本发明属于图像处理，具体涉及一种基于机器视觉的道路非常态事件检测系统。
背景技术：
1、随着城市交通的不断发展和智能化程度的提高，道路交通安全问题备受关注。在日常交通管理和安全监控中，对于道路上的异常事件（如车祸、交通事故、交通堵塞等）的及时检测和处理变得越来越重要。传统的交通监控系统往往依赖于人工巡逻或简单的视频监控设备，存在着监控范围有限、实时性不高、准确度不够等问题。为了解决这些问题，基于机器视觉技术的道路非常态事件检测系统应运而生。
2、传统的视频监控系统主要依靠摄像头采集视频图像，并通过人工巡逻或简单的图像处理算法进行事件检测。然而，这种系统存在着以下局限性：有限的监控范围：传统的摄像头布设和固定位置限制了监控范围，无法全面覆盖道路网络。人工巡逻成本高昂：人工巡逻需要大量人力物力，成本高昂，且监控效率低下。准确度不高：简单的图像处理算法往往无法准确识别复杂的非常态事件，容易产生误报或漏报。
技术实现思路
1、本发明的主要目的在于提供一种基于机器视觉的道路非常态事件检测系统，具有准确率高和效率高的优点。
2、为了解决上述问题，本发明的技术方案是这样实现的：
3、一种基于机器视觉的道路非常态事件检测系统，所述系统包括：视频图像获取及预处理单元、运动目标检测与分割单元、运动轨迹跟踪单元和事件检测与判定单元；所述视频图像获取及预处理单元，用于获取目标道路连续的视频帧图像，并对获取到的视频帧图像进行去噪预处理，得到预处理图像；所述运动目标检测与分割单元，用于对预处理图像使用差分光流法进行运动目标检测，得到运动目标在每一帧预处理图像中的位移，同时将每一帧预处理图像中检测出的运动目标分割出来，得到分割运动对象；运动轨迹跟踪单元，用于基于每个分割运动对象在每一帧中的位移，得到每个运动目标的运动轨迹；所述事件检测与判定单元，用于根据每个运动目标的运动轨迹，判断出是否有运动目标出现异常运动，同时，定位出运动目标在进行异常运动时的时间。
4、进一步的，视频图像获取及预处理单元包括：视频图像获取装置和预处理装置；所述视频图像获取装置为固定枪型摄像机；所述预处理装置在对获取到的视频帧图像进行去噪预处理的过程具体包括：对于视频帧图像中的每一帧图像，进行多次高斯模糊操作，生成不同尺度上的图像金字塔；图像金字塔是由每一帧逐级降采样得到的，每一级都比前一级小，并且分辨率降低；从图像金字塔的最高级开始，将每一级的图像放大至每一帧图像的原本大小，然后与上一级的高斯金字塔图像进行差分处理，得到残差图像；对生成的残差图像应用一个高斯模糊核，以模糊残差图像中的高频噪声，从而达到去噪后的残差图像；将去噪后的残差图像与图像金字塔的对应级别图像相加，得到每一帧图像对应的去噪图像；当完成对视频帧图像中的每一帧图像的去噪预处理后，得到视频特帧图像对应的预处理图像。
5、进一步的，运动目标检测与分割单元，对预处理图像使用差分光流法进行运动目标检测，得到运动目标在每一帧预处理图像中的位移的方法具体包括：对每一帧预处理图像，计算其空间梯度，得到其在水平方向和垂直方向上的梯度分量；接着，计算相邻两帧的预处理图像之间的时间梯度，表示像素在时间上的变化；通过求解差分光流方程组得到每个像素点的光流场；根据每个像素点的光流场，筛选出现了运动的像素点，将这些像素点对应的图像区域，作为运动目标，将这些像素点对应的光流场进行归一化均值处理，得到运动目标对应的归一化均值光流场，根据归一化均值光流场，得到运动目标在每一帧预处理图像中的位移。
6、进一步的，设在像素处的光流为，则差分光流方程组表示为：
7、；
8、其中，是一个的光流约束矩阵，用于约束光流的计算；是每一帧预处理图像的梯度的矩阵；、和分别表示像素在水平方向、垂直方向和时间上的梯度。
9、光流约束矩阵使用如下公式进行表示：
10、；
11、通过求解差分光流方程组，得到每个像素点的光流向量；表示像素在水平方向上的位移量，即像素在轴上的移动距离；表示像素在垂直方向上的位移量，即像素在轴上的移动距离。
12、进一步的，归一化均值光流场包括归一化均值水平方向的位移量和归一化均值垂直方向的位移量；所述归一化均值水平方向的位移量等于运动目标包括的所有像素在水平方向上的位移量的算术平均值；所述归一化均值垂直方向的位移量等于运动目标包括的所有像素在垂直方向上的位移量的算术平均值。
13、进一步的，将每一帧预处理图像中检测出的运动目标分割出来，得到分割运动对象的方法包括：对运动目标进行轮廓检测，找到运动目标的边界；根据轮廓的面积和宽高比，对轮廓进行过滤和筛选，筛选出面积大于设定面积阈值和预期宽高比在设定宽高比范围阈值的轮廓；根据筛选的轮廓，确定初始目标候选区域，将轮廓的边界矩形或最小包围圆作为初始目标候选区域的估计；从初始目标候选区域中选择具有其质心位置对应的像素作为种子像素；迭代执行以下步骤，直到达到设定的迭代次数：将种子像素标记为运动目标的一部分，并将其从初始目标候选区域中移除；从种子像素开始，搜索相邻像素，计算它们与初始目标候选区域的相似性；如果相似性高于阈值，则将该像素添加到初始目标候选区域，并将其从图像中移除；当达到设定的迭代次数后，最终得到的目标候选区域作为分割运动对象。
14、进一步的，运动轨迹跟踪单元，基于每个分割运动对象在每一帧中的位移，计算出每个分割运动对象在每一帧中的速度和加速度，以及在每一帧中的位置；按照时间顺序，连接分割运动向量在每一帧中的位置，得到每个运动目标的运动轨迹。
15、进一步的，将每个分割运动对象在每一帧中的速度和加速度，以及在每一帧中的位置，构建每个分割运动对象的轨迹向量；轨迹向量中的每个元素为一个三维向量，包括了每个分割运动对象在对应时刻的帧中的速度、加速度和位置；首先根据每个运动目标的运动轨迹，判断是否出现运动异常，得到判断结果；若判断结果为出现异常，则根据轨迹向量，计算最有可能出现异常的帧，从而定位出运动目标在进行异常运动时的时间。
16、进一步的，将每个运动目标的运动轨迹表示为一个或多个二元函数的组合，得到运动轨迹的函数表达，将函数表达作为输入，输入到预先建立的二分函数支持向量机中，得到判断结果；所述二分函数支持向量机通过预先输入的多个训练样本训练得到；每个训练样本均包括一个样本和标签；所述样本为一个或多个二元函数的组合；标签为异常或非异常；所诉二分函数支持向量机的目标函数使用如下公式进行表示：
17、；
18、其中，是超平面的法向量，是偏置项，是松弛变量；是惩罚参数，取值范围为1到2；是第一平滑参数，取值范围为0.5到1；为二元函数的数量；为二元函数的最大阶数；为二元函数的极大值点或极小值点对应的斜率的最小值；是第二平滑参数，取值范围为0.5到1。
19、进一步的，根据轨迹向量，计算最有可能出现异常的帧的方法包括：将轨迹向量中每个元素视为三维空间中的一个点，对这些点进行聚类分析，得到聚类中心，将距离聚类中心最远的点对应的元素视为异常元素，对应的时间为运动目标进行异常运动时的时间。
20、本发明的一种基于机器视觉的道路非常态事件检测系统，具有以下有益效果：基于机器视觉的道路非常态事件检测系统利用了运动目标检测与分割、运动轨迹跟踪等关键技术，能够实现对道路异常事件的实时监测和响应。在运动目标检测与分割单元中，系统利用差分光流法对预处理图像进行运动目标检测，实时地提取出运动目标，从而快速捕捉异常事件。同时，在运动轨迹跟踪单元中，系统基于每个分割运动对象在每一帧中的位移，计算出每个分割运动对象在每一帧中的速度和加速度，并按照时间顺序连接分割运动向量在每一帧中的位置，从而实现对异常事件的实时跟踪和定位。与传统的基于图像处理算法的系统相比，本发明采用了差分光流法等先进的机器学习算法，能够更准确地识别和跟踪运动目标。在差分光流法中，通过求解光流方程组，可以得到每个像素点的光流向量，从而实现对运动目标的准确检测和定位。此外，系统还利用轨迹向量的聚类分析方法，能够快速识别出异常元素，进一步提高了检测的准确性和稳定性。
1.一种基于机器视觉的道路非常态事件检测系统，其特征在于，所述系统包括：视频图像获取及预处理单元、运动目标检测与分割单元、运动轨迹跟踪单元和事件检测与判定单元；所述视频图像获取及预处理单元，用于获取目标道路连续的视频帧图像，并对获取到的视频帧图像进行去噪预处理，得到预处理图像；所述运动目标检测与分割单元，用于对预处理图像使用差分光流法进行运动目标检测，得到运动目标在每一帧预处理图像中的位移，同时将每一帧预处理图像中检测出的运动目标分割出来，得到分割运动对象；运动轨迹跟踪单元，用于基于每个分割运动对象在每一帧中的位移，得到每个运动目标的运动轨迹；所述事件检测与判定单元，用于根据每个运动目标的运动轨迹，判断出是否有运动目标出现异常运动，同时，定位出运动目标在进行异常运动时的时间。
2.如权利要求1所述的基于机器视觉的道路非常态事件检测系统，其特征在于，视频图像获取及预处理单元包括：视频图像获取装置和预处理装置；所述视频图像获取装置为固定枪型摄像机；所述预处理装置在对获取到的视频帧图像进行去噪预处理的过程具体包括：对于视频帧图像中的每一帧图像，进行多次高斯模糊操作，生成不同尺度上的图像金字塔；图像金字塔是由每一帧逐级降采样得到的，每一级都比前一级小，并且分辨率降低；从图像金字塔的最高级开始，将每一级的图像放大至每一帧图像的原本大小，然后与上一级的高斯金字塔图像进行差分处理，得到残差图像；对生成的残差图像应用一个高斯模糊核，以模糊残差图像中的高频噪声，从而达到去噪后的残差图像；将去噪后的残差图像与图像金字塔的对应级别图像相加，得到每一帧图像对应的去噪图像；当完成对视频帧图像中的每一帧图像的去噪预处理后，得到视频特帧图像对应的预处理图像。
3.如权利要求2所述的基于机器视觉的道路非常态事件检测系统，其特征在于，运动目标检测与分割单元，对预处理图像使用差分光流法进行运动目标检测，得到运动目标在每一帧预处理图像中的位移的方法具体包括：对每一帧预处理图像，计算其空间梯度，得到其在水平方向和垂直方向上的梯度分量；接着，计算相邻两帧的预处理图像之间的时间梯度，表示像素在时间上的变化；通过求解差分光流方程组得到每个像素点的光流场；根据每个像素点的光流场，筛选出现了运动的像素点，将这些像素点对应的图像区域，作为运动目标，将这些像素点对应的光流场进行归一化均值处理，得到运动目标对应的归一化均值光流场，根据归一化均值光流场，得到运动目标在每一帧预处理图像中的位移。
4.如权利要求3所述的基于机器视觉的道路非常态事件检测系统，其特征在于，设在像素处的光流为，则差分光流方程组表示为：
5.如权利要求4所述的基于机器视觉的道路非常态事件检测系统，其特征在于，归一化均值光流场包括归一化均值水平方向的位移量和归一化均值垂直方向的位移量；所述归一化均值水平方向的位移量等于运动目标包括的所有像素在水平方向上的位移量的算术平均值；所述归一化均值垂直方向的位移量等于运动目标包括的所有像素在垂直方向上的位移量的算术平均值。
6.如权利要求5所述的基于机器视觉的道路非常态事件检测系统，其特征在于，将每一帧预处理图像中检测出的运动目标分割出来，得到分割运动对象的方法包括：对运动目标进行轮廓检测，找到运动目标的边界；根据轮廓的面积和宽高比，对轮廓进行过滤和筛选，筛选出面积大于设定面积阈值和预期宽高比在设定宽高比范围阈值的轮廓；根据筛选的轮廓，确定初始目标候选区域，将轮廓的边界矩形或最小包围圆作为初始目标候选区域的估计；从初始目标候选区域中选择具有其质心位置对应的像素作为种子像素；迭代执行以下步骤，直到达到设定的迭代次数：将种子像素标记为运动目标的一部分，并将其从初始目标候选区域中移除；从种子像素开始，搜索相邻像素，计算它们与初始目标候选区域的相似性；如果相似性高于阈值，则将该像素添加到初始目标候选区域，并将其从图像中移除；当达到设定的迭代次数后，最终得到的目标候选区域作为分割运动对象。
7.如权利要求6所述的基于机器视觉的道路非常态事件检测系统，其特征在于，运动轨迹跟踪单元，基于每个分割运动对象在每一帧中的位移，计算出每个分割运动对象在每一帧中的速度和加速度，以及在每一帧中的位置；按照时间顺序，连接分割运动向量在每一帧中的位置，得到每个运动目标的运动轨迹。
8.如权利要求7所述的基于机器视觉的道路非常态事件检测系统，其特征在于，将每个分割运动对象在每一帧中的速度和加速度，以及在每一帧中的位置，构建每个分割运动对象的轨迹向量；轨迹向量中的每个元素为一个三维向量，包括了每个分割运动对象在对应时刻的帧中的速度、加速度和位置；首先根据每个运动目标的运动轨迹，判断是否出现运动异常，得到判断结果；若判断结果为出现异常，则根据轨迹向量，计算最有可能出现异常的帧，从而定位出运动目标在进行异常运动时的时间。
9.如权利要求8所述的基于机器视觉的道路非常态事件检测系统，其特征在于，将每个运动目标的运动轨迹表示为一个或多个二元函数的组合，得到运动轨迹的函数表达，将函数表达作为输入，输入到预先建立的二分函数支持向量机中，得到判断结果；所述二分函数支持向量机通过预先输入的多个训练样本训练得到；每个训练样本均包括一个样本和标签；所述样本为一个或多个二元函数的组合；标签为异常或非异常；所诉二分函数支持向量机的目标函数使用如下公式进行表示：
10.如权利要求9所述的基于机器视觉的道路非常态事件检测系统，其特征在于，根据轨迹向量，计算最有可能出现异常的帧的方法包括：将轨迹向量中每个元素视为三维空间中的一个点，对这些点进行聚类分析，得到聚类中心，将距离聚类中心最远的点对应的元素视为异常元素，对应的时间为运动目标进行异常运动时的时间。
