随着经济快速的发展，城市交通拥堵严重、事故频发、环境恶化。为提高道路的通行能力，合理调节公路网的交通流分配，减少交通事故的发生以及其带来的损失，必须准确、快速地对交通异常和交通事件进行检测。
目前，世界上已经开发了多种交通事件自动检测算法，如加利福尼亚算法、贝叶斯算法、时间序列算法、低通滤波算法、交通流模型算法、视频检测算法、人工神经网络算法等。总体可分为直接检测方法和间接检测方法两大类。绝大多数方法都属于前一种，通过设置在公路上的交通检测器采集交通参数进行分析来间接判断交通事件的发生，这种方法反应速度慢、可靠度低、不利于监控。直接检测方法是指使用图像处理技术来发现车辆行驶异常的方法，在检测速度和可靠度方面远远胜于间接检测方法，是交通事件自动检测系统的发展方向。
本文采用数字图像处理技术和计算机视觉技术，结合实际交通情况，对基于视频图像的交通事件检测系统进行研究、开发，通过检测交通事件并及时报警，及时有效地进行交通事故救援和处理，有效地减少交通延误，防止二次事故发生，保障道路安全。
1 系统结构和处理流程
通过摄像机来获得实时交通视频信息，及时地运用数字图像处理技术和计算机视觉技术对实时交通图像进行分析，从而快速地对交通流量、占有率、排队长度、车型、平均车速等交通参数和车辆逆行，车道变换、超速、慢速、停止、交通阻塞等交通事件进行自动检测，并自动统计以及记录相关数据。这些重要的信息综合反映了交通运行状态，可根据信息参数的变化趋势对交通状态进行估计和预测，及时进行调控，从而实现交通的智能控制与管理。
视频交通事件检测系统的基本工作流程是通过道路上监控摄像机将道路交通运行状况的视频图像捕捉下来，再将图像实时送入计算机进行处理和分析，得到交通状况等信息，通过对交通状况的分析检测出是否有交通异常事件。因此，视频交通事件检测系统可分解为运动车辆的自动检测、运动车辆的自动跟踪、交通参数的提取、基于图像分析的事件检测及发生意外事件时的自动报警和相应处理等。系统主要利用数字摄像机将图像先后输入系统初始化单元和目标检测单元，系统初始化单元对图像分析后将场景初始化后的参数交给目标检测单元，目标检测单元通过对图像分析得出车辆的位置，然后将车辆的位置信息送入目标跟踪对车辆目标进行跟踪分析，再将每辆车的分析结果送入交通参数检测和事件检测单元，通过这两个单元分别测出交通参数信息和交通事件信息。
2 视频交通事件检测系统的实现
本文侧重对视频交通事件检测系统中视频图像处理、车辆检测、跟踪、交通参数提取等关键功能单元的实现进行详细介绍。
2．1 系统初始化
系统初始化是视频检测技术的基础，在正常工作前需进行预处理，包括参数标定、背景初始化、车道线、虚拟流量检测线、排队检测线、变道／调头检测线等及工作区域的设定等。背景获取主要是将前景信息逐渐淡化，提取不包含前景运动物体的背景；车道线为下一步确定事故位置提供基准；虚拟检测线为车速、排队长度、变道、调头等交通参数提供检测；设定工作区域是为了提高计算速度，去除不必要区域的计算，同时屏蔽路边周围环境对检测精度的影响。
2．2 基于视频的车辆检测
车辆检测是视频交通监控系统的关键，目的是从连续的视频图像中提取车辆目标，为后续处理和事件检测提供支持。车辆检测的工作过程：首先进行背景差分，将当前帧图像与背景图像相减，提取前景信息，然后，采用图面上连通区域检测的方法，统计前景的每个连通区域，这些区域包括噪声和所有的车辆目标，用形态滤波的方法去掉噪声，剩下的全部都是车辆目标。车辆检测涉及背景差分、阴影抑制、灰度处理 阈值分割、噪声消除、形态滤波。
道路上行驶的车辆总会由于阳光和光线变化而产生阴影，引起误差，系统采用对阴影与背景之间像素点亮度的比较实现图像阴影的消除。然后，将经过阴影消除的图像进行灰度处理，由彩色差分图像转化为灰度图像进行处理，将灰度图像二值化，由于车辆的灰度差别较大，图像中需提取的目标与其背景在灰度特性上的差异，把图像视为具有不同灰度级的背景和目标两类区域，系统采用自适应阌值化分割方法，它是一种自动的非参数无监督的阈值选择法，基于类间方差最大的测度准则，当该测度函数取最大时得到最佳阈值 利用此值对图像进行分割，就得到相应的二值图像，可以提高系统的稳定性。由于所获得的视频图像会有一些噪声，会干扰结果的识别，因此，必须去除二值图像中的噪声。本系统采用中值滤波的方法消除噪声。差分阈值处理过程中，有时由于车身颜色跟路面颜色非常接近，造成车辆目标图像断裂而不连续，因而需将误把车窗当作阴影消除而造成车辆分裂的部分填充起来。本系统采用腐蚀、膨胀、开启和闭合等基本形态学运算对消除噪声后的图像进行形态滤波。
2．3 车辆跟踪
对检测出来的车辆目标进行识别跟踪，对分割的车辆进行合并，对粘在一起的车辆进行分割，并对每辆车建立跟踪轨迹。系统采用卡尔曼滤波进行车辆运动目标的跟踪，他由一个状态方程和一个量测方程组成，是一套线性无偏最小均方误差的递推公式。卡尔曼滤波不要求保存过去的测量数据，测得新数据后，根据新数据和前一时刻数据的估计值，借助系统本身的状态转移方程，按照递推公式即可算出新数据估计值。根据这一估计值寻找最相近的匹配目标，并不断进行修正，从而得到车辆运行轨迹。在此基础上进行车辆变换车道的检测和利用隐马尔可夫链进行碰撞预测。车辆跟踪涉及联通区域标记、外接矩形提取、车辆合并及目标跟踪等 。通过对二值检测图像从左到右、从上到下进行扫描，将所有灰度值相关的车辆目标区域标记成相应的值，然后根据不同的标记值区分不同的连通区域。再采用最小外接矩形的方法，用矩形目标代替连通区域。在图像中采用自适应阈值二值化后，系统中会有将车窗或车辆自身阴影误当作背景。因此，需将分割的同一辆车的不同部分合并。本系统根据分割的各矩形块之间的距离和相互关系，将原本属于同一辆车的部分合并在一起，实现车辆的合并。
4 结语
基于图像处理的交通事件快速自动检测与报警是智能交通系统中的重要组成部分和关键技术。本研究结合国内公路交通现状，利用公路的监控系统提供的图像信息，采用计算机图像识别与处理技术，建立交通事件快速检测系统，为异常和突发事件的快速反应提供先进手段。方便实现交通参数的提取和交通突发事件的自动检测、记录和报警。而不需针对交通事件检测而特意埋设大量的车辆检测器，能适应我国道路交通发展的实际需要，具有直观、安装方便和维护费用低等优点，拥有良好的市场需求和社会经济效益。