專利名稱：基于視頻檢測技術的高速公路收費廣場交通擁堵判別方法
技術領域：
本發(fā)明涉及道路交通狀態(tài)檢測技術領域，具體涉及一種基于視頻檢測技術的高速公路收費廣場交通擁堵判別方法。
背景技術：
隨著我國經濟建設的快速發(fā)展，高速公路運營里程快速增加，通行高速公路車輛數(shù)量急劇增多，高速公路收費站的安全隱患也隨之增加。高速公路收費廣場作為車輛聚集的特殊路段，交通安全問題尤為突出。特別是在高峰交通時段，車輛在收費廣場易排長隊出現(xiàn)擁堵，影響了駕駛員在收費廣場的駕駛行為，其選擇服務時間短的車道的行為導致車輛之間交通沖突加劇，繼而引發(fā)交通事故。因此，第一時間監(jiān)測高速公路收費廣場的擁堵事件與加強收費現(xiàn)場監(jiān)管，對維護收費廣場的交通安全有著重要的意義。同時，由于收費廣場擁堵事件的發(fā)生往往存在許多隨機因素，因此不能單純憑借時間段來劃定車輛高峰期，而應該通過科學技術手段來實時監(jiān)測出高速公路收費廣場的擁堵狀態(tài)。目前，利用收費廣場的視頻監(jiān)控系統(tǒng)，已經實現(xiàn)了對收費廣場車輛進出情況、車輛類型等的實時記錄。但對收費廣場擁堵事件的發(fā)現(xiàn)，仍然是由工作人員觀察視頻圖像序列， 通過人工監(jiān)控的方式實現(xiàn)，未實現(xiàn)收費廣場擁堵事件的自動檢測。因此，如何利用視頻檢測技術實時地自動檢測出收費廣場的擁堵狀態(tài)，對于交通運營管理者實時做出管理決策，提高收費站服務水平有著重要的意義?，F(xiàn)有的基于視頻檢測技術的道路交通擁堵事件檢測方法通過獲取大量交通狀態(tài)參數(shù)，如流量、道路占有率、速度、車間距、排隊長度等，然后選取多個參數(shù)利用傳統(tǒng)的擁堵判別算法實現(xiàn)對道路交通擁擠事件的檢測。這種方法要求利用圖像處理技術計算多個參數(shù)，實現(xiàn)復雜，開銷較大，不利于實現(xiàn)對道路擁堵事件的發(fā)生進行實時監(jiān)控。且在國內外公開的文獻中，尚未發(fā)現(xiàn)有基于視頻檢測技術的收費廣場擁堵事件檢測方法。因此，亟需一種自動檢測收費廣場擁擠事件的方法，實現(xiàn)對收費廣場擁堵事件的及時、可靠的檢測，為管理者及時把握現(xiàn)場狀況、做出管理決策提供有力的信息支撐，進而減少交通通行安全隱患。

發(fā)明內容
有鑒于此，本發(fā)明提供了一種運算開銷小，實時性強，基于視頻檢測技術的高速公路收費廣場交通擁堵判別方法。本發(fā)明的目的是通過以下技術方案來實現(xiàn)的基于視頻檢測技術的高速公路收費廣場交通擁堵判別方法，包括如下步驟1)攝取收費廣場道路視頻；2)從視頻中提取收費廣場道路的圖片；3)建立并更新圖片的背景模型；4)從圖片中提取前景圖像；
4
5)獲取前景圖像的能量值及能量值變化量絕對值，判斷當前幀圖像是否為收費廣場擁堵圖像。進一步，所述步驟3)具體包括如下步驟31)通過對Ntl張收費廣場道路的圖片，用均值法求取初始背景，N0 > 20 ；32)設定閾值，通過閾值判斷，從初始背景中提取背景；33)用步驟32)提取的背景建立并更新背景模型。進一步，所述步驟4)中，根據(jù)步驟3)獲得的背景模型，利用差分法從圖片中提取前景圖像。進一步，步驟5)具體包括如下步驟51)獲取當前幀第k幀的前景圖像的能量值EnergyQO ；52)獲取當前幀第k幀的前景圖像與前一幀第k-Ι幀的前景圖像的能量值之差的絕對值 Δ Energy (k)，同理獲取 Δ Energy (k_l)、Δ Energy (k~2)；53)判斷EnergyQO是否大于閾值Tl，如是，則執(zhí)行下一步；如否，則判定第k幀為非擁堵幀；54)判斷當前幀第k幀的前景圖像與前一幀第k-Ι幀的前景圖像的能量值之差的絕對值AEnergyQO是否小于閾值T2，如是，則執(zhí)行下一步；如否，則判定第k幀為非擁堵幀；55)判斷第k-Ι幀的前景圖像與前一幀第k-2幀的前景圖像的能量值之差的絕對值Δ Energy (k-Ι)是否小于閾值T2，如是，則執(zhí)行下一步；如否，則判定第k幀為非擁堵幀；56)判斷第k-2幀的前景圖像與前一幀第k-3幀的前景圖像的能量值之差的絕對值Δ Energy (k-2)是否小于閾值T2，如是，則判定第k幀為擁堵幀；如否，則判定第k幀為非擁堵幀。進一步，Tl= 0. 48，T2 = 0. 076。進一步，所述步驟2)中還包括將提取的收費廣場道路的圖片由彩色圖片轉換為灰度圖片的步驟。進一步，所述步驟4)中，還包括對所提取的前景圖像進行形態(tài)學方法去噪的步
馬聚ο進一步，步驟5)中，獲取前景圖像的能量值的方法如下定義圖像序列為 {frk(x，y)i=u，k為幀號，N為視頻的總幀數(shù)，則差分圖像為difk(x，y) = frk(x, y)-frk_1(x, y)；對于第k幀差分圖像difk(x，y)，計算其全局閾值level，再對該差分圖像進行二值化處理，強制轉換為二值圖像；得到的二值化后的差分圖像為DB(k，i，j)口 ,其有 mXn個像素點；通過下式計算該二值化后的差分圖像的能量E(DB(k,ij:^) =沖，力)
m χη ν ‘-1‘其中b(i，j)為像素點(i，j)的值，即為該點的能量值。進一步，步驟5)之后還有如下步驟6)根據(jù)步驟5)中第k幀圖像的擁堵判別結果，判別當前檢測周期是否為收費廣場擁堵周期，具體步驟如下
以10秒為一個檢測周期，當該檢測周期中超過90%的圖像幀為擁堵幀，則標記該周期為擁堵周期，反之，則標記為非擁堵周期。進一步，還包括如下步驟7)根據(jù)步驟6)中當前檢測周期的擁堵判別結果，判斷當前收費廣場道路是否擁堵，并相應地輸出或解除告警信息，其具體包括如下步驟71)建立滑動窗口投票模型，以10秒為一個檢測周期，定義滑動窗口的容量為6個周期，當滑動窗口中有3個及以上的周期為擁堵周期時判定收費廣場擁堵，否則為非擁堵狀態(tài)。72)比對當前周期的投票結果與上一周期的投票結果，如果上一周期的投票結果為非擁堵狀態(tài)，而當前周期的投票結果為擁堵狀態(tài)，則輸出擁堵警告；如果上一周期的投票結果為擁堵狀態(tài)，而當前周期的投票結果為非擁堵狀態(tài)，則解除擁堵警告。本發(fā)明的有益效果是可準確、高效地解決高速公路收費廣場交通擁堵的判別問題，并在擁堵時刻輸出擁堵警告，從而為管理者及時把握現(xiàn)場狀況、做出管理決策提供有力的信息支撐，進而減少交通通行安全隱患。本發(fā)明針對傳統(tǒng)道路交通擁堵判別方法需要獲取大量交通狀態(tài)參數(shù)，運算開銷大，實時性不強的缺點，本發(fā)明只用獲取道路能量值參數(shù)， 構建擁堵判別模型，便完成了對高速公路收費廣場擁堵狀態(tài)的判斷，算法簡單，運算開銷小，實時性強。本發(fā)明的其他優(yōu)點、目標和特征在某種程度上將在隨后的說明書中進行闡述，并且在某種程度上，基于對下文的考察研究對本領域技術人員而言將是顯而易見的，或者可以從本發(fā)明的實踐中得到教導。本發(fā)明的目標和其他優(yōu)點可以通過下面的說明書和權利要求書來實現(xiàn)和獲得。


圖1示出了基于視頻檢測技術的高速公路收費廣場交通擁堵判別方法的軟件處理流程示意圖；圖2示出了步驟5)、6)、7)的流程示意圖，即交通擁堵判別流程圖；圖3示出了能量值變化量絕對值的時序圖；圖4示出了能量值的時序圖；圖5示出了實際擁堵狀態(tài)輸出。
具體實施例方式以下將對本發(fā)明的優(yōu)選實施例進行詳細的描述。應當理解，優(yōu)選實施例僅為了說明本發(fā)明，而不是為了限制本發(fā)明的保護范圍。參見圖1，基于視頻檢測技術的高速公路收費廣場交通擁堵判別方法，包括如下步驟1)攝取收費廣場道路視頻；2)從視頻中提取收費廣場道路的圖片，并將其由彩色圖片轉換為灰度圖片；3)建立并更新圖片的背景模型；具體包括如下步驟31)通過對Ntl張收費廣場道路的圖片，用均值法求取初始背景；
6
32)設定閾值，通過閾值判斷，從初始背景中提取背景；33)用步驟32)提取的背景建立并更新背景模型。4)從圖片中提取前景圖像，利用差分法從圖片中提取前景圖像，并對所提取的前景圖像進行形態(tài)學方法去噪的步驟；5)獲取前景圖像的能量值及能量值變化量絕對值，判斷當前幀圖像是否為收費廣場擁堵圖像。具體包括如下步驟51)獲取當前幀第k幀的前景圖像的能量值Energy (k)。獲取前景圖像的能量值
Energy (k)的方法如下定義圖像序列為批(χ，Υ)￡，2，k為幀號，N為視頻的總幀數(shù)，則差
分圖像為difk(x，y) = frk(Xjy)-^1(Xjy)；對于第k幀差分圖像difk(x，y)，計算其全局閾值level，再對該差分圖像進行二值化處理，強制轉換為二值圖像；得到的二值化后的差分圖像為1 ^。)=1^ ,其有mXn個像素點；通過下式計算該二值化后的差分圖像的能量E(DB(k,ij:^) =沖，力)
m χη ν ‘-1‘其中b(i，j)為像素點(i，j)的值，即為該點的能量值。52)獲取當前幀第k幀的前景圖像與前一幀第k-Ι幀的前景圖像的能量值之差的絕對值 Δ Energy (k)，同理獲取 Δ Energy (k_l)、Δ Energy (k~2)；53)判斷EnergyQO是否大于閾值Tl，如是，則執(zhí)行下一步；如否，則判定第k幀為非擁堵幀；54)判斷當前幀第k幀的前景圖像與前一幀第k-Ι幀的前景圖像的能量值之差的絕對值AEnergyQO是否小于閾值T2，如是，則執(zhí)行下一步；如否，則判定第k幀為非擁堵幀；55)判斷第k-Ι幀的前景圖像與前一幀第k-2幀的前景圖像的能量值之差的絕對值Δ Energy (k-Ι)是否小于閾值T2，如是，則執(zhí)行下一步；如否，則判定第k幀為非擁堵幀；56)判斷第k-2幀的前景圖像與前一幀第k-3幀的前景圖像的能量值之差的絕對值Δ Energy (k-2)是否小于閾值T2，如是，則判定第k幀為擁堵幀；如否，則判定第k幀為非擁堵幀。6)根據(jù)步驟5)中第k幀圖像的擁堵判別結果，判別當前檢測周期是否為收費廣場擁堵周期，具體步驟如下以10秒為一個檢測周期，當該檢測周期中超過90%的圖像幀為擁堵幀，則標記該周期為擁堵周期，反之，則標記為非擁堵周期。進一步，還包括如下步驟7)根據(jù)步驟6)中當前檢測周期的擁堵判別結果，判斷當前收費廣場道路是否擁堵，并相應地輸出或解除告警信息，其具體包括如下步驟71)建立滑動窗口投票模型，以10秒為一個檢測周期，定義滑動窗口的容量為6個周期，當滑動窗口中有3個及以上的周期為擁堵周期時判定收費廣場擁堵，否則為非擁堵狀態(tài)。72)比對當前周期的投票結果與上一周期的投票結果，如果上一周期的投票結果為非擁堵狀態(tài)，而當前周期的投票結果為擁堵狀態(tài)，則輸出擁堵警告；如果上一周期的投票結果為擁堵狀態(tài)，而當前周期的投票結果為非擁堵狀態(tài)，則解除擁堵警告。Tl和T2通過實驗獲得，本實施例中Tl = 0. 48，T2 = 0. 076。上述步驟5)、6)、7)的流程示意圖(即交通擁堵判別流程圖)參見圖2。在圖 2 中，當 Energy (k) > Τ” Δ Energy (k) < Τ2、Δ Energy (k_l) < T2、 Δ Energy (k_2) < T2這四個條件同時成立時，表示第k幀的能量值較高，而其之前三個相鄰幀k-1，k-2，k-3的能量值變化量絕對值較小。則第k幀為擁堵幀，標記此幀對應能量值為紅色。進一步根據(jù)周期內幀圖像擁堵情況的判別結果，判別當前檢測周期是否為收費廣場擁堵周期。具體規(guī)則為以10秒為一個檢測周期，當該檢測周期中不小于9/10的圖像幀均為擁堵幀，則標記該周期為擁堵周期，反之，則標記為非擁堵周期。但要判斷當前收費廣場道路是否擁堵，還需結合滑動窗口投票模型，以確定當前收費廣場道路是否擁堵，以及是否應該相應地輸出或解除告警信息。本模型中，以10秒為一個檢測周期，定義滑動窗口的容量為6個周期，當滑動窗口中有3個及以上的周期為擁堵周期，則輸出擁堵警告，并標記此時刻起對應的能量值線段為紅色；反之，當滑動窗口中有4個及以上的周期為非擁堵周期，則解除警告，并標記此時刻對應能量值為藍色。圖3表示，當出現(xiàn)擁擠事件時，能量值的變化是非常緩慢，非常小的，在64幀至160 幀能量值變化量的絕對值一直維持在較小的一個數(shù)值，此時段發(fā)生了交通擁堵。通過分析能量值_能量值變化量絕對值的關系，最終得到判別規(guī)則能量值處于一個高數(shù)值的同時， 其能量值變化量絕對值在一段時間內保持在一個較小值的時候，收費廣場出現(xiàn)擁堵狀態(tài)。最后說明的是，以上實施例僅用以說明本發(fā)明的技術方案而非限制，盡管參照較佳實施例對本發(fā)明進行了詳細說明，本領域的普通技術人員應當理解，可以對本發(fā)明的技術方案進行修改或者等同替換，而不脫離本技術方案的宗旨和范圍，其均應涵蓋在本發(fā)明的權利要求范圍當中。
8
權利要求
1.基于視頻檢測技術的高速公路收費廣場交通擁堵判別方法，其特征在于包括如下步驟1)攝取收費廣場道路視頻；2)從視頻中提取收費廣場道路的圖片；3)建立并更新圖片的背景模型；4)從圖片中提取前景圖像；5)獲取前景圖像的能量值及能量值變化量絕對值，判斷當前幀圖像是否為擁堵圖像。
2.根據(jù)權利要求1所述的基于視頻檢測技術的高速公路收費廣場交通擁堵判別方法， 其特征在于所述步驟3)具體包括如下步驟31)通過對Ntl張收費廣場道路的圖片，用均值法求取初始背景，N0> 20 ；32)設定閾值，通過閾值判斷，從初始背景中提取背景；33)用步驟32)提取的背景建立并更新背景模型。
3.根據(jù)權利要求2所述的基于視頻檢測技術的高速公路收費廣場交通擁堵判別方法， 其特征在于所述步驟4)中，根據(jù)步驟3)獲得的背景模型，利用差分法從圖片中提取前景圖像。
4.根據(jù)權利要求1所述的基于視頻檢測技術的高速公路收費廣場交通擁堵判別方法， 其特征在于步驟5)具體包括如下步驟51)獲取當前幀第k幀的前景圖像的能量值EnergyQO；52)獲取當前幀第k幀的前景圖像與前一幀第k-Ι幀的前景圖像的能量值之差的絕對值 Δ Energy (k)，同理獲取 Δ Energy (k_l)、Δ Energy (k-2)；53)判斷EnergyQO是否大于閾值Tl，如是，則執(zhí)行下一步；如否，則判定第k幀為非擁堵幀；54)判斷當前幀第k幀的前景圖像與前一幀第k-Ι幀的前景圖像的能量值之差的絕對值AEnergyQO是否小于閾值T2，如是，則執(zhí)行下一步；如否，則判定第k幀為非擁堵幀；55)判斷第k-Ι幀的前景圖像與前一幀第k-2幀的前景圖像的能量值之差的絕對值 Δ Energy (k_l)是否小于閾值T2，如是，則執(zhí)行下一步；如否，則判定第k幀為非擁堵幀；56)判斷第k-2幀的前景圖像與前一幀第k-3幀的前景圖像的能量值之差的絕對值 Δ Energy (k-2)是否小于閾值T2，如是，則判定第k幀為擁堵幀；如否，則判定第k幀為非擁堵幀。
5.根據(jù)權利要求4所述的基于視頻檢測技術的高速公路收費廣場交通擁堵判別方法，其特征在于步驟5)中，獲取前景圖像的能量值的方法如下定義圖像序列為{frk (x，y)i=u，...，w，k為幀號，N為視頻的總幀數(shù)，則差分圖像為difk (X，y) = frk (χ, y)-frk_1(x, y)；對于第k幀差分圖像difk(x，y)，計算其全局閾值level，再對該差分圖像進行二值化處理，強制轉換為二值圖像；得到的二值化后的差分圖像為DB(k，i，j)口 ,其有 mXn個像素點；通過下式計算該二值化后的差分圖像的能量E(DB(k,ij) 二^ = ^{^XbiiJ))m χη ν ‘-1‘其中b(i，j)為像素點(i，j)的值，即為該點的能量值。
6.根據(jù)權利要求4所述的基于視頻檢測技術的高速公路收費廣場交通擁堵判別方法， 其特征在于:T1 = 0. 48，T2 = 0. 076。
7.根據(jù)權利要求1至6中任一項所述的基于視頻檢測技術的高速公路收費廣場交通擁堵判別方法，其特征在于所述步驟2)中還包括將提取的收費廣場道路的圖片由彩色圖片轉換為灰度圖片的步驟。
8.根據(jù)權利要求7所述的基于視頻檢測技術的高速公路收費廣場交通擁堵判別方法， 其特征在于所述步驟4)中，還包括對所提取的前景圖像進行形態(tài)學方法去噪的步驟。
9.根據(jù)權利要求1至8中任一項所述的基于視頻檢測技術的高速公路收費廣場交通擁堵判別方法，其特征在于步驟5)之后還有如下步驟6)根據(jù)步驟5)中第k幀圖像的擁堵判別結果，判別當前檢測周期是否為收費廣場擁堵周期，具體步驟如下以10秒為一個檢測周期，當該檢測周期中超過90%的圖像幀為擁堵幀，則標記該周期為擁堵周期，反之，則標記為非擁堵周期。
10.根據(jù)權利要求9所述的基于視頻檢測技術的高速公路收費廣場交通擁堵判別方法，其特征在于還包括如下步驟7)根據(jù)步驟6)中當前檢測周期的擁堵判別結果，判斷當前收費廣場道路是否擁堵，并相應地輸出或解除告警信息，其具體包括如下步驟71)建立滑動窗口投票模型，以10秒為一個檢測周期，定義滑動窗口的容量為6個周期，當滑動窗口中有3個及以上的周期為擁堵周期時判定收費廣場擁堵，否則為非擁堵狀態(tài)。72)比對當前周期的投票結果與上一周期的投票結果，如果上一周期的投票結果為非擁堵狀態(tài)，而當前周期的投票結果為擁堵狀態(tài)，則輸出擁堵警告；如果上一周期的投票結果為擁堵狀態(tài)，而當前周期的投票結果為非擁堵狀態(tài)，則解除擁堵警告。
全文摘要
本發(fā)明涉及道路交通狀態(tài)檢測技術領域，具體公開了一種基于視頻檢測技術的高速公路收費廣場交通擁堵判別方法，包括如下步驟1)攝取收費廣場道路視頻；2)從視頻中提取收費廣場道路的圖片；3)建立并更新圖片的背景模型；4)從圖片中提取前景圖像；5)獲取前景圖像的能量值及能量值變化量絕對值，判斷收費廣場道路是否擁堵。本發(fā)明僅用獲取道路能量值參數(shù)，構建擁堵判別模型，便完成了對高速公路收費廣場擁堵狀態(tài)的判斷，算法簡單，運算開銷小，實時性強，可準確、高效地解決高速公路收費廣場交通擁堵的判別問題，并在擁堵時刻輸出擁堵警告，從而為管理者及時把握現(xiàn)場狀況、做出管理決策提供有力的信息支撐，進而減少交通通行安全隱患。
文檔編號G06K9/00GK102436739SQ201110289530
公開日2012年5月2日 申請日期2011年9月27日 優(yōu)先權日2011年9月27日
發(fā)明者劉衛(wèi)寧, 唐毅, 孫棣華, 廖孝勇, 趙敏, 鄭林江, 陳虹穎 申請人:重慶大學