一种静默式低点视频监控交通拥堵事件检测方法

摘要

本发明属于智慧交通领域，具体公开了一种静默式低点视频监控交通拥堵事件检测方法，适用于摄像头架设高度在5‑8米的情况，基于车辆数目、静缓比、空间占有率和目标重合率四个交通参数，对交通状况进行实时的短周期内的量化分级，对分级结果在时域内进行统计分析，最终判定是否发生交通拥堵事件可以做到交通拥堵事件的自动检测，并自动识别拥堵的严重程度。本发明可以取代人工巡检，实现自动化巡检，及时的发现拥堵事件，快速提醒，使得可以快速采取措施解决交通拥堵问题。

说明书

技术领域

本发明涉及交通拥堵事件检测领域，特别是一种静默式低点视频监控交通拥堵事件检测方法。

背景技术

随着中国城市快速发展，越来越多的人口向城市聚集，城市人口快速增长。由于人们生活水平提高，私家车保有量告诉增长，城市交通状况越来越糟糕，交通拥堵成为城市交通顽疾。这样的情况在区域中心城市更加的突出。而在交通拥堵事件背后隐含的事件，是什么原因导致的交通拥堵，如何更快的解决交通拥堵，如何采取有力措施预防交通拥堵，是目前城市发展必须要重视的问题。

导致交通拥堵的原因有很多：红绿灯信号设置不合理，车辆引流不合理高峰期大量车辆涌入，交通事故或者车辆抛锚导致道路不通畅。为了及时解决这些问题，及时快速的发现交通拥堵事件是首先要解决的问题。

目前交警部分有专人负责交通状况巡检，目的就是为了及时发现交通拥堵事件。但是碍于人力不足，难以应付众多的路段。一个区域中心城市，上千个路口，却只有不到10人在轮询监控。一天之内只能覆盖不到20％的重点路段。而现实中，天网工程的建设已经很完善，重点路段，路口都有摄像头监控。然而，目前还没有成熟的实时的交通事故感知和检测技术，更多依赖于感知交通事故发生后，对交通状况的影响，导致交通拥堵的发生。在感知到突发的交通拥堵事件，再调度摄像头查找疑似交通事故。

如何充分利用视频监控，利用图像技术实时的感知交通拥堵事件，及时上报是解决以上问题的关键。

发明内容

本发明的目的是要解决现有技术中存在的不足，提供一种静默式低点视频监控交通拥堵事件检测方法。

为达到上述目的，本发明是按照以下技术方案实施的：

一种静默式低点视频监控交通拥堵事件检测方法，基于道路车辆目标的检测跟踪结果，并约定摄像头拍摄的视频中任意一帧画面的需要检测跟踪的道路ROI区域，在需要检测跟踪的道路ROI区域内的摄像头固定不动且摄像头的架设高度为5～8米；该检测方法包括以下步骤：

S1、获取需要检测跟踪的道路ROI区域内车辆的车辆数目、静缓比、空间占有率和目标重合率；其中，车辆数目：在需要检测跟踪的道路ROI区域内，检测到的车辆的数目；静缓比：在需要检测跟踪的道路ROI区域内，静止和运动缓慢的车辆数占总数的百分比；空间占有率：在需要检测跟踪的道路ROI区域内检测到车辆目标，被车辆目标框占据的像素占ROI区域总像素的百分比；目标重合率：在需要检测跟踪的道路ROI区域内，利用对检测到的车辆目标框之间做重叠度IOU计算，求得所有车辆目标的重合数的均值即IOU重合目标均值；

S2、根据预设的车辆数目、静缓比、空间占有率和IOU重合目标均值的参数设定需要检测跟踪的道路ROI区域的交通状况量化分级的判断条件，然后根据设定交通状况量化分级的判断条件设定交通状况量化分级标准，根据所述交通状况量化分级标准将摄像头拍摄的视频中的一帧画面的交通状况量化分级为拥堵状态、中间状态和非拥堵状态；然后自适应调整车辆数目、静缓比、空间占有率和IOU重合目标均值的预设参数，作为下次判定的参数；

S3、将摄像头拍摄的视频中的连续多帧画面作为一个采样周期，根据交通状况量化分级标准将一个采样周期内的交通状况量化分级为拥堵状态、中间状态和非拥堵状态；

S4、将多个采样周期作为一个判定周期，通过对一个判定周期内的多个采样周期的量化分级结果做分析，得出一个判定周期的交通拥堵状态，判定周期的交通拥堵状态分为拥堵状态、中间状态和非拥堵状态；

S5、对一个判定周期的拥堵状态、中间状态和非拥堵状态做平滑处理得到实时的交通拥堵状态，所述实时的交通拥堵状态分为拥堵状态和非拥堵状态；

S6、在S5的基础上，将多个判定周期组成一个长时间域，在长时间域内，通过求拥堵时间占总时间的比例即拥堵事件占空比，以及拥堵和非拥堵状态之间的跳变频率来衡量一个拥堵事件的严重程度，拥堵事件占空比越大同时跳变频率越低，拥堵就越严重。

进一步地，所述S1中空间占有率的计算中，当车辆之间的间距比较近，间隙无法容纳一辆车时，车辆真实占据的像素为两个车辆目标框围城的外接多边形框。

进一步地，所述S2具体包括：

依据需要检测跟踪的道路ROI区域的大小和可以容纳的车辆最大数目将道路交通场景分类分为大场景和小场景两种；大场景：空间占有率达到80％时，容纳车辆数目达到M和M辆以上的场景；小场景：空间占有率达到80％时，容纳车辆数目N辆以下的场景；其中M>N，M、N均为大于零的整数；

所述交通状况量化分级的判断条件为：

条件一：车辆数目>预设的车辆数目；

条件二：静缓比>预设的静缓比；

条件三：空间占有率>预设的空间占有率；

条件四：IOU重合目标均值>预设的IOU重合目标均值；

所述交通状况量化分级标准包括大场景量化分级标准和小场景量化分级标准，所述大场景量化分级标准为：

拥堵状态：以上四个条件均满足；

中间状态：以上条件满足任意两个以上，且必须满足条件一和条件三中的任意一个；

非拥堵状态：不满足拥堵状态和中间状态的情况；

所述小场景量化分级标准：

拥堵状态：同时满足以上条件二，条件三和条件四均满足；

中间状态：以上条件二，条件三和条件四满足任意一个；

非拥堵状态：不满足拥堵状态和中间状态的情况。

所述自适应调整车辆数目、静缓比、空间占有率和IOU重合目标均值的预设参数具体为：

在捕捉到拥堵事件后，对判断拥堵所依赖的车辆数目、静缓比、空间占有率和IOU重合目标均值的参数统计求取各自的最大值，并按照公式(1)求新的参数作为当前的配置参数，做到对参数的最适应调整：

new＝max*scale (1)

公式(1)中，new表示新参数，max是拥堵时参数最大值，scale为一可设定的最大值缩小的比例，scale值大于0且小于1。

进一步地，所述S3中在一个采样周期内的交通状况量化分级之前还包括：

对一个采样周期内的车辆数目、静缓比、空间占有率和IOU重合目标均值的参数分别进行统计，对于车辆数目、静缓比、空间占有率和IOU重合目标均值中任意的一参数在一个采样周期的计算得到的样本集N个样本，先删除最大m个和最小的n个，得到剩余的K个样本，然后求K个样本的均值，只保留大于均值的样本，并求其均值作为最终的参数值。

进一步地，所述S4具体包括：

通过交通状况量化分级标准，对采样周期内的交通状况进行量化分级后，将采样周期内的分级结果放入队列中，当队列中积累了连续N个采样周期的样本时，根据这N个样本统计，判断该判定周期内的拥堵状态，然后从样本队列中移除前2/3个样本，后续样本继续放入队列，当队列内样本数满N时，进行下一次拥堵状态判定，在一个判定周期的N个样本中，按照以下准判定一个判定周期的拥堵状态：

1)一半以上的采样周期都是拥堵：该判定周期为拥堵状态；

2)一半以上的采样周期都是非拥堵：该判定周期为非拥堵状态；

不满足以上两者的：该判定周期为中间状态。

进一步地，所述S5具体包括：

判定为中间状态的判定周期，其包含的采样周期都首先被认定为中间状态，找到距离其最近的确定的拥堵和非拥堵样本数据，利用其车辆数目、静缓比、空间占有率和IOU重合目标均值的参数组成的4维向量，通过欧氏距离相似性公式求向量的欧氏距离求样本相似性，欧氏距离相似性公式如公式(2)：

欧氏距离越小，相似性越大，通过样本相似性分类后，最后通过平滑处理，最终判定其为拥堵状态和非拥堵状态。

优选地，所述S7中，还包括将拥堵事定义为“1”高电平，非拥堵定义为“0”低电平，得到在1和0之间高低电平跳变的矩形波，其中高电平的占空比越大，拥堵越严重。

优选地，所述S3中采样周期的时长为1-3秒。

优选地，所述S4中判定周期包括3-7个采样周期。

与现有技术相比，本发明具有以下有益效果：

本发明适用于摄像头架设高度在5-8米的情况，基于车辆数目、静缓比、空间占有率和目标重合率四个交通参数，对交通状况进行实时的短周期内的量化分级，对分级结果在时域内进行统计分析，最终判定是否发生交通拥堵事件可以做到交通拥堵事件的自动检测，并自动识别拥堵的严重程度。本发明可以取代人工巡检，实现自动化巡检，及时的发现拥堵事件，快速提醒，使得可以快速采取措施解决交通拥堵问题。

附图说明

图1为本发明的静默式低点视频监控交通拥堵事件检测方法流程图。

图2为本发明一种实施例中依赖的检测跟踪效果和约定路面ROI区域示意图。

图3为本发明一种实施例中IOU计算示意图。

图4为本发明一种实施例中空间占有率计算示意图。

图5为本发明一种实施例中采样周期内各参数计算流程图。

图6为本发明一种实施例中待定采样周期结果判定示意图。

图7为本发明一种实施例中长时域空间内拥堵事件分析示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步的详细说明。此处所描述的具体实施例仅用于解释本发明，并不用于限定发明。

如图1所示为本发明的一种实施方式，其具体公开了一种静默式低点视频监控交通拥堵事件检测方法，基于道路车辆目标的检测跟踪结果，需要说明的是，本实施例中道路车辆目标的检测跟踪结果可以依据现有的车辆目标检测跟踪技术进行检测，目的是为了获取需要检测跟踪的道路ROI区域，然后约定摄像头拍摄的视频中任意一帧画面的需要检测跟踪的道路ROI区域，道路ROI区域通过任意多边形表示，道路ROI区域生成可以通过人工标注和算法自动生成两种，检测跟踪以及自动生成道路区域所采用的技术手段不在本发明范围之内，在此不做赘述；在需要检测跟踪的道路ROI区域内的摄像头固定不动且摄像头的架设高度为5～8米。该静默式低点视频监控交通拥堵事件检测方法的具体步骤如下：

本发明制定的4个交通参数

车辆数目：在需要检测跟踪的道路ROI区域内，检测到的车辆的数目；

静缓比：在需要检测跟踪的道路ROI区域内，静止和运动缓慢的车辆数占总数的百分比；

空间占有率：在需要检测跟踪的道路ROI区域内检测到车辆目标，被车辆目标框占据的像素占ROI区域总像素的百分比；实际测试中发现，如果只将车辆占据的矩形区域算作车辆占据像素，求得的空间占有率比真实的占有率要低。真实情况下车辆之间有一定的间隙，其间隙不足以通过一辆车时，即使没有被车占据，也应该算是被车辆占据。基于此现象，本发明有针对性的设计了空间占有率计算方法；当车辆之间的间距比较近，间隙无法容纳一辆车时，其真实占据的像素为两个车辆目标矩形框围成的外接多边形，多边形如图4所示用虚线围城的半透明的六边形。

目标重合率：在需要检测跟踪的道路ROI区域内，利用对检测到的车辆目标框之间做重叠度IOU计算，求得所有车辆目标的重合数的均值即IOU重合目标均值，IOU计算方法如图3所示，该计算方法属于现有技术，本实施例不再赘述。

现实中场景众多，为了更好的对更多场景足够的鲁棒，依据ROI区域的大小和可以容纳的车辆最大数目对场景进行分类分为“大场景”和“小场景”两种。

大场景：空间占有率达到80％时，容纳车辆数目达到M(可根据实际需求进行配置)和M辆以上的场景；

小场景：空间占有率达到80％时，容纳车辆数目N(可根据实际需求进行配置)辆以下的场景；其中M>N，M、N均为大于零的整数。

本发明制定的“交通状况量化分级标准”

本发明中，将以下条件作为基础判断条件(以下条件中均为预设参数，本发明中针对这些参数设计了针对的自适应调整方案)：

条件一：车辆数目>10(可自适应配置)；

条件二：静止车辆占总数百分比>50％(可自适应配置)；

条件三：空间占有率>60％(可自适应配置)；

条件四：iou重合目标均值>2；

本发明中按照以下的量化标准分别对“大场景”和“小场景”进行量化并分级

大场景量化分级标准：

拥堵(一级)：以上四个条件均满足，为拥堵状态；

中间状态(二级)：以上条件满足任意两个以上，且必须满足条件一和条件三中的任意一个；

不拥堵(三级)：不满足一级和二级标准的情况为三级。

小场景量化分级标准：

拥堵(一级)：同时满足以上条件二，条件三和条件四均满足，为拥堵状态；

中间状态(二级)：以上条件二，条件三和条件四满足任意一个；

不拥堵(三级)：不满足一级和二级标准的情况为三级。

拥堵判断参数的自适应调整方案：

在捕捉到拥堵事件后，对判断拥堵所依赖的4个条件参数统计求取各自的最大值，按照采用公式1的计算公式自适应当前场景下的参数值，作为下次判定的参数。

new＝max*scale(sacle<1可配置参数) (1)

以上new表示新参数，max是拥堵时参数最大值，scale为最大值缩小的比例。对于4个交通参数，在系统初始化时会配置一个默认值参数，默认值设置为一个比较小的值，希望对拥堵事件的感知更加的敏感。但是，默认值越小，越容易误检，而且默认参数很难适应所有的交通场景。所以在捕捉到拥堵事件后，对4个交通参数求最大值，并按照公式1求新的参数作为当前的配置参数，做到对参数的自适应调整。scale值必须小于1，需要在各个参数还没有到达最大值前就可以检测到交通拥堵事件。scale的值越大，对拥堵事件的要求越严格，更容易造成漏检，但是检测出的拥堵事件的置信度越大。scale的值越小，对拥堵事件的要求越低，灵敏度越高，越不容易漏检。但是更容易造成误检。

基于拥堵状态量化分级标准，但是并不是对实时的每一帧图像进行量化分析。并按照以下标准对交通状进一步量化分级，本发明制定的量化分级方法如下：

连续N帧的作为一个采样周期，对一个采样周期内，以上4个交通参数进行统计，按照图5的流程计算采样周期内4个交通参数的值，并按照“交通状况量化分级标准”对采样周期内的交通状况进行量化分级，本发明中采样周期为1～3秒可配置。由于目标误检和漏检问题的存在，会导致利用检测跟踪计算得到的4个参数会比真实值大或者小。为了减少误检和漏检的影响，如图5所示，对于任意的一参数在一个采样周期的计算得到的样本集N个样本，先删除最大m个和最小的n个，得到剩余的K个样本。然后求K个样本的均值，只保留大于均值的样本，并求其均值作为最终的参数值。之所以用大于均值的样本的平均值作为最终参数，是因为在实际中目标漏检更容易出现，各个参数更大概率会比真实值低，所以在此处大于均值的各个样本的均值作为最终参数。

采样周期是一个比较短的时间，本发明进一步制定了一个判定周期，约定N(3～7可配置)个采样周期为一个判定周期。本发明在判定周期内，按照以下逻辑对判定周期内的交通状况进行量化分级：通过“交通状况量化分级标准”，对采样周期内的交通状况进行量化分级。并将这采样周期内的分级结果放入队列中。当队列中积累了连续N个采样周期的样本时，根据这N个样本统计，判断该判定周期内的拥堵状态。然后从样本队列中移除前2/3(非整数时向上取整)个样本。后续样本继续放入队列，当队列内样本数满N时，进行下一次拥堵状态判定。在一个判定周期的N个样本中，按照以下准判定一个判定周期的拥堵状态：

1)一半以上的采样周期都是拥堵：该判断周期为“拥堵”；

2)一半以上的采样周期都是非拥堵：该判断周期为“非拥堵”；

3)不满足以上两者的：该判断周期为“中间状态”；

在判定为拥堵状态的一个判定周期内，所有采样周期都被最终判定为“拥堵”；在判定为“非拥堵”的判定周期，所有的采样周期都被最终判定为“非拥堵”；判定为中间状态的判定周期，其包含的采样周期都首先被认定为“中间状态”，在随后的处理过程中找到距离其最近的明确的“拥堵”和“非拥堵”样本数据，利用其4个交通参数组成的4维向量，通过求向量的“欧氏距离”求样本相似性，欧氏距离相似性公式如公式3。欧氏距离越小，相似性越大。通过样本相似性分类后，最后通过平滑处理，最终判定其为“拥堵”和“非拥堵”。“中间状态”样本判定示意图如图6所示。对于中间状态的的采样周期，找到与之最近的确定的“拥堵”和“非拥堵”样本0和1。通过欧氏距离样本相似性分类后，可能会出现e标记的不平滑的情况。但是在判定周期内拥堵占多数，所以将e0平滑为拥堵状态得到平滑处理后的结果。

真实的交通场景复杂多样，检测算法很容易出现“误检”和“漏检”的情况。以每一帧作为最小单位得到的结果误差大，不稳定,不够平滑。因此，本实施例通过设立采样周期利用采样周期内的交通参数计算公式对一个采样周期内的参数进行平滑，得到更加稳定准确的结果。交通拥堵是一个在较长时间域的事件，一个采样周期只有很短的1～3秒，对于判定交通拥堵事件的判定还是比较短，其判定结果的随机性仍然比较大。通过将N个采样周期作为一个判定周期，在一个较长的时间域内判定交通拥堵状态，将其作为判定周期内的每个采样周期的结果，其结果更加准确和平滑。需要说明的是，判定周期的设定要在拥堵的实时性和较长时间域两个相矛盾的要求间平衡，判定周期既不能太短也不能太长。

通过以上描述的方法，得到了以采样间隔为最小单位的实时拥堵信息。根据业务的需求，我们更加关心拥堵时间长的拥堵事件，拥堵时间持续越长，拥堵越严重。如图7所示，本发明通过在更长的时间域内(根据业务需求可配置)求拥堵事件的占空比(拥堵时间占总时间的比例)，通过求拥堵事件的占空比，以及“拥堵”和“非拥堵”之间的跳变频率来衡量一个拥堵事件的严重程度。拥堵事件占空比越大同时跳变频率越低，拥堵就越严重。

如图7所示，将拥堵事定义为“1”高电平，非拥堵定义为“0”低电平，可以得到在1和0之间高低电平跳变的矩形波，其中高电平的占空比越大，拥堵越严重。

本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。