基于車輛軌跡的交通違法行為檢測方法

　　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。

　　圖一交通違法行為檢測算法流程

　　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果綜合了運動幀差信息、車輛特征（車牌、車輛尾部結構特征和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。

　　圖二現(xiàn)場軌跡圖

聲明:

凡文章來源標明“中國智能交通網(wǎng)”的文章版權均為本站所有，請不要一聲不吭地來拿走，轉載請注明出處，違者本網(wǎng)保留追究相關法律責任的權利；所有未標明來源為“中國智能交通網(wǎng)”的轉載文章均不代表本網(wǎng)立場及觀點，“中國智能交通網(wǎng)”不對這些第三方內(nèi)容或鏈接做出任何保證或承擔任何責任。