交通事件检测系统ppt.ppt

课题名称：课题名称：交通事件检测交通事件检测系统系统一、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。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。系统构架系统由前端部分、传输网络、监控中心三部分组成，系统总体结构示意图如下：（一）前端部分前端部分完成图像采集和编码工作，可以直接采用网络摄像机方式，也可以采用模拟摄像机DVS编码器方式。（二）传输网络传输网络是数据通信链路，可以租用运营商通信链路，也可以使用用户已建的专用网络，进行数据传输。（三）监控中心监控中心主要包含检测分析设备和平台管理软件检测分析设备实现交通数据和事件的检测功能，平台管理软件主要实现对前端设备和检测分析设备进行管理，接收检测分析设备上传的报警信息，实现实时预览、数据查询、交通信息统计功能。交通事件自动检测方法：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。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、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。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。（五）交通事件检测常用指标（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。五、直接方法五、直接方法 视频图像处理的交通事件检测视频图像处理的交通事件检测方法：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。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。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：事件检测工作流程：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。摄像机视频采集预处理车辆检测车辆跟踪事件检测预处理预处理即初始化系统的参数设置，如路面参数：道路的通行方向和摄像机视场的监控范围。事件阈值参数车道线：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。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。车辆检测流程车辆检测流程运动目标检测（帧差法、光流法、背景减除）背景重建（背景提取、背景更新）车辆目标分割（阈值分割法）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）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）车辆跟踪算法车辆跟踪算法基于特征的跟踪（跟踪目标的局部特征，而非整个车辆目标）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）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）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）基于基于kalmankalman的（区域）车辆跟踪流程的（区域）车辆跟踪流程目标区域特征提取: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。目标的匹配搜索:在预测的范围内进行目标的匹配搜索。模型更新:更新卡尔曼滤波器。交通事件检测：交通事件检测：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。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。交通事件检测系统 谢谢观看！谢谢观看！