王華杰，翟麗紅，張俊生

（太原工業(yè)學(xué)院，太原 030008）

0 引言

近年來，隨著軍事領(lǐng)域視頻監(jiān)控覆蓋范圍的擴(kuò)大，視頻監(jiān)控手段已成為監(jiān)控軍事交通場景的一種非常重要的方法。隨著硬件設(shè)備和軟件算法的發(fā)展，越來越多的學(xué)者致力于復(fù)雜軍事交通場景中的車輛行為分析研究。目前，已經(jīng)有多種基于不同算法的車輛目標(biāo)檢測分析方法得到實(shí)現(xiàn)。

根據(jù)不同的算法原理，交通視頻分析方法可分為自頂向下法和自底向上法兩類。自頂向下法適用于車輛目標(biāo)沒有明顯遮擋的情況，在合適的分類器下，其擁有很高的檢測及跟蹤精度。然而，該類方法計(jì)算復(fù)雜度高，導(dǎo)致實(shí)時(shí)性較差。此外，軍事交通場景復(fù)雜多變，軍用車輛的相互遮擋及環(huán)境因素極大地影響了該類方法的魯棒性。自底向上法采用從局部到整體的分析方法，以車輛目標(biāo)局部的特征點(diǎn)檢測為基礎(chǔ)，逐漸向上完成目標(biāo)的分割過程，即便車輛目標(biāo)在運(yùn)動過程中被部分遮擋，通過檢測局部特征點(diǎn)，仍可完成目標(biāo)跟蹤任務(wù)，進(jìn)而對其進(jìn)行行為分析。此外，基于目標(biāo)特征點(diǎn)的檢測算法運(yùn)行效率高，更能滿足實(shí)際軍事場景下對實(shí)時(shí)性的要求。在自底向上算法的系統(tǒng)框架中，研究工作主要聚焦于邊緣、角點(diǎn)、部件、斑點(diǎn)等各種局部特征的研究。2004 年，Lowe 等提出了SIFT 局部特征算子算法，通過利用特征點(diǎn)周圍的梯度信息對目標(biāo)進(jìn)行特征描述，利用圖像金字塔解決尺度問題。這一方法具有良好的尺度不變性及旋轉(zhuǎn)不變性，近年來得到廣泛的發(fā)展和應(yīng)用，并出現(xiàn)了多種改進(jìn)特征算法，包括PCA-SIFT、GLOH、SURF、DAISY等。

本文將SIFT 算法應(yīng)用于軍事交通視頻分析，以目標(biāo)圖像局部特征點(diǎn)為研究對象，結(jié)合跟蹤匹配算法獲取軍用車輛特征點(diǎn)的運(yùn)動軌跡，實(shí)現(xiàn)了軌跡間的聚類問題分析，并將其應(yīng)用于特定場景下的超速行駛、低度行駛、逆行、停車和變道等車輛行為分析。

1 算法實(shí)現(xiàn)過程

1.1 軌跡點(diǎn)3D 信息重構(gòu)

在軍事交通場景下的軍用車輛目標(biāo)特征點(diǎn)的檢測中，背景環(huán)境中具有較強(qiáng)邊緣信息的特征點(diǎn)將對檢測結(jié)果帶來干擾與誤差，因此，在檢測前采用幀差法將背景中的干擾特征點(diǎn)進(jìn)行剔除。為了減少數(shù)據(jù)信息運(yùn)算量，加快運(yùn)行速度，在視頻圖像中上設(shè)置興趣區(qū)域，如圖1 中藍(lán)色方框所示。

圖1 視頻圖像中的興趣區(qū)域

視頻采集裝置標(biāo)定是獲取目標(biāo)3D 參數(shù)的關(guān)鍵，因此，通過視頻采集裝置標(biāo)定獲取目標(biāo)在3D 空間和圖像平面內(nèi)的對應(yīng)關(guān)系。視頻采集裝置的工作過程為：

在實(shí)際軍事場景中，常規(guī)軍用車輛目標(biāo)的高度范圍一般不超過4 m，因此，利用車輛高度信息間接獲取車輛軌跡點(diǎn)的3D 信息。采用高度枚舉法對軌跡高度信息進(jìn)行試探，來重構(gòu)2D 軌跡點(diǎn)在3D 空間中的軌跡，并利用車輛目標(biāo)剛性運(yùn)動的特點(diǎn)，計(jì)算不同軌跡之間的高度關(guān)系：

圖2 采用高度枚舉法得到的軌跡高度間的關(guān)系

基于逆投影變換思想，在軍用車輛行駛路徑中，將軍用車輛運(yùn)動方向（即道路方向）設(shè)置為Y方向，而軍用車輛的運(yùn)動趨勢同樣沿著Y方向。構(gòu)造與Y方向平行的多個逆投影面，進(jìn)而對車輛的2D 軌跡點(diǎn)在3D 空間中進(jìn)行信息重構(gòu)。在標(biāo)定場景中設(shè)置多個平行于Y方向的投影面，將2D 圖像上的軌跡點(diǎn)逆投影到多個已知Z的平面上。當(dāng)已知車輛軌跡點(diǎn)的圖像坐標(biāo)（u，v）及其在世界坐標(biāo)系下的Z時(shí)，根據(jù)式（1）可求得其世界坐標(biāo)，從而可以恢復(fù)車輛目標(biāo)在不同高度平面的3D 軌跡。圖3（a）為模擬同一軍用車輛目標(biāo)在理想狀態(tài)下的運(yùn)動軌跡，其在標(biāo)定場景下的2D 圖像投影如圖3（b）所示。從圖3（b）可以看出，不同高度的特征點(diǎn)軌跡具有不同像素位移及像素速度。因此，通過構(gòu)造不同高度的逆投影面，便能夠估算出其在3D 空間中的軌跡，如圖3（c）所示。利用得到的軌跡信息及剛性目標(biāo)的運(yùn)動特點(diǎn)，即可分析車輛目標(biāo)在3D 空間中的真實(shí)位置信息及一系列3D 特征，如車輛的實(shí)際運(yùn)行速度、加速度、位移、行駛方向等。

圖3 車輛3D 軌跡重構(gòu)結(jié)果

1.2 軌跡聚類

利用特征點(diǎn)軌跡的3D 信息構(gòu)造軌跡間的相似度量關(guān)系，將其應(yīng)用到譜聚類算法中，并結(jié)合Ncut算法，實(shí)現(xiàn)對軍用車輛特征點(diǎn)軌跡在3D 空間中的聚類。聚類算法具體實(shí)現(xiàn)步驟如下：

1）根據(jù)軌跡數(shù)據(jù)之間的相似度量構(gòu)建軌跡間的相似度矩陣W；

4）計(jì)算與H對應(yīng)的指示特征向量Q；

5）利用Q 的前k 個最小特征值對應(yīng)的特征向量進(jìn)行K-means 聚類。

2 軍用車輛行為定義與分析

利用獲取的軍用車輛軌跡3D 信息，進(jìn)一步分析確定場景下的車輛個體的行為模式，從而對該場景下的車輛異常行為進(jìn)行檢測。

2.1 高速行駛與低速行駛

2.2 逆行

視頻采集裝置具有固定的安裝位置與角度，可根據(jù)視頻路段中軍用車輛的行駛方向，確定道路的正確行駛方向，然后利用視頻采集裝置標(biāo)定技術(shù)獲取方向標(biāo)志線的3D 位置信息及其方向向量。如圖4所示，在兩車道路段設(shè)置正確行駛的方向向量，而對于多車道路段，根據(jù)實(shí)際情況設(shè)置兩個或多個正確行駛的方向向量。

圖4 車道正確行駛方向的設(shè)置

2.3 停車

2.4 變道

對于正常行駛的軍用車輛目標(biāo)，其運(yùn)動趨勢沿著車道線方向，即其運(yùn)動軌跡與道路標(biāo)志線近似平行關(guān)系，而發(fā)生變道行為的車輛運(yùn)動軌跡與道路標(biāo)志線之間存在一定夾角?；谲娪密囕v行駛的這種特點(diǎn)，采用以下方法對車輛的異常變道行為進(jìn)行判別：對相應(yīng)軍事場景下的視頻采集裝置進(jìn)行手動標(biāo)定，獲取道路上標(biāo)志線的實(shí)際3D 空間坐標(biāo)；利用每個類別中車輛特征點(diǎn)的3D 軌跡信息，計(jì)算其在X方向上的方差：

3 算法實(shí)驗(yàn)驗(yàn)證

3.1 聚類結(jié)果分析

采集了某地區(qū)20 個路段的1 000 組軍用車輛軌跡數(shù)據(jù)，對包含不同目標(biāo)數(shù)量的車輛的軌跡數(shù)據(jù)集進(jìn)行聚類分析。圖5 所示分別為兩車、三車、四車和五車聚類分析的實(shí)驗(yàn)結(jié)果，由圖5 可知，即使軍用車輛間發(fā)生共速或存在部分遮擋，算法仍可以將屬于不同車輛的特征點(diǎn)軌跡進(jìn)行有效的聚類。

圖5 車輛特征點(diǎn)軌跡聚類結(jié)果

將1 000 組數(shù)據(jù)按車輛目標(biāo)的個數(shù)進(jìn)行聚類結(jié)果統(tǒng)計(jì)分析，并與傳統(tǒng)的基于2D 軌跡特征的方法進(jìn)行對比，其結(jié)果如表1 所示。

表1 聚類精度對比

為了更好地評價(jià)算法的聚類效果，在表1 中對相關(guān)實(shí)驗(yàn)結(jié)果進(jìn)行定量分析，對聚類精度進(jìn)行定義：

其中，N 表示具有相同車輛數(shù)目的軌跡數(shù)據(jù)集個數(shù)；t為第i 個軌跡數(shù)據(jù)集中正確分類的軌跡條數(shù)；n為第i 個軌跡數(shù)據(jù)集所包含的軌跡總條數(shù)。

從實(shí)驗(yàn)數(shù)據(jù)可以看出，在兩車聚類分析中，精度提高4.57%；三車聚類分析中，精度提高8.33%；四車聚類分析中，精度提高10.85%；五車聚類分析中，精度提高17.96%。因此，本文所提出的算法明顯改善了聚類精度，尤其在車輛數(shù)增加的復(fù)雜情況下，更是顯著提高了車輛聚類精度。

3.2 軍用車輛行為分析驗(yàn)證

通過對2D 軌跡信息在3D 空間中進(jìn)行重構(gòu)，可以估計(jì)每條軌跡的真實(shí)速度，進(jìn)而估計(jì)該軍用車輛目標(biāo)的實(shí)時(shí)速度，繪制該車輛目標(biāo)在各個時(shí)刻的速度曲線，進(jìn)而判斷其是否存在高速行駛、低度行駛、逆行、停車和變道等行為。圖6（a）為對某路段車輛目標(biāo)提取的2D 軌跡數(shù)據(jù)進(jìn)行聚類分析的結(jié)果，圖6（b）為對應(yīng)軍用車輛的實(shí)時(shí)速度曲線。

圖6 車輛目標(biāo)實(shí)時(shí)速度分析

截取當(dāng)前路段同時(shí)刻的車輛實(shí)時(shí)速度的部分?jǐn)?shù)據(jù)結(jié)果，如表2 所示。正負(fù)號代表車輛的不同運(yùn)行方向，上行車輛速度標(biāo)記為正，下行車輛速度標(biāo)記為負(fù)。根據(jù)估算的車輛目標(biāo)的實(shí)時(shí)速度作為該軍用車輛目標(biāo)是否發(fā)生高速行駛或低速行駛的判別指標(biāo)。對于逆行行為，通過觀測其實(shí)時(shí)的運(yùn)動矢量進(jìn)行判斷，如表3 所示。若出現(xiàn)異常停車事件，其車輛目標(biāo)的軌跡速度將持續(xù)逼近于0，速度變化曲線如圖7 所示。

表2 軍用車輛速度時(shí)刻表

表3 軍用車輛實(shí)時(shí)行駛的方向角

圖7 停車速度變化曲線

對于變道行為，除了依據(jù)軍用車輛軌跡實(shí)時(shí)變化的方向角進(jìn)行判斷，還需根據(jù)其在X 方向上的偏移量作進(jìn)一步判別。如表4 所示，對某軍用車輛實(shí)時(shí)行駛的方向進(jìn)行分析，可發(fā)現(xiàn)車輛目標(biāo)運(yùn)動的方向角持續(xù)較大，而其對應(yīng)的軌跡數(shù)據(jù)在X 方向上的方差也大于預(yù)設(shè)閾值，因此，判斷其發(fā)生了異常變道行為。

表4 變道軌跡數(shù)據(jù)的方向角及X 方向方差情況

從上述實(shí)驗(yàn)結(jié)果可以看出，通過對軌跡速度、實(shí)時(shí)運(yùn)動矢量、偏移量等信息進(jìn)行分析，所提出的算法，可以較為準(zhǔn)確地識別軍用車輛的行駛速度、逆行、停車、變道等行為。

4 結(jié)論

為了解決軍事交通場景中軍用車輛運(yùn)動目標(biāo)的分割問題，本文研究了一種基于構(gòu)造特征點(diǎn)信息的軍用車輛行為分析算法。在該算法中，提出了一種基于剛性運(yùn)動約束的車輛軌跡3D 特征分析方法，構(gòu)造出一種新的軌跡集之間的相似性度量，并將其應(yīng)用到譜聚類算法的框架中，實(shí)現(xiàn)了軍用車輛特征點(diǎn)軌跡在3D 空間的聚類。將該算法應(yīng)用于特定軍事交通場景下的軍用車輛行為分析，利用軍用車輛軌跡3D 信息及其聚類結(jié)果，對高速行駛、低速行駛、逆行、停車和變道等行為進(jìn)行了分析，實(shí)驗(yàn)結(jié)果顯示該算法具有較高的精度和魯棒性。在后續(xù)工作中，將對該算法在圖像模糊、惡劣氣候、尺度、視角及光照變化等復(fù)雜軍事交通場景下的分析速度和精度進(jìn)行進(jìn)一步的研究與提高。