《在交叉点处的交通监测和事故检查 - 副本》由会员分享，可在线阅读，更多相关《在交叉点处的交通监测和事故检查 - 副本（4页珍藏版）》请在金锄头文库上搜索。
1、在交叉口的交通监控和事故检测摘要：在智能交通系统（ITS）中最重要的研究是为了自动监测在路口的交通流而开发的系统。目前这些自动监视系统，不是基于全局交通流量来分析的，而是根据各车辆在交叉处的行为做出局部分析。该系统应该能够识别每个车辆和跟踪它的行为，并认识到在这种行为下，或有可能从一系列的这种行为下可能导致的事件。与车辆跟踪相关的最困难的问题是车辆中的阻塞效应。为了解决这个问题，我们开发了一种算法，称为时空马尔可夫随机域（MRF） ，用于监测在交叉路口的交通图像。这个算法的模型通过确定图像中的每个像素中交通的状态以及问题，以及确定有关国家沿着两个过境交通流的图像轴以及时间坐标轴。当然，车辆的形
2、状和移动都是以随机方式进行的，从而导致在交叉路口部分或全部堵塞。尽管有这大的难度，我们的算法还是足够强大的，它可以细分和跟踪闭塞车辆，并且能保持 93-96的高成功率。这一成功导致了一个可扩展的强大的事件识别系统的开发 隐马尔可夫模型（HMM） 。系统学习每辆车在HMM 链中的各个事件的行为模式 然后，利用输出从跟踪系统，识别当前事件链。目前的系统可以识别碰撞，路过，和干扰。而且，通过收集其他事件模式到训练集，该系统可扩展识别那些其他活动，例如，非法的 u 型转弯或鲁莽驾驶。我们有实行这种制度，评估它使用的跟踪结果，并证明了其有效性。关键词：事故检测，隐马尔可夫模型 （HMM） ，闭塞，时空马
3、尔可夫随机域（ MRF） ， 跟踪。1 引言在智能系统中最重要的系统之一交通系统（ITS）开发的目的是自动监控交通的交叉口处的流动。 这样的系统在减少驾驶员工作量和在警告危险驾驶的情况下起到很重要的作用。该系统不仅将自动监控当前交叉口的情况，而且，如果系统能可靠地评估这些情况，并预测他们是否会导致事故，他们也许能提醒司机，从而降低事故的数量。自动监测系统是基于各车辆在交叉点的行为从而进行局部分析，而不是执行全局流量分析。该系统应该能够识别每个车辆和跟踪它的行为，并能认识到危险情况或一系列的这种行为所可能导致的事件。跟踪的目标往往是在十字路口发生闭塞阻塞的情况是的车辆。此外，由于事件一系列大的变
4、化，事件的识别会很复杂。为了解决这些问题，有必要开发一种跟踪算法，该算法是针对这样的遮挡的鲁棒性。此外，随机的变化的大事件识别也必须得到发展。跟踪的算法在计算机视觉研究中有很长的历史。特别是，在 ITS 区域，专门跟踪范式。车辆跟踪，已被广泛地研究。Peterfreund1采用了“Snake”2的方法提取车辆的跟踪目的的轮廓。Smith 等人 3和 Grimson4采用光流分析。特别是，Grimson 应用聚类和矢量量化，以估算流量。Leuck5和 Gardner6假定车辆形状的三维（3-D ）模型和估计的车辆图像根据外形角度投影到一个 2 维（2-D ）图像平面。Leuck 的方法5和 Ga
5、rdner6要求车辆的许多三维模型被应用到一般的交通图像。虽然这些方法能在不太拥挤的情况下有效，但大多无法可靠地在由闭塞和混乱的复杂情况下跟踪车辆。我们的主要目标是稳健跟踪个别车辆并且分析在十字路口处闭塞和杂波对车辆的影响。车辆通过路口时行驶方向并不确定，从而导致这些车辆的各个部分既可以被遮挡，也会遮挡其他车辆的部分。为了克服这种情况，我们已经开发利用时空马尔可夫随机域（MRF）模型的跟踪算法。这个算法的模型通过确定图像中的每个像素的状态来跟踪问题，并且确定车辆在过境时沿着两个在 x-y 图像坐标轴和时间轴上的状态。对于事件识别，系统传统上会使用点传感器。交通监控中成功的事件识别系统与点传感器
6、，包括 Gangisetty 的8 事件检测系统（ IDS）与感应线圈传感器。而且利用线圈检测器的交通监控系统都相当受欢迎。事实上，实际应用在包括多伦多、加拿大和华盛顿特区这几个城市。尽管这种斑点传感器是可靠的，稳定的，但是在实际使用中，它们在事件识别方面的使用范围相当有限;几乎所有的光点传感器只能在车辆上存在一个传感器光斑时才能获得信息，因此，一方面需要大量的传感器提供大量的探测面积为事件的识别提供信息。在另一方面，利用视觉传感器进行事件识别的最重要的优势之一是其收集丰富信息的能力，如违例停泊的车辆，交通拥堵，交通违法行为和交通事故。一些有代表性的基于视觉的系统可以在11 - 13 ，4 中
7、找到。 Rojas 11和 Zeng 12开发的方法或使用的系统是利用一个固定的电视摄像机跟踪公路上的车辆。 Lai 等人 13开发的交叉口处的“红灯信号检测” 。该系统现已开始运作在香港。Grimson 等4正在监测流量通过“传感器的森林”系统进一步将交通活动分类，并且能够聚类运动矢量和检测异常事件。然而不幸的是，这些系统用来检测事件的能力都是相当有限的。例如，香港的制度只能识别闯红灯，不能扩展到其他活动。我们致力于做出基于隐马尔可夫模型（HMM）的强大的事件识别系统。系统存储了各车辆的各种行为以及各种事件模式在 HMM 链，然后识别使用从跟踪系统输出分析结果在当前事件链。目前的系统可以识别
8、碰撞，传递，和干扰。并且，通过在训练集中存储的其他事件模式，系统可以有很大的延展性并且可以识别多种的其他行为，例如，非法的 U-turnsor 鲁莽驾驶。在本文中，我们将首先描述遮挡跟踪算法，它利用的是时空马尔可夫随机域（ST-MRF）模型。在第二节，我们还将展示采用交集图像序列的该算法的实验结果。然后，我们将介绍在第四节我们系统的故障检测方法。此方法是基于 HMM 将车辆行为输入到该系统并且能做到在不同时间系列观察个别车辆。通过第 II 部分中所述的跟踪方法获得车辆的行为及其隐藏含义。二。基于时空 MRFIELD 模型的堵塞，ROBUST 的跟踪算法A. 基本思路我们将采用随机松弛算法的车辆
9、跟踪。因为车辆的形状变化无法控制，基于形状的跟踪是不太有效的跟踪，因此，车辆在杂乱的交点行驶时发生闭塞的情况时，不能用简单的轮廓为基础的方法进行跟踪。为了克服这些问题，我们开发了基于随机松弛算法的专用跟踪算法。我们可以将被跟踪问题作为标记问题 并且进行模拟。在图像序列中的每个像素是否被分配到车辆 A或车 B 将由标签来进行标识.这些标签通过时间和空间 - 图像轴相互关联并且一起被当做信号输出。因此，我们可以把模型转换成沿时间和空间轴的 MRFmodel 模式。我们把这种模式作为ST-MRF 模型。我们的跟踪算法就是采用这种 ST-MRF 模型来确定在图像中的每个位置的标签而进行设计的。这种算法
10、，它将 640480 个像素图像划分成 8060 的块，其中的一个像素，被认为是对ST-MRF 一个站点，但是由于一个像素过小。因此，我们需要一个更大的像素组。我们称之为块，每个块由 88 个像素组成。于是我们进而把一个块称之为是对 ST-MRF 的站点。该算法的每个块的划分规则为车辆，等价地，我们需要分配一台车辆到每个块并进行标记。由于 ST-MRF 迅速收敛到一个稳定的状态时，它具有良好的初步估计性，与此同时我们使用一个演绎的算法来确定一个初始标签并进行分发。然后，通过 ST-MRF 精制标签并分析。该算法考虑块的连续图像，以及相邻块之间的相关性，然后通过 MRF 模型分配标签给他们。对块
11、分类标签的分布称为对象映射。图。1。对象生成。第二节-B 简要说明了用于获取初始对象映射的演绎方法。然后，第 II-C-E 从描述基础开始转入 ST-MRF 精制方法。B.演绎跟踪算法的流程这里我们描述了适合于车辆的大小和形状存在差异的跟踪方法。该方法的输出的信息将被用作一个对象映射，并且作为 ST-MRF 跟踪方法的初始估计映射跟踪算法的演绎过程1）初始化（图 1）：在交叉点的背景图像是在一定时间间隔的图像序列，并且我们需要将这些图像序列累计起来进行分析，如图所示的情况，就是时间间隔为 20 分钟的某个时间段该路口的车辆情况。该算法还在每个入口设置了一个检查传入车辆的狭缝。1 的图像就是一个
12、狭缝所收集的图像。这些在狭缝处收集的图像是用来确定该狭缝出车辆的流量强度的变化。而图1 就是相互垂直的四个主要传入道路所产生的四个缝隙的交叉点。2）生成新的车辆 ID（图 1）：当车辆沿着狭缝进入时该狭缝的所在的块就不停的分析该车辆在不同时间内的亮度差异亮度差异。在每个狭缝所在的块，都不停的将当前车辆的亮度和背景的亮度强度进行比较，并且，如果强度差值大于某一阈值，则算法就会为该车辆生成一个车辆 ID，并把它分配给该块。沿着车辆的移动方向，狭缝连续地检测车辆并继续发出相同的车辆ID。具同一车辆 ID 的块随时间顺序沿长。然后这些具有相同 ID 的块拼凑成了汽车行驶的区域。3)估计车辆的运动矢量：
13、一旦车辆离开缝隙的区域，算法沿着时间序列更新汽车行驶区域的形状。根据此更新，该算法可以估计车辆行驶区域的块之间汽车的运动矢量。在每个块中，通过块匹配方法来估计其在 t 时刻和 t+1 时刻之间的运动矢量。在一个块中 t 时刻（x(t),y(t)与t+1 时刻(x(t+1),y(t+1)=(x(t)+u(t),y(t)+v(t) 的相似性我们称之为（ 1） ；这里 I（x，y，t）是像素（x,y）在时间 t 的灰阶强度。然后这些车辆的运动矢量近似于存在该车辆的块中的最频繁的块中向量。4）更新车辆区域（图 2）：通过使用运动矢量，将观察区域从 t 时刻的车辆区域移到时间为 t+1 时刻的从位置上的
14、的所有块。现在讲图像研究区域转移，如果在新的位置的图像和背景之间的亮度差比阈值小，该算法不考虑该块为属于车辆的区域。另一方面，如果新的车辆区域的图像与背景的亮度具有较大的差异，该算法定义块是车辆区域，并分配相同的车辆 ID。5）除以车辆块：在某些情况下，多个车辆同时通过狭缝，它们可以被认为是一个单独的对象。此后为了划分这种车辆，该算法检查多目标块的连通性以及多目标的运动矢量。如果在一个车辆区域的多个部位有不同的运动矢量，这些部分被分开并分配给不同的车辆的 ID。这里所获得的结果将在第二部分-C 被用作 ST-MRF 模型的随机松弛过程的初始对象图上的基础。因为运动矢量估计的度量是像素，而不是块
15、，在步骤（3）中，存在一个更新对象地图的碎片问题。当一个块被认为是属于在步骤 2 不同的块，它必须确定它可能属于哪个对象。这两个问题都可以通过随机松弛法，意法半导体 MRF 进行优化。C. Spatio-Temporal MRF Model C.时空马尔可夫随机域模型 一些块可以被归类为由于遮挡而碎裂成的多个车辆标签。我们可以通过采用随机松弛与 MR模型解决这种模棱两可的问题。在计算机视觉存在几个有代表性的研究工作，包括图像恢复由杰曼和杰曼15;图像压缩由 Chellapa，查特吉，和 Bargdzian16完成，以及研究图像分割的安德烈和 Tarroux17。通常情况下，一个 MRF 模型只
16、处理空间 - 方向分布，即图像分布的问题。它能够处理的不仅有空间分布也时间轴的分布问题。图像序列的相关性已经在沿时间轴的每个像素连续的图像之间。我们的中期预测也认为是对时间轴的相关性进行预测。我们命名为扩展 MRF 的（时空）ST-MRF 模型。我们的 ST-MRF 估计一个当前对象的地图（车辆标签的分布）通过先前的对象映射和先前以及当前的图像。下面是其表示方法： 在时间 t-1 存在图像 G 其数值为g，并且在每个像素中这种条件被叙述为 一个在X 时间点为 t-1 的物体估计会分发一个 x 的标签，而在 X 时间点为 t 的物体估计会分发一个 y 的标签，在每个块这种情况呗描述成 在这里 k 是个块的号码。Fig. 2. 物体移动和重映射（Move Cluster of Blocks(移动块的集群)Delete(删除)Extend(延长)）我们将确定最有可能的 X(t)=yD. Relaxation Algorithms D.松弛算法在随机松弛算法，G
