一种基于视频监控系统的城市交通违规行为检测方法
【专利摘要】本发明公开了一种基于视频监控系统的城市交通违规行为检测方法，包括以下步骤：轨迹提取即检测视频运动目标并进行目标跟踪提取目标轨迹；轨迹结构化即分割轨迹段，对轨迹段进行结构化，用四个结构特征表示；轨迹相似度计算即分别计算轨迹段的四个结构特征所对应的特征距离，通过加权和计算轨迹间的相对相似度，计算轨迹间的相似度；轨迹聚类与建模即根据轨迹间的相似度构造相似度矩阵并对轨迹聚类，将聚类后的轨迹建为高斯模型组合，属于同一类的轨迹建立为同一组高斯模型；异常检测即计算待测轨迹属于每个模型的概率，根据最大概率是否大于预设阈值判断异常。本发明基于视频监控系统进行交通违规行为检测，提高了检测的效率、准确度和违规行为类别。
【专利说明】一种基于视频监控系统的城市交通违规行为检测方法
【技术领域】
[0001]本发明属于机器视觉行为分析领域，具体的说是涉及一种基于视频监控系统的城市交通违规行为检测方法。
【背景技术】
[0002]截至2012年底中国汽车保有量已超过1.2亿辆，车辆数量的急剧增长致使交通违法行为增多，道路上交通事故频发，造成了大量的人员伤亡和巨额的经济损失。当前，交通管理部门利用视频监控系统能够自动检测车辆的部分交通违章行为，如超速行驶、违章停车和逆向行驶等。但是对于违章变道等其他违章行为，以及其他交通参与者的异常行为，包括行人或者自行车出现在机动车道、行人横穿马路等可能引发交通事故的违规行为，现有的视频监控系统尚未包含检测和识别这类行为的技术。
[0003]视频运动目标的运动轨迹是目标行为最直观的体现，通过分析交通场景内交通参与者的轨迹，可以获取交通场景信息，同时检测交通参与者的异常行为。然而，在目前的基于轨迹的异常行为检测方法在中，大部分是将轨迹视为简单的时空点集，忽略了轨迹内部所包含的丰富信息，从而导致场景分析效果不佳，难以用于实际应用。
【发明内容】
[0004]针对现有技术存在的不足，本发明目的是提供一种基于视频监控系统的城市交通违规行为检测方法，能够提高城市交通违规行为的检测效率和准确度。
[0005]为了实现上述目的，本发明是通过如下的技术方案来实现:
[0006]本发明的一种基于视频监控系统的城市交通违规行为检测方法，包括以下几个步骤:
[0007](I)、轨迹提取:利用背景差分法检测视频运动目标，并利用卡尔曼滤波进行目标跟踪，提取目标轨迹；
[0008](2)、轨迹结构化:根据轨迹转角分割轨迹段，对所述轨迹段进行结构化，用四个结构特征表示，所述四个结构特征分别为位置特征、速度特征、方向特征和转角特征；
[0009](3)、轨迹相似度计算:分别计算轨迹段的四个结构特征所对应的特征距离，通过加权和计算轨迹间的相对相似度，进而计算轨迹间的相似度；
[0010](4)、轨迹聚类与建模:根据轨迹间的相似度构造相似度矩阵，利用谱聚类方法对轨迹聚类，谱聚类过程中用到了 K-means聚类方法，将聚类后的轨迹建为一系列高斯模型的组合，属于同一类的轨迹建立为同一组高斯模型；
[0011](5)、异常检测:利用贝叶斯决策理论，计算待测轨迹属于每个轨迹类的概率，根据最大概率是否大于预设阈值判断异常。
[0012]步骤(I)中，轨迹提取具体包括以下几个步骤:
[0013](IA)、利用背景差分法检测视频运动目标，设当前帧的图像为Fi (X，y)，背景图像SBi(Xj),则当前帧的目标二值图像为
【权利要求】
1.一种基于视频监控系统的城市交通违规行为检测方法，其特征在于，包括以下几个步骤: (1)、轨迹提取:利用背景差分法检测视频运动目标，并利用卡尔曼滤波进行目标跟踪，提取目标轨迹； (2)、轨迹结构化:根据轨迹转角分割轨迹段，对所述轨迹段进行结构化，用四个结构特征表示，所述四个结构特征分别为位置特征、速度特征、方向特征和转角特征； (3)、轨迹相似度计算:分别计算轨迹段的四个结构特征所对应的特征距离，通过加权和计算轨迹间的相对相似度，进而计算轨迹间的相似度； (4)、轨迹聚类与建模:根据轨迹间的相似度构造相似度矩阵，利用谱聚类方法对轨迹聚类，将聚类后的轨迹建为一系列高斯模型的组合，属于同一类的轨迹建立为同一组高斯模型； (5)、异常检测:利用贝叶斯决策理论，计算待测轨迹属于每个轨迹类的概率，根据最大概率是否大于预设阈值判断异常。
2.根据权利要求1所述的基于视频监控系统的城市交通违规行为检测方法，其特征在于，步骤(1)中，所述轨迹提取具体包括以下几个步骤: (1A)、利用背景差分法检测视频运动目标，设当前帧的图像为
3.根据权利要求2所述的基于视频监控系统的城市交通违规行为检测方法，其特征在于，步骤(3A)中，利用所述卡尔曼滤波进行目标跟踪具体包括以下几个步骤:
(IB)、定义状态向量sk = (xk, yk, Lk, Wk, Δ xk, Δ yk, Δ Lk, Δ Wk)τ 和观测向量 Zk =(xk，yk，Wk，Lk)T，其中T表示转置，(xk, yk)为运动目标的坐标，Lk、Wk分别为目标外接矩形的长和宽，Axk, Ayk, ALk, Λ Wk分别为对应变量的变化量，定义状态方程Sk = AkUwk和观测方程
4.根据权利要求3所述的基于视频监控系统的城市交通违规行为检测方法，其特征在于，步骤(2)中，所述轨迹结构化具体包括以下几个步骤: (IC)、轨迹分段:计算每个轨迹点的转角Θ，设置转角阈值ω> O，对满足I Θ I > ω的轨迹点作为分段点，将轨迹划分为多个轨迹段； (2C)、对每个轨迹段，用四个结构特征描述，SP: (al)位置特征:由轨迹段的点的坐标表示Position = Kx1, Y1), (x2, y2),..., (xNs,yNs)}，Ns为轨迹段内轨迹点数； (bl)速度特征:假设在两个轨迹点之间目标做匀速直线运动，两个轨迹点间的速度由其平均速度表TjK，即
5.根据权利要求4所述的基于视频监控系统的城市交通违规行为检测方法，其特征在于，步骤(3)中，轨迹相似度计算具体包括以下几个步骤: (ID)、计算轨迹段的四个特征距离，分别对应于四个结构特征，计算方法具体包括以下几个步骤: (a2)位置距离:PD (TSi, TSj) = max (h (TSi, TSj), h (TSj, TSi)),其中
6.根据权利要求5所述的基于视频监控系统的城市交通违规行为检测方法，其特征在于，步骤(4)中，轨迹聚类与建模具体包括以下几个步骤: (IE)、根据步骤(3D)得到的轨迹相似度，构造相似度矩阵W，其中
7.根据权利要求6所述的基于视频监控系统的城市交通违规行为检测方法，其特征在于，步骤(5)中，所述异常检测具体包括以下几个步骤:(IF)、待测轨迹的某一轨迹段TS属于轨迹段模型.,,的概率由最大后验概率
【文档编号】G06K9/46GK103942533SQ201410111979
【公开日】2014年7月23日 申请日期:2014年3月24日 优先权日:2014年3月24日
【发明者】范新南, 郑併斌, 李敏, 张继, 史朋飞, 李威龙 申请人:河海大学常州校区