交通事件检测技术汇总

三、交通事件检测算法
目前，世界上已经开发了多种交通事件自动检测算法： • 加利福尼亚算法、贝叶斯算法、时间序列算法、低通滤波 算法、交通流模型算法、视频检测算法、人工神经网络算 法。 • 模式识别算法、统计预测算法、突变理论算法和神经网络 算法。
思想：这些算法是根据实时采集的交通流数据信息，由算法 自动判断是否有交通事件发生，并估计事件对交通流的影 响。
基于kalman的（区域）车辆跟踪流程 ① 目标区域特征提取:通过目标物体的外接矩形运动区域进 行标定，并提取每个运动区域的中心位置和区域大小 ② 卡尔曼预测模型:利用Kalman滤波器实现目标的运动预测， 预测其在下一帧中可能出现的位置。 ③ 目标的匹配搜索:在预测的范围内进行目标的匹配搜索。 ④ 模型更新:更新卡尔曼滤波器。
车辆检测流程 ① 运动目标检测（帧差法、光流法、背景减除） ② 背景重建（背景提取、背景更新） ③ 车辆目标分割（阈值分割法） ④ 滤波和形态学处理（将车辆之外的噪声去除，得到更为 精确地车辆模型） ⑤ 连通区域标识（对图像中不同目标物体进行标识，得到 外接矩形）
车辆跟踪算法 ① 基于特征的跟踪（跟踪目标的局部特征，而非整个车辆 目标） ② 基于3D（模型）的跟踪（将几何形状的三维模型投影成 图像，再根据图像中的目标位置的变化来实现跟踪） ③ 基于动态轮廓的跟踪（将相邻图像间进行轮廓匹配，跟 踪并实时修改轮廓特征） ④ 基于区域的跟踪（跟踪运动目标构成的连通区域中共有 特征信息）
四、间接方法—文献阅读
（一）基于SVM的高速公路事件检测
检测的交通参数：交通流、车速、占有率 检测结果：有事件、无事件 （即可看作模式识别问题，可以用支持向量机对交通事件进行 分类） 检测原理：以一定的时间间隔对上下游检测站的车流量、车 速和占有率数据进行采集，将数据分为训练样本和测试样本， 训练样本作为SVM的输入对SVM进行训练，用测试样本对训练 好的SVM进行测试，输出有两类：有事件输出1，无事件输出 -1。
④ 非线性分类中，引入了核空间理论，将低维的输入空间 数据通过非线性映射函数映射到高维属性空间，将分类 问题转化到属性空间进行。可以证明，如果选用适当的 映射函数，输入空间线性不可分问题在属性空间将转化 为线性可分问题。 ⑤ 常用的4种核函数：线性核函数、多项式核函数、径向基 核函数（RBF）、Sigmoid核函数。
（四）基于小波变换和LSSVM的事件检测算法
要解决的问题：事件发生时交通流信号携带着重要的特征 信息，傅立叶变换是研究信号全局奇异性的有效工具，但 其缺乏局部信息，不利于奇异性定位。
解决方法： ① 小波分析可将信号的频域特征和时域特征同时反映在变 换域中，在时域和频域中均具有良好的局部分析能力， 对突变信号的处理有着突出的表现。 ② LSSVM不但能够很好地解决小样本、非线性、高维数、局 部极小等问题，而且因求解的是线性方程组而具有运算 速度快的优点。
① 支持向量机(Support Vector Machine，SVM)，是一种有 效的非线性问题处理工具。具有完备的统计学习理论和 出色的学习性能。支持向量机是针对结构风险最小化原 则提出的，具有很好的泛化能力。支持向量机算法是一 个凸优化问题，局部最优解一定是全局最优解。 ② SVM有3种类型：线性可分SVM，线性不可分SVM，非线性 可分SVM（非线性可分SVM根据采用的核函数不同可构成 不同的支持向量机） ③ 核心思想：对于线性可分问题，是根据最大分类间隔原 则求得最优分类面；对于非线性分类，是折中考虑最少 错分样本和最大分类间隔得到的最优分类面，从而判断 任意输入所属的类别。
五、直接方法—视频图像处理的交通事件检测
① 方法：利用计算机视觉与数字图像处理技术，对设置在 公路上的摄像头采集的视频图像，进行事件检测算法智 能处理，自动采集各种交通参数，检测交通事件并及时 报警。
② 基本工作流程：通过道路上监控摄像机将道路交通运行 状况的视频图像捕捉下来，再将图像实时送入计算机进 行处理和分析，得到交通状况等信息，通过对交通状况 的分析检测出是否有交通异常事件。 ③ 包括：运动车辆的自动检测、运动车辆的自动跟踪、交 通参数的提取、基于图像分析的事件检测、发生意外事 件时的自动报警和相应处理等。
事件检测工作流程：
摄像机
视频采集
预处理
车辆检测
车辆跟踪
事件检测
快速有效的视频图像目标分割及跟踪是解决交通参数与事件检 测问题的关键。
预处理 即初始化系统的参数设置，如 ① 路面参数：道路的通行方向和摄像机视场的监控范围。 ② 事件阈值参数 ③ 车道线：标识出道路车道线位置，为系统确定事故位置 和变道事件等检测提供数据。 ④ 检测区域参数：设置系统的检测范围，去除不必要区域 的计算。

现在的问题：
1、间接方法？算法：用什么算法？哪几种算法结合比较好？ 数据来源：I-880数据库、联诚数据、 2、直接方法？视频处理 3、检测什么交通事件？所有可能的交通事件还是其中的一 两种？
谢谢观看！
人有了知识，就会具备各种分析能力， 明辨是非的能力。 所以我们要勤恳读书，广泛阅读， 古人说“书中自有黄金屋。 ”通过阅读科技书籍，我们能丰富知识， 培养逻辑思维能力； 通过阅读文学作品，我们能提高文学鉴赏水平， 培养文学情趣； 通过阅读报刊，我们能增长见识，扩大自己的知识面。 有许多书籍还能培养我们的道德情操， 给我们巨大的精神力量， 鼓舞我们前进。
交通事件自动检测方法：
① 直接检测法：主要通过视频和图像处理的方法完成对目标 的跟踪、识别及交通流检测，该方法需要比较密集地安装 摄像机，成本较高，且受气象条件影响较大。 ② 间接检测法：是通过对主线上设置的检测器采集到的交通 参数进行分析来判断是否有事件发生。主要是根据事件对 交通流的影响来检测事件的存在，成本低、简单易操作， 但是存在检测率低，误报率高等问题。
（三）基于粗糙集和支持向量机的的交通事件检测
要解决的问题：支持向量机算法基于统计学习理论，具有 很好的学习泛化能力和分类性能，但处理包含冗余信息的 大量数据存在训练时间长、速度慢的缺点。
解决方法：运用粗糙集理论对交通流数据进行预处理。去 掉样本数据中的冗余属性，并消除噪声和冗余对象，然后 以处理过的样本数据作为支持向量机的输入，实现最终的 决策分类。 粗糙集理论(Rough Sets，RS)是一种处理模糊性与不确定性 的软计算基础理论，在保持分类能力不变的前提下，通过 垂直约简，消除样本的冗余；通过属性约简，导出问题的 决策或分类规则。
二、交通事件检测的方法
目前国内外常用的几种交通信息检测技术: 环形线圈、微波、红外线视频、数字视频、超声波检测等。 其中基于环形线圈的检测技术目前市场占有率较高，技术比 较成熟。但根据目前的交通管理、营运部门的需求来看， 对路基无破损、实施方便灵活的视频检测技术越来越受欢 迎。 交通事件检测分为人工检测和自动检测两种，其中高速公 路交通事件自动检测是近几年研究的主导。
① 主成分分析(Principle Component Analysis，PCA)是利 用降维的思想，将多个实测变量转换为少数几个不相关 的综合指标的多元统计分析方法。 ② 粒子群优化(Panicle Swarm Optimization，PSO)算法是 基于群智能的全局优化技术，它通过粒子间的相互作用， 对解空间进行智能搜索，从而发现最优解。
（五）交通事件检测常用指标
衡量一个交通事件检测算法有三个指标：
检测率(DR)、误报警率(FAR)和平均检测时间(MTTD)。
良好的检测算法应该是快和准的算法，也就是说评价算法性 能时，检测率越高越好，误报率越小越好，平均测算时间 越短越好。
分析 目前由于环形线圈检测器的普遍存在，使得间接事件检 测法一直都在自动事件检测算法中占有主导地位。但该 方法无法对车辆跟踪、分类，安装时需要对道路进行挖 掘，费用高昂，会造成交通中断，并且检测误报率高、 检测时间长。 基于视频的检测系统除能够获得更多的交通流信息之外， 还能识别车辆类型和车辆运行轨迹，可以监视远距离大 范围场景，且平均检测时间远小于基于地感线圈的 AID 系统。
（二）基于PCASVM的交通事件检测研究
要解决的问题：交通数据样本有限、输入交通特征过于冗 余、参数设置无法达到最优等问题。 解决方法： ① 用主成分分析法对上游检测站和下游检测站采集到的速 度、流量及占有率信息进行交通特征选择，构建用于高 速公路事件检测的PCA—SVM模型； ② 用粒子群算法进行支持向量机模型参数选择。
交通事件检测： ① 如果高速公路上发生车辆碰撞事件，对于碰撞的两个车 辆目标必定存在一段时间，在这段时间内两个车辆目标 会相互接触，在图像上表现为两个车辆目标矩形框出现 重叠区域，然后利用两个车辆目标质心的相对距离来判 断车辆的碰撞事件，若两个车辆目标质心的距离D小于一 定的阈值TH则判定道路上发生了碰撞事件。 ② 一旦发生交通拥堵的情况，车辆的行驶速度将降低甚至 停止，而车道的占有率将提高。从视频图像序列上表示 为，被跟踪的运动目标矩形区域与检测区域的比例将越 来越大，当超过预设的阈值时判定发生了交通拥堵现象。
一、交通事件概念、研究意义
交通事件：是指非周期性发生且使某段道路通行能力下降 的事件。如交通事故、故障停车、货物散落、道路维修、 车辆逆行、车道变换、超速、慢速、停止、交通阻塞等。
我国事故发生率居全世界之首，近几年每年公路交通死亡 人数一直在十万人左右，每年因交通事故造成的损失达数 百亿元。为了预防和减少交通事故，及时有效地进行事故 救援和处理，有效减少由于交通事故产生交通延误及避免 二次事故的发生，就必须准确、快速地对交通异常和交通 事件进行检测。