[发明专利]一种基于隐马尔科夫模型的车辆异常行为检测方法

说明书

技术领域

本发明涉及运动目标检测领域，特别是涉及一种基于隐马尔科夫模型的车辆异常行为检测方法，通过对运动车辆的轨迹模式学习，检测运动车辆行为异常的方法。

背景技术

随着汽车工业与城市化进程的迅猛发展，我国城市汽车保有量迅速增长。承载巨额机动车保有量的交通基础设施建设近年来也取得了较大成就，但修建路桥的巨额资金、建设周期和城市空间的严格限制使其建设步伐明显跟不上机动车的增长和城市化进程的发展。交通拥堵、交通事故等一系列交通问题日趋严重，由此造成的人员伤亡和经济损失在逐年增加。其中，各种交通违法行为引发的交通事故占交通事故总量的80%以上。

近几十年来，随着计算机软硬件、图像处理、通信传输等技术设备的不断更新发展，使得视频监控手段成为道路违章检测的热门途径。道路上监视探头的急剧增多，是视频检测方法愈发得到肯定的表现。

从实际使用的情况来看，我国现有的交通视频监控装置还处于较低的智能化水平上，道路违章事件的检测仍局限于闯红灯、超速行驶、违章停车等简单事件上。该类事件的检测是在场景先验知识基础上通过车辆的运动信息提取得到，属于“预知事件”检测。然而实际交通环境下，车辆交通行为的随机性，使得不可能事先获得场景中所有可能发生的事件信息。对于不能获得先验场景知识帮助的车辆其它异常行为，如违章变道、蛇形行驶、不按规定车道行驶等对于道路交通安全有着危害的行为，现有的交通视频监控系统还不能识别。

轨迹是运动目标的微观运动行为在时空域上的直观表现形式，运动行为模式相同的物体在轨迹上表现出较高的相似性与重复性。因此，通过对场景内多个车辆的运动轨迹的学习，能够获取轨迹数据集合的时空分布，利用模式分类等方法提取典型运动模式，从而在异常事件检测方面能够进行有效的研究与应用。

但是，由于在交通行为监控中，轨迹数据分布具有多样性、随机性和复杂性，因此如何筛选出最典型的轨迹样本，以及采用何种模型表达轨迹的时空特征是需要解决的难题。现有算法还未能很好的解决该问题，或者未能将所研算法应用于实际视频监控系统中。

发明内容

本发明主要解决的技术问题是提供一种基于隐马尔科夫模型的车辆异常行为检测方法，解决了现有技术中交通视频监控系统不能识别车辆的异常行为，可以获得较好的交通行为表达模型，实现对车辆异常行为的实时监测。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于隐马尔科夫模型的车辆异常行为检测方法，包括以下步骤：

a、采集视频图像，利用跨于道路上方或立于道路两侧的摄像头进行视频图像采集；

b、获得轨迹，通过采集到的视频图像对场景内的车辆目标进行提取和跟踪以获得车辆的轨迹；

c、离线训练环节，将上述轨迹的生长方向特征进行聚类，并通过误差筛查处理得到典型轨迹群，对相同生长方向的轨迹进行隐马尔科夫模型的学习，获得场景内的常态行为模式；

d、实时检测环节，提取新轨迹，并计算新轨迹与常态行为模式的最大匹配概率值，若得到的最大匹配概率值小于所设定的阈值，则车辆发生异常行为。

在本发明一个较佳实施例中，所述的步骤c中所述的离线训练环节，具体包括以下步骤：

（1）对车辆跟踪获得的轨迹分别进行起止方向向量提取：

其中，（x(0)，y(0)）代表该条轨迹的开始坐标，（x(t)，y(t)）代表该条轨迹的终止坐标；

（2）用高斯混合模型来描述获得的轨迹生长方向向量，其中，一个高斯函数代表方向向量的一个聚类，高斯混合模型的个数就是聚类的类别数；

（3）对获得的聚类的类别数进行误差筛查：

首先进行基于方差矩阵行列式的虚假类去除：逐个计算各个高斯分布的方差矩阵行列式，若某一分类的方差矩阵行列式大于其余所有分类之和的两倍，则认为该类别为虚假类，予以去除；

其次进行过分割筛查：在巴氏距离基础上构造误差公式：

  ，           

其中，E为两个类别之间的分类误差，b为描述重叠样本相似度的巴氏距离,当设定巴氏距离最大不超过1.5时，获得的分类误差为5%，当两个类别之间的巴氏距离b＜T_b=1.5时，两个分类将被合并，

最后进行孤立噪声筛查：采用基于最大最小峰值系数的自适应均值、方差估计法将聚类的类别中存在离均值较远孤立点的误差进行筛查处理得到典型轨迹群；