一種交通異常檢測方法及系統(tǒng)的制作方法
【技術領域】
[0001] 本發(fā)明屬于智能交通監(jiān)控領域，尤其設及一種交通異常檢測方法及系統(tǒng)。
【背景技術】
[0002] 近年來，隨著機動車保有量快速增長，交通問題越加凸顯。為了更有效的實施交通 管理，現有技術提出了智能交通監(jiān)控系統(tǒng)。該系統(tǒng)的工作方式主要有兩種；一種是錄制現場 視頻數據，W用于事后取證；另一種是采集現場視頻數據，之后將采集的視頻數據傳輸到監(jiān) 控中屯、，由監(jiān)控中屯、的工作人員面對視頻墻上的大量屏幕進行人工監(jiān)控和分析，W期找出 交通異常。
[0003] 前一種工作方式不具有實時性，主要用于交通事故取證方面，無法實時監(jiān)測到交 通異常的發(fā)生。后一種工作方式雖可實現對交通異常的實時監(jiān)控，但有限的人力無法有效 管理分析成千上萬的攝像頭的視頻，實時性較差，人力成本高，使得系統(tǒng)原有的預防和積極 干預能力喪失，逐漸成為了一種事后取證錄像的工具，更有甚者，大量的視頻無人監(jiān)視，在 規(guī)定期限無人查詢就會被自動刪除。

【發(fā)明內容】

[0004] 本發(fā)明的目的在于提供一種交通異常檢測方法，旨在解決現有的智能交通監(jiān)控系 統(tǒng)采用人工方式對采集到的視頻數據進行監(jiān)控和分析W找出交通異常，實時性差且人力成 本高的問題。
[0005] 本發(fā)明是該樣實現的，一種交通異常檢測方法，所述方法包括W下步驟：
[0006] 對正常交通視頻圖像序列中的每一視頻帖按照相同方式進行分塊，不同視頻帖的 對應塊構成第一視頻塊序列，之后將每一個所述第一視頻塊序列分為多個鏡頭，統(tǒng)計每一 個所述第一視頻塊序列在第一設定時間周期內的鏡頭數量，并用統(tǒng)計得到的所述鏡頭數量 訓練局斯板型；
[0007] 對測試交通視頻圖像序列中的每一視頻帖按照相同方式進行分塊，不同視頻帖的 對應塊構成第二視頻塊序列，之后將每一個所述第二視頻塊序列分為多個鏡頭，統(tǒng)計每一 個所述第二視頻塊序列在第二設定時間周期內的鏡頭數量，所述第二設定時間周期與所述 第一設定時間周期相等；
[000引根據所述第二視頻塊序列在所述第二設定時間周期內的鏡頭數量，利用對應的所 述高斯模型，完成所述第二視頻塊的交通異常檢測。
[0009] 本發(fā)明的另一目的在于提供一種交通異常檢測系統(tǒng)，所述系統(tǒng)包括：
[0010] 建模模塊，用于對正常交通視頻圖像序列中的每一視頻帖按照相同方式進行分 塊，不同視頻帖的對應塊構成第一視頻塊序列，之后將每一個所述第一視頻塊序列分為多 個鏡頭，統(tǒng)計每一個所述第一視頻塊序列在第一設定時間周期內的鏡頭數量，并用統(tǒng)計得 到的鏡頭數量訓練高斯模型；
[0011] 測試交通視頻圖像處理模塊，用于對測試交通視頻圖像序列中的每一視頻帖按照 相同方式進行分塊，不同視頻帖的對應塊構成第二視頻塊序列，之后將每一個所述第二視 頻塊序列分為多個鏡頭，統(tǒng)計每一個所述第二視頻塊序列在第二設定時間周期內的鏡頭數 量，所述第二設定時間周期與所述第一設定時間周期相等；
[0012] 交通異常檢測模塊，用于根據所述第二視頻塊序列在所述第二設定時間周期內的 鏡頭數量，利用對應的所述高斯模型，完成所述第二視頻塊的交通異常檢測。
[0013] 本發(fā)明提出的交通異常檢測方法及系統(tǒng)是將正常交通視頻圖像序列分為視頻塊 序列，檢測視頻塊序列中的鏡頭數量，建立視頻塊序列中的鏡頭數量的高斯模型，利用高斯 模型對測試交通視頻圖像進行異常檢測。相對于現有人工分析方式，實現了監(jiān)測的智能化， 實時性強并節(jié)約了人力成本。同時，分塊分鏡頭技術使得檢測速度更快，特別適合應用在處 理數據量大、場景復雜且變化快的交通視頻監(jiān)控領域中，可快速準確的定位事故現場。
【附圖說明】
[0014] 圖1是本發(fā)明第一實施例提供的交通異常檢測方法的流程圖；
[001引圖2是本發(fā)明第一實施例中，訓練高斯模型的步驟的詳細流程圖；
[0016] 圖3是本發(fā)明第一實施例中，將每一個第一視頻塊序列分為多個鏡頭的步驟的詳 細流程圖；
[0017] 圖4是本發(fā)明第二實施例提供的交通異常檢測方法的流程圖；
[0018] 圖5是本發(fā)明第S實施例提供的交通異常檢測系統(tǒng)的原理框圖；
[0019] 圖6是本發(fā)明第S實施例中，建模模塊的原理框圖；
[0020] 圖7是本發(fā)明第S實施例中，分鏡頭子模塊的原理框圖；
[0021] 圖8是本發(fā)明第四實施例提供的交通異常檢測系統(tǒng)的原理框圖。
【具體實施方式】
[0022] 為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，W下結合附圖及實施例，對 本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用W解釋本發(fā)明，并 不用于限定本發(fā)明。
[0023] 本發(fā)明提出的交通異常檢測方法是將正常交通視頻圖像序列分為視頻塊序列，檢 測視頻塊序列中的鏡頭數量，建立視頻塊序列中的鏡頭數量的高斯模型，利用高斯模型對 測試交通視頻圖像進行異常檢測。
[0024] 圖1示出了本發(fā)明第一實施例提供的交通異常檢測方法的流程，包括W下步驟：
[0025] S1 ;對正常交通視頻圖像序列中的每一視頻帖按照相同方式進行分塊，不同視頻 帖的對應塊構成第一視頻塊序列，之后將每一個第一視頻塊序列分為多個鏡頭，統(tǒng)計每一 個第一視頻塊序列在第一設定時間周期內的鏡頭數量，并用統(tǒng)計得到的鏡頭數量訓練高斯 模型。
[0026] 進一步地，如圖2所示，步驟S1又包括：
[0027] 步驟S11 ;對正常交通視頻圖像序列中的每一視頻帖按照相同方式進行分塊，不 同視頻帖的對應塊構成第一視頻塊序列。
[002引即是說，第一視頻塊序列包括多個視頻塊，不同的視頻塊來自于不同的視頻帖的 對應區(qū)域，該樣，便將正常交通視頻圖像序列分為了多個第一視頻塊序列。例如，假設包括 n個帖視頻的正常交通視頻圖像序列V = …，f。}，其中，ftE V，t = 1，2, ...n。對 于視頻帖ft，可在空間域分成rX C塊，表示為：
[0029]
【主權項】
1. 一種交通異常檢測方法，其特征在于，所述方法包括以下步驟： 對正常交通視頻圖像序列中的每一視頻幀按照相同方式進行分塊，不同視頻幀的對應 塊構成第一視頻塊序列，之后將每一個所述第一視頻塊序列分為多個鏡頭，統(tǒng)計每一個所 述第一視頻塊序列在第一設定時間周期內的鏡頭數量，并用統(tǒng)計得到的所述鏡頭數量訓練 高斯模型； 對測試交通視頻圖像序列中的每一視頻幀按照相同方式進行分塊，不同視頻幀的對應 塊構成第二視頻塊序列，之后將每一個所述第二視頻塊序列分為多個鏡頭，統(tǒng)計每一個所 述第二視頻塊序列在第二設定時間周期內的鏡頭數量，所述第二設定時間周期與所述第一 設定時間周期相等； 根據