基于视频图像的交通事件自动检测算法综述
基于视频图像的肇事车辆车速鉴定
基于视频图像的肇事车辆车速鉴定随着科技的不断进步，视频图像分析技术在各个领域中的应用也越来越广泛。
其中，基于视频图像的肇事车辆车速鉴定成为了交通事故调查和法律审判中的重要手段。
本文将介绍基于视频图像的肇事车辆车速鉴定的原理、方法和应用。
一、原理介绍基于视频图像的肇事车辆车速鉴定是通过分析事故发生时的视频图像，利用图像中的物体运动特征和几何关系，推算出肇事车辆的车速。
其原理基于运动学和几何学的基础知识，通过分析视频中车辆的轨迹、运动方向和时间等参数，来推算车辆的实际速度。
二、方法细节基于视频图像的肇事车辆车速鉴定的方法主要可分为两类：单目视觉方法和双目视觉方法。
1. 单目视觉方法单目视觉方法是指通过单个摄像头获取的视频图像进行车速鉴定。
这种方法的优点是设备成本较低，适用范围广，但其精度相对较低。
常用的单目视觉方法包括光流法、稠密光流法和透视恒定法等。
- 光流法是通过分析图像上不同像素点的亮度变化来推算出物体的运动方向和速度。
该方法常用于追踪车辆的轨迹，但在复杂的交通环境中容易受到光线、阴影和背景杂波等因素的干扰。
- 稠密光流法是在光流法的基础上，通过密集采样来获取更多的光流信息，以提高车速鉴定的精度。
该方法在计算量上较大，但能够较好地应对光线和背景干扰等因素。
- 透视恒定法是通过建立拍摄位置与路面之间的投影关系，以及稳定的摄像机参数，来计算车辆的运动速度。
该方法需要准确的场景测量和摄像机标定，但其精度较高。
2. 双目视觉方法双目视觉方法是指通过两个摄像头获取的视频图像进行车速鉴定。
这种方法的优点是可以获得更多的视角和深度信息，能够提供更准确的车速估计。
常用的双目视觉方法包括立体匹配法、基于深度学习的方法和三维重建法等。
- 立体匹配法是通过分析两个视角下的图像特征，计算物体的深度和运动信息。
该方法需要进行复杂的图像匹配和深度计算，但能够较准确地估计车速。
- 基于深度学习的方法是利用深度学习算法提取图像特征，并通过训练模型来实现车速鉴定。
智能交通系统中基于视频图像处理的车辆检测与跟踪方法综述
智能交通系统中基于视频图像处理的车辆检测与跟踪方法综述一、概述随着科技的快速发展和城市化进程的推进，智能交通系统（ITS）已经成为现代交通领域的重要研究方向。
基于视频图像处理的车辆检测与跟踪方法是智能交通系统的重要组成部分，对于提高道路安全、优化交通流量、实现智能交通管理具有重要意义。
基于视频图像处理的车辆检测与跟踪方法主要利用计算机视觉和图像处理技术，对视频序列中的车辆进行自动检测、跟踪和识别。
这种方法可以实时获取道路交通信息，为交通管理和规划提供数据支持。
同时，通过车辆检测与跟踪，还可以实现车辆行为分析、交通事件检测等功能，为智能交通系统的进一步发展提供有力支持。
近年来，随着深度学习、机器学习等人工智能技术的快速发展，基于视频图像处理的车辆检测与跟踪方法也取得了显著的进步。
通过构建深度学习模型，可以实现对车辆目标的准确、快速检测，同时利用多目标跟踪算法，实现对多辆车辆的连续跟踪。
这些技术的发展为智能交通系统的车辆检测与跟踪提供了新的解决方案，也为未来的智能交通发展奠定了坚实的基础。
基于视频图像处理的车辆检测与跟踪方法仍然面临一些挑战，如复杂交通场景下的车辆遮挡、光照变化、动态背景干扰等问题。
未来研究需要不断探索新的算法和技术，提高车辆检测与跟踪的准确性和鲁棒性，以适应智能交通系统的发展需求。
本文将对基于视频图像处理的车辆检测与跟踪方法进行综述，介绍其基本原理、发展历程、现状以及未来的发展趋势。
通过总结现有方法的优点和不足，为未来的研究提供参考和借鉴。
同时，本文还将探讨当前面临的挑战和未来的研究方向，为智能交通系统的进一步发展提供有益的探索和启示。
1. 智能交通系统概述智能交通系统（Intelligent Traffic Systems，ITS）是信息技术、数据通信技术、传感器技术、电子控制技术以及计算机技术的综合应用，旨在构建一种大范围内、全方位发挥作用的实时、准确、高效的综合运输和管理系统。
基于视频车辆运动轨迹场的交通事件检测方法
基于视频车辆运动轨迹场的交通事件检测方法交通事件检测是指利用视频车辆运动轨迹场进行交通事故、交通拥堵等交通事件的实时监测和预警的方法。
基于视频车辆运动轨迹场的交通事件检测方法，主要通过分析视频中的车辆运动轨迹场，提取其中的特征信息，使用机器学习和计算机视觉的方法来检测交通事件。
本文将介绍交通事件检测的流程和主要方法，以及相关应用和未来发展方向。
交通事件检测的流程主要包括数据采集、特征提取和事件检测三个步骤。
首先，需要利用视频摄像头等设备对道路上的车辆进行采集，获取车辆的位置、速度、方向等信息，形成视频车辆运动轨迹场。
接下来，通过对视频车辆运动轨迹场进行处理和分析，提取其中的特征信息。
最后，利用机器学习和计算机视觉的方法，对提取的特征信息进行分类和判断，判断是否发生交通事件。
在特征提取方面，可以利用车辆的位置、速度、加速度等信息来构建特征向量。
例如，可以根据车辆在一段时间内的速度变化情况来判断是否发生交通拥堵。
此外，还可以利用车辆之间的相对位置关系来判断是否发生交通事故。
例如，如果车辆之间的距离大于一定阈值，则可能发生了事故。
在事件检测方面，可以使用机器学习方法来进行分类和判断。
可以收集一定数量的正常和异常的视频车辆运动轨迹场数据，并将其分为训练集和测试集。
然后，使用机器学习算法，如支持向量机（SVM）、卷积神经网络（CNN）等，对训练集进行训练，得到分类模型。
最后，使用分类模型对测试集进行测试，判断是否发生交通事件。
交通事件检测方法可以应用于交通管理、交通安全等领域。
例如，可以利用交通事件检测方法对交通拥堵进行实时监测和预警，帮助交通部门及时采取措施减缓交通拥堵。
此外，还可以利用交通事件检测方法在交通事故发生后及时发出预警，帮助救护车等应急车辆快速抵达事故现场。
未来，交通事件检测方法可以进一步发展和完善。
一方面，可以进一步改进特征提取方法，提高特征的准确性和效率。
另一方面，可以引入更先进的机器学习和计算机视觉的方法，提高交通事件检测的准确率和实时性。
基于视频分析技术的交通事件检测系统
基于视频分析技术的交通事件检测系统基于视频分析技术的交通事件检测系统随着城市化的不断发展，交通问题成为人们日常生活中不可忽视的一个方面。
交通事故的频发以及交通拥堵给人们的出行带来了困扰，因此研发一种基于视频分析技术的交通事件检测系统成为了一项迫切的需求。
本文将探讨这种基于视频分析技术的交通事件检测系统以及其在交通管理中的应用。
一、交通事件检测系统的概述交通事件检测系统是一种利用现代计算机视觉技术，结合实时视频监控，对交通场景中的各种事件进行自动识别和检测的系统。
通过对交通场景图像或视频的分析处理，可以实现智能交通管理，提高交通安全性以及交通效率。
传统的交通事件检测方法主要依赖于人工监控和大量的人力物力。
这种方式不仅费时费力，而且容易出现人为失误。
而基于视频分析的交通事件检测系统可以消除人为因素的干扰，减少人力物力投入，提高检测的准确性。
二、交通事件检测系统的主要技术和功能1. 图像处理技术：交通事件检测系统首先需要对采集到的视频或图像进行图像处理。
通过图像增强、去噪、分割等技术，提高图像质量，便于后续处理。
2. 物体检测与跟踪：交通事件检测系统需要通过物体检测与跟踪算法来提取交通场景中的目标物体，如车辆、行人等。
通过对目标物体的跟踪，可以实现对其行为的分析，进而识别交通违法行为或交通事件。
3. 事件识别与分类：交通事件检测系统需要通过机器学习等技术来对采集到的视频或图像进行事件识别与分类。
根据交通规则和预设的事件模型，可以识别出危险驾驶、逆行、越线等各类交通违法行为。
4. 实时警报与数据分析：交通事件检测系统可以通过实时警报功能及时通知相关部门和人员发现交通违法行为或交通事故，采取相应的措施和救援行动。
同时，系统还可以对采集到的数据进行统计分析，为交通管理部门提供参考意见和决策依据。
三、基于视频分析技术的交通事件检测系统的应用基于视频分析技术的交通事件检测系统在交通管理中具有广泛的应用前景。
1. 提升交通安全性：交通事件检测系统可以实时监测并识别交通违法行为，如闯红灯、逆行等，及时进行预警和处罚，从而提高交通安全性，减少交通事故的发生。
基于视频图像处理的平面交叉口交通冲突自动检测技术研究
基于视频图像处理的平面交叉口交通冲突自动检测技术研
究
随着城市交通的不断发展，交叉口的交通冲突问题日益突出。
为了提高交通安全性和交叉口的通行效率，研究人员提出了基于视频图像处理的平面交叉口交通冲突自动检测技术。
首先，该技术利用视频图像处理技术从交叉口的监控摄像头中获取交通流量信息。
通过图像分割和目标检测算法，可以准确地识别出交叉口中的车辆和行人等目标。
同时，通过车辆的运动轨迹和速度信息，可以进一步分析交叉口的交通流量情况。
其次，该技术利用计算机视觉算法检测交叉口的交通冲突情况。
通过对交通流量的时空分析，可以判断是否存在车辆之间的冲突行为。
例如，当两辆车在同一时间和同一位置交叉时，就可能发生交通冲突。
通过检测车辆之间的相对速度和距离，可以进一步判断交通冲突的严重程度。
最后，该技术可以实时监测交叉口的交通冲突情况，并及时报警。
通过与交通信号灯的协调，可以减少交通冲突的发生，并提高交叉口的通行效率。
此外，该技术还可以对交叉口的交通冲突行为进行统计和分析，为城市交通管理提供科学依据。
基于视频图像处理的平面交叉口交通冲突自动检测技术具有以下优点：首先，可以实现对交叉口的全天候监测，无需人工干预。
其次，准确度高，能够快速识别和分析交通冲突行为。
最重
要的是，该技术可以为交通管理部门提供及时的交通冲突信息，有助于及时采取相应的交通管理措施。
总之，基于视频图像处理的平面交叉口交通冲突自动检测技术为提高交通安全性和交叉口的通行效率提供了新的解决方案。
随着计算机视觉技术的不断发展，相信这一技术将在未来得到更广泛的应用，并为城市交通管理带来更多的便利和效益。
基于视频图像的交通事件自动检测算法综述
２ １ 年 ４月 ０１
计 算 机 应 用 研 究
Ａ ｐ ｉ ａｉｎ Ｒｅ ｅ ｒ ｈ ｏ ｏ ｕ ｅ ｓ ｐ ｌ ｔｏ ｓ ａ ｃ ｆＣ ｍｐ ｔ ｒ ｃ
Ｖ０ ． ． １２８ Ｎｏ ４
Ａｐ ． ２ １ ｔ ０１
基 于视 频 图像 的交通 事件 自动检 测 算法综 述
Ｓ ｒ ｅ ｆｖ ｄ ｏ ｂ ｓ ｄ ｉ ｇ ｒ ｆ ｃ ａ ｔ ｍａ ｉ ｎ ｉ ｅ ｔｄ ｔｃ ｉ ｎ ａ ｇ ｒｔ ｍ ｕ ｖ ｙ ｏ ｉ ｅ — ａ ｅ ｍａ ｅ ｔａ ｕ ｏ ｔ ｉ ｃｄ ｎ ｅｅ ｔｏ ｌ ｏ ｉｈ ｉ ｃ
ＸＵ ｎ ．Ｗ Ｕ ｅ ｇ ｄ ｎ ．ＣＨＥＮ Ｄｏ ｇ ｙ ｅ Ｙａ ｇ Ｃｈ ｎ — ｏ ｇ ｎ —ｕ
行描 述 。 目标 检测和跟 踪得 到的是底层信 息 ， 实现 交通 事件的 自动检 测需对跟踪 结果进行更 深层 次的理 解和 而
识 别。然后 重点介绍 了运动理 解和行为识 别 中的 ＨＭＭ（ 隐马 尔可 夫模 型 ） 法和 Ｓ Ｆ 方 Ｏ Ｍ（自组织特 征 映射神 经
网络 ） 法。最后从 运动分割 和特征提 取方 面分析 了技 术难 点及 解决 方案 ， 可能的研 究方向进行一定 的预 测。 方 对
ｂｅ ｖｏ ｅ ｏ ｎｔｏ ｈａ ｉｒｒ ｃ ｇ ｉｉｎ． Ｆ ｎ ｌｙ，ａ ａｙ ｅ ｅ ｈｎｃ ｌｄ ｆｉｕ ｅ ｎ ｈ ｉ ｓｉ ｅ ｓ ｌ ｉｎ ｆｏ ｍｏｉ ｎ ｓ ｇ ｎａｉｎ ａ ｄ ｆ ａｕ ｅ ｉ ａｌ ｎ ｌｚ ｄ ｔ ｃ ｉａ ｉｆｃ ｈｉｓａ ｄ ｔｅｒｐｏ ｓｂｌ ｏｕｔ ｒ ｍ ｔｏ ｅ ｍｅ ｔｔｏ ｎ ｅ ｔ ｒ ｏ
ｅ ｔ ｃｉｎ ａｐ ｃ，ａ ｅｌａ ｏｅａｔ ｇｔｅｐ ｓｉｌ ｅｅｒｈ ｄｒｃｉｎ ｘｒ ｔ ｓｅ ｔ ｓｗ ｌ ｓｆｒｃ ｓｉ ｈ ｏ；ｂｅｒｓａｃ ｉ ｔ ． ａ ｏ ｎ ｅ ｏ
基于图像处理的智能交通视频事件检测与识别技术
基于图像处理的智能交通视频事件检测与识别技术智能交通视频事件检测与识别技术是一种基于图像处理的先进技术，它的出现为交通管理和汽车安全带来了革命性的改变。
通过利用计算机视觉和机器学习的方法，可以实现对道路交通视频中的各种事件进行准确检测和快速识别，为交通部门和驾驶员提供及时有效的交通信息。
一、背景介绍随着城市化的进程和汽车普及率的不断提高，交通管理和车辆安全凸显出重要性。
然而，传统的交通监控方法存在着效率低下、资源浪费和难以应对复杂交通场景的问题。
因此，基于图像处理的智能交通视频事件检测与识别技术应运而生。
二、智能交通视频事件检测与识别技术的原理与流程智能交通视频事件检测与识别技术主要基于图像处理和机器学习的方法实现。
其基本原理是通过处理和分析交通视频图像，提取出有用的特征信息，然后利用分类器对这些特征进行识别和分类。
下面是一般的技术流程：1. 视频采集与预处理：通过摄像头或其他设备采集道路交通视频，并对视频进行预处理，包括图像去噪、图像增强等操作，以提高后续处理的效果。
2. 特征提取与选择：在预处理后的视频图像中，使用计算机视觉方法提取特征，常见的特征包括颜色、纹理、形状、运动等。
然后，通过特征选择算法选择最具代表性的特征进行后续处理。
3. 事件检测与定位：根据交通管理的需求，设定目标事件，并对特征进行分类和检测。
例如，可以使用机器学习算法训练分类器，对交通事故、拥堵、违规行为等事件进行检测和定位。
4. 事件识别与分类：基于训练好的分类器，将检测到的事件进行识别和分类。
例如，可以将交通事故分为碰撞、侧翻等不同类型，方便交通部门采取针对性的措施。
5. 结果输出与反馈：将识别和分类的结果输出给交通管理者和驾驶员，以便进行即时的交通调度和安全驾驶提示。
同时，还可以将结果用于数据分析和决策支持。
三、智能交通视频事件检测与识别技术的应用领域智能交通视频事件检测与识别技术具有广泛的应用领域，包括但不限于以下几个方面：1. 交通监控与管控：通过对道路交通视频进行实时监控和事件检测，可以及时发现并处理交通事故、拥堵等交通事件，提高交通效率和减少交通事故。
基于视频的车辆检测技术综述
基于视频的车辆检测技术综述学院：信息科学与工程学院专业：测控技术与仪器0902班学号：090401065姓名：孙娟摘要基于视频的车辆检测器近年来在智能交通系统(ITS)中得到了越来越广泛的应用。
本文分别讨论了常用基于视频的车辆检测算法，同时分析比较了各种方法的优缺点。
车辆跟踪的基本类型。
最后，说明了这一领域仍然存在的问题和对可能的研究方向进行了一定的预测。
关键字：视频；车辆检测；车辆跟踪引言城市智能交通已逐步得到社会各界的广泛关注，如何通过智能交通系统建设来缓解日益严重的交通问题已成为交通领域的研究热点。
车流量检测系统是智能交通(ITS)的基础部分，在城市道路建设、国道高速公路建设、隧道桥梁建设以及交通流的基础理论研究中占有很重要的地位。
近年来，逐渐发展起来了以空气管道检测技术、磁感应检测技术、波频检测技术和视频检测技术等[1~2]为代表的多种交通检测技术[3]。
常用的基于视频图像的车辆检测算法有：光流检测法、背景差法、相邻帧差法、边缘检测法[4]等。
智能交通系统（Intelligent Transport Systems,ITS)是将先进的信息技术、数据通信传输技术、电子传感技术、电子控制技术及计算机处理技术等运用于整个交通管理而建立的一种大范围、全方位发挥作用的，实时、准确、效的综合交通运输管理系统[5~6] 。
国际上一些发达国家[7~8] 从上世纪60年代起，就开始了有关智能交通系统的研究，美国是目前智能交通系统发展最为先进的国家。
2001年4月，美国召开了一次由智能交通系统行业260名专家参与的全国高层讨论会，并且制订了二十一世纪前10年智能交通系统的发展总体规划。
在此阶段，各国通过立法或其他形式，逐渐明确了发展ITS战略规划、发展目标、具体推进模式及投融资渠道等。
美、日等发达国家在推动ITS研发和试点应用的同时，从拓展产业经济视角，不断促进ITS产业形成，注重国际层面竞争，大规模应用研发成果。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
检测逆行、 违章停车、 拥堵、 遗撒、 行人闯入等事件， 可应用于 各 路口和路段特别是封闭路段的交通事件检测， 实时提供道路部 分交通流信息， 为交通控制、 管理及研究提供可靠的依据。
。
2
目标跟踪
车辆跟踪是实现交 通 事 件 视频检测 的 前 提。 在 对 传 感 器
［14 ］
。
基于区域的跟踪( regionbased tracking) 基于区域的跟踪
［15 ， 16 ］
1
目标检测
运动目标检测是从 序 列 图像 中 检测 出 前 景 目 标， 如 车 辆、
是将运动 目 标 看 做 由 不 同 的 小区 域
块组成， 可以利用高斯分 布 建立 目 标 和 场 景 的 模 型， 属于目标 的像素被规划于不同的部分， 通过跟踪各个小区域块来完成整 个目标的跟踪。该方法 思 路 简 单， 计算 量不 大， 但 只 适 用于 交 通量小、 背景变化简单的场合; 对于交通量大、 背景变化复杂的 情况， 车辆之间的遮挡和 影 子 问 题 难 以 解决， 可以 考虑 利 用 彩 色信息以及阴影区域缺乏纹理的性质加以解决， 合适的背景模 是 检测 相邻 图像 之 间 变 化 的 最 简 单 方法， 它直 型也不易建立。 2. 2 基于活动轮廓的跟踪( active contour modelbased ) 基于活动轮廓的跟踪
［1 ］
。
基于视觉的检测器因为容易安装、 能够提供丰富的交通信 息、 检测范围大、 费用低 而 成 为一 种 有 效 的 监控 手 段 并 得 到 广 泛使用。本文基于视频 的 交 通 事 件 检测 是从包 含 车 辆 的 交 通 视频图像序列中检测、 跟踪车辆并对其进行理解和描述。从技 术角度而言， 车辆运动分析 的 研究 内 容 相 当 丰富， 涉 及模 式 识 图像处理、 计算机视觉、 人工智能等学科知识。本文的目 标 别、 是利用公路上已有视频监控系统提供的图像信息， 通过图像处 理 和分析， 完 成 交 通 事 件的 快速 检测， 实 现 交 通 事 故、 车辆停 止、 慢 行、 车 道 变 换、 车 流 拥挤 等 交 通 事 件 识别 的 功 能， 并能在 交通异常时自动报警和作出相应处理。 基于视频的交通事件 自动 检测 的关 键技 术 是 实 现 交 通 事 件行为的模式识别。该 研究 是 计算机 视觉 和人 工 智 能 的国 际
收稿日期: 2010-10-14 ; 修回日期: 2010-11-29
。Ikeda［5］ 基于 图像 处 理 技 术提
［6 ］
出了异常事件自动检测系统， 能够检测停驶车辆、 慢行车辆、 丢 弃物体、 连续变 换 车 道 车 辆 四 类 事 件。 Ki 等 人 提出在交叉
基金项目: 国家自然科学基金资助项目( 60874103 ) ; 辽宁省教育厅资助项目( L2010202 )
拍摄到的图像序列进行目标提取的基础上， 计算出目标在每帧 图像上的二维位置坐标， 并将不同帧中同一运动目标的所有坐 标按时间先后串联起来， 得 到 各 个 运 动 目 标 完 整 的 运 动 轨 迹。 Kalman 滤 波、 车辆跟踪主要方法包括模 板 匹配、 粒 子 滤 波。 车 基于视频的交通事件自动检测算法是对 视频图像 进 行 逐 帧处理， 包括运动目标的检测与跟踪、 提取运动信息， 最后对车 辆的运行状态和特征进行分析， 得出结论。 辆跟踪算法被分为四类: 基于区域的跟踪、 基于轮廓的跟踪、 基 于模型的跟踪和基于特征的跟踪 2. 1
［7 ］
化 。一 般 情 况 下 ， 可以 认 为 光 流 与 运 动 场 没 有 太 大 区 别， 因此 可以根据图像运动来估计有关景物三维结构的丰富信息， 能够 检测独立运动的对象， 无 须 知 道 场 景 的 任 何 信 息， 适 用于 静 止 和运动背景情况。然而大多数的光流计算方法相当复杂， 且抗 噪性能较差， 如果没有特别的硬件装置则不能应用于全帧视频 流的实时处理。 1. 4 边缘检测 车辆目标最基本的 特 征 之 一 是边缘。 基 于 车 辆边缘 的 边 缘检测法通常效率较高， 甚至可以检测出静止车辆。当图像亮 度发生变化时表现也较为稳健， 因为边缘信息即使是在各种昏 暗的光照环境下仍较 为 明 显。 用于 检测 车 辆边缘 的 方法 有 多 Laplacian 算 子、 Kirsch 算 子 等。 另外， 种， 如梯度 算 子、 形态边 缘检测法由于其优良性能， 也常常被采用
第 28 卷第 4 期 2011 年 4 月
计 算 机 应 用 研 究 Application Research of Computers
Vol． 28 No． 4 Apr． 2011
基于视频图像的交通事 件 自动检测 算 法 综 述
徐
摘
1， 2 1 1 杨 ，吴成东 ，陈东岳
*
( 1． 东北大学 信息科学与工程学院，沈阳 110004 ; 2． 辽宁科技大学 软件学院，辽宁 鞍山 114051 ) 要: 首先分析了交通事件自动检测的研究现状， 对其中 涉及 的目标 检测、 目标 跟踪以及 行 为 识别与理 解 进
前 沿 研 究 方 向 ，涉 及 计 算 机 视 觉 低 级 到 高 级 的 一 系 列 问
0
引言
随着经济的发 展 及 汽 车 拥 有 量 的 增 加， 城 市 交 通 拥堵 严
题
［2 ， 3 ］
。研究内容可以粗略地分 为: a) 车 辆 的 检测 和 跟踪。 车
辆的跟踪结果将直接影响后 续 处 理的 鲁棒 性。 b ) 行 为 识别 和 理解。它是运用高层知识对运动跟踪的结果进行分析和比较， 来获取对运动物体行为的识别。 事件检测系统自 20 世纪 60 年代发展起来以后， 形成了多 种检测 技 术， 如 图 1 所 示。 自动 事 件 检 测 ( automatic incident detection， AID) 技术或算法的核心是 根 据 实 时 采集 的 交 通 流 数 据信息， 由算法自动判断 是 否 有 交 通 事 件发 生， 并估计事件对 交通流的影响。目前由于环形线圈检测器的普遍存在， 使得间 接事件检测法 一 直 都 在 自动 事 件 检测 算 法 中 占 有主 导 地 位。 但是该方法无法对车辆 跟踪、 分 类， 安装时需要对道路进行挖 掘， 费用高 昂， 会 造 成 交 通中 断， 并 且 检 测 误 报 率 高、 检测时 间长。 使用视频方法进行 交 通 事 件 检测 属 于 直接检测 方法。 由 于其检测速度快且检测信息丰富， 在国内外正逐渐成为研究热 点。自 20 世纪 90 年代中期以来， 美、 英、 日等国开始 研究 基 于 图像处理的快速自动事件检测系统， 模拟人工判别交通异常的 方法来实现事件的快速检测
［4 ］
重、 事故频发、 环境 恶 化。 目 前， 我国事故发生率居全世界之 首， 近几年每年公路交通 死亡 人 数 一 直 在 十 万 人 左右， 每年因 交通事故造成的损失达数百亿元。为了预防和减少交通事故， 及时有效地进行事故救援和处理， 有效减少由于交通事故产生 的交通延误及避免二次 事 故 的发 生， 就 必 须 准 确、 快速 地 对 交 通异常和交通事件进行检测
Abstract: Firstly，this paper analyzed research progress of traffic automatic incident detection，and depicting object detection，object tracking and behavior recognition and understanding． Obtained low level information from object detection and tracking，traffic automatic incident detection needed deep level understanding and recognition for tracking result． Secondly， introduced HMM( hidden Markov model ) and SOFM ( selforganized feature maps ) importantly in motion understanding and behavior recognition． Finally，analyzed technical difficulties and their possible solution from motion segmentation and feature extraction aspect，as well as forecasting the possible research direction． Key words: incident detection; object detection; object tracking; behavior recognition
［17 ］
行人等， 以确 定 目 标 的 位 置、 颜 色、 灰 度 等 特 征 信 息， 它是 目 标 跟踪、 行为理解的基础。 通 常 有 帧 差 法、 背 景 减 法、 光 流法、 边 特征匹配等方法。 缘检测、 1. 1 帧差法 帧差 法
［8 ］
接比较了视频序列中连续 的 两 帧 或 三 帧 图像 中 对 应 像 素 点在 灰度值上的差异， 通过设 定 阈 值 来 提 取 视频 帧 中的 运 动 区 域。 此方法优点是算法实现简单， 复杂度低， 可实现实时监控; 缺点 是对场景光线的变化一 般 不 太 敏感， 结 果 精 度 不 高， 难以获得 9］提 出 了 一 种 自 适 应 背 景 减 除 目标区域的 精 确 描 述。 文 献［ 与三帧差分相结合的混合算法， 能够快速有效地从背景中检测 出运动车辆。 1. 2 背景差分法 背景差分法
作者简介: 徐杨( 1981-) ， 女， 辽宁鞍山人， 博士研究生， 主要研究方向为图像处理、 模式 识别 ( xuyang_1981@ yahoo． cn ) ; 吴 成 东 ( 1960-) ， 男， 沈 阳人， 教授， 博导， 主要研究方向为图像智能处理、 多源信息融合、 无线传感器网络、 建筑智能化技术、 机器人控制等; 陈东岳 ( 1980-) ， 男， 沈阳人， 副 教授， 博士， 主要研究方向为生物视觉系统模型研究、 基于视频信息的智能交通系统、 视频信息的快速模式识别方法等．