隋 靚 黨建武

(蘭州交通大學電子與信息工程學院 甘肅 蘭州 730070)

0 引 言

隨著我國機動車保有量的逐年增加，道路上交通擁擠問題變得日益突出，每年的交通事故居高不下，尤其在車輛行駛速度快的高速公路上，駕駛員無視交通法規(guī)，逆行、停車等異常事件往往會造成嚴重的交通事故。為了及時發(fā)現(xiàn)異常行駛車輛，減少不必要的交通事故，交通異常事件檢測系統(tǒng)成為當前研究的熱點。

傳統(tǒng)的人工觀看視頻監(jiān)控判斷交通事件的檢測方式勞動強度大、工作效率低且存在交通事件發(fā)現(xiàn)不及時和漏判現(xiàn)象，已不能滿足現(xiàn)實交通視頻監(jiān)控的需求。目前，基于視頻的交通事件自動檢測技術(shù)越來越受到研究學者們的重視，該技術(shù)主要由運動目標檢測[1-4]、運動目標跟蹤[5-10]和交通事件檢測[11-13]三部分組成。其中，常見的運動目標檢測技術(shù)有背景差法、幀差法以及光流法。當檢測車輛運動速度較慢或靜止時采用幀差法檢測車輛容易發(fā)生漏檢現(xiàn)象；背景差法對外界環(huán)境變化(例如光照)比較敏感，需要依靠穩(wěn)定的背景；而光流法計算比較復雜，計算量比較大。運動目標跟蹤技術(shù)主要有kalman濾波和粒子濾波等方法，kalman濾波是線性條件下的跟蹤，而粒子濾波是非線性條件下的跟蹤。在交通事件檢測方面，許多學者針對不同的交通情景提出了不同的交通事件檢測模型，其中文獻[14]提出了一種采用時間序列特征的穩(wěn)態(tài)分析法來檢測靜止目標的露天場景下的高速公路違章停車視頻檢測算法。文獻[15]采用滑動窗口的方法來判斷車輛的運動趨勢，并通過計算滑動窗口內(nèi)的軌跡點的平均速度來判斷交通異常行為。文獻[16]采用碼本模型對背景進行建模來檢測運動目標，根據(jù)車輛停留時間的長短來判斷車輛是否停車。文獻[17]提出了一種仿昆蟲復眼算法來檢測停車事件，該文將整個視頻畫面分割成若干小區(qū)域，對每個區(qū)域建立停車事件數(shù)學模型進行停車檢測。文獻[18] 提出了一種基于視頻車輛軌跡模型的交通事件自動檢測方法，該方法通過分析車輛行駛軌跡點將車輛軌跡分解為前行、反行、停滯、斜行四類軌跡元素,并且根據(jù)這4類軌跡元素對車輛的行駛行為建立數(shù)學模型來確定發(fā)生的交通事件類型。文獻[19] 提出的基于機器視覺的高速公路交通事件檢測方法，該方法根據(jù)二值圖上運動目標的特征，判斷擁堵、行人、停車等交通事件的發(fā)生。文獻[20] 提出了一種基于支持向量機的交通事件自動檢測(SVM-AID)算法，對實際高速公路交通參數(shù)數(shù)據(jù)應用SVM-AID算法進行測試，檢測率和實用性均達到了很好的效果。文獻[21] 利用像素級時間序列特征檢測靜止物體,并根據(jù)對象級區(qū)域特征實現(xiàn)停駛車輛的辨識,獲取車輛的違章停車信息。以上方法都對交通異常事件進行了分析，但是沒有對異常事件進行細致的劃分，容易出現(xiàn)漏判。

基于以上分析，本文針對高速公路停車、逆行交通事件提出了基于運動目標軌跡的高速公路異常事件檢測算法研究。車輛的運動軌跡含有豐富的車輛信息，通過觀察車輛的運動軌跡可以直觀地了解車輛的運動狀態(tài)，獲得車輛的運動方向。同時，通過對車輛運動軌跡進行分析，可以間接獲得各種空間交通參數(shù)(例如速度，質(zhì)心變化等)，為交通異常事件的檢測提供了判斷依據(jù)。本文首先采用均值法建立背景，背景差法提取運動目標前景，針對存在陰影的運動目標前景采用改進的基于邊緣和HSV顏色空間相結(jié)合的算法消除陰影，該方法彌補了單一特征陰影去除算法陰影消除不干凈和前景過度消除的缺點，提高了運動目標檢測的精度。其次，對檢測出的運動目標前景采用kalman濾波算法進行跟蹤，獲得車輛的運動軌跡。最后，分析車輛的運動軌跡，根據(jù)車輛的運動狀態(tài)設計異常事件模型，檢測相關(guān)的交通參數(shù)來判斷異常事件。該檢測方法能夠精確地檢測出車輛屬于哪種違章行為，實用性好。

1 運動目標檢測

本文重點是分析車輛的運動狀態(tài)，判斷車輛是否異常行駛。精確提取運動目標前景是分析車輛運動狀態(tài)的基礎(chǔ)，為后續(xù)的車輛跟蹤，行為分析做準備。本文以均值法建立背景，背景差法提取目標前景，通過閾值分割、濾波、形態(tài)學等預處理獲得完整運動目標，如式(1)-式(4)所示。

(1)

Bi+1=(1-α)Bi(x,y)+αfi(x,y)

(2)

Di(x,y)=|fi(x,y)-Bi-1(x,y)|

(3)

(4)

式中：fi(x,y)為原圖像，B(x,y)為背景圖像，Di(x,y)為差分圖像，F(xiàn)(x,y)為前景二值圖像。為防止停車車輛融入背景，本文以較小的學習率α對背景進行更新來適應當前環(huán)境的變化，取α=0.005，N=200，th=45。 實驗結(jié)果如圖1所示。

圖1 視頻序列第18幀運動目標檢測

1.1 陰影去除

由于陰影的存在，通過背景差法得到的運動前景區(qū)域，使檢測出的前景區(qū)域部分車輛信息丟失或者多個車輛區(qū)域發(fā)生融合，從而改變了車輛的大小和形狀。如圖1(c)中，由于陰影的存在使3輛車識別為1輛車。產(chǎn)生這個誤差的原因是由于車輛陰影與車輛具有一致的運動特性，以至于陰影被識別為運動目標，使后續(xù)的跟蹤無法進行。對于車輛陰影，國內(nèi)外學者提出了不同的陰影去除算法[22-23]，但在陰影消除過程中采用基于顏色的算法去除陰影會使車輛顏色與背景顏色相同的車輛被誤認為陰影而被消除，從而得到的檢測前景不完整。本文采用基于邊緣和HSV顏色空間相結(jié)合的方法去除陰影，能夠檢測出精確的運動區(qū)域，彌補了基于邊緣的陰影去除算法陰影消除不干凈的結(jié)果，也彌補了基于顏色空間的陰影去除算法檢測不完整的情況。算法流程如圖2所示。

圖2 陰影去除算法流程圖

1.1.1 基于HSV顏色空間的陰影去除

HSV顏色模型保留了精確的灰度信息和色彩信息，能夠突出陰影與運動物體和背景的不同。在 HSV 顏色空間下，陰影區(qū)域相對于前景區(qū)域在色調(diào)(H)和飽和度 (S)上變化不大，但亮度 (V)有很大不同，即陰影區(qū)域比非陰影區(qū)域暗很多?；谶@個原因，進行陰影去除，算法如式(5)-式(8)所示，算法流程如圖2(a)所示。

(5)

△S=|Sf(x,y)-Sb(x,y)|

(6)

△H=|Hf(x,y)-Hb(x,y)|

(7)

(8)

式中：Hf、Sf、Vf分別為前景色調(diào)、飽和度、亮度，Hb、Sb、Vb分別為背景色調(diào)、飽和度、亮度。 其中(α,β)∈(0,1)，在本文中取α=0.05，β=0.2，Ts=30，Th=15。

1.1.2 基于邊緣特征的陰影檢測

圖像中邊緣含有豐富的信息，車輛陰影的邊緣相比車輛的邊緣更清晰簡潔且陰影的邊緣密度比較小，而車輛的邊緣密度比較大。本文采用文獻[24]的方法利用Log邊緣檢測算子對背景差法得到的車輛前景和閾值分割后的圖像分別進行邊緣檢測，將最終的邊緣圖像進行異或運算后得到去除陰影的前景圖像。Log邊緣檢測[25]先對原始圖像進行平滑處理,從而實現(xiàn)對噪聲最大程度的抑制,再對平滑后的圖像提取邊緣。具體可以分為三個部分：① 采用二維高斯函數(shù)對灰度圖像進行卷積，實現(xiàn)對灰度圖像的平滑；② 采用二維拉普拉斯算子對平滑后的圖像進行增強；③ 根據(jù)二階導數(shù)零交叉進行邊緣檢測，即提取增強后的二階方向?qū)?shù)圖像的零交叉點軌跡，即可得到圖像的邊緣。如式(10)、式(12)所示，算法流程如圖2(b)所示。

(9)

img(x,y)=G(x,y)*f(x,y)

(10)

(11)

g(x,y)= ▽2{img(x,y)}=

▽2[G(x,y)*f(x,y)]=

▽2G(x,y)*f(x,y)

(12)

(13)

式中：式(9)為二維高斯函數(shù)，σ為G函數(shù)的標準差，*為卷積運算符；式(13)為高斯拉普拉斯(LOG)。本文取3×3的高斯濾波器，取σ=0.25。

2 基于kalman濾波算法的車輛跟蹤

檢測出完整運動目標前景后，用最小矩形框標定運動車輛的連通區(qū)域并跟蹤，提取連續(xù)幀車輛的質(zhì)心坐標，即可以獲得車輛的運動軌跡。實驗結(jié)果如圖3所示。

圖3 運動目標跟蹤

本文采用文獻[26]中的質(zhì)心距離約束、目標大小約束雙重約束條件相結(jié)合的方法進行車輛跟蹤，獲得車輛運動軌跡。跟蹤過程如下：

(1) 對t時刻矩形框標記的運動目標，分別計算矩形框信息BBox=[x,y,width,height]和質(zhì)心坐標及面積大小，并通過kalman濾波算法對質(zhì)心坐標和面積大小進行預估計，建立初始目標信息鏈。

(2)t+1時刻時，通過同樣的方法獲得目標的質(zhì)心和面積及矩形框信息。

(3)t+1時刻，對目標進行匹配，匹配規(guī)則：質(zhì)心距離約束匹配要求t+1時刻對應目標區(qū)域的質(zhì)心的估計值和實際值歐氏距離小于給定閾值dth，即|CtCt+1|

其中，kalman濾波算法是對車輛信息建立狀態(tài)空間方程和觀測方程，根據(jù)前一幀的車輛特征信息估計當前幀的特征信息值，與當前幀的觀測值在線性無偏差最小方差的估計下對車輛的特征信息做出最優(yōu)估計，它的狀態(tài)方程和觀測方程可用一個線性隨機微分方程表示：

狀態(tài)方程：

x(k)=Ax(k-1)+W(K)

(14)

觀測方程：

z(k)=Hx(k)+V(K)

(15)

對于視頻中的運動車輛，相鄰幀間車輛的運動距離非常小，幾乎不會發(fā)生較大的改變，所以認為在相鄰幀△t時間內(nèi)的車輛在做勻速運動，即滿足如下公式：

xk=xk-1+vxk-1×△t

(16)

vxk=vxk-1

(17)

因此，可選用質(zhì)心的橫縱坐標和外接矩形框的高和寬設置一個八維向量來構(gòu)建運動車輛的運動狀態(tài)。

運動車輛的狀態(tài)方程為：

x(k)=[xk,yk,vxk,vyk,wk,hk,vwk,vhk]

(18)

運動車輛的觀測方程為：

z(k)=[xk,yk,wk,hk]

(19)

式中：(xk,yk)為質(zhì)心的橫、縱坐標;wk、hk為外接矩形的寬、高;vxk、vyk、vwk、vhk分別為質(zhì)心和外接矩形四個分量的速度。

根據(jù)整個跟蹤模型可以得到:

式中：△t為相鄰幀間的時間間隔，按每秒30幀的速率，其取值為0.33。

3 車輛異常事件檢測

3.1 違章逆行事件檢測

在高速公路上每個攝像機安裝的位置和角度都是確定的，每個路段車輛的正確行駛方向可以在上位機上直接進行人工設置，通過分析車輛某一方向上的運動，觀察質(zhì)心坐標大小的變化，判斷車輛是否逆行。本文以左上角為坐標原點，以向攝像機的方向為正方向，通過對車輛連續(xù)跟蹤T幀，分析車輛的運動軌跡的縱坐標序列y=(y1,y2,…,yn)。當y1y2>…>yn時，表示車輛在視頻中向遠離攝像頭方向行駛,判斷為車輛逆行。

3.2 違章停車事件檢測

判斷車輛停車的基本思想是：車輛在高速路上減速行駛至停車，初始速度大于0，加速度小于0，速度逐漸減小，車輛質(zhì)心的位置變化減小；當車輛停止行駛時，車輛的質(zhì)心不在變化，速度為0。因此，通過計算車輛的質(zhì)心位置的變化和車輛的速度變化來判斷車輛是否違章停車。具體判斷方法如下：

(1) 分析車輛運動軌跡，對矩形框標定的運動車輛的質(zhì)心C，每j個跟蹤點計算車輛質(zhì)心的位置變化(其中，j=5)：

(20)

若△Ck(x,y)>△Ck+i(x,y)(i=1,2,3,4,5)則表明車輛在減速行駛。對于減速行駛的車輛，連續(xù)k幀，滿足△Ck(x,y)=0，則表明車輛停止行駛，k=5。

(2) 本文認為車輛在相鄰幀內(nèi)做勻速直線運動，因此，認為視頻圖像中的車輛在相鄰幾幀之間的運動速度為瞬時速度。

(21)

(22)

當連續(xù)k幀，vt=0，則表明車輛停止行駛，其中k=5。

4 實驗結(jié)果

本文基于MATLAB 2014a實現(xiàn)，在CPU為2.60 GHz，內(nèi)存為4 GB的普通計算機上對廣泛使用的陰影檢測基準運動圖像序列Highway1、Highway2(https://cvrr.ucsd.edu/aton/shadow/)和實際高速公路圖像序列Highway進行實驗來驗證本文對改進的陰影去除算法的性能，測試圖像序列如表1所示。

表1 測試圖像序列

并和文獻[24]提出的基于邊緣檢測的陰影去除算法在同樣的實驗平臺上進行實驗對比，采用文獻[27]提出的性能評價公式來判斷不同算法的檢測效果，其中陰影檢測率η和陰影分辨率ξ越大則效果越好，實驗結(jié)果如圖4-圖6所示。

圖4 Highway1陰影檢測對比結(jié)果

圖5 Highway2陰影檢測對比結(jié)果

圖6 Highway陰影檢測對比結(jié)果

(23)

(24)

從圖4-圖6實驗結(jié)果可以看出，文獻[24]提出的基于邊緣檢測的陰影去除能夠去除大部分的陰影，但是仍然存在細小的陰影邊緣,如圖4(b)和圖5(b)的陰影檢測結(jié)果；當車輛本身顏色和路面的顏色一樣時，采用HSV陰影去除算法誤將部分車輛識別為陰影，使得檢測的車輛不完整，如圖6(c)中的HSV陰影去除算法將大部分的車輛識別為陰影，僅保留了部分車輛前景。本文采用文獻[24]的方法與HSV顏色空間相結(jié)合的方法去除陰影，很好地解決了細小陰影去除不干凈和車輛檢測不完整的現(xiàn)象。實驗數(shù)據(jù)檢測結(jié)果如表2所示。

表2 實驗數(shù)據(jù)檢測結(jié)果

從表中檢測結(jié)果數(shù)據(jù)可以看出，本文所采用的方法陰影分辨率ξ比文獻[24]小，但是陰影檢測率較文獻[24]高,整個陰影去除效果較文獻[24]好。

本文以高速公路實際交通視頻為研究對象，在此實驗平臺上驗證逆行、停車異常事件算法的正確性。其中視頻分辨率為320×240，幀率為30幀/s。圖7為在高速公路匝道口由于車輛錯過出口而發(fā)生的逆行事件，分別列出了視頻序列的第45幀和第456幀，從2幀圖像車輛的運動軌跡可以明顯地看出456幀圖像中的車輛在逆向行駛。取T為20，獲得車輛的20個跟蹤點如表3所示。分析跟蹤點的y坐標序列，得出y1>y2>…>yn，車輛在背向攝像機的方向運動，從而判斷車輛逆行。視頻序列中3輛車質(zhì)心橫縱坐標變化如圖8所示。從圖中可以看出，車輛質(zhì)心的橫坐標均在一定的范圍變化，而正常行駛車輛的縱坐標在逐漸增大，逆行車輛的縱坐標在逐漸的減小。

圖7 運動車輛違章逆行檢測

跟蹤點坐標(x,y)跟蹤點坐標(x,y)1(508,332)11(488,233)2(498,314)12(487,222)3(497,304)13(484,216)4(496,295)14(485,211)5(495,284)15(485,205)6(494,276)16(483,200)7(491,261)17(481,190)8(489,254)18(479,186)9(489,247)19(475,182)10(486,239)20(473,177)

圖8 車輛質(zhì)心坐標變化圖

圖9為某高速公路違章停車視頻序列的第104幀、253幀、828幀。該視頻序列是車輛行駛至路中停車后有人下車最終車輛離開的過程，通過分析車輛減速至停車部分車輛質(zhì)心、速度、加速度等交通參數(shù)來判斷車輛是否違章停車。

圖9 運動車輛違章停車檢測

圖10為圖9中停車車輛的交通參數(shù)變化圖，其中在圖10(a)中可以看出，在100幀左右車輛質(zhì)心的橫縱坐標幾乎保持不變，并且質(zhì)心的位置變化也逐漸的趨于0，在104幀達到0。車輛在運動的過程中，通過式(21)、式(22)可以得到車輛的初始瞬時速度為52.9像素/s，大于0，初始加速度為-11.1像素/s2小于0，說明車輛在做減速運動，在第104幀時質(zhì)心位置變化為0，速度為0，并且以后連續(xù)5幀均為0，說明車輛停止運動，車輛位置變化及速度變化如圖10(b)、10(c)所示。

圖10 停車車輛參數(shù)變化圖

為了驗證本文異常事件檢測算法的正確性，對高速公路不同路段視頻進行違章逆行、停車異常事件檢測，得出如圖表4所示的實驗結(jié)果。針對不同幀視頻序列均可以檢測出異常事件，正確檢測率可以達到91%。

表4 高速公路車輛異常行駛檢測

5 結(jié) 語

本文提出的基于車輛運動軌跡的高速公路異常事件檢測算法，應用背景差分法提取車輛前景，在已有的陰影去除算法的基礎(chǔ)上，提出了基于邊緣檢測和HSV顏色空間相結(jié)合的方法去除陰影，陰影去除效果及陰影檢測率均有所提高，比單一的陰影去除方法效果好。針對高速公路異常逆行、停車事件易出現(xiàn)追尾、交通擁堵甚至連環(huán)的交通事故的情況，本文根據(jù)車輛行駛狀態(tài)建立異常事件模型，通過分析車輛運動軌跡檢測交通參數(shù)判斷車輛是否發(fā)生異常行駛。最后以實際高速公路視頻序列為研究對象進行實驗驗證，實驗結(jié)果表明交通異常事件檢測的準確率可以達到91%，能夠很好地檢測出異常事件并且能夠清楚地了解車輛發(fā)生了哪種異常行為。

[1] 于萬霞,杜太行.基于彩色空間的背景幀差法視頻車輛檢測[J].計算機仿真,2010,27(1):285-287.

[2] 康曉晶,吳謹.基于高斯背景建模的目標檢測技術(shù)[J].液晶與顯示,2010,25(3):454-459.

[3] 徐凱,陳仕先,顏廣.基于高斯模型的運動目標檢測方法研究[J].激光與紅外,2012,42(7):821-824.

[4] 范文超,李曉宇,魏凱,等.基于改進的高斯混合模型的運動目標檢測[J].計算機科學,2015,42(5):286-288.

[5] 馬文羅,胡建新,錢東海.基于視覺的運動目標伺服跟蹤研究[J].計算機工程,2012,38(8):183-185.

[6] 柴毅,陽小燕,尹宏鵬,等.基于運動區(qū)域檢測的運動目標跟蹤算法[J].計算機應用研究,2010,27(12):4787-4789.

[7] 劉超,惠晶.基于改進CAMShift的運動目標跟蹤算法[J].計算機工程與應用,2014,50(11):149-153.

[8] 路紅,李宏勝,費樹岷,等.融合塊顯著質(zhì)心描述和多級關(guān)聯(lián)的多目標跟蹤[J].系統(tǒng)工程與電子技術(shù),2015,37(9):2182-2190.

[9] 萬中田,冼鐘業(yè),胡明宇,等.基于Kalman預測器的多特征Camshift運動目標跟蹤算法[J].武漢大學學報(工學版),2015,48(5):712-716.

[10] 王煒,郭毓,俞信.基于卡爾曼濾波的多區(qū)域關(guān)聯(lián)運動目標跟蹤[J].計算機應用,2012,32(11):3174-3177.

[11] Wang R,Work D B.Interactive multiple model ensemble Kalman filter for traffic estimation and incident detection[C]//IEEE,International Conference on Intelligent Transportation Systems.IEEE,2014:804-809.

[12] 宋煥生,郭玲玲,袁彬,等.一種基于塊累積的高速公路車輛停車事件檢測方法:中國,102110366[P].2011-06-29.

[13] Tan Z,Lu X.A Combination Algorithm of Freeway Traffic Automatic Incident Detection[C]//International Conference on Transportation Information and Safety,2011:1106-1112.

[14] 趙敏,張波,唐毅,等.露天場景下高速公路違章停車視頻檢測算法[J].計算機測量與控制,2014,22(2):489-492.

[15] 邱凌赟,韓軍,顧明.車道模型的高速公路車輛異常行為檢測方法[J].計算機應用,2014,34(5):1378-1382.

[16] 姜明新,王洪玉,沐方順.基于視頻監(jiān)控的違章停車檢測算法[J].計算機工程,2012,38(19):151-153.

[17] 王衛(wèi)鋒,黃翰,郝志峰,等.仿昆蟲復眼的交通視頻停車事件檢測方法[J].計算機工程與應用,2012,48(6):246-248.

[18] 趙有婷,李熙瑩,羅東華.基于視頻車輛軌跡模型的交通事件自動檢測方法研究[J].中山大學學報,2011,50(4):56-60.

[19] 苑瑋琪,謝昌隆.基于機器視覺的交通事件檢測方法的研究[J].計算機仿真,2013,30(10):189-193.

[20] 陳維榮,關(guān)佩,鄒月嫻.基于SVM的交通事件檢測技術(shù)[J].西南交通大學學報,2011,46(1):63-67.

[21] 殿海,胡宏宇,李志慧,等.違章停車檢測與識別算法[J].吉林大學學報(工學版),2010,40(1):42-46.

[22] 余孟澤,劉正熙,駱鍵,等.融合紋理特征和陰影屬性的陰影檢測方法[J].計算機工程與設計,2011,32(10):3431-3434.

[23] 張紅穎,李鴻,孫毅剛.基于混合高斯模型的陰影去除算法[J].計算機應用,2013,33(1):31-34.

[24] 李浩亮,水清河,范文兵,等.一種新穎的基于邊緣檢測的車輛陰影去除方法[J].鄭州大學學報(工學版),2014,35(5):11-14.

[25] 賀強,宴立.基于LOG和canny算子的邊緣檢測算法[J].計算機工程,2011,37(3):210-212.

[26] 陳聰,朱煜,肖玉玲,等.一種有效的車輛跟蹤算法與異常車輛檢測[J].華東理工大學學報(自然科學版),2015,41(2):205-209.

[27] 邱一川,張亞英,劉春梅.多特征融合的車輛陰影消除[J].中國圖象圖形學報,2015,20(3):0311-0319.