交通事件检测技术综述

交通事件检测技术综述李红梅1，2（1、昆明理工大学信息工程与自动化学院云南省昆明市650500；（2、云南省矿物管道输送工程技术研究中心云南省昆明市650500）摘要：首先分析了交通事件自动检测的研究现状，对两种主要的检测方法进行了描述。通过对交通参数的分析来判断是否发生事件的“间接方法”，这类方法在过去的十几年里研究和使用的较多。随着图像处理技术和计算机视觉技术的快速发展，人们逐渐采用通过对视频图像的智能分析来检测事件的发生以及发生了何种事件，该方法检测速度快、时间短，涉及到模式识别、图像处理、计算机视觉和人工智能等，将是未来交通事件自动检测（AID）的前沿方向。论文的最后分析了交通事件检测可能的研究方向、存在的问题及展望。关键字：交通事件检测、SVM、视频检测、AID、二次事故中图分类号:文献标识码:文章编号：0引言近年来，随着国家高速公路网的飞速发展，给人们带来舒适、快捷服务的同时，也带来了频发的交通事件。国内的许多城市道路网络及交通需求不断扩大，载重量和行驶速度也不断提高，尤其是大中城市的车流量与日俱增，带来了越来越多的交通事故和道路拥堵，各类交通事件和二次事故明显增多，给人们的出行买下了安全隐患。为了可以迅速检测和处理道路上发生的交通事件，减少由于交通事件所带来的人员伤亡、财产损失等影响，避免二次事件的发生，节约能源，减少污染，准确快速的对交通事件进行检测显得尤为重要。20世纪80年代末期，以高新技术为基础的智能交通系统(IntelligentTransportSystem，ITS)概念和技术被提出，并在短短的时间内得到了了迅速的发展[1]。交通事件作为其重要组成部分，是指非周期性发生且使某段道路通行能力下降的事件。如交通事故、故障停车、货物散落、道路维修、车辆逆行、车道变换、超速、慢速、停止、交通阻塞等[6]。交通事件检测分为人工检测和自动检测两种，其中高速公路交通事件自动检测是近几年研究的主导，即交通事件自动检测（AutomaticIncidentDetection,AID）。目前国内外常用的几种交通信息检测技术:环形线圈、微波、红外线视频、数字视频、机器视觉、超声波检测等。其中基于环形线圈的检测技术目前市场占有率较高，技术比较成熟。但根据目前的交通管理、营运部门的需求来看，对路基无破损、实施方便灵活的视频检测技术越来越受欢迎。根据不同的检测技术检测的方法是不同的，目前国际上广泛研究的AID方法主要有两种：直接检测法和间接检测法。间接检测法是通过埋在地下的地感线圈检测器采集到的交通参数进行分析来判断是否有事件发生，并估计事件对交通流的影响。交通参数包括：交通流量、占有率、排队长度、车型、平均车速等。检测用到的主要有车流量、车速和占有率，核心思想是根据事件对交通参数的影响来检测事件的存在。优点是由于目前环形线圈检测器的普遍存在，使得间接事件检测法在自动事件检测算法中占有主导地位。缺点是由于环形线圈安装和维修时需要对道路进行挖掘，阻断交通，费用高昂，最主要的是该方法无法对车辆跟踪和对事件进行分类，并且检测误报率高、检测时间长。相反，使用视频方法进行交通事件检测属于直接检测方法，目前在国内外正在成为研究热点，这类方法实际上是“看到”发生了交通事件而不是通过交通事件的影响来检测到它的存在。它是利用计算机视觉与数字图像处理技术，对设置在公路上的摄像头采集的视频图像，进行事件检测算法智能处理，自动采集各种交通参数，检测交通事件并及时报警。优点是基于视频的检测方法能够获得更多的交通流信息，并且能识别车辆类型、对车辆进行跟踪得到车辆运行轨迹，判断出事件的种类，而且平均检测时间远小于基于地感线圈的AID系统。缺点是该方法需要密集的安装摄像头，成本较高，且受天气影响较大。1研究现状1.1间接事件检测在国内外的研究交通事件检测技术经过国内外近40年的研究，开发了很多算法。常用的间接检测方法是模式识别方法和统计理论方法。模式识别方法中以加利福尼亚算法和麦克马斯特算法应用最广，统计方法包括指数平滑法、标准正态分布法、贝叶斯算法和自回归移动平均方法、以及近年来发展较快的神经网络算法和视频检测算法，特别是基于视频图像处理的事件检测技术将成为未来的研究热点和发展趋势。RucyLongCheu、DiptiSrinivasm等人2003年提出用SVM模型分类器来检测交通事件的发生，再利用检测率、误报率、平均检测时间等指标来计算性能指数PI[2]。XinJin、RueyLongCheu等人于2004年指出在过去的十年里神经网络在自动事件检测里的广泛应用，开发了基于多层前馈网络的（MLF）的算法，研究指出了多层前馈神经网络（MLFNN）模型与BP神经网络和建设性概率神经网络（CPNN）模型相比，MLFNN具有最好的事件检测性能，而CPNN网络的适应性方法简单，易得到实时应用[3]。Y.Ma、M.Chowdhury、M.Jeihani和R.Fries近年研究出使用车辆动力学的高速公路事件检测框架，设想出了车辆基础设施一体化（VII）,开发了VII-SVM事件检测系统，并表明系统的通用性可适用于整个运输网络[4]。国内对交通事件检测的研究主要基于新技术和理论的应用研究，如神经网络、模糊理论、小波变换、支持向量机等。魏丽英，夏明最新提出了基于LVQ神经网络的事件检测算法，先通过小波分析技术对原始数据高频噪声滤波，再由具有自组织功能的学习矢量量化神经网络进行事件检测[15]。郭艳玲等人提出了一种结合小波分析和自组织特征映射（SOM）神经网络的事件检测算法，利用小波分析检测出信号的奇异性，然后通过SOM网络对奇异性进行分类[16]。梁新荣等开发的最小二乘支持向量机交通事件检测算法，具有检测准确率高、学习速度快等优点。1.2直接事件检测技术在国内外发展状况自20世纪90年代中期以来，国外就开始研究基于图像处理的交通事件检测系统，目前已有相关产品投入实际应用并取得了很好的效果。如比利时的VIP系列视频检测系统，美国的Autoscope视频检测系统、VideoTrak-900系统，新加坡1998年研制的高速公路监控及信息诱导系统(ExpresswayMonitoring&AdvisorySystem，EMAS)，其中的车辆检测系统和事故自动检测系统都是基于视频检测和图像处理技术。法国的Citilog公司研发的动态图像背景自适应技术和车辆图像跟踪技术，能消除光线，雨雪，灰尘对系统的影响，不仅可以判断事故是否发生而且还可以预测事故等，该基于车辆跟踪的交通信息分析系统在世界范围得到了广泛的认可，并已开始在我国推广[11]。对于基于视频的交通事件自动检测算法，Yong-KulKi等人提出了一种检测交叉路口的交通事件模型，模型首先从视频图像中检测车辆目标，跟踪目标，然后提取交通特征，如变化率、面积、位置、方向等，通过分析特征模型检测出交通事件[17]。TANGshuming等人研究了基于非参数回归的交通事件检测算法，能有效解决交通拥堵问题，并于其它事件检测算法进行了比较，该算法具有高检测率、低误报率等。视频检测技术在我国的应用研究起步相对较晚，但由于近年来交通事业的飞速发展，越来越多的研究机构及厂家开始关注该技术的研究。如亚洲视觉公司的路段交通信息系统，哈尔滨工业大学的VTDZ000系列视频交通动态信息采集系统，深圳市神州交通系统有限公司的VidcoTrace智能视频交通信息采集系统，厦门恒深智能软件系统有限公司研制的HeadsunSmartViewer-III视频交通检测器等。视频检测技术存在的难点：从目前国内外的研究及发展情况来看，快速有效的实现视图像中目标的分割和跟踪是解决视频事件检测问题的关键。而今在目标分割和跟踪方面主要存在两大难点：其一，缺乏自适应性是运动目标分割的一大难题，如实际场景中的恶劣天气、路边树木花草的随风摇动，以及目标间的相互遮挡使得目标的准确检测难以实现。其二，目标跟踪的精度和实时性较差，如果目标间发生互相粘连或分裂是都会影响精度，目前开发的多种跟踪算法计算复杂，难以实现目标的实时跟踪。2事件检测的间接方法近年来研究最多和使用最多的间接方法是基于支持向量机的事件检测法，十年前广泛使用的基于神经网络的算法由于存在诸多缺点，例如无统一的准则来确定神经网络结构、训练需要大量的学习样本、易出现过拟合现象，泛化能力不强等，现已逐渐被广泛应用于解决分类问题和回归问题的SVM所代替[6]。2.1SVM的交通事件检测周林英，朱斌等人对基于支持向量机的高速公路事件检测算法进行研究，分别设计了基于线性不可分支持向量机(SVM)、高斯径向基核函数、双曲线正切核函数的事件检测算法。不同的数据子空间，不同的SVM模型，不同的核函数及其参数都影响着算法的性能指标，通过选择合适的SVM模型和核函数，可获得比California算法更好的性能[5]。支持向量机(supportvectormachine,SVM)是Vapnik等人于1993年提出的基于统计学习理论的一类新型机器学习方法。它是一种有效的非线性问题处理工具。具有完备的统计学习理论和出色的学习性能。支持向量机是针对结构风险最小化原则提出的，具有很好的泛化能力。其算法是一个凸优化问题，局部最优解一定是全局最优解。SVM有3种类型：线性可分SVM，线性不可分SVM，非线性可分SVM（非线性可分SVM根据采用的核函数不同可构成不同的支持向量机）。常用的4种核函数：线性核函数、多项式核函数、径向基核函数（RBF）、Sigmoid核函数。其核心思想是:对于线性可分问题，是根据最大分类间隔原则求得最优分类面；对于非线性分类，是折中考虑最少错分样本和最大分类间隔得到的最优分类面，从而判断任意输入所属的类别。对于非线性分类，引入了核空间理论，将低维的输入空间数据通过非线性映射函数映射到高维属性空间，将分类问题转化到属性空间进行。可以证明，如果选用适当的映射函数，输入空间线性不可分问题在属性空间将转化为线性可分问题。由于支持向量机具有完备的统计学习理论和出色的学习性能，它是针对结构风险最小化原则提出的，具有很好的泛化能力，使得基于SVM的交通事件检测是目前应用广泛的，具有潜力的一种检测方法，检测的交通参数一般为车流量、车速和占有率。对于SVM事件检测的理论研究，多数的数据来源为美国加州I-880高速公路交通参数数据库，它是最近非常流行的、被广泛应用在事件检测上的数据集。检测的结果可看作模式识别问题，用SVM对有事件发生和无事件发生进行分类。一般原理可以理解为：以一定的时间间隔对上下游检测站的车流量、车速和占有率数据进行采集，将数据分为训练样本和测试样本，训练样本作为SVM的输入对SVM进行训练，用测试样本对训练好的SVM进行测试，分类函数输出有两类：正数为事件状态，负数为无事件状态。2.2其它方法与SVM结合的事件检测随着支持向量机理论的不断发展和完善，龚炯，余立建等人针对传统的检测方法存在的问题，如交通数据样本有限、输入交通特征过于冗余、参数设置无法达到最优等，提出了运用主成分分析方法(PrincipleComponentAnalysis，PCA)先对交通输入特性进行特征选择，再构建支持向量机事件检测模型，最后用粒子群算法(PanicleSwarmOptimization，PSO)选择支持向量机模型参数，即可获得更加满意的检测效果[7]。解决方法为：利用PCA降维的思想，将多个实测交通参数转换为用少数几个不相关的综合指标，即对上游检测站和下游检测站采集到的车速、车流量及占有率信息进行交通特征选择，构建用于高速公路事件检测的PCA—SVM模型；利用POS群智能的全局优化技术，对支持向量机模型的惩罚参数等进行选择。由于小波分析可在变换域中将信号的频域特征和时域特征同时反映出来，并同时具有良好的局部分析能力。由于最小二乘支持向量机求解的是线性方程运算速度快，还能解决小样本、非线性、高维数、局部极小等问题。裴瑞平、梁新荣等人将离散二进小波变换与最小二乘支持向量机结合，提出了一种提高检测率、减少平均检测时间的新算法，为交通事件检测提