[发明专利]一种基于监控视频的交通事故自动检测方法

权利要求书

1.一种基于监控视频的交通事故自动检测方法，其特征在于：包括以下步骤：

(1)对监控视频序列的每一帧图像使用金字塔Lucas-Kanade光流法构建光流场；

(2)基于光流场，分析视频帧全局的交通流特性，根据由光流场定义的速度流、加速度流，定义描述交通流特性的描述子，其后，根据视频帧序列构建高斯模型，并设定阈值；

(3)基于光流场，分析视频帧局部的车辆运动特性，定义局部方向图的概念并计算其能量，其后，根据视频帧序列构建高斯模型，并设定阈值；

(4)构造事故检验模型，检验交通事故是否发生。

2.根据权利要求1所述的基于监控视频的交通事故自动检测方法，其特征在于：所述步骤(1)中，每一帧图像选取的角点数目在500到1000之间。

3.根据权利要求1所述的基于监控视频的交通事故自动检测方法，其特征在于：所述步骤(2)的具体方法包括以下步骤：

①对监控视频中第k帧的交通速度流S_k的定义如下：

Sk=|o1|+|o2|+...|ol|l]]>

其中，l表示在第k帧视频中光流的模值不为零的个数，|o₁|,|o₂|,...,|o_l|表示第k帧中l个非零的光流的模值，交通速度流S_k代表的是一帧视频中移动像素点的平均移动速度；

②对监控视频中第k帧的交通加速度流C_k的定义如下：

C_k＝|S_k-S_k-1|

其中S_k和S_k-1分别代表第k帧和第k-1帧的交通速度流，交通加速度流C_k代表的是当前帧移动像素点的平均移动速度的变化量；

③根据交通速度流与交通加速度流构造描述子：首先定义交通监控视频中第k帧的活跃值G_k的概念，定义公式如下：

G_k＝p₁S_k+p₂C_k+p₃S_kC_k

其中，p₁,p₂,p₃是调节交通速度流和交通加速度流以及它们乘积的权值，活跃值G_k代表的是第k帧视频中交通速度流和加速度流以及它们的乘积的一个加权活跃性；

对于描述子M_k，定义如下：

M_k＝|G_k-G_k-1|

第k帧交通视频的描述子M_k表示的是当前帧的活跃值G_k和前一帧活跃值G_k-1的差值的绝对值；

整个交通监控视频的描述子序列为M₁,M₂,...M_k...，第k帧之前的描述子序列的均值U_k的计算公式如下：

Uk=1TkΣk=1TkMk]]>

其中T^k是在第k帧之前的描述子序列的总帧数；

根据计算出来的描述子序列均值U_k来计算交通事故检测模型的第一个阈值：

δ^k＝HU^k

其中H是一个调节阈值的常数；

所述步骤(3)的具体方法包括以下步骤：

A、构建交通运动方向图：在光流场中，假设从当前帧提取的光流集合O＝{o₁,o₂,...,o_n}，其中每条光流o_i拥有一个起始坐标点和终止坐标点根据这个起止坐标对，计算出光流的方向θ_i和光流的模值|o_i|，运动方向图与光流图和原始视频具有同样的尺寸，光流o_i在运动方向图中对应着一块矩形区域W_i，其具体区域由下式指定：

Wi={(x,y)|xis<x<xie,yis<y<yie}]]>

其中，表示光流o_i起始点的坐标，表示光流o_i终止点的坐标；

在运动方向图中，区域W_i的面积是由光流的模值|o_i|决定的，而光流的方向决定区域W_i中像素点的取值，具体像素点的取值由下式决定：

IWi=(int)255·θi/2π+1]]>

通过上式，在视频图像上的不同光流的方向被映射为在运动方向图上具有不同像素值的区域，由于光流方向反映了物体运动方向，所以将物体的运动方向分布映射成运动方向图，将当前帧提取的光流集合O＝{o₁,o₂,...,o_n}转化为映射区域集合W＝{W₁,W₂,...,W_n}；

当两个映射的区域W_i和W_j出现相交的情况即W_i∩W_j≠φ,i≠j，就会发生赋值的冲突，通过将区域W_i和W_j融合形成新的块B_i来解决，新的块B_i的具体定义如下：

其中，n是指在视频图像中提取到的光流总数；

对于在块B_i中像素点的赋值，按照下式进行：

IBi=IWi((x,y)∈Wi∉Wi∩Wj)IWj((x,y)∈Wj∉Wi∩Wj)(IWi+IWj)/2((x,y)∈Wi∩Wj)]]>

其中，(x，y)表示在块B_i中的像素点坐标；

通过上述的操作，视频图像上的光流集合O＝{o₁,o₂,...,o_n}被转化为运动方向图上的块的集合B＝{B_i,B₂,...,B_m}；

B、计算块B_i的能量：在运动方向图中，块B_i的能量由下式计算得到：

E(Bi)=D(Bi)+Σj=1,j≠imV(Bi,Bj)]]>

其中，D(B_i)的计算公式如下所示：

D(Bi)=-NΣx=1255p(x)log p(x)]]>

其中，N表示块B_i中像素值种类数，p(x)表示在块B_i中像素值等于x的像素点所占比率；

V(B_i,B_j)的计算公式如下所示：

V(B_i,B_j)＝|D(B_i)-D(B_j)|；

C、计算运动方向图的能量：第k帧视频图像所对应的运动方向图f^k的能量，按照下式计算：

E(fk)=E(Bjk)E(Bjk)>λΣi=1,i≠jME(Bik)M-1Σi=1ME(Bik)Motherwise]]>

其中，M是运动方向图f^k中团块总数，λ是一个调节阈值的常数，表示在运动方向图中能量最大的块；

D、构建基于交通方向图序列的交通事故检测模型：首先采用以下公式估计在运动方向图f^k之前的能量序列的均值u^k和标准差σ^k：

uk=1TkΣk=1TkE(fk)]]>

(σk)2=1TkΣk=1Tk(E(fk)-uk)2]]>

其中，T^k是在第k帧之前的运动方向图序列的总帧数；

然后根据估计出来的均值u^k和标准差σ^k计算交通事故检测模型的第二个阈值即报警阈值为：

β^k＝u^k+1.96*σ^k；

E、构建基于双高斯模型的交通事故检测系统：

通过第二个阈值β^k来检测当前运动方向图的能量E(f^k)是否超过了检测阈值来判定是否在当前帧发生了交通事故，通过第一个阈值δ^k配合第二个阈值对交通流的速度变化以及混乱异常进行双重检测来检测交通事故是否发生，同时排除由于帧间光流场的多处混乱而造成的交通事故误报，双重判定方法如下：

fk∈SE(fk)>βkandMk>HUkfk∈Rotherwise]]>

其中，S表示事故运动方向图集合，R表示正常运动方向图集合，如果S≠φ，则表示发生了交通事故，S集合中运动方向图所对应的视频帧即为发生交通事故的视频帧，这些运动方向图中能量最高的团块所对应的区域即为在视频图像中发生交通事故的区域；

所述步骤(4)的具体方法为：首先计算出当前视频帧中能量最大的块B_i中涵盖的光流的数目op_num，并且设定阈值γ，该阈值根据实验学习获得，由此得到交通事故检验的判定模型：

op_num＞γ

若模型数据通过了双高斯检测模型阈值，并且满足上述判定条件，则通过检验模型可知块B_i对应区域确实发生了交通事故，故发出警报，否则该处没有发生交通事故，不发生警报。

4.根据权利要求3所述的基于监控视频的交通事故自动检测方法，其特征在于：所述步骤③中，将p₁设置为0.4，将p₂设置为0.1，将p₃设置为0.5，将H设为1.5；所述步骤C中，将λ设为2。