[發明專利]基于流形學習的交通擁堵事件協同檢測方法

無效

• 申請號: 201110100910.3
• 申請日: 2011-04-21
• 公開（公告）號: CN102169631A
• 公開（公告）日: 2011-08-31
• 發明（設計）人: 王偉智;劉秉瀚
• 申請（專利權）人: 福州大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G08G1/017;G06K9/62
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 蔡學俊

技術領域

本發明涉及交通狀態智能識別技術領域，特別是一種基于流形學習的交通擁堵事件協同檢測方法。

背景技術

交通擁堵事件可定義為平均行程車速已經低于一定范圍的交通狀態。此時道路交通流處于不穩定狀態，交通流內部有小的擾動就將產生大的運行問題，甚至發生交通中斷。此事件發生時車輛經常排成長隊，整個車隊會走走停停。

傳統的交通擁堵事件檢測器有線圈、微波、紅外線等幾種，這些檢測器基本上是先通過檢測車速、車流量、排隊長度等交通參數，然后，再通過一些預測或間接轉換算法來檢測交通擁堵事件。已有的比較經典的檢測方法包括California算法、McMaster算法、指數平滑法等。隨著技術的發展，判別算法也在改進，視頻檢測算法也得到了快速的發展，但是它們都各有優劣，并沒有一種算法的績效完全優于其他算法，因為各種算法都是基于某種思想或理論，也都有其限定條件及適用性。

近年來隨著計算機和圖像處理技術的不斷發展，利用視頻檢測器進行交通事件檢測已成為一種特別有潛力的方法，有望取代傳統檢測器成為智能交通系統的一個重要組成部分。視頻檢測器與傳統的檢測器相比，具有處理速度快、安裝維護便捷且費用較低、可監視范圍廣、可獲取更多種類的交通參數等諸多優點，已在智能交通系統中得到了越來越廣泛的應用。

世界各國目前廣泛使用的是基于視頻車輛跟蹤的間接檢測方法：首先，通過圖像處理技術自動提取交通參數（車速、車流量、排隊長度等），然后，依據相關交通參數間接檢測交通擁堵事件。此種方法與傳統的基于線圈的檢測方法相比，只是交通參數的提取有一定的不同，但核心的交通擁堵事件的自動檢測還是采用類似的算法，可以說在交通擁堵事件自動檢測方面沒有本質的提高。由于道路交通環境的多樣性以及交通擁堵事件發生時存在很多的不可預見性，現有的視頻檢測技術易受車輛行駛狀態或氣候條件等外部環境的干擾，背景建模、目標提取和車輛跟蹤每個步驟的誤差都會直接影響交通參數的自動提取。另外，間接視頻檢測方法比較依賴交通參數的提取精度，參數提取的誤差往往是間接檢測算法難以彌補的。因此，這種基于視頻技術的間接檢測擁堵事件的方法在運用中仍存在著較大的局限性。

視頻檢測方法是指使用圖象處理技術和智能技術來識別交通參數及狀態的方法，該方法利用攝像機獲取視頻信號，通過視頻信號檢測道路交通狀況，由圖像處理設備將視頻信號轉換成數字圖像，再由計算機進行相關交通參數和狀態的檢測識別。它是一類最多樣的檢測方法，現有常用的方法有：方法一是利用車輛的形狀、顏色、對稱性等信息，結合道路和陰影等常識信息進行相關檢測。該方法簡單、直觀，易于編程實現，但需要估計多個經驗閾值，如車輛長寬的經驗比值、車輛邊緣的最小長度、車輛陰影與道路的灰度差異閾值等。經驗閾值準確與否，直接關系到檢測性能的好壞。方法二是利用序列圖像之間存在的大量相關信息進行車輛的檢測，該方法不要預先知道場景的任何信息，且適用于攝像機移動情況。該方法缺點是耗時大，對過于復雜、過快或過慢的運動檢測效果不好。方法三是直接檢測幀間變化的方法，該方法快捷簡單，實時性較好，較適合運動快且形變較大的運動目標，但不適合有全局運動的場景，如不平坦或彎路較多的道路等。

發明內容

本發明的目的在于克服現有技術的不足，提供一種基于流形學習的交通擁堵事件協同檢測方法，該方法不僅有利于提高交通擁堵事件的檢測準確率，而且具有較強的魯棒性，使用效果好。

為實現上述目的，本發明采用的技術方案是：一種基于流形學習的交通擁堵事件協同檢測方法，其特征在于：該方法包括訓練學習過程、事件檢測過程和反饋過程，所述訓練學習過程按如下步驟進行：

步驟1.1：對交通擁堵等級類別進行定義，并采集對應于各交通擁堵等級類別的典型圖像形成交通擁堵事件訓練圖集；

步驟1.2：對所述各交通擁堵事件訓練圖集進行紋理轉換，生成交通擁堵事件紋理圖集；

步驟1.3：對所述交通擁堵事件紋理圖集進行流形降維處理，得到降維紋理圖集；

步驟1.4：對應于各交通擁堵等級類別，根據降維紋理圖集進行原型模式選擇，得到事件分類原型集和基于所述事件分類原型集的流形協同檢測模型；

所述事件檢測過程按如下步驟進行：

步驟2.1：實時采集交通視頻幀圖像；

步驟2.2：對各幀圖像進行紋理轉換，得到實時紋理圖；

步驟2.3：對所述實時紋理圖進行流形降維處理，得到實時降維紋理圖；

步驟2.4：將所述實時降維紋理圖送入所述流形協同檢測模型進行交通擁堵事件分類檢測，得到相關的檢測結果及相關參數；