高速公路服務區違法上下客行為識別技術研究

黨倩

摘 要：高速公路服務區違法上下客行為嚴重影響客運交通秩序，極易誘發交通安全隱患。本文通過對車輛、行人、物體的特征提取及持續跟蹤，基于行人攜物、背包的特征識別，建立了一套違法上下客識別流程，并研發違法上下客行為識別系統，實現疑似違法行為的智能檢測及抓拍取證，為非現場執法提供依據，對提升執法稽查效率及非現場執法智能化水平具有重要意義。

關鍵詞：違法上下客行為;行人攜物;行人檢測

0 引言

近年來，高速公路服務區作為車輛停車、休憩的服務場所，逐漸涌現出客運車輛違規上下客、倒客、甩客等違法行為，嚴重影響交通秩序，帶來行李未經安檢、行人自由出入、翻越圍欄、橫穿高速公路等安全隱患，極易誘發致死、致傷的道路交通事故，違法上下客行為的檢測及監管已成為“平安交通”建設工作的重中之重。

違法上下客行為具有短時發生、取證追溯難等特征，傳統人工現場巡檢的監管方式需要出動大量人員、車輛，且只具有短時間的監管效應，導致打擊難度大、效率低，成為行業管理的痛點及難點。隨著技術進步、管理機制革新，采用“技術+管理”綜合手段實現服務區違法上下客行為的主動檢測識別已成為當務之急。

基于視頻的行人攜物檢測即在視頻監控中根據攜物行人與正常行人特征的差異，通過目標行人檢測及模式識別的手段，實現攜物行人的檢測及判別，常應用于安防安保等領域。國內外學者圍繞行人檢測開展了深入的研究[1-4]，在行人攜物方面的研究相對較少，主要圍繞攜帶物品檢測及行人檢測兩個方面。物品檢測方面，Giounona Tzanidou[5]等用顏色信息對行人與其攜帶的物品進行了分割，從而達到對攜帶物品的有效檢測，但受限于顏色特征的不唯一及易混淆特性，識別效果較差。Haritaoglu， D[6]等人根據無負重狀態下人體輪廓的對稱性，結合人體步態周期頻率建立背包檢測系統;在此基礎上，Benabdelkader和Davis[7]等人對系統進行了改進，通過對連續視頻序列中人體輪廓的周期和振幅，更加精確地判別攜帶物品位置，但其中心軸的尋找方面仍然存在缺陷。行人檢測方面，Nanda[8]等人從機器學習的角度對人體攜物進行了判斷，通過分析正常行人與異常行人的區別，結合神經網絡分類器對人體是否攜物進行檢測;王文杰[9]則用單一行走的行人與已經建立好的標準模板庫進行對比來判定行人是否攜帶物品，取得了一定的檢測效果。

基于上述研究基礎，本研究建立了違法上下客行為檢測識別系統，借助模式識別、機器學習及智能分析等技術，實現車輛檢測、行人檢測、行人攜物檢測、軌跡跟蹤及行為分析等功能，進而實現違法上下客行為判別及分析，為管理部門實施違法監管提供支撐，提升管理效率與智能化水平。

1 技術方案研究

高速公路服務區具有環境開闊、車輛眾多、人員嘈雜等特點，對此，針對于客運大巴車輛的違法上下客行為，本研究以服務區內大客車車輛檢測及車輛定位為基礎，基于服務區視頻的聯動跟蹤，以車輛監測、行人檢測為基礎，實現行人攜物的檢測跟蹤，并結合行人移動方向與車輛停靠位置的相對分析，判別違法上下客行為。

1.1 違法上下客事件檢測流程

利用高速公路服務區現有的視頻監控資源，通過對視頻場中的客車、行人進行檢測和跟蹤，融合行人攜物特征實現違法行為的檢測及識別。檢測流程如下：

（1）在視頻場中檢測是否有客車以及對客車跟蹤判斷是否有停車行為;

（2）當檢測到客車有停車且有行李箱打開行為時，以客車為中心，動態建立行人檢測區域;

（3）在行人檢測區檢測行人及行人攜物;

（4）當檢測到行人靠近客車行李箱，且伴隨有攜物特征時，根據預先設定的違法上下客攜物特征及閾值，判定具有疑似違法上下客行為;

（5）在判斷具有疑似違法上下客行為后，自動拍照或者錄制短視頻進行取證;

（6）將疑似違法上下客行為結果及取證數據發送至后臺綜合管理系統。

1.2 車輛檢測追蹤

基于車牌、車型、車輛顏色等綜合特征，以車牌檢測及HSV顏色直方圖為核心建立運動目標跟蹤模型，通過對多路視頻的綜合分析，采用基于均值漂移和粒子濾波相融合的跟蹤算法實現車輛在服務區范圍內的連續跟蹤。基于對目標車輛的連續檢測跟蹤，可判別非停車區域違規停靠的客運車輛，實現對違停車輛的抓拍取證，便于執法管理人員取證執法及停車誘導。車輛檢測跟蹤技術流程如圖2所示。同時，根據客運車輛的停車位置，可設定違法上下客檢測感興趣區域（Region Of Interest，以下簡稱ROI區域），為違法上下客行為檢測奠定基礎。

依托于高速公路服務區信息化建設，現已基本實現服務區全區無死角檢測，為車輛的檢測追蹤提供了良好基礎條件。當車輛駛入服務區入口時，對入口卡口抓拍相機拍攝到的視頻圖像，采用Faster R-CNN 目標檢測算法對車輛進行檢測，ZF-net網絡作為Faster R-CNN的特征提取網絡。為了適應實際場景中遠近車輛目標尺寸差異較大的情況，避免漏檢較遠目標，模型訓練時采用多尺度訓練的方式。對訓練好的模型進行測試，檢測結果如圖3。

1.3 行人目標檢測

人體骨骼關鍵點檢測是諸多計算機視覺任務的基礎，用于動作分類，行為識別。行人目標檢測時，通過骨骼關鍵點檢測和關鍵點聚類，將不同人的不同關鍵點聚類連接從而構建不同的個體。本文采用Associative Embedding方法進行骨骼關鍵點的檢測及聚類。該方法通過使用高維空間的向量來編碼不同人體的不同關鍵點之間的關系，即同一個人的不同關鍵點在空間上是盡可能接近的，不同人的不同關鍵點在空間上是盡可能遠離的，最后可以通過兩個關鍵點在高維空間上的距離來判斷兩個關鍵點是否屬于同一個人，從而達到聚類的目的。如下圖所示。通過借助行人姿態的檢測提取，實現視頻序列中行人目標的穩定檢測及跟蹤，有效避免視頻場景中其他背景目標的干擾。

1.4 行人攜物檢測

基于ROI區域內行人目標的檢測提取，借助LBP/HOG特征實現行人攜物特征的判別。通過創建正常無攜物行人標準模板，基于攜物行人身體輪廓與正常無攜物行人的特征差別，統計攜物行人輪廓與無攜物行人輪廓差值的剩余面積，實現攜物特征的提取。基于ROI區域的設定，根據行人進、出ROI區域與上、下客的匹配關系，定義區域內及區域外上下客目標行進方向，對行人攜物行為進行軌跡跟蹤及抓拍取證，為違法上下客行為的稽查執法基礎提供依據。行人攜物檢測技術流程如圖6所示。

2 應用系統設計及應用

2.1 應用系統設計

高速公路服務區違法上下客識別系統包括前端嵌入式識別抓拍系統、后臺處理中心和應用系統。各組成部分通過專線網絡進行通信，系統總體架構如圖7所示。

前端嵌入式識別抓拍系統依托于服務區現有視頻監控系統進行功能升級，實現視頻監控之間的信息傳遞及目標跟蹤。

后臺處理中心實現對視頻、圖像的處理分析，主要包括車輛檢測及跟蹤、違法上下客識別、違法上下客計數、違法行為抓拍取證等功能，為應用系統提供數據支撐。

2.2 系統實現及應用

基于違法上下客行為的檢測判別及系統設計，本文開發了應用系統原型，并以無錫梅村服務區為應用試點，進行了試點應用，當檢測到行人攜物上下客時，系統自動報警，為執法監管提供依據。系統檢測效果及功能界面如圖8所示。

3 結論

本文基于高速公路違法上下客事件的特征，利用視頻模式識別技術，對服務區內違停車輛及攜物行人進行跟蹤檢測，實現高速公路服務區違法上下客行為的自動檢測識別、自動抓拍取證等功能，探索了一種智能化、精準化稽查執法新方法，為高速公路稽查執法管理部門提供完整、直觀的數據支撐，有力的提升監管執法及非現場執法的效率。

參考文獻：

[1]張開冉，楊樹鵬，何琳希，等.基于社會力模型的車站負重人群疏散模擬研究[J].中國安全科學學報，2017，27（01）：30-35.

[2]黃成都，黃文廣，閆斌.基于Codebook背景建模的視頻行人檢測[J].傳感器與微系統，2017，36（03）：144-146.

[3]疏坤，蔣建國，齊美彬，等.基于改進的HOG與Sobel-LBP融合的快速行人檢測[J].合肥工業大學學報（自然科學版），2017，40（07）：898-903.

[4]楊東明，徐士彪，孟維亮，等.基于改進RPN深度網絡的端到端的監控場景行人檢測研究[J].中國體視學與圖像分析，2017（02）：209-215.

[5]Magee DR.Tracking multiple vehicles using foreground，background and motion models[J].Image & Vision Computing，2004，22（02）：143-155.

[6]Haritaoglu，D.Harwood，and L.S.Davis，Real-TimeSurveillance of People and Their Activities[C].IEEE Trans.Pattern Analysis and Machine Intelligence，2000，22（08）：809-830.

[7]BenAbdelkader C，Cutler R，Davis L.Motion-based recognition of people in eigengait space[C].IEEE International Conference on Automatic Face & Gesture Recognition.IEEE，2002：267-272.

[8]Nanda H，Benabdelkedar C，Davis L.Modelling pedestrian shapes for outlier detection：a neural net based approach[C].Intelligent Vehicles Symposium，2003.Proceedings.IEEE.IEEE，2003：428-433.

[9]王文杰.基于視頻序列的行人攜物檢測方法研究[D].四川師范大學，2014.