本發(fā)明涉及一種基于ST-MRF模型的電動(dòng)自行車與汽車交通沖突檢測(cè)方法。
背景技術(shù)：
：隨著城市視頻設(shè)備數(shù)量、覆蓋率的迅速增長，計(jì)算機(jī)圖像處理水平的提升，將視頻圖像處理技術(shù)用于城市智能交通系統(tǒng)成為一種趨勢(shì)。交通運(yùn)輸系統(tǒng)工程與信息，2013第13卷第3期:65-70頁.公開了一種基于ST-MRF的自適應(yīng)車輛跟蹤算法研究(周君，程琳)，其基于ST-MRF模型的自適應(yīng)車輛跟蹤算法能在交通量比較大、且車輛出現(xiàn)相互遮擋的情況下，較準(zhǔn)確的獲得車輛跟蹤數(shù)據(jù)，為以后的交通事件檢測(cè)提供重要的數(shù)據(jù)基礎(chǔ)。在一些中小城市，由于人口較為密集，經(jīng)濟(jì)處在發(fā)展階段，電動(dòng)自行車出行數(shù)量較多，出行比較普遍，但電動(dòng)自行車駕駛員由于缺乏安全意識(shí)導(dǎo)致闖紅燈行為屢屢發(fā)生，導(dǎo)致交通事故頻發(fā)，造成大量的人員、財(cái)產(chǎn)損失。通過大量的事故統(tǒng)計(jì)，發(fā)現(xiàn)事故高發(fā)地段正是城市交叉路口，所以在交叉路口處對(duì)車輛與闖紅燈的電動(dòng)自行車之間進(jìn)行交通沖突檢測(cè)尤為重要?，F(xiàn)有技術(shù)中關(guān)于電動(dòng)自行車與小汽車的交通沖突檢測(cè)研究甚少，本文在目前城市交叉路口處針對(duì)電動(dòng)自行車的交通沖突檢測(cè)研究較薄弱的基礎(chǔ)上，研究并提出一套適合中小城市交叉路口處車輛與闖紅燈的電動(dòng)自行車之間的交通沖突檢測(cè)方法，并將駕駛員沖突判斷準(zhǔn)則用在視頻圖像處理中進(jìn)行沖突程度的判斷。技術(shù)實(shí)現(xiàn)要素：針對(duì)上述問題，本發(fā)明提供一種基于ST-MRF模型的電動(dòng)自行車與汽車交通沖突檢測(cè)方法，通過車輛運(yùn)動(dòng)軌跡跟蹤，提供一種闖紅燈的電動(dòng)自行車與正常行駛的小汽車之間的交通沖突檢測(cè)方法，能為交通管理部門提供實(shí)時(shí)、準(zhǔn)確的交通信息用于事故鑒定。為實(shí)現(xiàn)上述技術(shù)目的，達(dá)到上述技術(shù)效果，本發(fā)明通過以下技術(shù)方案實(shí)現(xiàn)：基于ST-MRF模型的電動(dòng)自行車與汽車交通沖突檢測(cè)方法，其特征在于，包括如下步驟：步驟1、交通攝像頭拍攝三維視頻圖像，采用ST-MRF模型同時(shí)跟蹤單個(gè)的電動(dòng)自行車與汽車，獲得單個(gè)的電動(dòng)自行車與汽車的交通信息，比如車型、交通量、速度與坐標(biāo)值；步驟2、通過坐標(biāo)轉(zhuǎn)換算法將交通攝像頭拍攝的三維視頻圖像轉(zhuǎn)換成二維坐標(biāo)數(shù)據(jù)；步驟3、預(yù)測(cè)電動(dòng)自行車與汽車在下一幀圖像中的停車點(diǎn)；步驟4、根據(jù)停車點(diǎn)之間的距離建立駕駛員沖突判斷準(zhǔn)則。優(yōu)選，步驟1中，ST-MRF模型的能量函數(shù)Ustmrf是：式中：第一部分a(Nyk-μN(yùn)y)2表示在目標(biāo)地圖中，標(biāo)號(hào)的相鄰關(guān)系，第二部分b(Mxyk-μMxy)2表示在連續(xù)目標(biāo)地圖中的標(biāo)號(hào)的遮擋關(guān)系，第三部分表示與運(yùn)動(dòng)矢量有關(guān)的連續(xù)圖像中的紋理關(guān)系，第四部分表示在運(yùn)動(dòng)矢量地圖中的運(yùn)動(dòng)矢量的相鄰關(guān)系；Nyk：指一個(gè)像素塊的相鄰像素塊和該像素塊有相同標(biāo)號(hào)的數(shù)目；Nxk：表示一個(gè)像素塊的相鄰像素塊的數(shù)目；Dxyk：代表t-1時(shí)刻的圖像與t時(shí)刻的圖像之間的紋理相關(guān)性，在發(fā)生遮擋時(shí)，分別計(jì)算屬于各輛車的概率；Mxyk：部分遮擋的兩個(gè)像素塊中遮擋部分的像素個(gè)數(shù)；μN(yùn)y：鄰域基團(tuán)，如果使用8-鄰域基團(tuán)，則μN(yùn)y＝8為最大值；Ck：當(dāng)前像素塊；Bk：相鄰像素塊；在(t-1)時(shí)刻，當(dāng)前像素塊與相鄰像素塊的運(yùn)動(dòng)矢量之差；a、b、c、f和μMxy為設(shè)定的參數(shù)。優(yōu)選，實(shí)驗(yàn)標(biāo)定參數(shù)指標(biāo)：a＝1/2，b＝1/256，c＝32/1000000，f＝1/4，μMxy＝0。優(yōu)選，根據(jù)前一時(shí)刻的目標(biāo)地圖、運(yùn)動(dòng)矢量和當(dāng)前圖像，同時(shí)考慮在相鄰塊中的運(yùn)動(dòng)矢量和連續(xù)圖像中的紋理關(guān)系的相似性來最小化當(dāng)前時(shí)刻的目標(biāo)地圖和運(yùn)動(dòng)矢量的最小能量，具體包括如下步驟：01)通過塊匹配方法獲得所有塊的運(yùn)動(dòng)矢量，確定運(yùn)動(dòng)矢量地圖的初始狀態(tài)V(t-1；t)＝V0，V(t-1；t)表示時(shí)刻t-1到t，每個(gè)塊的運(yùn)動(dòng)矢量；02)根據(jù)運(yùn)動(dòng)矢量地圖的初始狀態(tài)，將每一塊的候選標(biāo)號(hào)設(shè)置為目標(biāo)地圖的初始狀態(tài)X(t)＝y(tǒng)0；03)估算目標(biāo)地圖和運(yùn)動(dòng)矢量地圖在進(jìn)行X(t)＝y(tǒng)i和V(t-1；t)＝Vi次迭代后的總能量，i為迭代次數(shù)；04)隨機(jī)同時(shí)轉(zhuǎn)換在當(dāng)前狀態(tài)下的目標(biāo)地圖X(t)＝y(tǒng)i和運(yùn)動(dòng)矢量地圖V(t-1；t)＝Vi到下一狀態(tài)的目標(biāo)地圖X(t+1)＝y(tǒng)i+1和運(yùn)動(dòng)矢量地圖V(t；t+1)＝Vi+1；05)在步驟03)和04)之間反復(fù)循環(huán)操作，直到X(t)和V(t-1；t)收斂到能量函數(shù)值Ustmrf到極小值。優(yōu)選，步驟3中，電動(dòng)自行車與汽車在下一幀圖像中的制動(dòng)距離S為：式中，ξ是速度；是附著系數(shù)；ψ是道路縱坡度，％，上坡為正，下坡為負(fù)。優(yōu)選，步驟4中，駕駛員沖突判斷準(zhǔn)則分為4級(jí)沖突：1級(jí)，闖紅燈行為；2級(jí)，輕微沖突；3級(jí)，危險(xiǎn)沖突；4級(jí)，嚴(yán)重沖突或發(fā)生事故，判據(jù)分別如下：當(dāng)交叉路口是黃燈時(shí)，且電動(dòng)自行車的二維坐標(biāo)落入交叉路口坐標(biāo)范圍內(nèi)，則判定為1級(jí)的闖紅燈行為；當(dāng)交叉路口是紅燈時(shí)，首先，通過對(duì)圖像中的電動(dòng)自行車與汽車跟蹤獲得車輛中心X，Y坐標(biāo)，用公式2預(yù)測(cè)電動(dòng)自行車與小汽車的制動(dòng)距離；然后，估算兩輛車在下一幀圖像中的停車點(diǎn)，并求出兩輛車停車點(diǎn)之間的距離；最后，將兩輛車的停車點(diǎn)標(biāo)記在二維坐標(biāo)軸上，并映射在實(shí)際道路上：如果兩輛車的停車點(diǎn)的延長線不相交，則判定為2級(jí)的輕微沖突；如果兩輛車的停車點(diǎn)之間的距離不在安全范圍內(nèi)且當(dāng)標(biāo)記在坐標(biāo)上的兩輛車的運(yùn)動(dòng)軌跡相交時(shí)，則判定為3級(jí)的危險(xiǎn)沖突；如果兩輛車的停車點(diǎn)之間的距離小于等于0，則判定為4級(jí)的嚴(yán)重沖突或發(fā)生事故。本發(fā)明的有益效果是：(1)提出了一種基于優(yōu)化的ST-MRF模型同時(shí)跟蹤電動(dòng)自行車與汽車的算法。該方法不僅能優(yōu)化圖像的空間分布，還能優(yōu)化圖像序列沿時(shí)間軸的分布，改善了以前的車輛跟蹤算法在交通混亂的交叉口車輛遮擋嚴(yán)重的情況下魯棒性差的缺點(diǎn)。(2)本發(fā)明的交通沖突檢測(cè)方法適用于各種幾何形狀的交叉路口，通過坐標(biāo)旋轉(zhuǎn)算法將三維圖像轉(zhuǎn)換成二維數(shù)據(jù)，計(jì)算交叉路口處不同運(yùn)動(dòng)方向的車輛(電動(dòng)自行車或小汽車)的運(yùn)動(dòng)軌跡及二維坐標(biāo)，并將實(shí)驗(yàn)數(shù)據(jù)與商用Autoscope軟件所測(cè)量數(shù)據(jù)進(jìn)行比較，得出使用該技術(shù)所獲得的交通數(shù)據(jù)的誤差較小，精度比較高。(3)根據(jù)駕駛員沖突判斷準(zhǔn)則，建立4等級(jí)的沖突級(jí)別：1級(jí)，闖紅燈行為；2級(jí)，輕微沖突；3級(jí)，危險(xiǎn)沖突；4級(jí)，嚴(yán)重沖突(事故)，并通過實(shí)驗(yàn)成功檢測(cè)出四級(jí)沖突。(4)當(dāng)闖紅燈的電動(dòng)自行車與小汽車發(fā)生3級(jí)沖突時(shí)，本方法能成功預(yù)測(cè)潛在的交通事故，能為交通管理部門提供實(shí)時(shí)、準(zhǔn)確、可靠的交通信息，避免交通事故發(fā)生。附圖說明圖1是本發(fā)明標(biāo)號(hào)流程圖；圖2是坐標(biāo)旋轉(zhuǎn)示意圖；圖3是本發(fā)明車輛標(biāo)號(hào)仿真圖；圖4是本發(fā)明試驗(yàn)中二級(jí)沖突仿真圖；圖5是本發(fā)明試驗(yàn)中三級(jí)沖突仿真圖；圖6是本發(fā)明試驗(yàn)中四級(jí)沖突仿真圖。具體實(shí)施方式下面結(jié)合附圖和具體的實(shí)施例對(duì)本發(fā)明技術(shù)方案作進(jìn)一步的詳細(xì)描述，以使本領(lǐng)域的技術(shù)人員可以更好的理解本發(fā)明并能予以實(shí)施，但所舉實(shí)施例不作為對(duì)本發(fā)明的限定?；赟T-MRF模型的電動(dòng)自行車與汽車交通沖突檢測(cè)方法，包括如下步驟：步驟1、交通攝像頭拍攝三維視頻圖像，采用ST-MRF模型同時(shí)跟蹤單個(gè)的電動(dòng)自行車與汽車，獲得單個(gè)的電動(dòng)自行車與汽車的交通信息，比如車型、交通量、速度與坐標(biāo)值等。在車輛跟蹤算法中，像素塊與ST-MRF(SpatialTemporalMarkovRandomField)中的場(chǎng)景是一一對(duì)應(yīng)的，即把每個(gè)像素塊和一個(gè)車輛聯(lián)系起來，也就是給每個(gè)像素塊賦予一個(gè)對(duì)應(yīng)的車輛的標(biāo)號(hào)。在使用車輛跟蹤算法的時(shí)候，首先決定一個(gè)初始標(biāo)號(hào)分配，然后通過ST-MRF中的能量函數(shù)分配標(biāo)號(hào)進(jìn)行提煉及優(yōu)化處理。在提煉過程中，算法考慮塊在時(shí)間域和空間(二維x-y坐標(biāo))的聯(lián)系，也就是連續(xù)圖像之間的塊的聯(lián)系以及與相鄰塊之間的聯(lián)系，通過ST-MRF模型，把標(biāo)號(hào)賦給像素塊。在ST-MR模型中塊對(duì)應(yīng)一個(gè)場(chǎng)景，塊被標(biāo)號(hào)作為目標(biāo)區(qū)域的一部分與背景圖像的紋理不一樣，這些塊聚集在一起被稱為目標(biāo)地圖，每個(gè)塊上都有代表塊的運(yùn)動(dòng)矢量，ST-MRF模型就是根據(jù)前一時(shí)刻的目標(biāo)地圖估計(jì)下一個(gè)時(shí)刻的目標(biāo)地圖，用符號(hào)表示如下：G(t-1)＝g，G(t)＝h：圖像G在時(shí)刻t-1時(shí)的灰度值為g，在時(shí)刻t時(shí)，灰度值為h。對(duì)于每一個(gè)像素，可以表示為：G(t-1；α,β)＝g(α,β),G(t；α,β)＝h(α,β)，式中，α,β是像素坐標(biāo)，G(t-1；α,β)＝g(α,β)的含義是：圖像G中坐標(biāo)為α,β的像素在時(shí)刻t-1時(shí)的灰度值等于圖像g中坐標(biāo)為α,β的像素對(duì)應(yīng)的灰度值，G(t；α,β)＝h(α,β)的含義是：圖像G中坐標(biāo)為α,β的像素在時(shí)刻t時(shí)的值等于圖像h中坐標(biāo)為α,β的像素對(duì)應(yīng)的值。X(t-1)＝x，X(t)＝y(tǒng)：目標(biāo)地圖X在時(shí)刻t-1時(shí)被檢測(cè)到標(biāo)號(hào)分布為x，在時(shí)刻t時(shí)被檢測(cè)到的標(biāo)號(hào)分布為y。對(duì)于每一個(gè)像素塊，可以表示為：Xk(t-1)＝xk,Xk(t)＝y(tǒng)k，式中，k為塊的編號(hào)，Xk(t-1)＝xk的含義是：目標(biāo)地圖X中第k個(gè)像素塊在時(shí)刻t-1時(shí)的標(biāo)號(hào)分布即是x中第k個(gè)像素塊的標(biāo)號(hào)；Xk(t)＝y(tǒng)k的含義是：目標(biāo)地圖X中第k個(gè)像素塊在時(shí)刻t時(shí)的標(biāo)號(hào)分布即是y中第k個(gè)像素塊的標(biāo)號(hào)。V(t-1；t)＝v：時(shí)刻t-1到t，所有像素塊的運(yùn)動(dòng)矢量被估計(jì)為v。在這種情況下，每個(gè)塊的運(yùn)動(dòng)矢量可以表示為：Vk＝(t-1；t)＝vk：時(shí)刻t-1到t，第k個(gè)像素塊的運(yùn)動(dòng)矢量是vk。通過ST-MRF模型，給定前一時(shí)刻圖像G(t-1)＝g，當(dāng)前圖像G(t)＝h，以及前一時(shí)刻目標(biāo)地圖X(t-1)＝x，可以用最大后驗(yàn)概率同時(shí)確定目標(biāo)地圖X(t)＝y(tǒng)和運(yùn)動(dòng)矢量地圖V(t-1；t)＝V。因此，優(yōu)化目標(biāo)地圖和運(yùn)動(dòng)矢量地圖的問題就變成了最小化公式(1)的能量函數(shù)：Ustmrf是ST-MRF模型的能量函數(shù)，可以通過松弛算法最小化，式中：第一部分a(Nyk-μN(yùn)y)2表示在目標(biāo)地圖中，標(biāo)號(hào)的相鄰關(guān)系，第二部分b(Mxyk-μMxy)2表示在連續(xù)目標(biāo)地圖中的標(biāo)號(hào)的遮擋關(guān)系，第三部分表示與運(yùn)動(dòng)矢量有關(guān)的連續(xù)圖像中的紋理關(guān)系，第四部分表示在運(yùn)動(dòng)矢量地圖中的運(yùn)動(dòng)矢量的相鄰關(guān)系。Nyk：指一個(gè)像素塊的相鄰像素塊和該像素塊有相同標(biāo)號(hào)的數(shù)目；Nxk：表示一個(gè)像素塊的相鄰像素塊的數(shù)目；Dxyk：代表t-1時(shí)刻的圖像與t時(shí)刻的圖像之間的紋理相關(guān)性，在發(fā)生遮擋時(shí)，分別計(jì)算屬于各輛車的概率，令像素塊在時(shí)間t的坐標(biāo)值為[x(t)，y(t)]、運(yùn)動(dòng)矢量為[u(t),v(t)],在時(shí)間t-1的坐標(biāo)值為：[x(t-1),y(t-1)]＝[x(t)-u(t),y(t)-v(t)]，當(dāng)前一幀的圖像中車輛標(biāo)號(hào)OM的運(yùn)動(dòng)矢量為時(shí)：G(t；α,β)；像素(α,β)在時(shí)間t的灰度強(qiáng)度，每個(gè)像素塊由8×8個(gè)像素組成，所以0≤dα≤8,0≤dβ≤8；Mxyk：部分遮擋的兩個(gè)像素塊中遮擋部分的像素個(gè)數(shù)；μN(yùn)y：鄰域基團(tuán)，如果使用8-鄰域基團(tuán)，則μN(yùn)y＝8為最大值；Ck：當(dāng)前像素塊；Bk：相鄰像素塊；在(t-1)時(shí)刻，當(dāng)前像素塊與相鄰像素塊的運(yùn)動(dòng)矢量之差；a、b、c、f和μMxy為設(shè)定的參數(shù)。優(yōu)選，實(shí)驗(yàn)標(biāo)定參數(shù)指標(biāo)：a＝1/2，b＝1/256，c＝32/1000000，f＝1/4，μMxy＝0。ST-MRF模型能同時(shí)分割目標(biāo)邊界和運(yùn)動(dòng)矢量。其優(yōu)化的過程就是根據(jù)前一時(shí)刻的目標(biāo)地圖、運(yùn)動(dòng)矢量和當(dāng)前圖像，同時(shí)考慮在相鄰塊中的運(yùn)動(dòng)矢量和連續(xù)圖像中的紋理關(guān)系的相似性來最小化當(dāng)前時(shí)刻的目標(biāo)地圖和運(yùn)動(dòng)矢量的最小能量，具體包括如下步驟：01)通過簡單的塊匹配方法獲得所有像素塊的運(yùn)動(dòng)矢量，然后確定運(yùn)動(dòng)矢量地圖的初始狀態(tài)V(t-1；t)＝V0，V(t-1；t)表示時(shí)刻t-1到t，所有像素塊的運(yùn)動(dòng)矢量；02)根據(jù)運(yùn)動(dòng)矢量地圖的初始狀態(tài)，將每一像素塊的候選標(biāo)號(hào)設(shè)置為目標(biāo)地圖的初始狀態(tài)X(t)＝y(tǒng)0。在這個(gè)過程中，在單個(gè)的目標(biāo)區(qū)域，單個(gè)的獲選標(biāo)號(hào)給像素塊命名，然而在遮擋邊界的周圍不止一個(gè)獲選標(biāo)號(hào)給像素塊命名，在其它地方?jīng)]有候選標(biāo)號(hào)給像素塊命名。03)估算目標(biāo)地圖和運(yùn)動(dòng)矢量地圖在進(jìn)行X(t)＝y(tǒng)i和V(t-1；t)＝Vi次迭代后的總能量，i為迭代次數(shù)；04)為了搜尋目標(biāo)地圖和運(yùn)動(dòng)矢量地圖的最優(yōu)結(jié)果，隨機(jī)同時(shí)轉(zhuǎn)換在當(dāng)前狀態(tài)下的目標(biāo)地圖X(t)＝y(tǒng)i和運(yùn)動(dòng)矢量地圖V(t-1；t)＝Vi到下一狀態(tài)的目標(biāo)地圖X(t+1)＝y(tǒng)i+1和運(yùn)動(dòng)矢量地圖V(t；t+1)＝Vi+1；05)在步驟03)和04)之間反復(fù)循環(huán)操作，直到X(t)和V(t-1；t)收斂到能量函數(shù)值Ustmrf到極小值。最后，通過能量函數(shù)的極小值判斷塊的歸屬性，能量函數(shù)越小，Ck塊越有可能屬于相對(duì)應(yīng)的車輛，根據(jù)圖像塊的大小不同區(qū)分電動(dòng)自行車和小汽車。車輛標(biāo)號(hào)過程中，比較檢測(cè)矩形框上塊的平均灰度與閾值大小，若像素塊的灰度大于閾值，說明有車輛存在，并給車輛標(biāo)號(hào)，為了驗(yàn)證車輛跟蹤算法，車輛標(biāo)號(hào)從1開始累計(jì)。車輛進(jìn)入檢測(cè)矩形框后，需要對(duì)車輛進(jìn)行跟蹤?；赟T-MRF模型的跟蹤算法沿著時(shí)間序列自動(dòng)更新車輛的形狀。對(duì)于這個(gè)更新，算法在車輛區(qū)域的塊中估計(jì)運(yùn)動(dòng)矢量。在每一個(gè)像素塊上，運(yùn)用塊的匹配方法估計(jì)每一個(gè)目標(biāo)像素塊在相鄰幀的運(yùn)動(dòng)矢量。由圖1標(biāo)號(hào)流程圖可以看出，檢測(cè)矩形框上的像素塊對(duì)車輛的檢測(cè)計(jì)算與圖像幀之間運(yùn)動(dòng)矢量的計(jì)算是隨著時(shí)間的推移運(yùn)行的。即，當(dāng)t時(shí)間檢測(cè)矩形框上檢測(cè)車輛存在后，得到車輛的初始標(biāo)號(hào)，接著跟蹤模塊就開始用塊匹配方法計(jì)算像素塊在相鄰幀所對(duì)應(yīng)的運(yùn)動(dòng)矢量，并對(duì)檢測(cè)矩形框上的初始車輛標(biāo)號(hào)進(jìn)行移位，得到通過檢測(cè)矩形框后序列圖像的車輛標(biāo)號(hào)，如圖3所示。圖像塊匹配技術(shù)將檢測(cè)模塊中得到的初始車輛標(biāo)號(hào)以及已經(jīng)進(jìn)入檢測(cè)區(qū)域的車輛標(biāo)號(hào)進(jìn)行移動(dòng)，從而將運(yùn)動(dòng)車輛圖像序列轉(zhuǎn)化為車輛標(biāo)號(hào)序列。該標(biāo)號(hào)序列是整個(gè)視頻事件檢測(cè)技術(shù)中的重要底層技術(shù)，為遮擋難題的解決提供技術(shù)平臺(tái)，同時(shí)標(biāo)號(hào)序列為交通參數(shù)的提取提供數(shù)據(jù)來源。步驟2、通過坐標(biāo)轉(zhuǎn)換算法將交通攝像頭拍攝的三維視頻圖像轉(zhuǎn)換成二維坐標(biāo)數(shù)據(jù)。由于從攝像機(jī)獲得的交叉路口是間接角度，很難獲得除了交通量外的速度、車輛的二維坐標(biāo)等方面的信息，從而較難計(jì)算闖紅燈的電動(dòng)自行車與小汽車之間的反應(yīng)制動(dòng)距離，不能對(duì)交通沖突的嚴(yán)重程度給出正確判斷。為了獲得實(shí)際的行車速度、坐標(biāo)值，需要將三維圖像轉(zhuǎn)換成二維數(shù)據(jù)坐標(biāo)，如圖2所示，具體包括如下步驟：01)建立全球坐標(biāo)系(XG,YG)，源于攝像機(jī)和基于圖像的坐標(biāo)軸(XM,YM)；02)計(jì)算通過交叉口多邊形檢測(cè)區(qū)域(x1,y1)，(x2,y2)，(x3,y3)和(x4,y4)的延長線(p1,q1)和(p2,q2)；03)推導(dǎo)出旋轉(zhuǎn)直線W1，以(x3,y3)為圓點(diǎn)，從(p2,q2)旋轉(zhuǎn)-θ角得到W1；04)直線(p1,q1)→(x1,y1)的延長線交W1為(x5,y5)，點(diǎn)(x5,y5)與點(diǎn)(x3,y3)之間任找一點(diǎn)(xn,yn)，然后計(jì)算點(diǎn)(xn,yn)到點(diǎn)(p1,q1)的直線方程；05)計(jì)算直線(p2,q2)→(x3,y3)，(p2,q2)→(x4,y4)的交點(diǎn)(p2,q2)；06)同理03)，推導(dǎo)出旋轉(zhuǎn)直線W2，以(x3,y3)為圓點(diǎn)，從(p1,q1)旋轉(zhuǎn)θ角得到W2；07)在直線W2上任找一點(diǎn)(xm,ym)，然后計(jì)算點(diǎn)(xm,ym)到點(diǎn)(p2,q2)的直線方程；08)計(jì)算直線(p1,q1)→(x1,y1)，(p1,q1)→(x3,y3)的交點(diǎn)(p1,q1)，直線(p2,q2)→(x3,y3)，(p2,q2)→(x4,y4)的交點(diǎn)(p2,q2)。步驟3、預(yù)測(cè)電動(dòng)自行車與汽車在下一幀圖像中的停車點(diǎn)。大多數(shù)傳統(tǒng)交通沖突的研究是通過雇傭觀察員進(jìn)行沖突識(shí)別，觀察員親自驗(yàn)證當(dāng)前方向有電動(dòng)自行車闖紅燈現(xiàn)象時(shí)，另一方向正常行駛的小汽車是否有回避行為，然后對(duì)驗(yàn)證后的沖突進(jìn)行統(tǒng)計(jì)。然而，這種方法主要依賴于人的判斷，不能充分考慮事故和沖突的嚴(yán)重程度。此外，以前的沖突判斷方法僅僅統(tǒng)計(jì)闖紅燈的電動(dòng)自行車，而不考慮其他的因素，比如車輛(電動(dòng)自行車和小汽車)之間的反應(yīng)制動(dòng)距離，從而降低了事件檢測(cè)精度。因此，本發(fā)明為了建立更準(zhǔn)確的駕駛員沖突判斷準(zhǔn)則，根據(jù)反應(yīng)制動(dòng)距離將沖突程度分為4等級(jí)：1級(jí)，闖紅燈行為；2級(jí)，輕微沖突；3級(jí)，危險(xiǎn)沖突；4級(jí)，嚴(yán)重沖突或發(fā)生事故，此研究結(jié)果為交通管理部門能提供實(shí)時(shí)、準(zhǔn)確、可靠的交通信息，便于及時(shí)對(duì)事件進(jìn)行處理。下面進(jìn)行詳細(xì)介紹。采用ST-MRF模型同時(shí)跟蹤單個(gè)的電動(dòng)自行車與汽車，獲得單個(gè)的電動(dòng)自行車與汽車的速度和坐標(biāo)值后，每輛車的制動(dòng)距離可以被計(jì)算出來。制動(dòng)距離的計(jì)算參數(shù)包括：計(jì)算速度、附著系數(shù)和道路的縱坡度。其中，道路的縱坡度可以通過延伸前一幀(t-1)和當(dāng)前幀(t)的斜率獲得；路面附著系數(shù)參考《公路工程技術(shù)標(biāo)準(zhǔn)》，可根據(jù)公式(2)估計(jì)車輛下一幀(t+1)的制動(dòng)距離S：式中，ξ是速度；是附著系數(shù)，良好的瀝青路面取值為1，良好水泥混凝土路面取值為0.7，潮濕路面取值為0.5；ψ是道路縱坡度，％，上坡為正，下坡為負(fù)。步驟4、根據(jù)停車點(diǎn)之間的距離建立駕駛員沖突判斷準(zhǔn)則。根據(jù)車輛的制動(dòng)距離將駕駛員沖突判斷準(zhǔn)則分為4級(jí)沖突：1級(jí)，闖紅燈行為；2級(jí)，輕微沖突；3級(jí)，危險(xiǎn)沖突；4級(jí)，嚴(yán)重沖突或發(fā)生事故，判據(jù)分別如下：1級(jí)：闖紅燈行為使用傳統(tǒng)的方法解決交叉路口的沖突，當(dāng)交叉路口還是黃燈時(shí)，電動(dòng)自行車駕駛員不遵守交通規(guī)則魯莽地進(jìn)入交叉路口，此種行為視為闖紅燈行為被統(tǒng)計(jì)。也即當(dāng)交叉路口是黃燈時(shí)，且電動(dòng)自行車的二維坐標(biāo)落入交叉路口坐標(biāo)范圍內(nèi)，則判定為1級(jí)的闖紅燈行為。可以使用交叉路口圖像跟蹤方法獲取每輛車的二維坐標(biāo)(與時(shí)間和信號(hào)有關(guān))來統(tǒng)計(jì)闖紅燈的次數(shù)，每輛車進(jìn)出交叉路口的次數(shù)與信號(hào)時(shí)間相比較，然后統(tǒng)計(jì)闖紅燈的次數(shù)。2級(jí)：輕微沖突比如東西方向行駛的電動(dòng)自行車闖紅燈進(jìn)入交叉路口后，南北方向行駛的小汽車進(jìn)入交叉路口(此時(shí)南北方向?yàn)榫G燈，東西方向是紅燈)，此時(shí)的沖突可以通過估計(jì)電動(dòng)自行車與小汽車的停車點(diǎn)之間的距離進(jìn)行判斷。首先，通過對(duì)圖像中的車輛跟蹤獲得車輛中心X，Y坐標(biāo)，用公式2預(yù)測(cè)電動(dòng)自行車與小汽車的制動(dòng)距離；然后，估算兩輛車在下一幀圖像中的停車點(diǎn)，并求出兩輛車停車點(diǎn)之間的距離；最后，將兩輛車的停車點(diǎn)標(biāo)記在二維坐標(biāo)軸上，并反映在實(shí)際道路上，以便識(shí)別兩輛車在二維坐標(biāo)上的停車點(diǎn)。如果兩輛車的停車點(diǎn)的延長線不相交，就可以判斷為2級(jí)的輕微的沖突。也就是說，兩輛車的停車點(diǎn)互不相交，此種沖突被認(rèn)為是輕微沖突；如果兩輛車的停車點(diǎn)的延長線相交，那么兩輛車必定發(fā)生沖突，沖突的危險(xiǎn)程度可根據(jù)3級(jí)沖突和4級(jí)沖突判斷標(biāo)準(zhǔn)給予評(píng)價(jià)。3級(jí)：危險(xiǎn)沖突3級(jí)沖突是當(dāng)兩輛車的停車點(diǎn)之間的距離小于安全距離且估算出來的兩輛車的跟蹤軌跡相交的情況。為了研究3級(jí)沖突下的沖突判斷準(zhǔn)則需對(duì)輕微沖突給出量化的判斷準(zhǔn)則，如兩車停車點(diǎn)之間的距離是否在安全范圍。若兩車停車點(diǎn)之間的距離不在安全范圍且當(dāng)標(biāo)記在坐標(biāo)上的兩輛車的運(yùn)動(dòng)軌跡相交時(shí)被認(rèn)為是3級(jí)的危險(xiǎn)沖突。4級(jí)：嚴(yán)重沖突在跟蹤車輛運(yùn)動(dòng)軌跡獲得兩輛車的坐標(biāo)的基礎(chǔ)上，當(dāng)代表兩輛車的矩形區(qū)域部分重疊時(shí)，被認(rèn)為此沖突為交通事故。具體地說，如果兩輛車的停車點(diǎn)之間的距離小于等于0，則判定為4級(jí)的嚴(yán)重沖突或發(fā)生事故。實(shí)驗(yàn)結(jié)果及分析：本次實(shí)驗(yàn)拍攝的視頻為2015年11月14日上午9：30在淮安市淮海南路與解放路交叉口北進(jìn)口的一段視頻，通過本發(fā)明的車輛跟蹤技術(shù)可以獲得交通量與速度等交通參數(shù)，將采集的數(shù)據(jù)與商用的Autoscope軟件測(cè)量的數(shù)據(jù)進(jìn)行比較，如表1所示。從表中可以看出視頻環(huán)境下獲取的交通量、速度與Autoscope軟件所測(cè)得的交通量、速度之間的差異不大，說明通過該車輛跟蹤技術(shù)測(cè)出的交通數(shù)據(jù)的誤差較小，精度比較高。因此，車輛運(yùn)動(dòng)軌跡技術(shù)可以用于交叉路口闖紅燈的電動(dòng)自行車與小汽車之間的交通沖突檢測(cè)及事故判斷。表1視頻數(shù)據(jù)與Autoscope數(shù)據(jù)對(duì)比交通沖突檢測(cè)實(shí)驗(yàn)：在跟蹤車輛運(yùn)動(dòng)軌跡獲得坐標(biāo)的基礎(chǔ)上，以淮海南路與解放路交叉路口為例，應(yīng)用對(duì)所拍攝視頻進(jìn)行交通沖突檢測(cè)，當(dāng)闖紅燈的電動(dòng)自行車和正常行駛的小汽車在交叉路口經(jīng)歷交通沖突時(shí)，系統(tǒng)通過預(yù)測(cè)電動(dòng)自行車與小汽車的制動(dòng)距離，確定兩輛車在下一幀的停車點(diǎn)，并求出停車點(diǎn)之間的距離，根據(jù)此距離建立駕駛員沖突判斷準(zhǔn)則確定沖突等級(jí)，結(jié)果如表2所示，沖突級(jí)別為空格代表沒有電動(dòng)自行車闖紅燈。表2交通沖突檢測(cè)結(jié)果時(shí)間車輛ID號(hào)車輛中心X坐標(biāo)車輛中心Y坐標(biāo)沖突級(jí)別速度(km/h)10:15012167.0282.4138.310:16013155.859.743.510:17014227.297.0332.510:18016163.3288.4138.310:19017145.660.443.410:20020220.296.6232.510:21024159.6294.638.410:22028134.560.4343.410:23030211.395.0132.610:24031155.3301.4238.510:25032122.860.943.510:26036201.395.0132.510:27038152.2307.0238.310:28040110.761.3443.410:29044190.993.932.5通過實(shí)驗(yàn)得出結(jié)論：在一級(jí)沖突結(jié)果中記錄有10輛電動(dòng)自行車闖紅燈，10輛車中，6輛進(jìn)入二級(jí)沖突，3輛記錄在三級(jí)沖突中，最后有1輛車達(dá)到四級(jí)沖突級(jí)別，即將發(fā)生交通事故。圖4、5、6顯示了跟蹤系統(tǒng)檢測(cè)到的交通沖突情況，其中，圖4顯示2級(jí)沖突情況，ID號(hào)為27的電動(dòng)自行車違反了交通信號(hào)但是沒有其他車輛；圖5顯示3級(jí)沖突情況，此沖突發(fā)生在ID號(hào)為27的電動(dòng)自行車和ID號(hào)為28的小汽車之間，此種情況，ID號(hào)為27的電動(dòng)自行車違反了交通信號(hào)，標(biāo)記在坐標(biāo)上的兩輛車的停車點(diǎn)已相交，但是代表兩輛車的矩形區(qū)域沒有發(fā)生重疊；最后，圖6顯示四級(jí)沖突情況，此沖突發(fā)生在ID號(hào)為11的電動(dòng)自行車與ID號(hào)為9的小汽車之間，此時(shí)代表兩輛車的矩形區(qū)域已部分重疊，可以認(rèn)為此沖突將要發(fā)生交通事故。本發(fā)明的有益效果是：(1)提出了一種基于優(yōu)化的ST-MRF模型同時(shí)跟蹤電動(dòng)自行車與汽車的算法。該方法不僅能優(yōu)化圖像的空間分布，還能優(yōu)化圖像序列沿時(shí)間軸的分布，改善了以前的車輛跟蹤算法在交通混亂的交叉口車輛遮擋嚴(yán)重的情況下魯棒性差的缺點(diǎn)。(2)本發(fā)明的交通沖突檢測(cè)方法適用于各種幾何形狀的交叉路口，通過坐標(biāo)旋轉(zhuǎn)算法將三維圖像轉(zhuǎn)換成二維數(shù)據(jù)，計(jì)算交叉路口處不同運(yùn)動(dòng)方向的車輛(電動(dòng)自行車或小汽車)的運(yùn)動(dòng)軌跡及二維坐標(biāo)，并將實(shí)驗(yàn)數(shù)據(jù)與商用Autoscope軟件所測(cè)量數(shù)據(jù)進(jìn)行比較，得出使用該技術(shù)所獲得的交通數(shù)據(jù)的誤差較小，精度比較高。(3)根據(jù)駕駛員沖突判斷準(zhǔn)則，建立4等級(jí)的沖突級(jí)別：1級(jí)，闖紅燈行為；2級(jí)，輕微沖突；3級(jí)，危險(xiǎn)沖突；4級(jí)，嚴(yán)重沖突(事故)，并通過實(shí)驗(yàn)成功檢測(cè)出四級(jí)沖突。(4)當(dāng)闖紅燈的電動(dòng)自行車與小汽車發(fā)生3級(jí)沖突時(shí)，本方法能成功預(yù)測(cè)潛在的交通事故，能為交通管理部門提供實(shí)時(shí)、準(zhǔn)確、可靠的交通信息，避免交通事故發(fā)生。以上僅為本發(fā)明的優(yōu)選實(shí)施例，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說明書及附圖內(nèi)容所作的等效結(jié)構(gòu)或者等效流程變換，或者直接或間接運(yùn)用在其他相關(guān)的
技術(shù)領(lǐng)域：
，均同理包括在本發(fā)明的專利保護(hù)范圍內(nèi)。當(dāng)前第1頁1 2 3