CN118262301A - 一种基于智能算法的交通异常检测优化策略 - Google Patents
一种基于智能算法的交通异常检测优化策略 Download PDFInfo
- Publication number
- CN118262301A CN118262301A CN202410479297.8A CN202410479297A CN118262301A CN 118262301 A CN118262301 A CN 118262301A CN 202410479297 A CN202410479297 A CN 202410479297A CN 118262301 A CN118262301 A CN 118262301A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- time
- traffic
- frame
- video
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 85
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 49
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 30
- 230000005856 abnormality Effects 0.000 claims abstract description 13
- 239000000203 mixture Substances 0.000 claims abstract description 11
- 230000033001 locomotion Effects 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 230000006399 behavior Effects 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 2
- 238000010835 comparative analysis Methods 0.000 claims 1
- 230000001788 irregular Effects 0.000 claims 1
- 230000007774 longterm Effects 0.000 claims 1
- 230000007246 mechanism Effects 0.000 claims 1
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000009826 distribution Methods 0.000 description 14
- 238000001914 filtration Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于智能算法的交通异常检测优化策略，首先，利用高斯混合背景建模对交通视频进行背景建模，采用YOLOv8‑NAS智能算法网络对车辆进行检测。接下来，采用DeepSort对车辆轨迹进行跟踪，结合帧差法提取道路掩码，以消除旁道和停车场对静止车辆检测的干扰。通过YOLOv8‑NAS智能算法分析静止车辆的检测结果，判断是否发生了交通异常，并确定异常发生的时间和位置。最后，对异常情况进行分类，将其细分为交通拥堵、车辆熄火和车辆碰撞等类别。
Description
技术领域
本发明涉及一种智能交通领域优化策略，特别是一种基于智能算法的交通异常检测优化策略。
背景技术
随着城市化进程加速和智能交通***的飞速发展，交通管理和控制面临日益严峻的挑战，尤其是在实时交通状态监测、交通异常事件的早期发现与应对方面。传统的交通异常检测方法依赖于固定规则和简单统计模型，往往难以适应复杂多变的道路环境，对于突发的交通拥堵、事故、非法停车、非机动车违规行驶等多种交通异常情况的识别灵敏度和准确性不足，且处理效率受限。
近年来，深度学***衡等。
发明内容
发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于智能算法的交通异常检测优化策略。
为了解决现有技术存在的问题，本发明公开了一种基于智能算法的交通异常检测优化策略，包括以下步骤：
步骤1：摄像头采集实时视频数据，使用YOLOv8-NAS车辆检测模型从视频帧中检测出车辆的位置和边界框；
步骤2、对交通视频进行自适应高斯混合背景建模，将移动的车辆从静止的车辆中分离出来；
步骤3、采用DeepSort车辆跟踪算法，跟踪结果用于道路掩码提取以及判断异常发生的时间；
步骤4：结合帧差法提取道路掩码，以消除旁道对交通异常车辆检测的干扰，在复杂的交通场景中快速定位到可能出现异常的区域；
步骤5：将检测到的车辆边界框进行连接，构建时空管道来捕捉异常轨迹，通过对轨迹的分析和异常时间的确定，对交通异常事件进行识别。
进一步地，在一种实现方式中，步骤1包括：
实时视频流经摄像头按预设帧率捕获，并传输至服务器或边缘设备进行实时解码和图像数据转换。每当接收到一帧视频图像，YOLOv8-NAS会运用单次前向传递来快速提取图像深层特征并识别其中的所有车辆。模型对图像的每个像素执行分类预测，并据此回归出相应的边界框坐标，精确地标定出图像中每辆汽车的位置和尺寸，实现对视频流中车辆的实时定位与跟踪。
进一步地，在一种实现方式中，步骤2包括：
模型构建与更新：在初始化阶段，***会收集一定数量的历史视频帧，通过对这些帧中的像素值进行统计分析，构建初始的高斯混合模型，每个高斯分量对应背景的一个局部特征。随后，在实时处理过程中，***根据新到来的视频帧，动态调整各个高斯分量的权重、均值和方差，实现对背景模型的在线更新和优化。
移动车辆与静止车辆分离：利用已构建好的高斯混合背景模型，***对当前视频帧进行逐像素比较。对于每个像素，通过计算其与背景模型的相关概率，可以判断该像素点属于背景的可能性。若某个像素点与背景模型的匹配度较低，则被认为是前景(即移动车辆的一部分)。通过遍历整个视频帧，可以将移动车辆从背景中分离出来，同时保留静止车辆作为背景组成部分。
进一步地，在一种实现方式中，所诉步骤3包括：
DeepSort算法结合了YOLOv8-NAS的检测结果，对连续视频帧中的同一车辆进行可靠跟踪，构建完整的行驶轨迹。它通过比较帧间目标相似性来关联车辆身份，并采用卡尔曼滤波器预测及平滑目标状态，有效减少了噪声和不确定性。基于此，***能精准描绘车辆在道路上的行驶路径，并实时分析车辆的行驶速度、加速度、方向变化等行为特征。当监测到车辆出现不正常驾驶行为(如急刹、停车、逆行等)时，***能够及时发现并记录异常行为的具体时间点。
进一步地，在一种实现方式中，所诉步骤4包括：
帧差法是一种基本的图像处理技术，用于识别图像序列中的运动物体。在交通监控场景中，通过比较连续两帧或多帧的视频图像，计算像素级的灰度差异或彩色差异，可以突出显示那些在短时间内位置发生变化的物体，即移动的车辆。
具体步骤如下：
对连续的视频帧进行预处理，包括去噪、增强对比度、亮度调整等操作，确保帧差计算的有效性。
应用帧差法计算相邻帧之间的像素差值，生成运动分割图像，该图像通常表现为车辆相对于背景的变化，可以作为初步的道路掩码。
结合DeepSort辆跟踪算法得到的车辆运动轨迹，进一步细化和优化掩码提取过程。根据跟踪结果区分主路和辅路的车辆运动区域，更精准地提取出主干道上的车辆运动掩码，避免旁道车辆对主路异常检测产生混淆。
进一步地，在一种实现方式中，所诉步骤5包括：
利用YOLOv8-NAS模型检测每一帧画面中的车辆，获取各时间点车辆的位置信息一一边界框。通过DeepSort多目标跟踪算法，***能够在复杂交通场景中连续稳定地追踪每一辆车，将连续帧中同一车辆的边界框串联起来形成连续的轨迹线条。
构建的“时空管道”概念将车辆在不同时间点的位置整合成三维时空轨迹，直观展示车辆在一段时间内行驶路径及其速度变化。通过分析时空管道，***能识别车辆是否表现出异常驾驶，比如急刹车、长时间静止、违规变道、超速等行为。通过对速度、加速度、行驶方向等关键参数计算比较，***可判定车辆轨迹是否脱离正常范围。***通过分析时空管道能精确定位异常事件发生的确切时间点，当轨迹出现显著异常变化时，***迅速标识出该时间节点，以便交通管理部门得到及时的异常警告信息。
有益效果：
高效准确的车辆检测与跟踪：使用YOLOv8-NAS车辆检测模型提高了实时视频流中车辆识别的准确性和效率，减少误检和漏检现象，有效提升了交通监控***的智能化水平。引入DeepSort多目标跟踪算法，实现了在复杂交通环境下的连续稳定的车辆轨迹跟踪，有助于精确记录每辆车辆的动态行踪，减少了因车辆遮挡、重叠等因素导致的跟踪中断问题。
时空管道构建与分析优势：构建的“时空管道”抽象模型整合了车辆在时空维度上的运动轨迹，不仅提供了每辆车详尽的历史行驶路径，还能够实时反映其速度变化情况，为交通事故分析、交通流量调控、道路规划等应用提供了有力的数据支持。
异常驾驶行为检测与报警功能：通过对时空管道的深度学习和智能分析，能够自动识别并预警各类异常驾驶行为，如急刹车、非法停车、随意变道、超速等，从而预防潜在的道路安全风险，降低交通事故发生率。准确的时间节点定位能力使得交通管理部门能够及时响应突发事件，提高应急处置效率，保障道路交通的安全畅通。
附图说明
图1是交通异常检测流程图
图2是DeepSort算法流程图
图3是帧差法生成道路掩码示意图
图4是检测框链接和时空管构建过程
图5是相似性过滤过程
具体实施方式
为了使本发明的目的、技术方案和优点更加明显易懂，以下结合附图对本发明的实施例作详细说明：本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程。应当理解，此处描述的具体实例仅仅用以解释本发明，但本发明的保护范围不限于下述的实施例。
本实施例公开了一种基于智能算法的交通异常检测优化策略，本方法应用于交通异常检测，在交通异常检测领域，由于数据量有限、场景多样和样本不平衡等问题，研究仍面临着诸多挑战，在过去的研究中，大多数方法基于深度神经网络进行异常检测，但是它们在未知的道路交通场景和复杂的交通条件下异常检测效果不好。
本实施例所诉的一种基于智能算法的交通异常检测优化策略，***设计流程如图1，包括如下步骤：
步骤1：摄像头采集实时视频数据，使用YOLOv8-NAS车辆检测模型从视频帧中检测出车辆的位置和边界框；
步骤2、对交通视频进行自适应高斯混合背景建模，将移动的车辆从静止的车辆中分离出来；
步骤3、采用DeepSort车辆跟踪算法，跟踪结果用于道路掩码提取以及判断异常发生的时间；
步骤4、结合帧差法提取道路掩码，以消除旁道对交通异常车辆检测的干扰，在复杂的交通场景中快速定位到可能出现异常的区域；
步骤5、将检测到的车辆边界框进行连接，构建时空管道来捕捉异常轨迹，通过对轨迹的分析和异常时间的确定，对交通异常事件进行识别。
本实施例所诉的一种基于智能算法的交通异常检测优化策略，所诉步骤1包括：
YOLOv8-NAS是一种结合了YOLOv8和神经架构搜索(NAS)技术的目标检测方法。YOLOv8是一种高效的目标检测模型，而NAS是一种自动化搜索最佳神经网络结构的技术。在YOLOv8-NAS中，通过使用NAS技术，***可以自动地探索和优化针对于交通异常检测的网络结构，以提高目标检测模型的性能和效率。
具体来说，YOLOv8-NAS智能网络的搭建步骤如下：
(1)神经架构搜索(NAS)：利用NAS技术，***自动地搜索和评估各种网络结构的性能。这些网络结构的设计涉及不同的层数、滤波器大小、激活函数等方面的变化。
(2)性能评估：对于每个被提出的网络结构，***会使用预定义的评估指标(如准确率、速度等)来评估其在训练和测试数据集上的性能。
(3)优化和选择：基于性能评估结果，***会选择最佳的网络结构，并可能对其进行进一步的优化。
(4)集成到YOLOv8中：一旦找到了最佳的网络结构，它将被集成到YOLOv8中，形成YOLOv8-NAS模型。
通过这种方式，YOLOv8-NAS能够自动地提升交通异常检测模型的性能，同时节省了人工设计网络结构的时间和精力。
下面是YOLOv8-NAS从视频中检测出车辆的位置和边界框的步骤：
(1)输入图像预处理：首先，将视频帧作为输入，进行预处理操作，如归一化、大小调整等，以便输入到神经网络中。
(2)神经网络结构：YOLOv8使用深度卷积神经网络(CNN)来提取图像特征并进行目标检测。它通常由特征提取器和检测头组成。特征提取器负责从图像中提取特征，而检测头负责预测目标的类别和边界框。
(3)特征提取器：通常采用骨干网络，如Darknet或ResNet等，用于从输入图像中提取特征。这些特征具有不同的分辨率和语义级别。
(4)检测头：检测头由一系列卷积层和全连接层组成，用于对特征进行处理并输出目标的类别概率和边界框。
(5)目标检测预测：对于每个单元格(cell)和每个预定义的锚点框(anchor box)，检测头输出预测值。预测值通常包括目标类别的置信度(confidence score)、边界框的位置(bounding box coordinates)和目标类别的概率分布。
(6)边界框坐标预测：对于每个锚点框，YOLOv8预测边界框的坐标，通常使用四个值表示边界框的左上角和右下角的坐标。这些坐标值通常在0和1之间，并且相对于锚点框的尺寸和位置进行归一化。
(7)类别概率预测：对于每个单元格和每个锚点框，YOLOv8预测目标类别的概率分布。这些概率值表示该边界框中存在某个目标类别的概率。
(8)置信度分数计算：对于每个边界框，将目标类别的概率分布乘以置信度(confidence)得分，以获得最终的置信度分数。这个分数表示了模型对该边界框中存在目标的确信程度。
(9)非极大值抑制(NMS)：在所有边界框的置信度分数计算后，使用非极大值抑制算法来剔除具有较低置信度分数或与其他边界框重叠较多的边界框，以提高检测的准确性。
本实施例所诉的一种基于智能算法的交通异常检测优化策略，所诉步骤2包括：
本发明采用自适应高斯混合模型(Adaptive GMM)，基本思想是将每个像素点的的灰度值看作一个随机变量，用多个高斯分布来表示随机变量的概率分布，在高斯混合模型中，每个高斯分布对应一个背景模型，通过对高斯分布进行加权求和，可以得到最终的背景模型。
设每个像素点的灰度值为X，用K个高斯分布对的概率分布X进行建模。X的概率密度函数具体如下：
其中，K为分布模式总数，η(Xt，μi，t，τi，t)为t时刻第i个高斯分布概率密度函数，ωi，t为t时刻第i个高斯权重，满足μi，t为其均值，τi，t为其协方差矩阵，为方差，I为三维单位矩阵。
当存在新的像素值Xt时，同当前新像素的值和前k个模型的均值进行比较，如果满足|Xt-μi，t|＜2.5σi，t-1，表示新像素和第i个高斯分布相匹配，匹配成功说明该点为背景点，否则为前景。
各模式的权值ωi，t更新方法如下：
ωi，t＝(1-α)*ωi，t-1+αMk，t
其中α是学习速率，对于匹配的模式ωi，t取1，否则0。当新像素与高斯分布匹配成功时，匹配的参数更新如下所示：
ρ是参数更新速率，对于未匹配的模式均值μ和标准差σ不变。
如果当前像素值和所有的模型均不匹配时，各模式根据权重标准差比按权重ω大，标准差σ小的方式进行降序排列，权重ω较小的模式被替换，即该模式的均值μ为当前像素值，将较小的权重ω和较大的初始方差赋予新模型。
选前B个模式作为背景，参数T表示背景所占比例，B满足如下公式：
高斯混合背景建模对于背景中出现的复杂物体有良好的适应性，可以更好地检测出复杂的背景。
本实施例所诉的一种基于智能算法的交通异常检测优化策略，所诉步骤3包括：
DeepSort算法是一种先进的多目标跟踪算法，核心流程如图2所示，步骤如下：
(1)针对首帧，为检测到的目标创建轨迹并初始化卡尔曼滤波器。此时轨迹处于不确定状态。
(2)我们使用IOU来衡量当前帧的检测框与上一帧的预测轨迹的重叠程度，并根据这个重叠程度来构建代价矩阵。
(3)将代价矩阵输入匈牙利算法，得到线性匹配结果，根据匹配情况，若跟踪匹配失败，直接删除不确定的轨迹，如果轨迹确定则需要达到一定的阈值再删除；检测匹配失败的检测框初始化成新轨迹，跟踪匹配成功的检测框则使用卡尔曼滤波器更新相应轨迹的状态。
(4)循环执行步骤2-3，直到轨迹达到确定状态或视频帧结束。
(5)利用卡尔曼滤波器预测确定和不确定轨迹的边界框。对确定轨迹与检测框进行级联匹配。
(6)分析级联匹配结果，更新成功匹配的轨迹；对未匹配的轨迹和检测框进行IOU匹配和代价矩阵计算。
(7)再次使用匈牙利算法处理代价矩阵，更新、删除或创建新轨迹。
(8)重复执行步骤5-7直到视频帧结束。
本实施例所诉的一种基于智能算法的交通异常检测优化策略，所诉步骤4包括：
帧差法(Frame Difference Method)作为一种基于时间域分析的方法，利用连续视频帧之间的像素差异来提取道路掩码，其主要目的是在交通场景中准确地区分道路和非道路区域。帧差法提取道路掩码流程如图3，帧差法原理如下：
设fk(x，y)、fk-1(x，y)分别代表图像视频序列中第k和第k-1帧图像中位置处(x，y)的像素值，根据如下公式可以得到帧差分图像Dk(x，y)
Dk(x，y)＝|fk(x，y)-fk-1(x，y)|
通过设定阈值T来进行二值化处理，判定该像素点是否属于前景点，本发明将T设置为100，公式如下：|fk(x，y)-fk-1(x，y)|＞T
若上式成立，则该像素点为前景点，反之为背景点。
由于噪声和光照变化等因素的影响，二值化图像可能存在一些杂乱的前景点。为了改善图像质量，对累积的前景进行中值模糊和高斯模糊处理，有助于平滑图像并消除噪声。而后在二值化后的图像上执行形态学操作，进一步去除噪声并强化道路区域的连通性。最后，利用连通性算法对处理后的二值图像进行分析，提取出道路区域。这样，就可以得到一个道路掩码，其中道路区域为白色，非道路区域为黑色。
本实施例所诉的一种基于智能算法的交通异常检测优化策略，所诉步骤5包括：
首先，我们进行边界框连接和管道构建过程，将其视为层次聚类问题，。对同一对象的检测结果将被分组到一个簇中。我们按置信度分数对检测结果进行排序，然后选择得分最高的检测Bp作为簇的起点。
接着，我们采用贪婪搜索算法来向前和向后扩展链接过程。在连续时间内，将链接得分最高的边界框添加到相应的簇中。这样，我们可以形成一个临时一致的时空管，用于跟踪特定车辆。
贪婪算法(Greedy Algorithm)是一种在每个决策步骤中选择局部最优解的算法。贪婪算法的详细原理可以概括为以下步骤：
(1)确定问题的初始状态和目标状态。
(2)从初始状态开始，按照某种评估标准选择当前看起来最优的局部解。
(3)更新问题的当前状态，将选择的局部解纳入解决方案。
(4)判断问题是否达到目标状态，若未达到，重复步骤2和3；若已达到，结束算法。
通过层次聚类问题将检测结果链接并构建时空管道，其过程如图4。首先初始化空的轨迹和轨迹分数列表。在每次迭代中，我们找到最高分数的边界框并以此为基础构建一个轨迹。接着使用贪婪搜索算法进行前向扩展链接，查找后续帧中与当前边界框最匹配的边界框，直到达到视频的最后一帧。然后进行后向扩展链接，查找前一帧中与当前边界框最匹配的边界框，直到回到视频的第一帧。在完成前向和后向扩展链接后，我们构建当前轨迹，并计算该轨迹的分数。如果轨迹的长度大于指定的时间阈值，就将其添加到结果中。这个过程不断重复，直到处理完所有边界框，最后返回生成的轨迹和轨迹分数。
为了应对检测结果可能会有漏检和错检的问题，利用相似性过滤来提高检测性能。相似性过滤流程如图5。首先我们比较每个聚类结果的第一个检测框，如果它们的IOU大于阈值λ时，就认为它们是同一个车辆的聚类结果，可以将它们的时空管合并。其次我们注意到异常车辆在停车的时候，像素变化很小，但是和道路背景还是有区别的，也就是说，车辆停下来和车辆走掉之后，检测框的大小会有变化，但是如果候选异常是背景的错误检测，就不会有这种变化。所以我们使用一个相似性过滤模块来去掉一些不是车辆的错误检测。对给定的管道数据进行筛选，通过计算感兴趣区域(ROI)内部和区域间的峰值信噪比(PSNR)均值，根据设定的阈值判断是否满足过滤条件。满足过滤条件的管道数据将被过滤掉，不满足过滤条件的管道数据将被保留并返回。
峰值信噪比(Peak Signal-to-Noise Ratio，PSNR)是一种常用的图像质量评估指标，用于衡量原始图像与重建或压缩图像之间的相似程度。PSNR的计算步骤如下：
计算均方误差(MSE)：首先计算两个图像中每个对应像素值的差的平方，然后对这些平方值求和，并除以图像中的像素总数(m×n)，如公式所示。
其中，m和n分别表示图像的宽度和高度，x和y表示像素坐标。
计算峰值信噪比(PSNR)：利用MSE计算PSNR，公式如下所示。
其中，MAXI是原始图像中可能的最大像素值，对于8位图像，MAXI为255。
然后在时间维度上合并获取到的时空管，当两个时空管的结束时间和开始时间在特定范围内，认为它们属于同一个异常事件并组合这些时空管。将异常的开始时间和结束时间和异常置信度以及异常车辆检测框的坐标输出并保存。
Claims (6)
1.一种基于智能算法的交通异常检测优化策略，其特征在于：包括以下步骤：
步骤1：摄像头采集实时视频数据，使用YOLOv8-NAS车辆检测模型从视频帧中检测出车辆的位置和边界框；
步骤2、对交通视频进行自适应高斯混合背景建模，将移动的车辆从静止的车辆中分离出来；
步骤3、采用DeepSort车辆跟踪算法，跟踪结果用于道路掩码提取以及判断异常发生的时间；
步骤4：结合帧差法提取道路掩码，以消除旁道对交通异常车辆检测的干扰，在复杂的交通场景中快速定位到可能出现异常的区域；
步骤5：将检测到的车辆边界框进行连接，构建时空管道来捕捉异常轨迹，通过对轨迹的分析和异常时间的确定，对交通异常事件进行识别。
2.根据权利要求1所诉的一种基于智能算法的交通异常检测优化策略，其特征在于：所诉步骤1包括：
(1)实时视频数据采集：
摄像头按照预设的帧率(例如每秒30帧或更高)连续捕捉视频画面，并将这些画面数据编码传输至后台服务器或边缘计算设备进行实时处理。
视频数据经过解码后，每一帧都被独立解析成数字化的图像数据，确保后续算法可以对其进行分析。
(2)YOLOv8-NAS车辆检测模型的应用：
YOLO(You Only Look Once)系列是目标检测领域的知名模型，其中YOLOv8-NAS版本进一步提升了模型的精度与速度，尤其适用于实时场景中的车辆检测任务。
在接收到每帧视频图像后，YOLOv8-NAS模型通过高效的前向传播机制对图像进行深层特征提取和分析。它的核心优势在于一次性预测出整个图像中所有潜在的目标(这里指车辆)及其对应的类别和位置信息。
模型基于先进的神经架构搜索(Neural Architecture Search，NAS)技术优化，能够在保证高精度的同时减少计算资源消耗。在实际运行时，YOLOv8-NAS会对每帧图像中的每一个像素点进行分类预测，并回归.出与其关联的边界框坐标，从而精确定位出图像中每辆车的位置和大小。
3.根据权利要求1所诉的一种基于智能算法的交通异常检测优化策略，其特征在于：所诉步骤2包括：
模型构建与更新：在初始化阶段，***会收集一定数量的历史视频帧，通过对这些帧中的像素值进行统计分析，构建初始的高斯混合模型，每个高斯分量对应背景的一个局部特征。随后，在实时处理过程中，***根据新到来的视频帧，动态调整各个高斯分量的权重、均值和方差，实现对背景模型的在线更新和优化。
移动车辆与静止车辆分离：利用已构建好的高斯混合背景模型，***对当前视频帧进行逐像素比较。对于每个像素，通过计算其与背景模型的相关概率，可以判断该像素点属于背景的可能性。若某个像素点与背景模型的匹配度较低，则被认为是前景(即移动车辆的一部分)。通过遍历整个视频帧，可以将移动车辆从背景中分离出来，同时保留静止车辆作为背景组成部分。
4.根据权利要求1所诉的一种基于智能算法的交通异常检测优化策略，其特征在于：所诉步骤3包括：
DeepSort是一种基于深度学***滑处理，减少噪声和不确定性的影响。基于DeepSort算法提供的连续稳定的车辆跟踪结果，***可以精确描绘出车辆在道路上的运动路径。通过对这些路径进行叠加和分析，可以从原始视频图像中提取出“道路掩码”。利用DeepSort算法形成的车辆运动轨迹，***可以实时监测和分析车辆的行驶速度、加速度、行驶方向改变等行为特征。一旦某辆车的行驶状态明显偏离常规模式，如突然减速、停车、逆向行驶等，就可以立即通过对比分析得出异常发生的具体时间点。
5.根据权利要求1所诉的一种基于智能算法的交通异常检测优化策略，其特征在于：所诉步骤4包括：
帧差法是一种基本的图像处理技术，用于识别图像序列中的运动物体。在交通监控场景中，通过比较连续两帧或多帧的视频图像，计算像素级的灰度差异或彩色差异，可以突出显示那些在短时间内位置发生变化的物体，即移动的车辆。
具体步骤如下：
(1)对连续的视频帧进行预处理，包括去噪、增强对比度、亮度调整等操作，确保帧差计算的有效性。
(2)应用帧差法计算相邻帧之间的像素差值，生成运动分割图像，该图像通常表现为车辆相对于背景的变化，可以作为初步的道路掩码。
(3)结合DeepSort辆跟踪算法得到的车辆运动轨迹，进一步细化和优化掩码提取过程。根据跟踪结果区分主路和辅路的车辆运动区域，更精准地提取出主干道上的车辆运动掩码，避免旁道车辆对主路异常检测产生混淆。
6.根据权利要求1所诉的一种基于智能算法的交通异常检测优化策略，其特征在于：所诉步骤5包括：
(1)车辆边界框检测与连接：在交通监控视频中，通过智能算法YOLOv8-NAS车辆检测模型，对每一帧图像中的车辆进行识别，获取车辆在不同时间点的位置信息，即车辆的边界框。然后，将连续帧中的同一车辆边界框进行匹配和连接，形成一条连续的车辆运动轨迹线，这一过程依赖于多目标跟踪算法DeepSort，确保在复杂交通环境中稳定跟踪每辆车。
(2)构建时空管道：“时空管道”是对车辆运动轨迹在时间和空间维度上的一种抽象表述。它将车辆在不同时间点的位置信息整合在一起，形成了三维时空坐标系中的轨迹管道，可以清楚地展现车辆在一段时间内的行驶路径和速度变化情况。这种方式不仅可以捕捉到车辆的即时位置，而且能够反映出车辆的动态行为和行驶规律。
(3)异常轨迹分析：通过对构建的时空管道进行深入分析，可以发现车辆是否出现异常驾驶行为。例如，异常轨迹可能表现为突然的急刹车、长时间停滞、不规则变道、超速行驶等。通过对车辆速度、加速度、行驶方向等特征参数的计算和比对，可以判断车辆运动轨迹是否偏离正常行驶模式。
(4)异常事件的确定：在时空管道中，异常事件发生的具体时间可以通过车辆轨迹的变化点精确确定。当车辆运动轨迹出现明显的异常转折或剧烈变化时，***会立即标记出这个时间节点，为交通管理部门提供及时的异常警报信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410479297.8A CN118262301A (zh) | 2024-04-19 | 2024-04-19 | 一种基于智能算法的交通异常检测优化策略 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410479297.8A CN118262301A (zh) | 2024-04-19 | 2024-04-19 | 一种基于智能算法的交通异常检测优化策略 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118262301A true CN118262301A (zh) | 2024-06-28 |
Family
ID=91608745
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410479297.8A Pending CN118262301A (zh) | 2024-04-19 | 2024-04-19 | 一种基于智能算法的交通异常检测优化策略 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118262301A (zh) |
-
2024
- 2024-04-19 CN CN202410479297.8A patent/CN118262301A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105744232B (zh) | 一种基于行为分析技术的输电线路视频防外破的方法 | |
| CN108230364B (zh) | 一种基于神经网络的前景物体运动状态分析方法 | |
| CN106845364B (zh) | 一种快速自动目标检测方法 | |
| EP2473974A2 (en) | Foreground object tracking | |
| CN104966304A (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
| Khaleghi et al. | Improved anomaly detection in surveillance videos based on a deep learning method | |
| CN113313012B (zh) | 一种基于卷积生成对抗网络的危险驾驶行为识别方法 | |
| CN117437599B (zh) | 面向监控场景的行人异常事件检测方法和*** | |
| Han et al. | A method based on multi-convolution layers joint and generative adversarial networks for vehicle detection | |
| CN114898326A (zh) | 基于深度学习的单行道车辆逆行检测方法、***及设备 | |
| CN117197713A (zh) | 一种基于数字视频监控***的提取方法 | |
| CN111695545A (zh) | 一种基于多目标追踪的单车道逆行检测方法 | |
| CN112866654B (zh) | 一种智能视频监控*** | |
| CN115100249B (zh) | 一种基于目标跟踪算法的智慧工厂监控*** | |
| Skadins et al. | Edge pre-processing of traffic surveillance video for bandwidth and privacy optimization in smart cities | |
| CN116311166A (zh) | 交通障碍物识别方法、装置及电子设备 | |
| CN118262301A (zh) | 一种基于智能算法的交通异常检测优化策略 | |
| CN110942642B (zh) | 一种基于视频的交通缓驶检测方法及*** | |
| Gobhinath et al. | Dynamic Objects Detection and Tracking from Videos for Surveillance Applications | |
| Li et al. | A video-based algorithm for moving objects detection at signalized intersection | |
| CN118096815B (zh) | 一种基于机器视觉的道路非常态事件检测*** | |
| CN116485799B (zh) | 铁路轨道异物覆盖的检测方法及*** | |
| CN118097572A (zh) | 结合跟踪算法的车辆违章监控方法及*** | |
| Triwibowo et al. | Analysis of Classification and Calculation of Vehicle Type at APILL Intersection Using YOLO Method and Kalman Filter | |
| Remagnino et al. | Automatic visual surveillance of vehicles and people |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| DD01 | Delivery of document by public notice |
Addressee: Shen Qinghong Document name: Notice of Qualification for Preliminary Examination of Invention Patent Application |
|
| SE01 | Entry into force of request for substantive examination |