括：

选取子单元，用于从所述交通监控视频图像中选取车辆及周围环境部分；

获取子单元，用于根据所述车辆及周围环境部分获取车周环境轮廓特征图；

车周环境DPM模型建立子单元，用于根据所述车周环境轮廓特征图建立车周环境DPM模型，所述车周环境DPM模型包括根模型p₀、第一局部模型p₁、第二局部模型p₂、第三局部模型p₃和第四局部模型p₄，所述根模型p₀为车辆模型，所述第一局部模型p₁、第二局部模型p₂、第三局部模型p₃和第四局部模型p₄分别为车辆的前后左右四个方向上的环境模型。

10.根据权利要求6所述的装置，其特征在于，所述检测单元包括：

匹配子单元，用于将车辆环境模型与所述路面结构模型进行匹配，获取匹配值；

分割子单元，用于当所述匹配值大于预设阈值时，从车周环境中分割出车周异常物体；

车周异常物体轨迹模型建立子单元，用于对所述车周异常物体的运动轨迹进行跟踪，建立车周异常物体的轨迹模型；

判断抛洒物子单元，用于当车周异常物体的轨迹模型的中速度为0时，开始计时，当车周异常物体的停留时间达到预设时间后，确定所述车周异常物体为抛洒物。