视频检测技术在交通安全中的应用_王兆华

DOCTD =
OCC (i + 1, t + 2) − OCC (i + 1, t ) ≥ K3 OCC (i + 1, t − 2)
图3 Fig.3
摄像机检测线与显示终端虚拟检测线对应关系 Relationship between the locale detected line and the terminal dummy detected line
1.2
视频检测技术的原理 视频检测技术也被称为数字图像处理技术， 是一
种结合视频图像和电脑化模式识别技术而应用于交 通领域的新兴技术。 它通过视频摄像机和计算机模仿 人眼的功能， 将连续的模拟图像转换成离散的数字图 像后， 在成熟的物理模型和数字模型的基础上编制软 件进行分析处理， 模拟各种其他形式的车辆检测器获 取各种所需的交通信息。 视频检测系统分为绊索式检 测系统（ tripwire systems）和跟踪检测系统（ tracking systems ）两种工作方式，目前，绊索式检测系统较 为成熟，应用得最为广泛。 绊索式视频检测系统（ tripwire systems）是基于 虚拟线圈的检测方式 [2]。它在车道的某个横断面上设 置假想线圈，当车辆越过该位置时进行计数 , 与感应 检测线圈一样（如图 2）。
事件发生？ Y 事件警告系统
N
1.3
交通参数的采集 视频检测系统检测通过微机在显示器上设置虚
图1 Fig.1.
事件检测系统基本结构
Basic structure of incident detection system
拟的“车辆检测器”完成动态交通参数的采集。虚拟
101
交通运输工程与信息学报
2005 年
表1 典型算法的性能比较
目标区域中，分割出牌照区域。然后再对分割出来的 车牌区域， 进行自适应阈值二值化， 分离出车牌背景， 以便于下一步的字符识别，最后，采用字符切分、模 板匹配的方法，识别出车牌号码 [5]。
图2
监视器 数字摄像机 硬 盘 录 像 机 历 史 交 通 参 数 A B C 道路
绊索式视频检测原理
Fig.2
Principium of tripwire video detection system
数字摄像机 实时交通参数 事件算法
视频检测系统可以检测摄像机拍摄范围内的许 多指定地点的交通参数，但是，在实际检测和参数处 理时， 只需在显示拍摄到的交通现场图的显示终端上 设置一条条虚拟检测线， 这些检测线与指定的检测点 相对应 [3]，如图 3 所示。只要检测到有车辆通过每一 条检测线，便可得到车辆在该检测点存在的信号。
分析了检测的原理，交通参数采集的方法和事件算法，并对各种算法的性能进行了比较。在此基础上集成 了车牌识别功能，运用在交通事故的再现分析上。最后，综合事件检测和事故再现上的应用，提出了基于 视频检测技术的交通安全系统的框架结构，并在实际应用中验证了系统的性能。 关键词： 交通安全；视频检测；交通事件；交通事故 中图分类号： U491.4 文献标识码： A 文章编号： 1672-4747 （2005） 03-0100-05
0
引
言
逐年上升趋势。一般认为，我国还处在交通事故与车 辆同时增长的阶段。 随着各种车辆和交通流量的不断
随着汽车数量的急剧增加，交通密度的大幅提 高，交通紧张、拥挤问题越来越严重，交通事故也呈
收稿日期： 2005-05-08.
增长，我国交通安全正处于事故高峰前的“爬坡”时 期。2004 年上半年，全国发生道路交通事故 25 万多
交通运输工程与信息学报
第3卷
第3期
2005 年 9 月
Journal of Transportation Engineering and Information
No.3 Vo1.3 Sep. 2005
视频检测技术在交通安全中的应用
王兆华 刘志强
江苏大学，汽车与交通工程学院，江苏，镇江 212013
摘 要： 为了能够有效预防交通事故和真实地再现事故过程， 采用视频检测技术对交通事件进行实时检测，
式中： FN 为误报事件数； DN 为检测到的事件数 ③ 平均检测时间（ MTTD）
1 n MTTD = ∑ [TI (i) − AT (i )] n i =1
式中：MTTD 为平均检测时间；TI(i) 为被算法检 测到的事件 i 实际发生的时间； AT(i) 为算法检测到 事件 i 报警的时间； n 为算法检测到的真正事件数。 对以上几种典型算法的性能比较如下表 [4]：
除了交通参数外， 视频检测系统还需要对汽车特 征进行识别，最主要是车牌识别，识别出车牌，就可 以从车管所的车辆管理系统上查出该车和车主的具 体资料， 这在交通肇事逃逸事件和机动车盗抢案件中 有着重要应用。 汽车牌照实际上是原始图像中的一个边缘平直 且有突变，位置相对稳定的子图像，该子图像内部有 七个字且是有一定大小的近似平行四边形，所以，牌 照区域形成了一种水平、垂直方向的纹理规律，可依 靠以上纹理特征，采用模糊模式识别方法，从这些准
基金项目： 江苏省高新技术研究项目（项目编号： BG2005028）。 作者简介： 王兆华（ 1980-），男，江苏海安人，江苏大学汽车与交通工程学院硕士研究生，研究方向：交通安全。
100
视频检测技术在交通安全中的应用
王兆华 等
起，造成 21 万多人受伤，4.9 万人死亡，死亡人数比 去年同期上升了 2.4％， 直接财产损失达到 13.1 亿元。 交通安全问题已经成为当今世界上一个严重的社会 问题，众多的专家学者都在研究如何减少交通事故， 保障道路交通安全。 通常从三个方面开展对交通安全 问题的研究： ① 事故预防方法； ② 减轻伤害程度的研究； ③ 事故调查与分析。 事故预防方法是当前研究的热点。 交通事故预防 主要是通过对实时交通参数进行采集， 检测是否发生 交通事件（交通事故，即偶发性交通事件） ，以便即 时提醒上游驾驶员。 本文主要讨论了视频检测技术在 交通事件检测及交通事故再现分析上的应用。DΒιβλιοθήκη =DN × 100% AN
102
视频检测技术在交通安全中的应用
王兆华 等
式中： DN 为检测到的事件数； AN 为实际发生的 事件数。 ② 误报率（ FAR）
来，存储在硬盘录像机里。事故发生后，交警可以查 看事故发生时的录像， 并可通过视频处理器获得事故 当时的各种交通参数。
FAR =
FN × 100% DN
1
1.1
基于视频检测的交通事件检测系统
摄像机
交通事件检测系统基本结构 交通事件检测系统主要由信息采集单元 （数字摄
像机） 、 信息处理单元 （视频处理器） 、 存储单元 （硬 盘录像机）、中央计算机（事件算法）和事件警告系 统等部分组成 [1]（见图 1）。 图 1 中视频检测技术、 交通参数的采集方法和中 央计算机的事件算法三个部分是整个事件检测系统 的关键技术组成，直接影响着整个系统的检测性能。
Abstract： For preventing traffic accident in effect and repeating accident process really, Video detection technology is applied to traffic incident detection system, to analyze the detection principle, the way of collecting traffic data and the incident arithmetic. Besides, the functions of various arithmetics to traffic accident repeating system were compared. At last, the author puts forward a system structure of video detection technology applied in traffic safety, and the performance of the system is validated in the practice. Key words： Traffic safety, video detection, traffic incident, traffic accident
阈值。 如果上面三个条件都满足，则事件发生。 1.4.2 统计预测算法 这种算法应用标准的统计技术来判定观测到的 检测数据是否与估计值或预计值之间存在很大的差 别，如标准偏差算法、时间序列算法等。 标准偏差算法（ SND）认为如果交通测量发生突 变，则意味着高速公路上发生了事件。该算法不断地 对计算出的平均占有率（ 1 min 的占有率的平均值） 和历史均值、 标准偏差进行比较， 每隔 3 min 或 5 min 计算出新的均值和标准偏差，连续迭代一次或两次， 当存在显著差异时，触发事件报警系统。 时间序列算法（ ARIMA ）通过分析或平滑原始 数据，去除短期的交通干扰，然后将处理过的数据与 预定的门限值进行比较， 当预测数据与观测数据存在 很大的偏差时，启动事件报警系统。 1.4.3 先进的事件检测算法：如神经网络算法 近来应用神经网络技术的算法是改进算法中较 有前景的一种， 我国也有很多专家对基于神经网络的 交通事件检测算法进行了研究，主要有：基于多层感 知器（ MLP）神经网络经典算法与基于 MLP 神经网 络改进算法。 1.4.4 各种算法的检测性能比较 常常用下面三个指标来评价算法的性能： ① 检测率（ DR）
第3期
虚拟检测线 A B C 显示终端
2 ，…， n 得到的平均占有率，按下面三个条件，来 判断事件是否发生： OCCDF = OCC(i, t) – OCC(i + 1, t)≥ K1
OCCRDF =
道路 A B C
OCC (i, t ) − OCC (i + 1, t ) ≥ K2 OCC (i, t )
Application of Video Detection Technology in Traffic Safety
WANG Zhao-hua LIU Zhi-qiang
School of Automobile and Traffic Engineering， Jiangsu University，Zhenjiang 212013，Jiangsu ，China
式中， OCCDF 为上下游占用率差值； OCCRDF 为上下游占用率的相对差值； DOCTD 为下游检测站 前后 2 min 占用率相对差值。 i 表示上游检测站， i + 1 表示下游检测站 K 1 、 K 2 和 K 3 分别表示相应的
的“车辆检测器”可以是一条线或一个矩形区域。系 统一旦设置了这些虚拟的检测区域， 视频交通采集单 元将会对所检测区域的背景图像的灰度值进行统计， 根据检测目的设定阈值。当系统运行的时候，实时采 集到的视频图像经过图像处理与分析后得到当前图 像的灰度阈值， 与设定的阈值相比较， 再结合计数器、 时钟等设备获得所需的检测数据。 通过这种方法可以 检测出：平均车速、车流量、车头距、占有率、车辆 排队长度等交通参数。 1.4 检测算法 自动检测算法的研究开始于伴随美国州际的高 速公路系统的实施而出现。经过 40 多年的发展，高 速公路交通事件的自动检测不但越来越受到关注而 且发挥的作用也越来越大。 特别是随着智能运输系统 （ ITS ）研究的兴起，由于采集的动态交通信息量的 增加，提高了事件检测效果，有关各方对交通事件检 测系统的功能更加关注， 高速公路交通事件检测算法 再一次成为热点。常见的有如下几种典型算法。 1.4.1 模式识别算法 模式识别算法的检测原理是通过一个或多个交 通参数来判别事件模式和非事件模式， 其难点在于阈 值的确定。 较为著名的有 California 算法和 McMaster 算法。现就 California 算法的原理作简单介绍。 加利福利亚算法基于事件发生处上游截面占有 率将增加，下游检测面占有率减少这一事实。它用一 分钟平均占有率 OCC(i， t) ， 即在时刻 t 从检测站 i = 1，