CN110097571A - 快速高精度的车辆碰撞预测方法 - Google Patents

Abstract

本发明公开了一种快速高精度的车辆碰撞预测方法，用于快速预测车辆碰撞事件并及时采取警告措施，对避免交通事故的发生具有重要意义。该方法主要是：对于输入视频，对原始图像帧进行下采样或者上采样得到大小固定的图像帧方便快速处理。利用farneback光流算法得到光流场，将得到的下采样后的光流场利用核函数求得相互作用场，对相互作用场滤波后计算正负区域面积之差再经过平滑得到异常值，通过预先设定的阈值可以通过异常值预测车辆的碰撞。

Description

快速高精度的车辆碰撞预测方法

技术领域

本发明属于智能交通领域，涉及快速高精度的车辆碰撞预测方法，特别适用于实时、全天候的道路车辆碰撞的预测。

背景技术

国内外许多研究小组尝试通过计算机视觉和模式识别技术来研究车辆碰撞事故的自动检测方法。Siyu Xia等提出一种基于低秩矩阵近似的方法来快速有效地自动测视频中的交通事故。其首先将每个帧划分为与不同权重相关联的非重叠块，然后提取视频分段的运动矩阵，在使用低秩矩阵近似来将正常交通场景与一组运动子空间相关联之后，识别在近似误差增加的时刻的交通事故。Yu Chen等提出了一种基于分类器的监测方法，通过观察机动车碰撞前的最后一秒视频作为检测目标。其首先利用OF-SIFT算法从时域中提取局部运动信息特征以用于运动检测，然后用极端学习机(ELM)分类器作为基本分类器对交通事故进行分类。李月娥等通过提取交通监控视频中的烟雾、碎片和运动目标速度的变化等参数，结合麦夸特法进行公式拟合得到交通事故发生概率公式，并计算出事故发生概率，依据概率大小判断车辆是否发生碰撞。拜佩等分析车辆在视频中的一些具体状态，如大小、位置等，根据这些运动判断两个目标是否有重合区域，从而判断车辆是否碰撞。刘纬琪等利用OBB算法计算车辆的包围盒，然后将包围盒的地面平面投影得到车辆矩形二维包围盒，然后检测这些矩形在同一平面上是否相交从而判断车辆是否发生碰撞。尹春娥等提出一种基于小波方程的自适应阈值高速公路交通事故检测方法，基于交通运行状态的改变来动态自适应地调整阈值，以此达到比较高的事故检测率。尹宏鹏等利用智能分析技术，先使用背景差分法检测运动车辆，然后利用均值漂移算法跟踪运动车辆，通过得到的车辆位置、速度和运动方向等参数进行加权融合，以此来检测车辆行为(车辆的碰撞、停止行驶等)

上述算法都比较好地实现了交通事故检测，但存在着目标检测不准，跟踪效果不好和碰撞判别正确率不高等问题。

Atev等采用多个摄像机对同一交叉口同时监测，对数据融合后获得目标的运动状态向量，利用车辆轨迹外推假设建立了车辆碰撞预测算法，用于实现冲突检测。Laureshyn等尝试建立了一套能够全过程衡量交通相互作用事件的严重性指标，包括距离碰撞时间(TTC)、优势时间(TAdv)、间隙时间(TG)、速度等，基于此根据事件全过程严重性对交通冲突进行分类与识别。Ismail等对交通场景中的行人和车辆进行检测、跟踪与分类，然后借助外推假设自动计算严重性指标，并据此识别人车冲突。张方方从视频图像序列中提取冲突车辆的轨迹、速度、加速度等微观交通参数，建立了多数交通冲突判断方法，初步实现简单交通条件下机动车交通冲突视频自动检测。曲昭伟等在运动目标检测与跟踪的基础上，引入GM(1，1)灰色模型对运动目标轨迹进行预测，在确立了交通冲突判别两个条件的基础上实现了无信号交叉口交通冲突自动判别。Hu等利用模糊自组织神经网络算法学习车辆运动模式，并以此对车辆的运动轨迹加以匹配和预测，最终通过计算车辆间碰撞的发生概率对事故行预测。Saunier等建立了一种基于视频的交叉安全自动分析方法，通过最长公共子序列(LCSS)算法习得轨迹原型，在此基础上计算车辆间的碰撞可能性，对交通冲突进行判别。

尽管基于视频的交通冲突技术研究已经取得了一些阶段性成果，但是现行的大多数冲突判别方法只是对视频所采集到的微观交通数据进行简单直接应用，往往最终归于传统的交通冲突判别思路。

发明内容

本专利的目的是提供一种计算量小、计算速度快、抗噪声能力强、检测精度高、并且能够全天候实时预测车辆碰撞交通事故的快速高精度的车辆碰撞预测方法。

一种快速高精度的车辆碰撞预测方法：

步骤一，构建运动相互作用场F₂(x,y)，按照以下几步进行：

第一步，输入视频，对原始图像帧进行下采样或者上采样得到大小为M×N的图像帧f(x,y)。

第二步，利用farneback光流算法提取出视频序列中目标物体的运动信息：处理第i个像素值f(x_i,y_i)，得到x方向的速度和y方向的速度从而得到大小为M×N的光流场V_0x和V_0y。

第三步，对光流场进行下采样得到大小为M/10×N/10的光流场V_x和V_y。

第四步，将得到的V_x和V_y应用到核函数K中，得到大小为M/10×N/10运动相互作用场F₁(x,y)，其表达式为：

其中K为核函数，其表达式为：

上式中，为前向中心位置，为后向中心位置，k为宽度为σ、中心为(x_c,y_c)的高斯核函数，其表达式为：

第五步，对F₁(x,y)采用双三次插值得到大小为2M×2N运动相互作用场F₂(x,y)。

步骤二，利用面积差的方法求得在t时刻的运动相互作用场的异常值按照以下几步进行：

第一步，利用阈值th₁，分别求出由上一步得到的运动相互作用场F₂(x,y)中像素值的绝对值大于th₁的正负区域面积之和S₁、S₂。

第二步，计算正负区域面积差的绝对值得到异常值M_and，其表达式为：

M_and＝|S₁-S₂|

第三步，利用自回归模型平滑M_and得到自回归模型如下：

式中，α是表示传播程度的衰减参数，th₂为波动阈值。表示在t时刻的运动相互作用场的异常值。

步骤三，利用步骤二求得的运动相互作用场的异常值设定阈值th₃，对车辆碰撞进行预测，其表达式为：

其中，L^t是t帧异常的最终标签。若则判断为将发生碰撞，进行预警；反之，则判断为车辆不会发生碰撞。

本发明的显著效果是：算法计算量小、计算速度快、抗噪声能力强、检测精度高，能够以较高的准确率对视频中的车辆碰撞现象进行实时性的车辆碰撞预测和检测。

附图说明

图1为车辆碰撞预测算法流程图；

图2为玩具小车模拟正常交通时视频帧及其运动相互作用场；

图3为玩具小车模拟异常交通时视频帧及其运动相互作用场；

图4为含有碰撞帧的视频运动相互作用场的异常值变化。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明。

图1为本发明所涉及的算法流程图。

先将算法中的参数设置如下：

(A)M×N典型值为240×320；

(B)α＝0.8；

(C)th1＝55；

(D)th2＝300；

(E)th3＝1100；

(F)σ＝10；

输入一段视频，图2左为从小车模拟交通事故视频中截取的车辆还未碰撞的一帧，图3左为从同一段视频中截取的车辆可能发生碰撞的一帧。对视频中的图像帧进行下采样得到M×N值大小为240×320的图像帧f(x,y)。然后算法利用Farneback光流法得到运动信息：x方向的速度和y方向的速度，从而得到大小为240×320的光流场V0x和V0y；对光流场进行下采样得到大小为24×32的光流场Vx和Vy。

利用得到的Vx和Vy，带入核函数：

通过

得到大小为24×32运动相互作用场F1(x,y)，然后对F1(x,y)采用双三次插值得到大小为2M×2N运动相互作用场F2(x,y)。如图2右和图3右所示，分别为从小车模拟交通事故视频中截取的车辆还未碰撞的一帧的运动相互作用场和从同一段视频中截取的车辆可能发生碰撞的一帧的运动相互作用场。

分别利用求出的运动相互作用场F2(x,y)中像素值的绝对值大于th1的正负区域面积之和S1、S2，采用M_and＝|S₁-S₂|计算异常值Mand。然后对其采用衰减参数α＝0.8自回归模型平滑Mand得到两帧视频的异常值其中

此时通过异常值对车辆碰撞进行预测。

图4为所选视频的片段的每一帧异常值，可以看到未碰撞帧的异常值小于阈值th3＝1100，而碰撞帧则大于它。

通过图4可以看出：通过设定的可能发生碰撞的预警阈值300，其中第176帧是碰撞帧，第172帧及其以前是正常帧。设计好阈值，提前了4帧预测会发生碰撞。

Claims (3)

1.一种快速高精度的车辆碰撞预测方法，其特征在于，按照以下步骤进行：

步骤一，构建运动相互作用场F2(x,y)，按照以下几步进行：

第一步，输入视频，对原始图像帧进行下采样或者上采样得到大小为M×N的图像帧f(x,y)。

第二步，利用farneback光流算法提取出视频序列中目标物体的运动信息：处理第i个像素值f(x_i,y_i)，得到x方向的速度和y方向的速度从而得到大小为M×N的光流场V0x和V0y。

第三步，对光流场进行下采样得到大小为M/10×N/10的光流场Vx和Vy。

第四步，将得到的Vx和Vy应用到核函数K中，得到大小为M/10×N/10运动相互作用场F1(x,y)，其表达式为：

其中K为核函数，其表达式为：

上式中，为前向中心位置，为后向中心位置，k为宽度为σ、中心为(xc,yc)的高斯核函数，其表达式为：

第五步，对F1(x,y)采用双三次插值得到大小为2M×2N运动相互作用场F2(x,y)。

步骤二，利用面积差的方法求得在t时刻的运动相互作用场的异常值按照以下几步进行：

第一步，利用阈值th1，分别求出由上一步得到的运动相互作用场F2(x,y)中像素值的绝对值大于th1的正负区域面积之和S1、S2。

第二步，计算正负区域面积差的绝对值得到异常值Mand，其表达式为：

M_and＝|S₁-S₂|

第三步，利用自回归模型平滑Mand得到自回归模型如下：

式中，α是表示传播程度的衰减参数，th2为波动阈值。表示在t时刻的运动相互作用场的异常值。

步骤三，利用步骤二求得的运动相互作用场的异常值设定阈值th3，对车辆碰撞进行预测，其表达式为：

其中，L^t是t帧异常的最终标签。若则判断为将发生碰撞，进行预警；反之，则判断为车辆不会发生碰撞。

2.根据权利要求1所述的一种快速高精度的车辆碰撞预测方法，其特征在于：在所述步骤二第三步中，经过实验分析衰减参数α取值为0.8时检测精度最高。

3.根据权利要求1或2所述的一种快速高精度的车辆碰撞预测方法，其特征在于：在所述的步骤三中的判断通过面积差得到的异常值，设定的预警阈值越低对车辆碰撞预测越敏感但是对碰撞预测的精度会降低，实验中将其设定为碰撞阈值的1/3左右。