《交通事件检测ppt课件》由会员分享，可在线阅读，更多相关《交通事件检测ppt课件（22页珍藏版）》请在金锄头文库上搜索。
1、.,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
2、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。,.,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
3、,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
4、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。,.,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。 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） 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
5、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。,.,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。 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。,.,（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： 用主成分分析法对上游检测站和下游检测站采集到的
6、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PCASVM模型； 用粒子群算法进行支持向量机模型参数选择。,.,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。 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。,.,（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
7、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。,.,（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： 小
8、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。 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。,.,（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
9、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
10、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： 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 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 运动目标检测（帧差法、光
11、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 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kalman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
12、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： 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。,.,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！,
