论文部分内容阅读
随着经济的发展和机动车的日益普及，汽车给人们带来方便的同时，也带来了一系列问题，如交通拥堵、车辆碰撞等交通事件。及时的交通事件检测可以为驾驶员发布实时的交通信息，提高交通运行效率。因此，自动交通事件检测(Automatic Incident Detection，AID)有着重要的现实意义。本文的研究内容和成果如下： (1)由于运动车辆提取是判断交通状态和事件检测的基础，因此，本文通过基于累积统计的背景模型实时地提取运动车辆。 (2)本文对交通状态进行判别，把交通状态分为畅通和拥挤两种状态。测量道路上不同时刻车辆的空间占有率的平均值，并设定多个检测点测量车辆的时间占有率。基于空间占有率和时间占有率利用k-均值聚类算法把交通状态分为畅通和拥挤两种状态。 (3)在道路畅通情况下，采用混合高斯背景模型提取前景运动车辆及其中心点并利用Kalman滤波算法跟踪运动车辆。在此基础上，得到各个车道上车辆的行驶时空图，通过车辆时空图对车辆轨迹进行行为分析，根据时间序列上车辆位置的变化检测车辆逆行，通过车间距和车辆位置状态信息检测车辆碰撞。 (4)在道路拥挤情况下，本文通过基于累积统计的背景模型获取并更新背景，并由背景差法获得前景点。在一个车道上设置不同区域，一定时间内，统计各个区域的前景点个数，设定阈值得到一个状态来表示此区域在这段时间内的运动前景信息。当检测时间内某一区域的状态与其他区域不一样时，判断此区域内发生了交通事件。 (5)本文对所提出的算法进行试验验证，通过采集实际道路的交通视频对上述的车辆跟踪算法、交通畅通情况下的事件检测算法和交通拥挤条件下的交通事件检测算法进行测试，实验结果表明所提的算法检测效果良好，并有一定的实用性。