基于视频检测的高速公路车辆交通行为安全状态分析

在对目前视频检测系统分析的基础上,针对交通事件检测,提出了一种从微观的角度出发,在对单个车辆交通行为状态识别和实时分析的基础上,对车辆交通安全状态进行判断的方法。首先对交通冲突冲突区进行动态和静态划分,然后将车辆行驶区域根据交通行为过程分为危险区和趋势区,并对应静态和动态冲突区分别对危险区和趋势区的判定进行分析,给出了判定算法。测试表明,本文所提算法能够在一定程度上对交通事故进行提前预警,对于减少和避免交通事故发生具有重要意义。     

基于速度分类算法的交通事件视频检测系统设计

提出基于速度分类算法的交通事件实时视频检测方法,并对交通量检测方法、车辆跨道处理、速度检测、交通状况检测及交通事件识别等进行了研究.在车辆检测与跟踪的基础上,可实现车辆停止、慢行、车道变换次数和车流拥挤等交通事件识别功能,通过自动检测车辆避障、车道变换、超速、慢速、停止和交通阻塞等事件,获得交通流量、占有率、排队长度、车型和平均车速等交通参数.与传统交通事件检测系统相比,具有直观方便、费用低等优点.      

基于时间卷积自编码网络的实时交通事件自动检测方法

为了提高道路异常交通事件检测效率并降低误报率,提出了一种基于时间卷积自编码网络的实时交通事件自动检测方法。首先设计了基于波动相似性度量的交通模式搜索算法用来筛选具有相同交通规律的样本数据;并构造了交通流模式矩阵作为网络模型输入,以避免样本不均衡与单一样本数据随机性对交通模式学习的干扰;同时设计了新的时间卷积自编码网络对交通模式特征进行无监督提取并对未来交通参数进行合理预测;为了降低交通流参数随机波动性带来的事件判别的干扰,设计了异常状态评估方法,通过对模型预测误差分布的学习,结合当前检测数据给出最终的事件判定结果。采用美国西雅图I90公路与I405公路2015年全年的交通流检测数据与历史事故数据进行实证研究,并与6种典型交通事件检测算法进行性能对比。研究结果表明:基于时间卷积自编码网络的实时交通事件自动检测算法具有较高的检测率、较低的误报率以及更快的平均检测时间;综合各种交通运行情况下,可接受误检率分别为5%、10%时,平均检测率可分别达到93%、98%;同时算法能够自适应学习交通状态的动态变化,对不同交通运行环境具有较强适应性与稳定性。     

视频交通事件检测技术的研究与展望

主要介绍了目前国内外视频交通事件检测技术的发展现状,对目前视频交通事件检测技术所采用的虚拟线圈检测技术、识别与轨迹追踪技术进行了具体介绍,对基于各种检测原理的检测算法、检测流程进行了深入剖析,并结合视频交通事件检测技术的市场需求对该技术的智能化、网络化发展方向进行了预测,随着技术的发展,基于识别与轨迹追踪技术的交通事件检测技术将进一步深入发展,作者在西部课题的研究过程中,在国内外前期研究基础之上,结合交通安全性能分析,对交通事件检测技术进行了二次识别研究,大大拓宽了检测技术的范围,拓展了检测技术的深度,为视频交通事件检测技术的进一步发展打下了重要基础。     

基于视频的道路交通事件自动检测技术

结合当前道路交通事件自动检测的实践经验和国内外相关技术进展,讨论了交通事件检测的类型、目的和各种检测技术,重点介绍了基于视频的道路交通事件自动检测所采用的图像处理算法和基于视频的道路交通事件自动检测算法。     

视频交通事件检测系统在京秦高速公路中的应用

实时视频交通事件检测系统作为全程监控系统建设项目的重要组成部分,实现了交通事件的快速、准确检测以及及时有效的处理。文中对京秦高速公路视频交通事件检测系统的构成、功能及应用状况进行了分析,针对应用中存在的问题提出了改进建议。     

基于Fisher判别的城市快速路自动事件检测算法研究

交通事件检测是尽早发现公路运营中的事故隐患,提高运输安全性的重要技术.文章目的在于构建一个高精度并且易于实施的快速路自动事件检测算法.在简述国外自动事件检测算法、分析快速路特点和事件检测系统要求的基础上,研究了快速路检测器布置的原则和优化密度,选择了对事件发生敏感度最大的4个交通参量,建立了基于Fisher判别模型的自动事件检测算法,采用历史数据对模型进行标定,并给出了试验评价结果.试验结果表明,该方法检测率达到85.7%,并且检测速度快.     

东海大桥交通异常事件识别应用研究

借助人工智能、物联网、云计算等技术在东海大桥的应用,实现了对交通异常事件的智慧巡检与监测。利用现有路侧监控视频和巡检视频,基于人工智能算法,对交通异常事件影响行车安全的问题及时识别,并通过智慧检测系统报警。系统结合二三维一体化模型,实现对病害及异常事件的快速定位,辅助后续处置流程,提高处置效率。     

公路交通事件检测研究综述

交通事件检测算法是交通事件检测系统的核心组成部分,合适的检测算法对于及时处理交通事件来说至关重要.为了促进公路交通事件检测的研究,系统地梳理了传统间接交通事件检测方法的代表性算法的优缺点;对一些前沿交通事件检测方法的研究进行了综述,包括基于人工神经网络的交通事件检测算法、基于视频检测技术的交通事件检测方法、基于小波变换的交通事件检测算法、基于SVM的交通事件检测算法和基于多源信息融合的交通事件检测方法,并展望了未来交通事件检测算法的研究方向.     

基于视频的交通事件自动检测技术综述

首先从基于视频的交通事件自动检测技术所涉及的目标提取、车辆跟踪和行为理解等3个步骤中，详细地介绍和比较国际上常用的各种检测算法；其次，从背景建模和车辆阴影两个方面分析了检测算法中存在的技术难点和可能的解决方案；同时，从平均检测时间、检测率和误报率3个方面介绍该技术算法性能的评价方法。最后总结了基于视频的交通事件自动检测的相关技术，展望了该技术的发展前景。     

基于因子分析和最小最大概率机的交通事件检测算法

为了进一步提高交通事件检测的精度与效率,在多角度构建事件检测初始交通变量的基础上,设计了1种基于因子分析和最小最大概率机的交通事件检测算法。通过分析交通事件上下游交通流参数的变化规律,构建了11种初始交通事件检测变量,利用因子分析方法对初始交通变量进行特征提取,实现初始交通变量的有效降维,并分别采用核函数最小最大概率机算法和线性最小最大概率机算法进行交通事件检测。最后,采用美国I‐880数据库的实测数据进行实验验证和对比分析,实验结果表明,FA‐M PM算法较M PM算法事件检测率提高3.5%,误报率降低0.17%,平均检测事件减少了27.5s,且最小最大概率机算法的交通事件检测效果明显优于支持向量机算法和BP神经网络算法。      

基于偏差分析的交通事件自动检测算法

高速公路事件检测是交通管理与控制中十分重要的环节。将交通流动态预测与事件检测相结合,探讨了基于偏差分析的事件识别方法。该方法对3个主要的交通流参数,交通量、地点车速和时间占有率进行动态预测,对预测值与实际值的偏差进行统计分析,明确了事件检测的具体步骤和事件发生概率的计算模型。该方法不受检测路段具体位置和时间的限制,具有较高的检测率和较小的误报率,有助于管理人员制定决策。     

基于Logit模型的城市道路交通事件检测仿真

以Logit模型为基础,利用效用函数与概率的概念,建立分时段的城市道路交通事件检测算法。由PARAMICS软件产生模拟交通流数据,将数据输入LIMDEP软件并标定效用函数的系数,同时还输出最大概率预测表。仿真试验结果表明:(1)基于Logit模型的检测算法不仅能够用于城市道路的事件检测,还可判断事件发生所在的车道。(2)在路段长度、车道数、流量相等的模拟条件下,交叉口信号超过仿真所设定的1 min时段长度时,检测效果降低。若将模型时段长度由1 min提高至超过最大信号周期,即可解决检测效果降低的问题。     

基于图像识别与追踪技术的高速公路交通事件有效检测范围

针对视频交通事件检测器的有效检测范围目前在行业内产生的广泛争议,结合摄像机安装高度、安装角度、摄像机性能指标,通过理论计算和试验验证,得到视频交通事件检测系统对相关交通事件的合理检测范围,从而为高速公路全程视频监控系统外场监控摄像机的布设间距、布设方式提供数据支持,实现高速公路全程无盲区智能化监控识别。计算结果表明,对于小汽车停驶等交通事件,其有效检测距离大于1 000 m的传统说法是不准确的,目前的技术水平很难达到,其合理检测距离应该在500 m左右,试验数据验证了这一说法,但视频交通事件检测系统的有效检测距离后续会随着摄像机性能的不断增强而有所提高,从而满足高速公路监控系统不断提高的监控需求。     

城市快速路三维集成交通事件自动检测算法

为了及时、准确地检测交通事件并采取有效的管理手段,提高城市快速路交通管理水平,在总结现有交通事件自动检测算法优缺点的基础上,提出了一种基于二维空间和一维时间的交通流异常变化的三维集成交通事件自动检测算法(集成AID算法),并利用北京市二环快速路上现有的交通流数据及相应的交通事件信息,对提出的集成AID算法进行验证,对其有效性和实用性进行分析。结果表明:该算法能够对快速路交通事件进行有效检测,与各个维度的子算法相比,能有效提高检测率,降低误报率,能够满足实际工程应用的需求。     

道路交通状态识别技术研究

交通拥堵和突发事件已成为困扰当前城市交通的2大难题,重点讲述了如何识别交通状态,提出了1种基于模糊推理的交通拥堵等级评判算法和1种基于双变量模型的交通事件识别算法。经过验证,这2种算法可达到较好的交通状态识别效果。     

一种基于ART2神经网络的高速公路交通事件自动检测算法

提出一种基于ART2伸经网络的高速公路交通事件自动检测的新算法。该算法利用高速公路交通流模型和ART2神经网络分别作观测器和分类器。观测器估计的数据和实际交通数据进行比较,得到残差序列;利用ART2神经网络对残差序列进行分类,以区分不同交通状态下的交通信息,达到检测交通事件的目的。本算法不但可以识别已知的交通事件类型。还可以识别未知的或从未出现过的交通事件类型,是一个可以边工作、边学习的检测系统。     

基于检测器脉冲数据的高速公路事件自动检测算法研究

提出了一种全新的高速公路事件自动检测算法,直接利用车辆检测器输出的脉冲宽度和脉冲间隔作为参数,运用LVQ神经网络对获得的脉冲宽度数据和脉冲间隔数据进行处理来判断是否有事件发生,从而大大减少了检测时间,为交通事件的快速处理提供了可靠的依据。此外,该算法利用神经网络的自学习能力,可以很好地确定各条道路发生交通事件的门限值。仿真结果表明:该算法具有较高的事件检测率(约为97%)、较短的检测时间和较低的误警率(约为0 41%),具有很好的应用前景。