CN105809954B - 交通事件检测方法以及*** - Google Patents
交通事件检测方法以及*** Download PDFInfo
- Publication number
- CN105809954B CN105809954B CN201410840963.2A CN201410840963A CN105809954B CN 105809954 B CN105809954 B CN 105809954B CN 201410840963 A CN201410840963 A CN 201410840963A CN 105809954 B CN105809954 B CN 105809954B
- Authority
- CN
- China
- Prior art keywords
- state
- characteristic point
- movement
- entropy
- traffic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000033001 locomotion Effects 0.000 claims abstract description 24
- 230000008859 change Effects 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 230000003287 optical effect Effects 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 7
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000035772 mutation Effects 0.000 description 6
- 239000002245 particle Substances 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009017 pursuit movement Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及交通事件检测方法以及***。交通事件检测方法，包括：运动状态量获取步骤，获取各时刻特征点的运动变化的运动状态量，所述特征点表示车辆；熵值计算步骤，基于所获取的各时刻的所述运动状态量的值来计算车流在各时刻的熵值；以及交通事件检测步骤，每隔预定时间对计算出的车流在各时刻的所述熵值进行拟合，根据拟合结果判断是否有交通事件发生。
Description
技术领域
本发明涉及交通事件检测方法以及***。
背景技术
以往，在交通事件检测中，往往通过复杂的处理来实现交通事件的识别。例如以交通事件视频识别为例，在该过程中，需要结合图像处理、模式识别、机器学习等理论以及方法，例如存在以下技术：首先针对背景模型的背景初始化、背景表达与更新进行深入探讨，实现了复杂场景下的自适应前景运动区域检测；结合运动目标的形态特性与运动特性设计了基于多类支持向量机的分类算法，实现了混合交通运动目标的类别判断，提出了基于卡尔曼滤波的多特征匹配跟踪算法与基于历史运动信息补偿的遮挡处理方法，保证了复杂遮挡情况下的运动状态准确估计；综合考虑轨迹的空间特性、方向特性、类别特性，提出了运动模式的多层次学习方法，并由此构建了基于Bayes空间模式匹配以及基于起讫点方向模式匹配的异常行为检测方法；将运动目标的状态属性与交通场景中的上下文相关信息相结合，定义了简单事件、复杂事件等具体概念，为事件识别提供了通用的表达形式；在此基础上，构建了基于Bayes分类器与逻辑约束相结合的基本事件识别方法及基于隐马尔可夫模型的复杂事件识别方法。
另外，以往，在针对视频事件进行检测的方法中，提出了基于语义的视频事件检测分析方法。该方法利用一种通用的语义表达形式对交通事件进行合理的描述与表达，进而利用模式识别的方法实现事件的有效自动识别。该方法围绕视频多运动对象识别特征描述与分类、基于语义的视频复杂事件检测与分析、语义事件关联性挖掘及事件级高层语义描述和理解四个方面的关键技术，提出了自适应的组合不变矩量值的多运动对象特征描述与分类方法、轨迹多标签超图模型检测与分析复杂事件方法、时序关联规则挖掘事件语义算法以及格语法框架网络结构描述理解视频多线程事件技术。
发明内容
但是，在以上的针对交通事件进行检测的装置和方法中，均存在各种问题。
首先，存在成本高的问题。在现实世界的交通运动目标是多种多样的，在识别分类过程中，需要选择海量的特征，进而实现较为精确、细致的目标类别划分。运动目标的交通行为复杂多样，且随机性较强，需要采集海量的轨迹样本，进而建立合理有效的行为模式学习模型。需要构建大规模、覆盖多类型的视频事件数据库，事件类型的定义和标准的统一便于视频内容语义分析相关研究工作的展开。
另外，存在结构复杂的问题。交通事件的有效识别与交通事件的上下文相关信息密切关联，在目标行为分析的基础上，还需要加强上下文的智能辨识。视频文件包含丰富的语义信息，需要描述并提取视频中多属性特征，并找出其中的关联性。视频语义描述标准的研究。分析视频语义之后，还需要全面、准确、而又通用的描述视频语义的标准研究。
并且，存在应用受限的问题。在目前的视频检测技术下，夜间场景、雨雪天气下，识别运动物体并进行分类，***工作的稳定性仍不高，导致其应用受到很大限制。
因此，本发明提出能够迅速判断交通事件、并且简单易用的交通事件检测技术。
本发明提供一种交通事件检测方法，包括：运动状态量获取步骤，获取各时刻特征点的运动变化的运动状态量，所述特征点表示车辆；熵值计算步骤，基于所获取的各时刻的所述运动状态量的值来计算车流在各时刻的熵值；以及交通事件检测步骤，每隔预定时间对计算出的车流在各时刻的所述熵值进行拟合，根据拟合结果判断是否有交通事件发生。
根据上述的交通事件检测方法，在所述熵值计算步骤中，基于运动状态量的值而划分多个状态区间，计算在各状态区间中的特征点的数量与全部特征点的数量之比作为各所述状态区间的概率，基于所述概率计算所述熵值。
根据上述的交通事件检测方法，所述特征点是所述车辆本身，在所述运动状态量获取步骤中通过车检器获取所述运动状态量。
根据上述的交通事件检测方法，所述特征点是视频图像中所述车辆的角点，在所述运动状态量获取步骤中，基于所述角点在不同时刻的视频图像中的坐标，获取各时刻反映各个所述角点的运动变化的运动状态量。
根据上述的交通事件检测方法，所述运动状态量是特征点的速度的大小、特征点的速度的方向、特征点的加速度、特征点的位置坐标中的任一项或者是多项的组合。
根据上述的交通事件检测方法，所述运动状态量是所述特征点的速度的大小和所述特征点的速度的方向的组合，在所述熵值计算步骤中，基于所述特征点的速度的大小和所述特征点的速度的方向进行状态区间的划分，计算出由所述特征点的速度的大小和所述特征点的速度的方向划分的各状态区间中的特征点数目相对于所有特征点数目的比率作为各状态区间的概率。
根据上述的交通事件检测方法，在划分状态区间时，等分各个状态区间。
根据上述的交通事件检测方法，在划分状态区间时，不等分各个状态区间。
根据上述的交通事件检测方法，还包括：角点检测步骤，从视频图像中的各像素点中检测出角点；以及角点跟踪步骤，利用光流跟踪对所述角点的运动进行跟踪，其中，所述特征点是所述车辆的角点。
根据熵述的交通事件检测方法，在交通事件检测步骤中，根据熵值线性拟合的直线的斜率计算报警等级，将线性拟合的滑动窗口开始和结束的时刻作为报警的起止时间。
本发明涉及一种交通事件检测***，包括：运动状态量获取部，所述运动状态量获取部获取各时刻反映各个特征点的运动变化的运动状态量，所述特征点表示车辆；熵值计算部，所述熵值计算部基于所获取的各个时刻的所述运动状态量的值来计算车流在各个时刻的熵值；以及交通事件检测部，所述交通事件检测部每隔预定时间对计算出的车流在各时刻的所述熵值进行拟合，根据拟合结果判断是否有交通事件发生。
根据上述的交通事件检测***，所述熵值计算部基于运动状态量的值而划分多个状态区间，计算在各状态区间中的特征点的数量与全部特征点的数量之比作为各所述状态区间的概率，基于所述概率计算所述熵值。
根据上述的交通事件检测***，所述特征点是所述车辆本身，在所述运动状态量获取步骤中通过车检器获取所述运动状态量。
根据上述的交通事件检测***，所述特征点是视频图像中所述车辆的角点，所述运动状态量获取部基于所述角点在不同时刻的视频图像中的坐标，获取当前时刻反映各个所述角点的运动变化的运动状态量。
根据上述的交通事件检测***，所述运动状态量是特征点的速度的大小、特征点的速度的方向、特征点的加速度、特征点的位置坐标中的任一项或者是多项的组合。
根据上述的交通事件检测***，所述运动状态量是所述特征点的速度的大小和所述特征点的速度的方向的组合，所述运动状态量是所述特征点的速度的大小和所述特征点的速度的方向的组合，所述熵值计算部基于所述特征点的速度的大小和所述特征点的速度的方向进行状态区间的划分，计算出由所述特征点的速度的大小和所述特征点的速度的方向划分的各状态区间中的特征点数目相对于所有特征点数目的比率作为各状态区间的概率。
根据上述的交通事件检测***，在划分状态区间时，等分各个状态区间。
根据上述的交通事件检测***，在划分状态区间时，不等分各个状态区间。
根据上述的交通事件检测***，还包括：角点检测部，所述角点检测部从视频图像中的各像素点中检测出角点；以及角点跟踪部，所述角点跟踪部利用光流跟踪对所述角点的运动进行跟踪，其中，所述特征点是所述车辆的角点。
根据上述的交通事件检测***，所述交通事件检测部根据熵值线性拟合的直线的斜率计算报警等级，将线性拟合的滑动窗口开始和结束的时刻作为报警的起止时间。
根据本发明，不需要选择海量的视频特征，不需要实现精确的目标分类和识别，不需要采集海量的轨迹样本，不需要构建复杂的视频事件库，不需要对交通事件的上下文信息进行智能辨识，不需要构建丰富的语义库。利用熵值来检测交通事件降低了***的复杂度，并进而降低了应用成本。另外，根据本发明，能够通过***的微观状态(即熵)来检测宏观上的事件(即交通事件)。
另外，在利用视频图像的交通事件检测中，由于采用角点，因此角点几乎不受光照条件的影响，在夜间场景、雨雪等天气下，也可以较好地检测交通事件。
附图说明
图1是示出交通事件检测方法的流程图；
图2示出基于速度的大小和方向对状态区间进行划分的图；
图3是一例示熵随时间变化的曲线图；
图4是一例示对熵的曲线进行拟合的图；
图5是一例示报警等级和报警时间的曲线图；
图6是示出交通事件检测方法的一具体方式的流程图；
图7是示出交通事件检测***的结构图；
图8是示出交通事件检测***的一具体结构的结构图；
图9A～图9C是示出对车辆拥堵情况进行检测的图，图9A是示出所检测出的角点的图，图9B是示出熵值的变化的图，图9C是示出报警等级随时间变化的图。
具体实施方式
下面，参考附图对本发明进行详细地说明。
图1示出了交通事件检测方法的流程图。首先，获取各时刻特征点的运动变化的运动状态量，其中所述特征点表示车辆；接着，基于所获取的各时刻的所述运动状态量的值来计算车流在各时刻的熵值；最后，每隔预定时间对计算出车流在各时刻的所述熵值进行拟合，根据拟合结果判断是否有交通事件发生。这里所说的交通事件是指使交通在短时间内发生较大变化的异常事件。交通事件具有明显区别于正常交通车流的特征，例如交通事故、车流突变等。具体地，交通事件例如是交通拥堵、撞车、撞人、车辆异常行驶速度、车辆并线、车撞栏杆、车撞路基等。熵值的突变，意味着交通状态发生了突变，从而意味着发生了一次新的交通事件。
首先，如图1的步骤S1所示，获取车辆的运动状态量，所述运动状态量可以是速度的大小、速度的方向、加速度、位置坐标、或者它们之间的组合等与速度有关的量。获取车辆的运动状态量的方式是可以通过车检器等物联网设备终端或其他途径来获取。但只要能够获取运动状态量即可，并不进行特别限定。
如图1的步骤S2所示，在获取运动状态量后，基于所获取的运动状态量计算熵值。
以运动状态量是速度场为例，来计算视频中人、车共同构成的速度场的熵值。图2示出基于速度的大小和方向对状态区间进行划分的图。如图2所示，假设跟踪的车辆的总个数为N(即粒子总数为N)，根据当前时刻每个粒子的速度方向和大小，计算此时刻的熵值。计算流程如下：
对粒子的速度方向进行区间划分，从0-360度，平均分成M等分。对粒子的速度大小进行区间划分，等分成N等分区间。
计算总的状态区间C(M，N)＝M*N。
计算速度的二维频数H(i，j)，即落入状态区间Qi*j的粒子个数，获取落入每个状态等分区间的粒子个数，i是大于等于1小于等于M的整数，j是大于等于1小于等于N的整数。
绘制二维图H(i，j)，如图2所示，横坐标为速度大小，纵坐标为速度方向。
如式(1)所示，计算每个状态区间的概率Pij。
式(1)
如式(2)所示，计算每个时刻的熵值S
式(2)
熵值为每个状态区间的概率乘以概率的log函数的结果之和。
这里运动状态量并不限于车辆的速度，只要是能反映出车辆的运动的状态量即可。例如运动状态量可以仅是车辆的速度的大小，也可以仅是车辆的速度的方向，还可以是它们的组合。另外，运动状态量也可以是车辆的加速度，还可以是车辆的位置坐标。
另外，在基于运动状态量划分状态区间时，可以等分状态区间，也可以不等分状态区间。
通过重复上述的各个步骤，可以计算出所有时刻的熵值，并绘制熵值随时间变化的曲线。图3示出了熵随时间变化的曲线图的一例。图3的横坐标为时间，纵坐标为熵值。如图3所示，从第1到10时刻熵值低，***处于有序状态；从11到20时刻熵值增高，***处于无序状态。
如图1的步骤S3所示，利用在上述步骤中所计算出的熵值进行交通事件检测。根据熵值的变化，检测出交通事件和车流的突变。熵值的突变，意味着交通状态发生了突变，从而意味着发生了一次新的交通事件。
针对各个时刻的熵进行拟合。图4示出对熵值进行线性拟合的一例。这里以线性拟合为例进行说明。对计算出的所有时刻的熵值，每隔一定时间(假设2秒)对熵进行线性拟合。如图4所示，总共进行了如数字1-9所示的线段的9次线性拟合。
根据上面所示的线性拟合的每段线段的斜率，计算报警等级，报警等级为拟合线的斜率除以90度。报警的起止时间为滑动窗口开始和结束的时刻。如图5所示，横坐标为报警时间，纵坐标为报警等级。根据熵的线性拟合的斜率，计算出每个时刻的报警等级。
在上述基于熵来获取报警等级的过程中，并不限于对熵进行曲线拟合，只要能得到报警等级，可以是任何其他的方式的拟合。
以上对本发明的实施方式进行说明，能够将本发明应用于视频图像的交通事件检测中。具体的方式如下所述。
以通过视频图像来检测交通事件的情况为例进行说明。这里着重介绍利用角点来获取运动状态量进而进行视频图像中的熵值计算。
在图像中，角点是二维图像亮度变化剧烈的点或图像边缘曲线上曲率极大值的点，是一个重要的局部特征，它决定了图像中关键区域的形状，体现了图像中重要的特征信息，对掌握目标的轮廓特征具有决定作用，一旦找到了目标的轮廓特征也就大致掌握了目标的形状，所以角点在目标识别、图像匹配、图像重构方面具有十分重要的意义。
另外，由于角点具有旋转不变性，因此角点几乎不受光照条件的影响，其在三维场景重建、运动估计、目标跟踪、目标识别、图像配准与匹配等计算机视觉领域起着非常重要的作用。
在视频图像中，车辆可以由自身的多个角点来表示。车辆的角点例如是两条轮廓线相交的点。对车辆的检测追踪可以简化到对车辆自身的多个角点的检测追踪来实现。基于上述的角点的特点，在交通事件中通过所检测出的角点能把握视频图像中的重要局部特征，从而避免了直接对车辆和人员进行识别。通过角点来表示车辆，能够在保留重要特征信息的同时有效地减少数据量，使得对图像处理时运算量大大地减少。因此，针对视频图像可以如图6所示，首先，在步骤S11中进行角点检测，从而获取表示车辆的角点。
角点检测的方法多种多样，但大致上可以分为4类：基于边缘特征的角点检测、基于灰度图像的角点检测、基于二值图像的角点检测和基于数学形态学的角点检测。角点检测的原理最直观的解释为：在任意两个相互垂直的方向上，都有较大变化的点。
可以采用Harris角点检测技术对角点进行检测，harris角点具备旋转不变性。
如图6的步骤S12所示，针对上述被检测出的角点进行光流跟踪。
光流分为稀疏光流和稠密光流，稠密光流的每个像素与速度或者可以说是与位移相关，使用稠密光流得以跟踪运动的方法有Horn-Shrunk方法，还有块匹配方法。在本发明中以采用稀疏光流为例进行说明。在计算时需要在被跟踪之前指定一组点(角点)，然后利用金字塔LK光流算法，对运动进行跟踪。
如图6的步骤S13所示，获取各角点的运动状态量。在前后两帧视频中，设时间为t和t+1，角点i的坐标分别为pit(x，y)和pi(t+1)(x，y)。基于时间和角点的坐标计算出关于该角点i的运动状态量。该运动状态量例如是角点的速度vi＝pi(t+1)(x，y)-pit(x，y)。其中，x方向的速度分量为vix＝pi(t+1)(x)-pit(x)，y方向的速度分量为viy＝pi(t+1)(y)-pit(y)。
如图6的步骤S14所示，在获取运动状态量后，基于所获取的运动状态量计算熵值。以运动状态量是速度场为例，来计算视频中人、车共同构成的速度场的熵值。图6的步骤S14和S15与图1中的步骤S2和S3相比，除了利用角点代替实施例1中的车辆之外，其他与实施例1相同，因此不再重复说明。
图7示出交通事件检测***的结构图。图7示出的交通事件检测***1包括运动状态量获取部11、熵值计算部12、以及交通事件检测部13。
运动状态量获取部11获取各时刻反映各个特征点的运动变化的运动状态量，所述特征点表示车辆；熵值计算部12基于所获取的各个时刻的所述运动状态量的值来计算车流在各个时刻的熵值；以及交通事件检测部13每隔预定时间对计算出的车流在各时刻的所述熵值进行拟合，根据拟合结果判断是否有交通事件发生。
熵值计算部12基于运动状态量的值而划分多个状态区间，计算在各状态区间中的特征点的数量与全部特征点的数量之比作为所述各状态区间的概率，基于所述概率计算所述熵值。
所述特征点可以是所述车辆本身，在所述运动状态量获取部11中通过车检器获取所述运动状态量。所述特征点也可以是视频图像中车辆的角点，运动状态量部11基于所述角点在不同时刻的视频图像中的坐标，获取各时刻反映各个所述角点的运动变化的运动状态量。
运动状态量可以是特征点的速度的大小、特征点的速度的方向、特征点的加速度、特征点的位置坐标中的任一项或者是多项的组合
在运动状态量是特征点的速度的大小和特征点的速度的方向的组合的情况下，所述熵值计算部12基于所述特征点的速度的大小和所述特征点的速度的方向进行状态区间的划分，并针对所有特征点计算出作为由所述特征点的速度的大小和所述特征点的速度的方向划分的各状态区间中的特征点数目的二维频数。
另外，在划分状态区间时，可以等分各个状态区间，也可以不等分各个状态区间。
所述交通事件检测部25根据熵值线性拟合的直线的斜率计算报警等级，将线性拟合的滑动窗口开始和结束的时刻作为报警的起止时间。
本发明的上述的交通事件检测***具体的可以如图8所示，针对视频图像利用图像中车辆的角点来进行车辆的运动状态量的计算。
图8所示的交通事件检测***还包括：角点检测部21，所述角点检测部从视频图像中的各像素点中检测出角点；以及角点跟踪部22，所述角点跟踪部利用光流跟踪对所述角点的运动进行跟踪，其中，所述特征点是所述车辆的角点。图8的交通事件检测***20利用角点检测和跟踪来获取角点的运动状态量，例如可以利用角点的坐标和对应的时刻计算出角点的速度。在获取角点的运动状态量后，进行图7同样的处理，熵值计算部24和交通事件检测部25与交通事件检测***10的熵值计算部和交通事件检测部25具有同样的功能，这里不再重复叙述。
应用例1
参照图9A到图9C，对检测车辆拥堵情况进行说明。图9A是示出所检测出的角点的图，其中，图9A中的圆圈表示角点，图9B是示出熵值的变化的图，图9C是示出报警等级随时间变化的图。
根据本发明的交通事件检测方法以及***。能够进行以下应用。实时检测交通事件，可检测预警的交通事件；对交通事件进行实时预警，根据实时计算的熵值趋势图，对未来交通趋势做出预判，对将要发生的交通事件进行预警；对交通事件实时报警，根据实时计算的熵值突变情况，对交通事件进行报警，报警等级与熵值的突变成正比，突变越大，报警等级越高。
根据上述，本发明提供能够迅速判断交通事件、并且简单易用的交通事件检测方法以及***。
以上已经参考本发明的具体实施例来描述了本发明，但是本领域技术人员均了解，可以对这些具体实施例进行各种修改、组合和变更，而不会脱离由所附权利要求或其等同物限定的本发明的精神和范围。
Claims (16)
1.一种交通事件检测方法，包括：
运动状态量获取步骤，获取各时刻特征点的运动变化的运动状态量，所述特征点表示车辆；
熵值计算步骤，基于所获取的各时刻的所述运动状态量的值来计算车流在各时刻的熵值；以及
交通事件检测步骤，每隔预定时间对计算出的车流在各时刻的所述熵值进行拟合，根据拟合结果判断是否有交通事件发生，在所述熵值计算步骤中，基于运动状态量的值而划分多个状态区间，计算在各状态区间中的特征点的数量与全部特征点的数量之比作为各所述状态区间的概率，基于所述概率计算所述熵值。
2.如权利要求1所述的交通事件检测方法，其特征在于，
所述特征点是视频图像中所述车辆的角点，
在所述运动状态量获取步骤中，基于所述角点在不同时刻的视频图像中的坐标，获取各时刻反映各个所述角点的运动变化的运动状态量。
3.如权利要求1或2所述的交通事件检测方法，其特征在于，
所述运动状态量是特征点的速度的大小、特征点的速度的方向、特征点的加速度、特征点的位置坐标中的任一项或者是多项的组合。
4.如权利要求1或2所述的交通事件检测方法，其特征在于，
所述运动状态量是所述特征点的速度的大小和所述特征点的速度的方向的组合，
在所述熵值计算步骤中，基于所述特征点的速度的大小和所述特征点的速度的方向进行状态区间的划分，计算出由所述特征点的速度的大小和所述特征点的速度的方向划分的各状态区间中的特征点数目相对于所有特征点数目的比率作为各状态区间的概率。
5.如权利要求1所述的交通事件检测方法，其特征在于，
在划分状态区间时，等分各个状态区间。
6.如权利要求1所述的交通事件检测方法，其特征在于，
在划分状态区间时，不等分各个状态区间。
7.如权利要求1或2所述的交通事件检测方法，其特征在于，
还包括：
角点检测步骤，从视频图像中的各像素点中检测出角点；以及
角点跟踪步骤，利用光流跟踪对所述角点的运动进行跟踪，
其中，所述特征点是所述车辆的角点。
8.如权利要求1或2所述的交通事件检测方法，其特征在于，
在交通事件检测步骤中，根据熵值线性拟合的直线的斜率计算报警等级，将线性拟合的滑动窗口开始和结束的时刻作为报警的起止时间。
9.一种交通事件检测***，包括：
运动状态量获取部，所述运动状态量获取部获取各时刻反映各个特征点的运动变化的运动状态量，所述特征点表示车辆；
熵值计算部，所述熵值计算部基于所获取的各个时刻的所述运动状态量的值来计算车流在各个时刻的熵值；以及
交通事件检测部，所述交通事件检测部每隔预定时间对计算出的车流在各时刻的所述熵值进行拟合，根据拟合结果判断是否有交通事件发生，所述熵值计算部基于运动状态量的值而划分多个状态区间，计算在各状态区间中的特征点的数量与全部特征点的数量之比作为各所述状态区间的概率，基于所述概率计算所述熵值。
10.如权利要求9所述的交通事件检测***，其特征在于，
所述特征点是视频图像中所述车辆的角点，
所述运动状态量获取部基于所述角点在不同时刻的视频图像中的坐标，获取各时刻反映各个所述角点的运动变化的运动状态量。
11.如权利要求9或10所述的交通事件检测***，其特征在于，
所述运动状态量是特征点的速度的大小、特征点的速度的方向、特征点的加速度、特征点的位置坐标中的任一项或者是多项的组合。
12.如权利要求9或10所述的交通事件检测***，其特征在于，
所述运动状态量是所述特征点的速度的大小和所述特征点的速度的方向的组合，所述熵值计算部基于所述特征点的速度的大小和所述特征点的速度的方向进行状态区间的划分，计算出由所述特征点的速度的大小和所述特征点的速度的方向划分的各状态区间中的特征点数目相对于所有特征点数目的比率作为各状态区间的概率。
13.如权利要求9所述的交通事件检测***，其特征在于，
在划分状态区间时，等分各个状态区间。
14.如权利要求9所述的交通事件检测***，其特征在于，
在划分状态区间时，不等分各个状态区间。
15.如权利要求9所述的交通事件检测***，其特征在于，
还包括：
角点检测部，所述角点检测部从视频图像中的各像素点中检测出角点；以及
角点跟踪部，所述角点跟踪部利用光流跟踪对所述角点的运动进行跟踪，
其中，所述特征点是所述车辆的角点。
16.如权利要求9或10所述的交通事件检测***，其特征在于，
所述交通事件检测部根据熵值线性拟合的直线的斜率计算报警等级，将线性拟合的滑动窗口开始和结束的时刻作为报警的起止时间。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410840963.2A CN105809954B (zh) | 2014-12-30 | 2014-12-30 | 交通事件检测方法以及*** |
| SG11201705390RA SG11201705390RA (en) | 2014-12-30 | 2015-12-29 | Traffic event detection method and system |
| PCT/CN2015/099526 WO2016107561A1 (zh) | 2014-12-30 | 2015-12-29 | 交通事件检测方法以及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410840963.2A CN105809954B (zh) | 2014-12-30 | 2014-12-30 | 交通事件检测方法以及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105809954A CN105809954A (zh) | 2016-07-27 |
| CN105809954B true CN105809954B (zh) | 2018-03-16 |
Family
ID=56284291
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410840963.2A Active CN105809954B (zh) | 2014-12-30 | 2014-12-30 | 交通事件检测方法以及*** |
Country Status (3)
| Country | Link |
|---|---|
| CN (1) | CN105809954B (zh) |
| SG (1) | SG11201705390RA (zh) |
| WO (1) | WO2016107561A1 (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108256380A (zh) * | 2016-12-28 | 2018-07-06 | 南宁市浩发科技有限公司 | 道路交通异常自动检测方法 |
| CN108345894B (zh) * | 2017-01-22 | 2019-10-11 | 北京同方软件有限公司 | 一种基于深度学习和熵模型的交通事件检测方法 |
| CN109145732B (zh) * | 2018-07-17 | 2022-02-15 | 东南大学 | 一种基于Gabor投影的黑烟车检测方法 |
| CN109887276B (zh) * | 2019-01-30 | 2020-11-03 | 北京同方软件有限公司 | 基于前景提取与深度学习融合的夜间交通拥堵检测方法 |
| CN113255405B (zh) * | 2020-02-12 | 2024-06-25 | 广州汽车集团股份有限公司 | 车位线识别方法及其***、车位线识别设备、存储介质 |
| CN113286194A (zh) * | 2020-02-20 | 2021-08-20 | 北京三星通信技术研究有限公司 | 视频处理方法、装置、电子设备及可读存储介质 |
| CN112053563B (zh) * | 2020-09-16 | 2023-01-20 | 阿波罗智联(北京)科技有限公司 | 可用于边缘计算平台、云控平台的事件检测方法及设备 |
| CN112464734B (zh) * | 2020-11-04 | 2023-09-15 | 昆明理工大学 | 一种基于视觉的四足动物行走运动特征自动识别方法 |
| CN113920728B (zh) * | 2021-10-11 | 2022-08-12 | 南京微达电子科技有限公司 | 高速公路抛洒障碍物检测与预警方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007026301A (ja) * | 2005-07-20 | 2007-02-01 | Matsushita Electric Ind Co Ltd | 停止低速車両検出装置及び停止低速車両検出方法 |
| CN101639983A (zh) * | 2009-08-21 | 2010-02-03 | 任雪梅 | 一种基于图像信息熵的多车道车流量检测方法 |
| CN102436740A (zh) * | 2011-09-29 | 2012-05-02 | 东南大学 | 一种高速公路交通事件自动检测方法 |
| CN102542797A (zh) * | 2010-12-09 | 2012-07-04 | 财团法人工业技术研究院 | 图像式的交通参数检测***与方法及计算机程序产品 |
| CN103971521A (zh) * | 2014-05-19 | 2014-08-06 | 清华大学 | 道路交通异常事件实时检测方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2816919B2 (ja) * | 1992-11-05 | 1998-10-27 | 松下電器産業株式会社 | 空間平均速度および交通量推定方法、地点交通信号制御方法、交通量推定・交通信号制御機制御装置 |
| CN100573618C (zh) * | 2008-07-07 | 2009-12-23 | 山东省计算中心 | 一种交通路口四相位车流量检测方法 |
-
2014
- 2014-12-30 CN CN201410840963.2A patent/CN105809954B/zh active Active
-
2015
- 2015-12-29 SG SG11201705390RA patent/SG11201705390RA/en unknown
- 2015-12-29 WO PCT/CN2015/099526 patent/WO2016107561A1/zh active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007026301A (ja) * | 2005-07-20 | 2007-02-01 | Matsushita Electric Ind Co Ltd | 停止低速車両検出装置及び停止低速車両検出方法 |
| CN101639983A (zh) * | 2009-08-21 | 2010-02-03 | 任雪梅 | 一种基于图像信息熵的多车道车流量检测方法 |
| CN102542797A (zh) * | 2010-12-09 | 2012-07-04 | 财团法人工业技术研究院 | 图像式的交通参数检测***与方法及计算机程序产品 |
| CN102436740A (zh) * | 2011-09-29 | 2012-05-02 | 东南大学 | 一种高速公路交通事件自动检测方法 |
| CN103971521A (zh) * | 2014-05-19 | 2014-08-06 | 清华大学 | 道路交通异常事件实时检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2016107561A1 (zh) | 2016-07-07 |
| CN105809954A (zh) | 2016-07-27 |
| SG11201705390RA (en) | 2017-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105809954B (zh) | 交通事件检测方法以及*** | |
| Atev et al. | A vision-based approach to collision prediction at traffic intersections | |
| Santosh et al. | Tracking multiple moving objects using gaussian mixture model | |
| US9569531B2 (en) | System and method for multi-agent event detection and recognition | |
| Qu et al. | Moving vehicle detection with convolutional networks in UAV videos | |
| CN101727672A (zh) | 一种物体滞留/偷窃事件的检测、跟踪、识别方法 | |
| CN103942533A (zh) | 一种基于视频监控***的城市交通违规行为检测方法 | |
| CN106910204B (zh) | 一种对海面船只自动跟踪识别的方法和*** | |
| CN100565557C (zh) | 基于粒子动态采样模型的红外人体目标跟踪*** | |
| CN106570490A (zh) | 一种基于快速聚类的行人实时跟踪方法 | |
| CN103336947A (zh) | 基于显著性和结构性的红外运动小目标识别方法 | |
| CN106127814A (zh) | 一种智慧金睛识别人员聚集打斗报警方法和装置 | |
| KR101472674B1 (ko) | 군중 궤적 추출을 이용한 비정상 행동 검출에 기초한 영상 감시 방법 및 영상 감시 장치 | |
| CN103426179A (zh) | 一种基于均值偏移多特征融合的目标跟踪方法及装置 | |
| Malhi et al. | Vision based intelligent traffic management system | |
| Lejmi et al. | Event detection in video sequences: Challenges and perspectives | |
| Wang et al. | Traffic camera anomaly detection | |
| Chen et al. | Traffic extreme situations detection in video sequences based on integral optical flow | |
| CN110889347A (zh) | 基于时空计数特征的密度交通流计数方法及*** | |
| Soleh et al. | A real time vehicle counting based on adaptive tracking approach for highway videos | |
| Xiong et al. | Crowd density estimation based on image potential energy model | |
| Hao et al. | A detection method of abnormal event in crowds based on image entropy | |
| Khan et al. | Multiple moving vehicle speed estimation using Blob analysis | |
| Kulkarni et al. | Managing crowd density and social distancing | |
| CN117237676B (zh) | 一种核电厂基于事件相机对小目标掉落轨迹的处理方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |