沈陽理工大學(xué)自動化與電氣工程學(xué)院 夏偉翔 劉 軍 師 柯

在交通車輛違章行為圖像檢測和識別的基礎(chǔ)上，通過收集可以判定車輛違章行為的各個要素，找出每個要素之間的關(guān)系并建立上下文模型，進(jìn)而實現(xiàn)車輛違章行為檢測。通過Hough變換對車道線進(jìn)行檢測，利用背景差分法檢測目標(biāo)車輛，然后建立用于違章行為檢測的上下文模型，將上下文信息分為時序上下文，場景上下文，目標(biāo)上下文以及參數(shù)上下文。通過引入上下文信息，提高了車輛違章行為檢測的準(zhǔn)確率，減少了對車輛違章行為的誤判與錯判，節(jié)約了人工判讀成本。

機動車數(shù)量的快速增長直接導(dǎo)致城市交通壓力越來越大，對車輛違章行為檢測技術(shù)的需求與日俱增。車輛違章行為檢測方法主要以視頻圖像檢測為主，通過圖像處理和分析能夠?qū)囕v進(jìn)行精確檢測。常規(guī)車輛違章檢測方法多數(shù)只遵循一到兩個條件，只要滿足就認(rèn)定為違章，忽略了許多干擾因素并不能對復(fù)雜環(huán)境下的車輛行為做出正確判罰。通過引入上下文信息，確定出車輛本身屬性以及上下文信息關(guān)聯(lián)性，使違章行為檢測更加具體完整，在復(fù)雜場景下，可以詳盡描述違章行為，減少了誤判，提高了準(zhǔn)確率。

1 動態(tài)車輛與車道線檢測

1.1 動態(tài)車輛檢測

動態(tài)車輛的圖像檢測是違章行為檢測的前提，其主流方法包括幀差法，光流法以及背景差分法等。對于交通違章行為檢測，由于實際道路上運動車輛通常很多，用幀差法會因為相鄰幀圖像相互遮擋而出現(xiàn)空洞現(xiàn)象，識別的效果將大大降低；而光流法存在計算量比較大，運算時間比較長，無法滿足實時性要求的缺點；采用背景差分法能夠可靠檢測運動目標(biāo)車輛，具有檢測實時性好、檢測準(zhǔn)確性高的優(yōu)點。

背景差分法主要是區(qū)分背景與前景，背景通常為所研究的靜態(tài)場景，前景則是需要被檢測到的動態(tài)目標(biāo)。通過當(dāng)前幀的圖像與提前儲存的背景或者建立背景模型實時獲取的背景做差分運算。計算公式如下：

其中Ni(x,y)為差分圖像像素；Si(x,y)為當(dāng)前幀圖像像素；B(x,y)為背景圖像像素。

將所得到的差分值與提前設(shè)定的閾值T做關(guān)系比較，如果差分圖像像素值Ni(x,y)大于這個閾值T，則表明這個像素點屬于動態(tài)物體；如果小于閾值T，可以認(rèn)為該像素點屬于背景圖片。此算法實現(xiàn)簡單，解決了空洞的問題，特別是對于攝像機靜止的情況，背景差分法法是違章行為檢測中運動車輛識別最有效的方法。

1.2 車道線檢測

完成動態(tài)車輛檢測后，還需要進(jìn)行車道線識別。采用抗干擾能力較強的Hough直線檢測方法。Hough直線檢測其實就用點和線的對偶性，到達(dá)圖像空間中的線與參數(shù)空間的點成對應(yīng)關(guān)系，同時參數(shù)空間的線與圖像空間的點也成對應(yīng)的關(guān)系。

在圖像空間內(nèi)，在直線上的任何一點A(xi,yi)都滿足yi = kxi + b這個直線方程，我們可以將方程改寫成：

Hough變換用極坐標(biāo)系表示一條直線，表達(dá)式為：

通過在極坐標(biāo)系中交于(θ,ρ)點的數(shù)目來檢測直線，當(dāng)交于這個點的曲線數(shù)量大于了它的閾值，則這個唯一的參數(shù)(θ,ρ)在原圖中對應(yīng)了一條直線，再通過計算我們可以得到最后的結(jié)果。

2 上下文信息

交通違章檢測對實時性，準(zhǔn)確性以及智能化都有著很高的要求。交通行為發(fā)生的一系列過程中，往往存在著場景的變化，時間的變化，研究對象與其他同類對象相互的關(guān)系以及固有參數(shù)的設(shè)定，因此將上下文信息分為時序上下文，場景上下文，目標(biāo)上下文以及參數(shù)上下文。表達(dá)式為：

其中，CT表示時序上下文，在交通行為的發(fā)生中，有許多情況受到了時間順序的約束。例如：在對公交車道非法占用的違章行為檢測中，通過圖像處理可以很容易的判斷非公交車在公交專屬道路中運動，但是這就要判斷該行為發(fā)生的時間屬不屬于公交車道使用時間，如果不在使用時間內(nèi)，就不構(gòu)成違章。在這里就要用到了時序上下文，而參數(shù)一般都是人工提前設(shè)定。

CS表示場景上下文，主要包含違章行為發(fā)生的具體交通場景和各種信號燈、指示牌等交通設(shè)施。場景上下文可以更加完整的表達(dá)交通行為的發(fā)生。例如：在繁華路段的交叉路口，一般都有左轉(zhuǎn)，直行以及右轉(zhuǎn)三種行車道，當(dāng)一輛車直行通過時，由場景上下文來判斷所用車道是否為正確車道，如果上下文信息為左轉(zhuǎn)車道，則構(gòu)成未按規(guī)定路線行駛的違章行為。

CO表示為對象上下文，通過一個車輛與其他車輛所產(chǎn)生的關(guān)系來反映所需信息。在車流量大交通復(fù)雜的地方，違章行為的發(fā)生往往涉及多車輛，這時就要考慮他們之間聯(lián)系，例如是否因為一輛車的自身原因所導(dǎo)致了一系列其他車輛的被迫違章。建立好對象上下文的信息，將會大大提高這種違章行為的檢測。

CP表示為參數(shù)上下文，用特定地點的特定參數(shù)的設(shè)置來約束。參數(shù)上下文尤為重要，主要用于車輛超速，貨運車輛超重等違章行為的檢測中，通過設(shè)置閾值來確定標(biāo)準(zhǔn)參數(shù)，更加準(zhǔn)確的對違章車輛進(jìn)行判定。

前面全基因組芯片結(jié)果表明，AsrC高表達(dá)可以增加侵襲相關(guān)基因的表達(dá).為了進(jìn)一步分析AsrC是否影響細(xì)菌對于上皮細(xì)胞的侵襲力，將WT、ΔPasrC、WT+pBAD、WT+pBAD-asrC菌株進(jìn)行HeLa細(xì)胞侵襲實驗.實驗結(jié)果表明，與野生株相比，AsrC缺陷會降低細(xì)菌的侵襲力，而AsrC高表達(dá)菌株的侵襲水平較空質(zhì)粒對照株明顯增加，且差異具有統(tǒng)計學(xué)意義(P<0.05)(圖5)，說明AsrC可以增強S. Typhi對于上皮細(xì)胞的侵襲力.

3 上下文表達(dá)模型與檢測方法

3.1 上下文表達(dá)模型

一個行為的發(fā)生包括研究目標(biāo)本身的屬性與相關(guān)的上下文信息，精確的判斷行為的性質(zhì)，則需要這兩方面的緊密聯(lián)系?？啥x一個基礎(chǔ)行為的表達(dá)式為：

b：基礎(chǔ)行為；M：該行為的研究對象；G：即a⊙c，研究對象的特征屬性與一個或者多個上下文信息類別的關(guān)系；a：研究對象的特征屬性，c：行為的上下文相關(guān)信息上下文類別，包括CT,CS,CO,CP。

其中研究對象的運動特征屬性主要通過研究該對象的位置、速度以及方向變化等發(fā)生改變的屬性，它與其行為中的一個或者多個上下文信息的關(guān)系可以通過該對象與隨著時序的變化所造成的場景變化或參數(shù)變化所反映。

隨著時序發(fā)生的變化，所研究的場景也發(fā)生了變化，研究目標(biāo)也會隨之變得復(fù)雜。因此本文將還會分為簡單行為與復(fù)雜行為。

簡單行為是由一系列的基本行為所構(gòu)成的。它指的是在同一個時序變化范圍內(nèi)，所研究的目標(biāo)對象做出一系列行為的集合。因此簡單行為的產(chǎn)生必須受同時發(fā)生，同時結(jié)束這一條件的約束。一個基本行為也可以構(gòu)成一個簡單行為。簡單行為可以表示為：

B：研究的行為；BS：簡單行為；bi：每一個基本行為因素；tb1：每一個基本行為發(fā)生的時間區(qū)間。

復(fù)雜行為是由按著時間順序的變化發(fā)生的一系列簡單行為所構(gòu)成的。復(fù)雜行為的建立高度遵循時間順序這一原則。復(fù)雜行為可以表示為以下形式：

3.2 檢測方法

在基礎(chǔ)行為檢測中，通過圖像處理與計算行為的識別率P(b)可以判斷bI是否發(fā)生。當(dāng)識別率P(b)大于或等于某一閾值x時，可得邏輯為真，即logic=1；反之，可得邏輯為假，即logic=0。x的值可以通過前期的實驗得到。

對于簡單行為檢測，則需要利用每個基礎(chǔ)行為的識別率與每個基礎(chǔ)行為的權(quán)重，所有基礎(chǔ)行為的識別率乘上與之相對應(yīng)的權(quán)重值，再把他們相加在一起，得到的和即為簡單事件的識別率P(BS)。

檢測復(fù)雜行為時，需要把一個復(fù)雜行為分解成一個個簡單行為，只有每一個簡單行為的邏輯都為真時，最后的復(fù)雜行為才檢測成功，當(dāng)有任一簡單行為的邏輯為假時，則復(fù)雜行為檢測失敗。

4 實驗分析

研究雙黃線非法掉頭的交通車輛違章行為這一過程，利用背景差分法識別出正在運動的車輛，Hough線變換檢測出雙黃線，運用搭建的上下文模型對行為進(jìn)行邏輯的判斷。該行為是一個復(fù)雜行為，包含四個簡單行為：（1）車輛進(jìn)入到了禁止掉頭區(qū)域；（2）車輛到達(dá)雙黃線；（3）車輛離開雙黃線；（4）車輛進(jìn)入了反向車道。其中行為（1）由兩個基礎(chǔ)行為組成，一個是車輛進(jìn)入禁止掉頭區(qū)域，另一個是車輛向前行駛。

在定點靜態(tài)攝像頭的圖像處理和分析中，首先可用SVM分類器對路標(biāo)進(jìn)行識別，并對車輛的運動方向進(jìn)行跟蹤，通過場景上下文與目標(biāo)上下文確定了車輛已經(jīng)進(jìn)入了禁止掉頭的區(qū)域并且行駛，第一個簡單行為邏輯為真；進(jìn)入第二簡單行為，車輛的質(zhì)心與雙黃線的距離越來越近直至為0，通過參數(shù)上下文確定了車輛與雙黃線從接近到完全重合，第二個簡單行為為真；進(jìn)入下一行為，車輛的質(zhì)心與雙線的距離開始從0增加，同樣可以判斷出車輛從與雙黃線完全重合到離開，第三個簡單行為為真；進(jìn)入最后一個行為，車輛運動方向與原本方向成完全相反狀態(tài)，可以判斷出車輛已經(jīng)進(jìn)入反向車道，邏輯為真。由此可以得出該車輛在雙黃線出進(jìn)行了非法掉頭的違章行為。

結(jié)論：結(jié)合時序、場景、目標(biāo)及參數(shù)上下文信息對交通車輛違章行為進(jìn)行檢測，采用背景差分法檢測動態(tài)車輛，采用Hough變換檢測道路雙黃線，利用SVM分類器對路標(biāo)進(jìn)行識別，通過對定點靜態(tài)攝像頭的圖像處理和分析實現(xiàn)了車輛穿越雙黃線違章掉頭違章行為的檢測。在復(fù)雜的違章行為的檢測中，上下文模型的搭建將更能發(fā)揮其優(yōu)勢，實時并且準(zhǔn)確的進(jìn)行檢測，解決了傳統(tǒng)圖像處理檢測違章行為所出現(xiàn)的誤判多錯判多等問題，為交通管理部門提供了強有力的技術(shù)支持。