1、引言
交通違法行為檢測屬于智能監(jiān)控中高層次的內(nèi)容，是事件檢測、行為的理解和描述的一種表現(xiàn)形式。相對來說，以前大多數(shù)的研究都集中在運動檢測和跟蹤等底層視覺問題上，這方面的研究較少。近年來，經(jīng)濟與道路交通的快速發(fā)展，機動車保有量持續(xù)攀升，交通違法行為也同步增加，這就對道路交通管理提出了更高的要求。關于這方面的研究也漸成熱點。
傳統(tǒng)應用中，多以傳感器方式有針對性的監(jiān)控處理各類交通違法行為，此種方式有些代價昂貴，如雷達、激光;有些需要破壞路面、定期更換設備，如地感線圈。在同時處理多種違法類型時也常常束手，這使其越來越不適應當前交通管理應用趨勢。
本文以圖像處理算法為基礎，結(jié)合模式識別原理，根據(jù)車輛軌跡對車輛交通行為進行分析，極大地提高了道路安全部門對無人值守路口違法行為的監(jiān)控力度，并大幅降低了工程實現(xiàn)成本。
2、算法流程及軌跡獲取
2.1算法流程框架
本文首先通過車輛視頻檢測算法獲取目標初始信息，采用均值漂移算法結(jié)合卡爾曼濾波算法實現(xiàn)目標的視頻跟蹤，再對其軌跡進行統(tǒng)計分析，獲取目標實際行駛方向的軌跡特征，并以現(xiàn)場規(guī)則(信號燈狀態(tài)、車道屬性及導向規(guī)則等)為輔助，做出違法行為判定。
2.2視頻檢測
視頻觸發(fā)是根據(jù)智能圖像識別后的車輛運動檢測結(jié)果，對經(jīng)過監(jiān)控車道的所有車輛進行自動背向抓拍。其中車輛運動檢測結(jié)果綜合了運動幀差信息、車輛特征(車牌、車輛尾部結(jié)構(gòu)特征和AdaBoost訓練特征等)以及車輛的跟蹤狀態(tài)，最后形成車輛到達和離開狀態(tài)的判斷，具備較好的實時性和穩(wěn)定性。
2.3車輛視頻跟蹤
視頻跟蹤是在目標車輛離開視頻觸發(fā)區(qū)域后我們獲取其實時位置信息的有效方式。均值漂移算法(Mean-shift)[2]是一種非參數(shù)概率密度估計算法，可以通過迭代快速地收斂于概率密度函數(shù)的局部最大值，因此在目標實時跟蹤領域有著很高的應用價值。
Mean-shift算法本身是通過對目標原始區(qū)域的不斷迭代去尋找最佳匹配候選目標，當目標運動速度較大時，很容易發(fā)生冗余迭代或局部收斂，針對此種情況，我們采用Kalman濾波[3]對每個目標運動過程進行建模，通過Kalman預測縮小迭代范圍，減少計算量，同時降低噪聲影響，得到目標的最優(yōu)估計。
2.4軌跡獲取及示例
我們將目標車輛進入視場到離開視場的軌跡進行保存，并以此作為后續(xù)進行交通違法行為分析的基礎數(shù)據(jù)，根據(jù)《道路交通安全違法行為圖像取證技術規(guī)范(2009)》對關鍵幀的交通信號燈狀態(tài)予以保存，設定現(xiàn)場參數(shù)，如停止線位置，車道線位置，車道導向規(guī)則，道路禁行標志等。
下圖為截取現(xiàn)場處理的軌跡圖。
3、車輛軌跡特征與交通違法分類
3.1交通違法分類
根據(jù)車輛狀態(tài)和我國道路交通安全規(guī)則[1]，我們可將一些主要的交通違法行為劃分如下：
表一 違章類型分類
[nextpage]
其中，位置違章指的是某時刻車輛與車道禁止標線之間的位置關系違反了道路交通安全法的有關規(guī)定。路線違章則表示目標車輛在某時間段的行駛軌跡與當前路段的設定規(guī)則不符。車型違章定義為車輛類型與車道允許行駛車型不一致。在比較多種交通違法行為時發(fā)現(xiàn)，部分違章違法行為存在一定的包含關系，如實線變道必然以壓車道線為先導，違反信號燈必然以紅燈時壓停止線為先導，要明確區(qū)分此類情況，目標車輛軌跡將是其明顯特征。
車型違章的檢測可以不以車輛軌跡為依據(jù)，所以本文只提出不展開。
3.2位置違章軌跡特征分析
位置違章指的是某時刻車輛與車道禁止標線之間的位置關系違反了道路交通安全法的有關規(guī)定。這里面包含了三個關鍵點，一是目標位置，二是禁止標線位置，三是交通法規(guī)。
以“壓線”為例，交通法規(guī)定，黃、白實線均為禁止標線，當車輛本體位置與車道分界線發(fā)生交疊時，即可認為壓線。此時，不必追究其行駛軌跡。
但交通法規(guī)里同樣定義車輛碾壓實線變換車道為“實線變道”。其與“壓線”的區(qū)別可作如下理解。請看下圖示意：
從圖上可以看到，當目標車輛車道歸屬發(fā)生變化時，其軌跡點與同一條車道線的水平距離在時間橫軸上發(fā)生了U型轉(zhuǎn)換，此時即可被認定為“實線變道”。當車輛由機動車道(LANE3)借道非機動車道行駛，則被定義為“機動車占用非機動車道”違法，簡稱“機占非”。其他即做“壓(黃、白)線”處理。也就是說，車輛一旦違反實線變道，其必然壓線，反之則不一定。
同樣的情況，“紅燈時壓停止線”與“違反信號燈”也存在后者以前者為先導的現(xiàn)象。此類情況均需要結(jié)合目標的其他屬性來實現(xiàn)區(qū)分，如目標速度、所屬車道等等。
3.3速度違章與其軌跡特征
由表一我們知道，速度違章是指目標車輛的速度屬性違反了當前道路的交通法規(guī)。這里的速度屬性主要指速度是否存在以及其具體值。
二維圖像處理主要是對圖像像素的操作，但由于視場深度信息損失，要準確計算目標車輛速度就要涉及透視變換或?qū)ΜF(xiàn)場進行標定，這兩項要求都很難在實踐中得到滿足，因此通用性受限。本文將速度定義為軌跡相鄰點坐標與幀間隔的比值屬性包括(水平速度，垂直速度，方向)，單位為(像素/幀)。由于圖像的原點位于其左上角，所以我們設定Velocity<0為正向，在此基礎上對速度違章進行定性分析。
下面，我們以違法停車為對象，分析其速度特征。
當車輛在禁止區(qū)域內(nèi)速度為0，且持續(xù)時間超過法定時間，即可認定為違停。這里的“禁止區(qū)域”一般包括斑馬線區(qū)域，交叉黃線區(qū)域等。
3.4路線違章及其軌跡特征分析
如上3.1所述，路線違章是指目標車輛的行駛軌跡與當前路段的既定交通規(guī)則不符。我們?nèi)耘f以“道路交叉口”為例，分析三種軌跡，直行、左轉(zhuǎn)、右轉(zhuǎn)。其示意圖如下：
[nextpage]
從圖五容易看出，直行、左轉(zhuǎn)、右轉(zhuǎn)軌跡在水平方向位移()上存在較大區(qū)別。我們將左轉(zhuǎn)、右轉(zhuǎn)、直行車輛軌跡對應的變化圖示意如下，作為對比，同時給出的變化過程。
圖六 直行軌跡水平及垂直方向位移示意
從圖六、七、八中我們看到，直行軌跡的較為平穩(wěn)或有緩慢變化。轉(zhuǎn)向軌跡則具出現(xiàn)較為明顯變化趨勢，其中，左轉(zhuǎn)軌跡的以負向增大為總趨勢，右轉(zhuǎn)軌跡則正好相反。
從統(tǒng)計學的角度看，直行軌跡較轉(zhuǎn)向軌跡擁有更多的軌跡穩(wěn)定性和聚合性。在轉(zhuǎn)向軌跡中，右轉(zhuǎn)軌跡由于其“小轉(zhuǎn)彎”的特點，其垂直方向位移變化也表現(xiàn)的更為離散一些。在實際判斷中，我們以的正負偏移方向的規(guī)律，以負向偏移為左轉(zhuǎn)，正向偏移為右轉(zhuǎn)，并參考其垂直方向變化特點，有效區(qū)分了左轉(zhuǎn)軌跡以及右轉(zhuǎn)軌跡。在此基礎上，結(jié)合車道導向規(guī)則、信號燈實時狀態(tài)，對相關的違章行為進行準確區(qū)分捕獲。
4、統(tǒng)計數(shù)據(jù)結(jié)果
基于本文方法，對江蘇省某市一處道路交叉口由南向北斷面12點到15點的車流進行了測試，測試結(jié)果如下：
需要說明的是，由于無法有效統(tǒng)計路段或路口的實際違章數(shù)量，測試時采用對現(xiàn)場環(huán)境進行強制設定或修改的方式，例如，測試違反信號燈即設定測試時間段為持續(xù)紅燈，測試紅燈時壓停止線時，則將讀取到的實際停止線下移。如此，共測試現(xiàn)場過車約2766輛。
5、總結(jié)
本文以車輛軌跡為基礎，結(jié)合相關交通安全法規(guī)，形成一種能對多種常見交通違法行為進行智能捕獲分類的方法。在試驗結(jié)果方面也獲得了比較理想的效果，有效解決了傳統(tǒng)方案的笨重、昂貴、功能單一的缺點，并具有良好的實用性和可擴展性。
a&s傳媒是全球知名展覽公司法蘭克福展覽集團旗下的專業(yè)媒體平臺，自1994年品牌成立以來，一直專注于安全&自動化產(chǎn)業(yè)前沿產(chǎn)品、技術及市場趨勢的專業(yè)媒體傳播和品牌服務。從安全管理到產(chǎn)業(yè)數(shù)字化，a&s傳媒擁有首屈一指的國際行業(yè)展覽會資源以及豐富的媒體經(jīng)驗，提供媒體、活動、展會等整合營銷服務。
粵公網(wǎng)安備 44030402000264號
