專利名稱：一種基于視頻的車輛碰撞事故檢測方法及系統(tǒng)的制作方法
技術(shù)領域：
本發(fā)明涉及數(shù)字圖像處理領域，更具體地，涉及一種基于視頻的車輛碰撞事故檢測方法及系統(tǒng)。
背景技術(shù)：
隨著經(jīng)濟社會的快速發(fā)展，我國車輛擁有量也隨著快速增長，道路交通壓力非常大，交通阻塞成為交通運輸系統(tǒng)中普遍存在的現(xiàn)象。而又由于道路交通活動異?；钴S，道路道路交通事故也進入了高發(fā)期，道路交通事故的發(fā)生進一步加大了道路交通的通行壓力。因此，對交通事故的及時處理提出了更高的要求?，F(xiàn)有車輛碰撞事故的發(fā)現(xiàn)和處理主要依賴于事故參與者的主動報警，一來影響到事故處理的時效，二來交通主管部門無法及時根據(jù)事故的發(fā)生對周邊區(qū)域的交通狀態(tài)進行掌控和調(diào)節(jié)
發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題是提供一種能夠?qū)崟r檢測道路交通車輛發(fā)生碰撞事故的一種基于視頻的車輛碰撞事故檢測方法。本發(fā)明還提供一種能夠?qū)崟r檢測道路交通車輛發(fā)生碰撞事故的一種基于視頻的車輛碰撞事故檢測系統(tǒng)。為解決上述技術(shù)問題，本發(fā)明的技術(shù)方案如下:
一種基于視頻的車輛碰撞事故檢測方法，包括如下步驟:
采集視頻流數(shù)據(jù)；
將采集到的視頻圖像進行處理獲取運動前景檢測圖像；
對運動前景檢測圖像中的車輛進行跟蹤；
對跟蹤車輛進行檢測判定出發(fā)生車體粘連的車輛；
對粘連在一起的車輛的車速進行判別，將車速發(fā)生突變的車輛判定為發(fā)生碰撞事故的車輛。改進之一:采集到的視頻圖像進行運動前景檢測前還通過透視投影變換進行拉伸處理。透視投影變換能夠?qū)⒍S圖像按照一定的規(guī)則進行拉伸，使得拉伸后的圖像能夠較真實地反映圖像中物體的實際位置關系，使得后續(xù)車速的檢測更加準確。改進之二:所述對運動前景檢測圖像中的車輛進行跟蹤的具體步驟為:
對運動前景檢測圖像進行過濾，獲取當前幀興趣區(qū)域內(nèi)各個車輛的信息；
根據(jù)各車輛的信息進行匹配跟蹤。改進之三:所述對跟蹤車輛進行檢測判定出發(fā)生車體粘連的車輛的具體步驟為: 檢測當前幀圖像中所跟蹤的車輛是否有消失，若有，則將其標記為消失目標；
設定每個跟蹤車輛的搜索范圍，對每一個消失目標，在當前幀圖像搜索出包含消失目標的搜索區(qū)域，根據(jù)該搜索區(qū)域所在的范圍找到該范圍對應的跟蹤車輛，將該跟蹤車輛與該消失目標進行配對標記；
對每一個消失目標配對，在當前幀圖像中對消失目標進行搜索匹配，若在配對目標的圖像中搜索到消失目標的圖像，則判定該消失目標配對發(fā)生車體粘連，并標記為合并目標對，否則判斷該消失目標配對沒有發(fā)生車體粘連，釋放配對標記。改進之四:所述對粘連在一起的車輛的車速進行判別，將車速發(fā)生突變的車輛判定為發(fā)生碰撞事故的車輛的具體步驟為
檢測當前幀圖像中合并目標對存在時間是否超過時間閾值，若是則判定為正常圖像重疊，并釋放該合并目標對，在當前幀圖像中結(jié)束對該合并目標對的檢測，否則從合并目標對中分割出消失目標和被合并目標；
根據(jù)消失目標和被合并目標在當前幀圖像和前一幀圖像的位置求出兩目標的速度；將兩目標在兩幀圖像中的速度進行對比，若合并目標對中任一目標的速度的改變大于預先設定的速度閾值，則判定所述合并目標對發(fā)生了碰撞事故，在當前幀圖像中標記出事故區(qū)域；否則在當前幀圖像中結(jié)束對該合并目標對的檢測。改進之五:所述速度閾值包括角度閾值和速率閾值，當合并目標對中任一目標的速度的改變大于角度閾值和/或速率閾值即可判定所述合并目標對發(fā)生了碰撞事故。一種基于視頻的車輛碰撞事故檢測系統(tǒng)，包括:
視頻采集模塊，用于采集視頻流 數(shù)據(jù)；
運動前景檢測模塊，用于將采集到的視頻圖像進行處理獲取運動前景檢測圖像；
車輛跟蹤模塊，用于對運動前景檢測圖像中的車輛進行跟蹤；
車體粘連檢測模塊，用于對跟蹤車輛進行檢測判定出發(fā)生車體粘連的車輛；
車速突變檢測模塊，用于對粘連在一起的車輛的車速進行判別，將車速發(fā)生突變的車輛判定為發(fā)生碰撞事故。所述車輛跟蹤模塊具體用于:
對運動前景檢測圖像進行過濾，獲取當前幀興趣區(qū)域內(nèi)各個車輛的信息；
根據(jù)各車輛的信息進行匹配跟蹤。改進之二:所述車體粘連檢測模塊具體包括:
消失目標檢測模塊，用于檢測當前幀圖像中所跟蹤的車輛是否有消失，若有，則將其標記為消失目標；
配對模塊，用于設定每個跟蹤車輛的搜索范圍，對每一個消失目標，在當前幀圖像搜索出包含消失目標的搜索區(qū)域，根據(jù)該搜索區(qū)域所在的范圍找到該范圍對應的跟蹤車輛，將該跟蹤車輛與該消失目標進行配對標記；
合并目標模塊，用于對每一個消失目標配對，在當前幀圖像中對消失目標進行搜索匹配，若在配對目標的圖像中搜索到消失目標的圖像，則判定該消失目標配對發(fā)生車體粘連，并標記為合并目標對，否則判斷該消失目標配對沒有發(fā)生車體粘連，釋放配對標記。改進之三:所述車速突變檢測模塊具體包括:
分割模塊，用于檢測當前幀圖像中合并目標對存在時間是否超過時間閾值，若是則判定為正常圖像重疊，并釋放該合并目標對，在當前幀圖像中結(jié)束對該合并目標對的檢測，否則從合并目標對中分割出消失目標和被合并目標；
速度計算模塊，用于根據(jù)消失目標和被合并目標在當前幀圖像和前一幀圖像的位置求出兩目標的速度；
事故判定模塊，用于將兩目標在兩幀圖像中的速度進行對比，若合并目標對中任一目標的速度方向大于角度閾值和/或車速大小改變大于速率閾值，則判定該合并目標對發(fā)生了碰撞事故，在當前幀圖像中標記出事故區(qū)域，否則在當前幀圖像中結(jié)束對該合并目標對的檢測。與現(xiàn)有技術(shù)相比，本發(fā)明技術(shù)方案的有益效果是:
(I)本發(fā)明能夠?qū)Φ缆方煌ㄟM行實時監(jiān)控，對事故的發(fā)生能夠第一時間進行定位并提供事故報警，有效提高了交通事故的響應速度和處理速度，從而有效緩解因交通事故帶來的交通壓力。(2)本發(fā)明基于圖像信息的包含關系進行車體粘連判定，能夠直接而有效地對碰撞事故的發(fā)生進行準確的判斷。(3)本發(fā)明還基于車輛速度突變的判別模塊對發(fā)生車體粘連的車輛進行進一步的判斷，有效區(qū)分車輛碰撞發(fā)生的車體粘連與車輛位置相近而發(fā)生的圖像重疊，進一步提高了檢測車輛碰撞事故發(fā)生的準確率。


圖1為本發(fā)明中一種基于視頻的車輛碰撞事故檢測方法具體實施例的流程圖。
圖2為本發(fā)明具體實施例中經(jīng)透視投影變換前的原始視頻圖像示意圖。圖3為本發(fā)明具體實施例中原始視頻圖像經(jīng)透視投影變換后的二維圖像示意圖。圖4為對圖3進行處理得到的運動前景檢測圖像。圖5為本發(fā)明具體實施例中合并目標對檢測過程示意圖。圖6為本發(fā)明具體實施例1中步驟S106的檢測流程圖。圖7為本發(fā)明中一種基于視頻的車輛碰撞事故檢測系統(tǒng)具體實施例的架構(gòu)圖。
具體實施例方式下面結(jié)合附圖和實施例對本發(fā)明的技術(shù)方案做進一步的說明。實施例1
如圖1所示，為本發(fā)明中一種基于視頻的車輛碰撞事故檢測方法具體實施例的流程圖。參見圖1，本具體實施例一種基于視頻的車輛碰撞事故檢測方法的具體步驟如下:
步驟SlOl:采集視頻流數(shù)據(jù)；視頻流數(shù)據(jù)可以通過安裝在交通道路邊的攝像頭拍攝獲得，對攝像頭拍攝到道路狀況的視頻流數(shù)據(jù)進行遠程采集即可。步驟S102:將采集到的視頻圖像進行處理獲取運動前景檢測圖像；
步驟S103:對運動前景檢測圖像中的車輛進行跟蹤；
步驟S104:對跟蹤車輛進行檢測判定出發(fā)生車體粘連的車輛；
步驟S105:對粘連在一起的車輛的車速進行判別，將車速發(fā)生突變的車輛判定為發(fā)生碰撞事故的車輛，并進行事故報警。據(jù)此，本實施例通過對采集到的實時交通道路圖像進行運動前景檢測，根據(jù)運動前景檢測圖像中的車輛進行跟蹤，然后基于圖像信息的車體粘連進行判定，并通過基于車速突變的事故判定剔除因車輛相近而發(fā)生的圖像重疊情況，準確判斷出實時發(fā)生的碰撞事故，為交通部門提供事故告警，提高交通事故的響應速度和處理速度。在具體實施過程中，本具體實施例的步驟S102對采集到的視頻圖像進行運動前景檢測前還通過透視投影變換進行拉伸處理。透視投影變換能夠?qū)⒍S圖像按照一定的規(guī)則進行拉伸，使得拉伸后的圖像能夠較真實地反映圖像中物體的實際位置關系，使得后續(xù)車速的檢測更加準確，具體步驟為:
從采集視頻流數(shù)據(jù)中提取出視頻圖像；
對視頻圖像進行標定，計算出透視投影矩陣；其中對視頻圖像的具體標定可以根據(jù)先驗知識進行人工標定；
根據(jù)透視投影矩陣對視頻圖像進行投影、插值處理轉(zhuǎn)變?yōu)橥队皥D像，得到拉伸后的圖
像。 如圖2和3所不，為對視頻圖像進行標定的不意圖，其中圖2為變換如的原始視頻圖像，圖上斑馬線處的4個黑點為透視變換標定點，圖3為經(jīng)過透視投影變換后的圖像，圖上的4個黑點代表標定點經(jīng)過透視投影變換后的相應位置；為了方便標定工作的進行，圖2和圖3中的標定點為現(xiàn)實場景中的一個矩形區(qū)的4個角點，從而計算出透視投影矩陣；由于透視投影可使圖像的長度比例接近實景，方便了車輛長度、速度測量。在具體實施過程中，本具體實施例的步驟S102中可以采用背景差法進行運動前景檢測，具體步驟為:
步驟S1021:根據(jù)先前獲取的視頻流數(shù)據(jù)提取出背景圖像；
步驟S1022:將拉伸后的當前幀圖像與背景圖像進行差分計算得到背景差分 步驟S1023:將背景差分圖經(jīng)去噪、二值化操作后得到二值化的運動前景檢測圖像。如圖3和4所示，其中圖3為經(jīng)過透視投影變換后的當前幀圖像，圖4為運動前景檢測圖像。在具體實施過程中，本具體實施例的步驟S103可以采用波門跟蹤加線性預測的方法對車輛進行跟蹤。在本具體實施例中，步驟S103的具體步驟為:
S1031:對運動前景檢測圖像進行過濾，獲取當前幀興趣區(qū)域內(nèi)各個車輛的信息；其中興趣區(qū)域可以通過人工的方式選取一定的區(qū)域作為興趣區(qū)域。S1032:根據(jù)各車輛的信息進行匹配跟蹤。進行車輛跟蹤時可以對興趣區(qū)域內(nèi)各個車輛的位置信息、圖像信息序列進行實時記錄，便于后續(xù)圖像的處理。車輛碰撞事故會伴隨著車體粘連同時發(fā)生，所以檢測車體粘連是一種有效且直接的判斷車輛碰撞事故是否發(fā)生的方法。車體粘連發(fā)生時，車輛目標會合并。本具體實施例中即是通過檢測車輛合并篩選出疑似發(fā)生車體粘連的目標，再通過分析車輛發(fā)生合并前和合并后的圖像信息，用以判斷車體是否發(fā)生粘連，因此，本具體實施例的步驟S104的具體步驟為:
步驟S1041:檢測當前幀圖像中所跟蹤的車輛是否有消失，若有，則將其標記為消失目標；此處的消失可以指一輛車輛與另一車輛靠近使得圖像上顯示為合并車輛的情況，合并在一起的兩輛車在檢測時會被當做一輛，即另一輛沒被檢測到，即為消失。步驟S1042:設定每個跟蹤車輛的搜索范圍，對每一個消失目標，在當前幀圖像搜索出包含消失目標的搜索區(qū)域，根據(jù)該搜索區(qū)域所在的范圍找到該范圍對應的跟蹤車輛，將該跟蹤車輛與該消失目標進行配對標記；其中如消失目標沒有找到相配對的跟蹤車輛，則表示該消失目標為正常消失，對其釋放標記；步驟S1043:對每一個消失目標配對，在當前幀圖像中對消失目標進行搜索匹配，若在配對目標的圖像中搜索到消失目標的圖像，則判定該消失目標配對發(fā)生車體粘連，并標記為合并目標對，否則判斷該消失目標配對沒有發(fā)生車體粘連，釋放配對標記。車輛靠近形成合并車輛的圖像時，合并車輛的圖像中仍然會存在消失目標的圖像，因此，在當前幀圖像中對消失目標進行搜索時，會在與消失目標合并的配對圖像區(qū)域中找到消失目標。如圖5所示，左邊圖像為合并目標對的圖像，中間圖像為消失目標的圖像，右邊圖像為在合并目標對圖像中搜索匹配的消失目標的圖像的結(jié)果，其中右邊圖像中白色框為匹配的位置結(jié)果，為了能夠直觀地顯示匹配結(jié)果，白色框內(nèi)的圖像內(nèi)容為合并目標該區(qū)域的圖像信息與合并目標圖像信息的差分結(jié)果。為了區(qū)分車輛碰撞發(fā)生的車輛粘連和位置相近而發(fā)生的圖像重疊，從而提高對車輛碰撞事故檢測的準確率,本具體實施例還還對碰撞事故的其他特征進行檢測。根據(jù)分析，車速突變也是檢測車輛碰撞直接有效的判別特征。本具體實施例利用圖像搜索將合并目標對中的消失目標與被合并目標分離出來，分別獲取兩個目標的當前位置，將相鄰兩幀圖像中目標所在的中心位置進行差分，即可求出兩目標的速度，從而進行車速突變的判別。因此，如圖6所示，本具體實施例的步驟S105的具體步驟為: S1051:檢測當前幀圖像中合并目標對存在時間是否超過時間閾值，若是則判定為正常圖像重疊，并釋放該合并目標對，在當前幀圖像中結(jié)束對該合并目標對的檢測，否則從合并目標對中分割出消失目標和被合并目標；本具體實施例中，為了減少誤檢，車輛發(fā)生粘連后，只對發(fā)生粘連開始的時間閾值內(nèi)的合并目標對進行事故判別，因此，根據(jù)先驗知識，時間閾值設置為Is時檢測結(jié)果最佳；如Is內(nèi)沒有檢測到碰撞事故發(fā)生，則認為該此粘連為正常的圖像重疊。S1052:根據(jù)消失目標和被合并目標在當前幀圖像和前一幀圖像的位置求出兩目標的速度；其中被合并目標指的是合并目標對中除消失目標外所包含的車輛目標。S1053:將兩目標在兩幀圖像中的速度進行對比，若合并目標對中任一目標的速度的改變大于預先設定的速度閾值則判定所述合并目標對發(fā)生了碰撞事故，在當前幀圖像中標記出事故區(qū)域，并進行事故報警，否則在當前幀圖像中結(jié)束對該合并目標對的檢測。其中，為了減少誤檢，本具體實施例中的速度閾值包括角度閾值和速率閾值，當合并目標對中任一目標的速度方向的改變大于角度閾值和/或速度大小的改變大于速率閾值，則可判定所述合并目標對發(fā)生了碰撞事故并進行事故報警。其中，速率閾值設置為40% 70%和/或角度閾值設置為45度 90度時，車輛事故的判定準確率更高。本具體實施例能夠在碰撞事故發(fā)生的第一時間提供事故告警，提高了事故響應速度和處理速度。實施例2
如圖7所示，為本發(fā)明中一種基于視頻的車輛碰撞事故檢測系統(tǒng)具體實施例的架構(gòu)圖。參見圖7本具體實施例的一種基于視頻的車輛碰撞事故檢測系統(tǒng)具體包括:
視頻采集模塊201，用于采集視頻流數(shù)據(jù)；視頻流數(shù)據(jù)可以通過安裝在道路邊的攝像頭拍攝獲得，視頻采集模塊與攝像頭連接，對攝像頭拍攝到道路狀況的視頻流數(shù)據(jù)進行遠程采集即可；其中視頻采集模塊可以采用視頻采集卡實現(xiàn)，也可以是直接接收數(shù)字視頻信號碼流。
運動前景檢測模塊203，用于對采集的視頻圖像進行處理獲取運動前景檢測圖像；其具體用于:根據(jù)先前獲取的視頻流數(shù)據(jù)提取出背景圖像；將采集到的當前幀圖像與背景圖像進行差分計算得到背景差分圖；將背景差分圖經(jīng)去噪、二值化操作后得到二值化的運動前景檢測圖像；
車輛跟蹤模塊204，用于對運動前景檢測圖像中的車輛進行跟蹤；其具體用于:對運動前景檢測圖像進行過濾，獲取當前幀興趣區(qū)域內(nèi)各個車輛的信息，然后根據(jù)各車輛的信息進行匹配跟蹤。車體粘連檢測模塊205，用于對跟蹤車輛進行檢測判定出發(fā)生車體粘連的車輛；車輛碰撞事故會伴隨著車體粘連同時發(fā)生，所以檢測車體粘連是一種有效且直接的判斷車輛碰撞事故是否發(fā)生的方法。車體粘連發(fā)生時，車輛目標會合并。本具體實施例中即是通過車體粘連檢測模塊205檢測車輛合并篩選出疑似發(fā)生車體粘連的目標，再通過分析車輛發(fā)生合并前和合并后的圖像信息，用以判斷車體是否發(fā)生粘連。其具體包括:
消失目標檢測模塊，用于檢測當前幀圖像中所跟蹤的車輛是否有消失，若有，則將其標記為消失目標；
配對模塊，用于設定每個跟蹤車輛的搜索 范圍，對每一個消失目標，在當前幀圖像搜索出包含消失目標的搜索區(qū)域，根據(jù)該搜索區(qū)域所在的范圍找到該范圍對應的跟蹤車輛，將該跟蹤車輛與該消失目標進行配對標記；
合并目標模塊，用于對每一個消失目標配對，在當前幀圖像中對消失目標進行搜索匹配，若在配對目標的圖像中搜索到消失目標的圖像，則判定該消失目標配對發(fā)生車體粘連，并標記為合并目標對，否則判斷該消失目標配對沒有發(fā)生車體粘連，釋放配對標記。車速突變檢測模塊206，用于對粘連在一起的車輛的車速進行判別，將車速發(fā)生突變的車輛判定為發(fā)生碰撞事故，并進行事故報警；為了區(qū)分車輛碰撞發(fā)生的車輛粘連和位置相近而發(fā)生的圖像重疊，從而提高對車輛碰撞事故檢測的準確率，本具體實施例還還對碰撞事故的其他特征進行檢測。根據(jù)分析，車速突變也是檢測車輛碰撞直接有效的判別特征。本具體實施例利用車速突變檢測模塊206設置一個基于車速突變的事故判別模型，通過圖像搜索將合并目標對中的消失目標與被合并目標分離出來，分別獲取兩個目標的當前位置，將相鄰兩幀圖像中目標所在的中心位置進行差分，即可求出兩目標的速度，從而進行車速突變的判別。其具體包括:
分割模塊，用于檢測當前幀圖像中合并目標對存在時間是否超過時間閾值，若是則判定為正常圖像重疊，并釋放該合并目標對，在當前幀圖像中結(jié)束對該合并目標對的檢測，否則從合并目標對中分割出消失目標和被合并目標；
速度計算模塊，用于根據(jù)消失目標和被合并目標在當前幀圖像和前一幀圖像的位置求出兩目標的速度；
事故判定模塊，用于將兩目標在兩幀圖像中的速度進行對比，若合并目標對中任一目標的速度方向改變大于角度閾值和/或車速大小改變大于速率閾值，則判定該合并目標對發(fā)生了碰撞事故，并進行事故報警，在當前幀圖像中標記出事故區(qū)域，否則在當前幀圖像中結(jié)束對該合并目標對的檢測。其中，速率閾值設置為40% 70%和/或角度閾值設置為45度 90度時，車輛事故的判定準確率更高。在本具體實施例中，為了使圖像的長度比例接近實景，方便了車輛長度、速度測量，還設置了投影變換模塊202，用于將采集到的視頻圖像先進行拉伸處理，在輸入到運動前景檢測模塊中進行處理；其投影變換模塊202用于從采集到的視頻流數(shù)據(jù)中提取出視頻圖像，對視頻圖像進行標定，計算出透視投影矩陣，根據(jù)透視投影矩陣對視頻圖像進行投影、插值處理轉(zhuǎn)變?yōu)橥队皥D像，得到二維圖像；由于透視投影可使圖像的長度比例接近實景，方便了車輛長度、速度測量。據(jù)此，本具體實施例通過視頻采集模塊201采集到視頻流數(shù)據(jù)，通過投影變化模塊202將采集到的視頻流數(shù)據(jù)進行拉伸處理，然后利用運動前景檢測模塊203將拉伸后的當前幀圖像進行處理，去掉背景部分，獲取二值化的運動前景檢測圖像；接著利用車輛跟蹤模塊204對運動前景檢測圖像中的車輛進行跟蹤，再結(jié)合車體粘連檢測模塊205對跟蹤的車輛進行檢測判斷所跟蹤的車輛中是否有發(fā)生車體粘連的，若有再利用車速突變檢測模塊206對發(fā)生車體粘連的車輛進行進一步的排除，通過對車速突變的檢測來排除因車輛位置相近發(fā)生圖像重疊而被判斷為車體粘連的誤檢情況，最后提取出因車輛碰撞事故而發(fā)生車體粘連的情況，從而判斷發(fā)生該車體粘連的車輛發(fā)生了碰撞事故。本具體實施例能夠在碰撞事故發(fā)生的第一時間提供事故告警 ，提高了事故響應速度和處理速度。
權(quán)利要求
1.一種基于視頻的車輛碰撞事故檢測方法，其特征在于，包括如下步驟: 采集視頻流數(shù)據(jù)； 將采集到的視頻圖像進行處理獲取運動前景檢測圖像； 對運動前景檢測圖像中的車輛進行跟蹤； 對跟蹤車輛進行檢測判定出發(fā)生車體粘連的車輛； 對粘連在一起的車輛的車速進行判別，將車速發(fā)生突變的車輛判定為發(fā)生碰撞事故的車輛，并進行事故報警。
2.根據(jù)權(quán)利要求1所述的基于視頻的車輛碰撞事故檢測方法，其特征在于，采集到的視頻圖像進行運動前景檢測前還通過透視投影變換進行拉伸處理。
3.根據(jù)權(quán)利要求1所述的基于視頻的車輛碰撞事故檢測方法，其特征在于，所述對運動前景檢測圖像中的車輛進行跟蹤的具體步驟為: 對運動前景檢測圖像進行過濾，獲取當前幀興趣區(qū)域內(nèi)各個車輛的信息； 根據(jù)各車輛的信息進行匹配跟蹤。
4.根據(jù)權(quán)利要求1所述的基于視頻的車輛碰撞事故檢測方法，其特征在于，所述對跟蹤車輛進行檢測判定出發(fā)生車體粘連的車輛的具體步驟為: 根檢測當前幀圖像中所跟蹤的車輛是否有消失，若有，則將其標記為消失目標； 設定每個跟蹤車輛的搜索范圍，對每一個消失目標，在當前幀圖像搜索出包含消失目標的搜索區(qū)域，根據(jù)該搜索區(qū)域所在的范圍找到該范圍對應的跟蹤車輛，將該跟蹤車輛與該消失目標進行配對標記； 對每一個消失目標配對，在當前幀圖像中對消失目標進行搜索匹配，若在配對目標的圖像中搜索到消失目標的圖像，則判定該消失目標配對發(fā)生車體粘連，并標記為合并目標對，否則判斷該消失目標配對沒有發(fā)生車體粘連，釋放配對標記。
5.根據(jù)權(quán)利要求4所述的基于視頻的車輛碰撞事故檢測方法，其特征在于，所述對粘連在一起的車輛的車速進行判別，將車速發(fā)生突變的車輛判定為發(fā)生碰撞事故的車輛的具體步驟為: 檢測當前幀圖像中合并目標對存在時間是否超過時間閾值，若是則判定為正常圖像重疊，并釋放該合并目標對，在當前幀圖像中結(jié)束對該合并目標對的檢測，否則從合并目標對中分割出消失目標和被合并目標； 根據(jù)消失目標和被合并目標在當前幀圖像和前一幀圖像的位置求出兩目標的速度；將兩目標在兩幀圖像中的速度進行對比，若合并目標對其中任一目標的速度的改變大于預先設定的速度閾值，則判定所述合并目標對發(fā)生了碰撞事故，在當前幀圖像中標記出事故區(qū)域，并進行事故報警；否則在當前幀圖像中結(jié)束對該合并目標對的檢測。
6.根據(jù)權(quán)利要求5所述的基于視頻的車輛碰撞事故檢測方法，其特征在于，所述速度閾值包括角度閾值和速率閾值，當合并目標對中任一目標的速度的改變大于角度閾值和/或速率閾值即可判定所述合并目標對發(fā)生了碰撞事故。
7.一種基于視頻的車輛碰撞事故檢測系統(tǒng)，其特征在于，包括: 視頻采集模塊，用于采集視頻流數(shù)據(jù)； 運動前景檢測模塊，用于將采集到的視頻圖像進行處理獲取運動前景檢測圖像； 車輛跟蹤模塊，用于對運動前景檢測圖像中的車輛進行跟蹤；車體粘連檢測模塊，用于對跟蹤車輛進行檢測判定出發(fā)生車體粘連的車輛； 車速突變檢測模塊，用于對粘連在一起的車輛的車速進行判別，將車速發(fā)生突變的車輛判定為發(fā)生碰撞事故，并進行事故報警。
8.根據(jù)權(quán)利要求7所述的基于視頻的車輛碰撞事故檢測系統(tǒng)，其特征在于， 所述車輛跟蹤模塊具體用于: 對運動前景檢測圖像進行過濾，獲取當前幀興趣區(qū)域內(nèi)各個車輛的信息； 根據(jù)各車輛的信息進行匹配跟蹤。
9.根據(jù)權(quán)利要求7所述的基于視頻的車輛碰撞事故檢測系統(tǒng)，其特征在于，所述車體粘連檢測模塊具體包括: 消失目標檢測模塊，用于檢測當前幀圖像中所跟蹤的車輛是否有消失，若有，則將其標記為消失目標； 配對模塊，用于設定每個跟蹤車輛的搜索范圍，對每一個消失目標，在當前幀圖像搜索出包含消失目標的搜索區(qū)域，根據(jù)該搜索區(qū)域所在的范圍找到該范圍對應的跟蹤車輛，將該跟蹤車輛與該消失目標進行配對標記； 合并目標模塊，用于對每一個消失目標配對，在當前幀圖像中對消失目標進行搜索匹配，若在配對目標的圖像中搜索到消失目標的圖像，則判定該消失目標配對發(fā)生車體粘連，并標記為合并目標對，否則判斷該消失目標配對沒有發(fā)生車體粘連，釋放配對標記。
10.根據(jù)權(quán)利要求9所述的基于視頻的車輛碰撞事故檢測系統(tǒng)，其特征在于，所述車速突變檢測模塊具體包括:` 分割模塊，用于檢測當前幀圖像中合并目標對存在時間是否超過時間閾值，若是則判定為正常圖像重疊，并釋放該合并目標對，在當前幀圖像中結(jié)束對該合并目標對的檢測，否則從合并目標對中分割出消失目標和被合并目標； 速度計算模塊，用于根據(jù)消失目標和被合并目標在當前幀圖像和前一幀圖像的位置求出兩目標的速度； 事故判定模塊，用于將兩目標在兩幀圖像中的速度進行對比，若合并目標對中任一目標的速度方向大于角度閾值和/或車速大小改變大于速率閾值，則判定該合并目標對發(fā)生了碰撞事故，并進行事故報警，在當前幀圖像中標記出事故區(qū)域，否則在當前幀圖像中結(jié)束對該合并目標對的檢測。
全文摘要
本發(fā)明涉及數(shù)字圖像處理領域，更具體地，涉及一種基于視頻的車輛碰撞事故檢測方法及系統(tǒng)。所述方法包括如下步驟采集視頻流數(shù)據(jù)；將采集到的視頻圖像進行處理獲取運動前景檢測圖像；對運動前景檢測圖像中的車輛進行跟蹤；對跟蹤車輛進行檢測判定出發(fā)生車體粘連的車輛；對粘連在一起的車輛的車速進行判別，將車速發(fā)生突變的車輛判定為發(fā)生碰撞事故的車輛。本發(fā)明能夠?qū)Φ缆方煌ㄟM行實時監(jiān)控，對事故的發(fā)生能夠第一時間進行定位并提供事故報警，有效提高了交通事故的響應速度和處理速度，從而有效緩解因交通事故帶來的交通壓力。
文檔編號G06K9/00GK103226891SQ201310099258
公開日2013年7月31日 申請日期2013年3月26日 優(yōu)先權(quán)日2013年3月26日
發(fā)明者李熙瑩, 羅長政, 王鎮(zhèn)波, 羅東華, 余志 申請人:中山大學, 廣州市方緯交通科技有限公司