丁 華，楊文杰，姜 超

(江蘇大學(xué) 汽車與交通工程學(xué)院，江蘇 鎮(zhèn)江 212013)

0 引言

隨著計(jì)算機(jī)軟件、硬件及視覺技術(shù)的快速發(fā)展，利用交通視頻監(jiān)控系統(tǒng)提升道路安全管理水平是現(xiàn)代道路安全的重要保障，而基于車輛運(yùn)動(dòng)軌跡的行為分析和識別成為最有前景的發(fā)展方向之一[1]。通過監(jiān)控視頻對車輛進(jìn)行跟蹤獲取軌跡，并對軌跡進(jìn)行實(shí)時(shí)處理和分析，自動(dòng)檢測道路中車輛的異常行為，如闖紅燈、擅自變道、違章轉(zhuǎn)向、急剎車、超速行駛和車輛逆行等[2-4]。

研究人員對交通監(jiān)控中識別運(yùn)動(dòng)車輛的異常行為方面取得了一些進(jìn)展。Johnson等[5]和Sumpter等[6]使用自組織特征映射神經(jīng)網(wǎng)絡(luò)的方法對軌跡空間模式進(jìn)行建模。Hu等[7]利用模糊自組織映射方法學(xué)習(xí)目標(biāo)的運(yùn)動(dòng)軌跡和行為模式，實(shí)現(xiàn)對異常事件的檢測和判別。楊龍海等[8]提出了基于軌跡數(shù)據(jù)的車輛異常行為分級檢測算法，使用神經(jīng)網(wǎng)絡(luò)對不同種類的異常行為樣本進(jìn)行訓(xùn)練識別。以上基于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法網(wǎng)絡(luò)設(shè)置復(fù)雜、學(xué)習(xí)速度慢，需要大量樣本，對實(shí)時(shí)性要求較高。Cai等[9]提出了一種異常行為檢測框架，該框架包括軌跡模式學(xué)習(xí)模塊和異常檢測模塊，軌跡模式學(xué)習(xí)模塊通過對軌跡聚類并學(xué)習(xí)方向模式，異常檢測模塊通過建立每類軌跡的HMM模型來對新軌跡進(jìn)行異常檢測，該方法在訓(xùn)練時(shí)需要提前設(shè)定狀態(tài)數(shù)目，適用于對場景先驗(yàn)知識比較了解的情況。Athanesious等[10]提出了一種新的基于軌跡聚類方法來檢測車輛異常軌跡，結(jié)合譜聚類理論和貝葉斯決策理論將事件分為正常和異常，該方法對實(shí)時(shí)性要求較高，可以通過深度學(xué)習(xí)的方法來擴(kuò)展。Xu等[11]提出了雙模式檢測模型來檢測道路交通中車輛異常運(yùn)動(dòng)模式，靜態(tài)模式從背景建模中學(xué)習(xí)，用來檢測在道路中保持靜止的異常車輛。動(dòng)態(tài)模式用來檢測從跟蹤軌跡中偏離主要運(yùn)動(dòng)模式的異常行為。該方法檢測誤差低，在低質(zhì)量的流視頻中有待提升。Piciarelli等[12]提出了一種基于軌跡的聚類方法。異常軌跡通過一系列集群形成的樹提取。異常軌跡是那些與樹相比概率較小的軌跡。通過這種方法可以很容易地識別出在錯(cuò)誤方向上行駛的車輛，但是這種方法不能估計(jì)車輛的速度。李永等[13]提出了基于隨機(jī)森林的車輛行為分析方法，該方法通過擬合跟蹤軌跡提取特征值，并將其輸入隨機(jī)森林算法分類器中，對車輛行為進(jìn)行分析，該方法對車輛的特征值提取較少，識別行為單一。黃鑫等[14]提出了基于監(jiān)控視頻的車輛異常行為檢測方法，該方法通過均值漂移算法對速度和角度兩個(gè)運(yùn)動(dòng)特征聚類，得到聚類后統(tǒng)計(jì)直方圖，由運(yùn)動(dòng)特征熵和運(yùn)動(dòng)特征標(biāo)量到聚類中心的歐氏距離來判斷車輛有無異常行為。該方法對動(dòng)態(tài)變化場景中車輛異常行為的檢測效果較差。Hu等[15]提出了軌跡多層次學(xué)習(xí)框架來識別異常交通行為，使用貝葉斯決策對車輛的異常換道和掉頭行為進(jìn)行辨識。Wang等[4]分析了復(fù)雜場景下常見的車輛異常行為，如異常變道、超速異常、低速異常、逆行等。對于速度異常問題，該方法以簡單的道路規(guī)定閾值為判別方法，場景適應(yīng)性較差。通過以上研究發(fā)現(xiàn)，無監(jiān)督學(xué)習(xí)成為異常檢測的熱點(diǎn)，該方法不需要軌跡標(biāo)簽，通過對軌跡自動(dòng)學(xué)習(xí)建立正常軌跡模型，與正常軌跡對比來辨識新軌跡是否異常，應(yīng)用廣泛。在速度異常的檢測中，沒有考慮交通流速度大小和不同車型對速度異常的影響。

本文以車輛運(yùn)動(dòng)軌跡為研究對象，提出了一種通過軌跡分析辨識交通異常行為的有效方法。首先對獲取的軌跡采用DP算法[16]進(jìn)行壓縮，只保留特征點(diǎn)。然后使用改進(jìn)的Hausdorff距離計(jì)算軌跡間的相似度矩陣，采用譜聚類算法學(xué)習(xí)軌跡空間模式。在此基礎(chǔ)上，對每個(gè)空間模式進(jìn)行中心軌跡提取并利用位移向量學(xué)習(xí)軌跡的方向模式。利用空間模式和方向模式對新軌跡進(jìn)行混合匹配來檢測異常行為。對于每類運(yùn)動(dòng)模式，通過速度特征提取，取偏離正常運(yùn)動(dòng)區(qū)間5%車輛的速度為速度異常閾值，對車輛進(jìn)行實(shí)時(shí)速度異常檢測。

圖1為異常行為辨識流程圖。

1 軌跡學(xué)習(xí)

1.1 軌跡預(yù)處理

1)軌跡長度篩選。為保持系統(tǒng)的穩(wěn)定性，提高聚類準(zhǔn)確度，需要采用充分長的運(yùn)動(dòng)軌跡進(jìn)行學(xué)習(xí)，刪除采樣點(diǎn)少的軌跡。

2)軌跡壓縮。為減少軌跡相似性度量的計(jì)算，采用道格拉斯—普克算法(DP算法)對軌跡進(jìn)行壓縮，只保留軌跡的特征點(diǎn)。

1.2 軌跡空間模式學(xué)習(xí)

軌跡的相似性在運(yùn)動(dòng)軌跡聚類中起著非常重要的作用。目前軌跡聚類中的距離度量主要包括基于歐氏距離的方法、基于最長公共子序列的方法、基于動(dòng)態(tài)事件窗口的方法以及基于Hausdorff距離的方法。與其他幾種方法相比，基于Hausdorff距離的方法對于軌跡點(diǎn)集之間的相似性度量更為高效。本文采用改進(jìn)的Hausdorff[17]距離計(jì)算軌跡的空間相似程度。假設(shè)軌跡集合中存在2條軌跡A={ai，i=1，2，…，N}，B={bj，j=1，2，…，M}，對于軌跡A上的任意一點(diǎn)ai，在軌跡B上有距離ai最近的點(diǎn)使得：

(1)

那么軌跡AB的空間有向距離則可以表示為：

(2)

式中，NA為A的軌跡點(diǎn)個(gè)數(shù)。A、B之間的對稱距離為：

(3)

由此可以轉(zhuǎn)化為A、B的相似度函數(shù):

s(A，B)=exp(-H(A，B)/2σ2)

(4)

式中，σ為尺度參數(shù)。如果h(A，B)越小，A、B空間距離越小，相似度越高。

在計(jì)算出軌跡間相似度矩陣后，采用譜聚類算法學(xué)習(xí)車輛軌跡的空間分布模式。利用譜聚類[18]對車輛軌跡進(jìn)行聚類，步驟如下：

1)對于給定的m條軌跡的集合Traj={T1，T2，…，Tm}，利用改進(jìn)的hausdorff距離計(jì)算軌跡間相似度矩陣，滿足式(5)所示條件。

(5)

2)根據(jù)相似度矩陣S定義對角矩陣D。對相似度矩陣S中第i行的元素進(jìn)行求和得到矩陣D的主對角元素Dii，如式(6)所示。

(6)

4)選取與最大的k個(gè)特征值對應(yīng)的k個(gè)特征向量x1，x2，…，xk，將這k個(gè)特征向量按列構(gòu)造一個(gè)m×k的矩陣X=[x1,x2,…,xk]。對X中的每一行做歸一化處理得到一個(gè)新的矩陣Y，歸一化公式如式(7)所示:

(7)

5)軌跡樣本中的每一條軌跡Ti都和矩陣Y中的第i個(gè)行向量相對應(yīng)，最后使用k-means聚類算法將矩陣Y聚成k個(gè)類。

6)將樣本軌跡中的每一條軌跡按照其在矩陣Y中相對應(yīng)的行向量的類別進(jìn)行分配。

1.3 軌跡方向模式學(xué)習(xí)

1)將軌跡進(jìn)行空間譜聚類學(xué)習(xí)后軌跡被有效地劃分為軌跡簇。通過提取各類簇的代表性軌跡來表示該類運(yùn)動(dòng)模式，對于第k類的任意一條軌跡Ti計(jì)算其與該類中其他軌跡的平均距離：

(8)

式中:nk為第k個(gè)分布中的軌跡數(shù)量。

選取任意分布k中與其他軌跡平均距離最小的軌跡作為該分布的代表性軌跡，該軌跡代表了該場景下第k個(gè)運(yùn)動(dòng)模式。

2 目標(biāo)異常行為檢測

2.1 軌跡空間匹配

對于每個(gè)新軌跡點(diǎn)P(x0，y0)，利用中心軌跡的起點(diǎn)和終點(diǎn)確定方程Ax+By+C=0，利用式(9)計(jì)算新軌跡點(diǎn)與各個(gè)中心軌跡的距離，并將距離從小到大排序，距離最小的代表該點(diǎn)屬于該條中心軌跡所在的運(yùn)動(dòng)模式。

(9)

2.2 軌跡方向匹配

一個(gè)運(yùn)動(dòng)模式代表一個(gè)特定的運(yùn)動(dòng)方向，當(dāng)新軌跡的方向與正常運(yùn)動(dòng)模式的方向不同時(shí)，必然會出現(xiàn)交通異常行為，比如逆行。當(dāng)?shù)谝粋€(gè)軌跡點(diǎn)產(chǎn)生時(shí)，首先計(jì)算該軌跡點(diǎn)所屬的運(yùn)動(dòng)模式，假設(shè)第一個(gè)點(diǎn)的方向與該運(yùn)動(dòng)模式中心軌跡的方向一致，對于其他的跟蹤點(diǎn)(i>1)異常行為檢測的方向判別如下:

(10)

式中：cosθ代表向量A與向量B的余弦相似度，取值在[-1，1]之間，向量A表示每個(gè)運(yùn)動(dòng)模式的位移向量，向量B表示第i個(gè)跟蹤點(diǎn)和第i+1個(gè)跟蹤點(diǎn)之間的位移向量。如果第i個(gè)點(diǎn)和第i+1個(gè)點(diǎn)所在模式不同，則該車發(fā)生了變道行為。當(dāng)cosθ<0時(shí)，軌跡與運(yùn)動(dòng)模式的方向相反，表示該車輛發(fā)生了逆行。

2.3 速度異常檢測

筆者提出的速度異常檢測方法完全依靠道路的歷史數(shù)據(jù)識別速度軌跡異常的車輛，包括超速異常檢測和低速異常檢測。該方法主要是通過軌跡的空間模式學(xué)習(xí)得到各類簇后，提取各類簇中每條軌跡的速度特征，統(tǒng)計(jì)每條軌跡的速度變化曲線圖，定義95%的行駛車速為正常行駛區(qū)間，剩余5%為異常。設(shè)置超速行駛和低速行駛的閾值將這些異常的軌跡識別出來。當(dāng)產(chǎn)生待識別的新軌跡時(shí)，以此判斷每個(gè)點(diǎn)是否在正常的行駛區(qū)間內(nèi)。如果在正常區(qū)間，則說明軌跡正常；如果大于超速閾值，則說明該車超速異常；如果低于低速閾值，則說明該車低速異常。

3 實(shí)驗(yàn)分析

基于HighD[19]數(shù)據(jù)集中的一個(gè)場景做驗(yàn)證。該場景由雙向6車道構(gòu)成，車輛的軌跡點(diǎn)通過無人機(jī)獲取。原始軌跡共1 047條，去除不完整軌跡和換道軌跡后剩余818條。圖2為軌跡的提取與處理過程，其中圖2(b)顯示了壓縮前后的軌跡對比圖，壓縮前共有32個(gè)藍(lán)色軌跡點(diǎn)，壓縮后只有6個(gè)紅色特征點(diǎn)。

圖2 軌跡的提取與處理

預(yù)處理后的軌跡經(jīng)過hausdorff距離計(jì)算出軌跡的相似度矩陣后利用譜聚類算法學(xué)習(xí)出軌跡的空間分布模式，圖3是軌跡的空間聚類結(jié)果。

圖3 軌跡空間模式學(xué)習(xí)

通過空間模式學(xué)習(xí)表明：軌跡的4種運(yùn)動(dòng)模式正好對應(yīng)道路上4條車道，分別是第2條車道(黃)、第3條車道(紅)、第5條車道(藍(lán))和第6條車道(綠)。然后對軌跡進(jìn)行方向模式學(xué)習(xí)，圖4為方向模式學(xué)習(xí)結(jié)果。

圖4 方向模式學(xué)習(xí)

圖中的曲線代表每個(gè)運(yùn)動(dòng)模式的中心軌跡，帶箭頭的線段表示該曲線的位移向量。2、3車道的運(yùn)動(dòng)模式由右向左，5、6車道的運(yùn)動(dòng)模式由左向右。對于逆行軌跡，相鄰軌跡點(diǎn)之間位移向量和所在的運(yùn)動(dòng)模式的方向向量的夾角余弦小于0且無限接近-1。對于正常行駛車輛的軌跡，其相鄰軌跡點(diǎn)之間的位移向量與所在模式的方向向量的夾角余弦接近1。圖5表示正常軌跡相鄰點(diǎn)之間位移向量與所在模式方向向量的夾角余弦。

圖5 正常軌跡夾角余弦圖

圖5橫坐標(biāo)代表的是軌跡點(diǎn)，縱坐標(biāo)表示相鄰軌跡點(diǎn)之間的夾角余弦，例如第1個(gè)柱狀圖代表第1個(gè)點(diǎn)和第2個(gè)點(diǎn)的方向向量與所在空間模式方向向量的夾角余弦。通過計(jì)算相鄰軌跡點(diǎn)之間的方向向量與所在模式的方向向量的夾角余弦，就可以判定車輛是否逆行，只要存在夾角余弦小于0的情況，就可以判斷車輛發(fā)生逆行，可以有效地檢測出逆行行為。表1為樣本軌跡空間匹配結(jié)果。

表1 軌跡空間匹配

由表1可知，所有軌跡點(diǎn)到車道2中心軌跡的距離最短，所以該軌跡屬于2車道。然后再對其進(jìn)行方向模式匹配，匹配結(jié)果如圖6所示。

圖6 逆行軌跡夾角余弦圖

由圖6可知，該軌跡相鄰兩點(diǎn)之間的方向向量與所在空間模式的方向向量的夾角余弦都小于0且接近-1，該軌跡為逆行軌跡。綜合空間模式匹配結(jié)果可知，該軌跡為2車道逆行軌跡。

對于速度異常的車輛通過軌跡的空間模式學(xué)習(xí)后，提取出各模式軌跡的速度特征，統(tǒng)計(jì)每個(gè)模式中各個(gè)軌跡的速度變化，就可以確定正常車輛行駛的速度區(qū)間。將95%的駕駛員行駛的速度區(qū)間作為正常行駛區(qū)間，剩下5%作為異常行駛的區(qū)間。圖7為各車道車型速度分布圖。

圖7中，紅色的曲線代表5%駕駛員行駛的速度異常軌跡，藍(lán)色的曲線代表95%的駕駛員行駛的正常軌跡。由于在現(xiàn)實(shí)生活中，超速行駛的駕駛員比低速行駛的駕駛員更為常見，取前1%的駕駛員行駛的速度為低速閾值，后4%的駕駛員行駛的速度為超速閾值。圖7(a)中低速異常閾值為79 km/h，超速異常閾值為120 km/h，圖7(b)中低速異常閾值為76 km/h，超速異常閾值為131 km/h，圖7(c)中低速異常閾值為89 km/h，超速異常閾值為144 km/h，圖7(d)中低速異常閾值為82 km/h，超速異常閾值為156 km/h，圖7(e)中低速異常閾值為76 km/h，超速異常閾值為132 km/h。圖7(f)中低速異常閾值為74 km/h，超速異常閾值為90 km/h。通過以上分析可知：在不同的交通場景下，可以根據(jù)海量的歷史數(shù)據(jù)分析出各車道車輛的速度分布區(qū)間，確定超速閾值和低速閾值，從而對車輛的速度是否異常進(jìn)行實(shí)時(shí)檢測。圖8為車輛實(shí)時(shí)速度分析曲線圖。

圖7 各車道車型速度分布圖

圖8 車輛實(shí)時(shí)速度分析

4 結(jié)論

根據(jù)改進(jìn)的Hausdorff距離計(jì)算軌跡的空間相似度矩陣，利用譜聚類學(xué)習(xí)軌跡的空間分布模式，提取中心軌跡利用位移向量學(xué)習(xí)軌跡的方向模式，通過空間模式與方向模式混合匹配解決了道路中異常車輛的軌跡辨識問題。速度特征提取考慮了不同類型車輛對速度軌跡的影響，以5%行駛的區(qū)間為異常區(qū)間，確定了道路中車輛行駛的速度異常閾值。通過數(shù)據(jù)集證明該方法能夠?qū)崟r(shí)有效地辨識出方向異常和速度異常的車輛，對提高交通安全具有重大意義。筆者提出的方法也存在不足，只考慮了車輛類型的影響，在接下來的研究中，將加入天氣等環(huán)境因素，提升識別效果。