上述事件类层的事件检测算法有两种。第一种算法仅仅结合视频图像的行为类数据来构成事件类函数检测交通事件的发生，此种算法在交通比较拥挤，车辆遮挡严重情况下很难观察到交通事故，所以为了提高事件检测率，视频图像中的行为类数据结合安装在下游的检测器获得的流量类数据一起判断事件发生，这种算法为第二种算法。
1．算法1的运算符语句表达式
上述语句中b代表事件的发生。运算符（1）表示是否存在静止的车辆或在静止车辆的前面是否有未用的空间（即形成排队），如果这些都存在，可以判断有事件发生；运算符（2）表示存在静止的车辆，并且至少有3辆车绕开行驶，这种情况判断为有事件发生；运算符（3）表示在短时间内至少有4辆车更换车道行驶，这种情况也可以判断为有事件发生。算法1由上述三个运算符组成。具体行为判断依据见第4．4．4的内容。
然而算法1中的运算符不能检测到跟踪区域边界的事件发生。比如跟踪区域边界处检测不到静止车辆前面是否存在车辆排队，这时仅仅视频图像跟踪结果将不能准确检测到事件的发生。所以，在这种情况下，有必要结合安装在道路下游的检测器获得的数据一起检测事件的发生。所以在此基础上，算法2比算法1多了一个判断运算符（4）。
2．算法2的运算符语句表达式
运算符（4）结合了两组数据，第一组is Stop（Vi，t）来源于车辆跟踪判断车辆是否静止；第二组is Free（Lm，t）来源于下游检测器判断交通流是否为自由流。运算符（4）表示在道路上游是否有静止的车辆，下游交通流是否为自由流，如果满足这两种情况，就可以判断为事件发生。怎么判断下游交通流为自由流？当下游平均车速连续1分钟超过40km／h，密度小于10，占有率小于5％时，设定这种情况下的交通流为自由流，算法2结合表4．1中的数据对事件进行判断。
3．事件检测算法流程图
步骤1 输入视频图像，及下游检测器数据；
步骤2 基于ST－MRF模型获得目标地图和运动矢量地图，检测器数据经整理得到交通流基本参数数据；
步骤3 视频图像经处理获得视频数据，如交通量、平均车速、加减速度、行驶轨迹；
步骤4 根据视频数据，判断是否满足算法1中的运算符（1）、（2）或（3）；
步骤5 只要满足算法1中3项运算符中其中一项，就判断事件发生，如果都不满足判断无事件发生；
步骤6 当满足算法1中3项运算符时，又满足运算符b≡（is Stop（Vi，t）∧is Free（Lm，t）），则判断事件发生，如果都不满足，则判断无事件发生。当车辆出现排队现象时，它满足运算符（1），算法1则可判断有事件发生，但是结合算法2中的运算符（4），则判断无事件发生。操作流程如图4．10所示。
图4．10 事件检测算法流程图
4．实验及结果分析
本次实验拍摄的视频为2012年11月14日上午9：30在淮安市淮海北路拍摄的一段视频，通过下游检测器检测到的交通量、速度、密度、占有率数据如表4．1所示。
图4．11左边3幅图为算法1所检测的车辆停车、车辆绕道、车辆换道行为被判断为事件发生的效果图，有事件发生的车辆用浅色矩形框表示，这些事件的发生都满足算法1中的运算符。图4．11右边3幅图为算法2结合下游检测器数据被判断为无事件发生的效果图。由于本次实验拍摄的视频没有事件发生，但是其中有停车、绕道和换道行驶状态。用算法1和算法2可以来验证事件检测的正确率。
算法1由于没考虑下游交通流情况及车辆之间的相互关系等，对于出现排队现象的后面异常车辆和多辆车拥挤在一起时将判断为事件，如静止的车辆、绕道或者换道都判断为事件；算法2中考虑了下游交通流情况，当出现正常排队输入指令：下游为非自由流，这样在算法1中判断为事件的车辆在算法2中都视为正常。另外算法2又考虑了单个车辆事件行为和多个车辆事件行为。单个车辆行为对旁边停车、绕道或者换道判断为事件，但是对于排队我们输入一个下游为非自由流，这样排队就不是事件，而多个车辆行为由于考虑了车辆之间的相互关系对旁边车辆、绕道或者换道判断都不是事件，所以通过算法2中的多个车辆算法，我们的视频是无事件发生的视频，刚好与实际情况相符，检测正确率最高的，具体过程见第4．4．4节内容。
图4．11 算法1和算法2检测效果比较
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
