基于上下文信息的車輛違章行為檢測

沈陽理工大學自動化與電氣工程學院 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系并建立上下文模型，進而實現車輛違章行為檢測。通過Hough變換對車道線進行檢測，利用背景差分法檢測目標車輛，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，目標上下文以及參數上下文。通過引入上下文信息，提高了車輛違章行為檢測的準確率，減少了對車輛違章行為的誤判與錯判，節約了人工判讀成本。

機動車數量的快速增長直接導致城市交通壓力越來越大，對車輛違章行為檢測技術的需求與日俱增。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對車輛進行精確檢測。常規車輛違章檢測方法多數只遵循一到兩個條件，只要滿足就認定為違章，忽略了許多干擾因素并不能對復雜環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聯性，使違章行為檢測更加具體完整，在復雜場景下，可以詳盡描述違章行為，減少了誤判，提高了準確率。

1 動態車輛與車道線檢測

1.1 動態車輛檢測

動態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空洞現象，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車輛，具有檢測實時性好、檢測準確性高的優點。

背景差分法主要是區分背景與前景，背景通常為所研究的靜態場景，前景則是需要被檢測到的動態目標。通過當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定的閾值T做關系比較，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物體；如果小于閾值T，可以認為該像素點屬于背景圖片。此算法實現簡單，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

完成動態車輛檢測后，還需要進行車道線識別。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，到達圖像空間中的線與參數空間的點成對應關系，同時參數空間的線與圖像空間的點也成對應的關系。

在圖像空間內，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變換用極坐標系表示一條直線，表達式為：

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

2 上下文信息

交通違章檢測對實時性，準確性以及智能化都有著很高的要求。交通行為發生的一系列過程中，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系以及固有參數的設定，因此將上下文信息分為時序上下文，場景上下文，目標上下文以及參數上下文。表達式為：

其中，CT表示時序上下文，在交通行為的發生中，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，就不構成違章。在這里就要用到了時序上下文，而參數一般都是人工提前設定。

CS表示場景上下文，主要包含違章行為發生的具體交通場景和各種信號燈、指示牌等交通設施。場景上下文可以更加完整的表達交通行為的發生。例如：在繁華路段的交叉路口，一般都有左轉，直行以及右轉三種行車道，當一輛車直行通過時，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車道，則構成未按規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生的關系來反映所需信息。在車流量大交通復雜的地方，違章行為的發生往往涉及多車輛，這時就要考慮他們之間聯系，例如是否因為一輛車的自身原因所導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表示為參數上下文，用特定地點的特定參數的設置來約束。參數上下文尤為重要，主要用于車輛超速，貨運車輛超重等違章行為的檢測中，通過設置閾值來確定標準參數，更加準確的對違章車輛進行判定。

前面全基因組芯片結果表明，AsrC高表達可以增加侵襲相關基因的表達.為了進一步分析AsrC是否影響細菌對于上皮細胞的侵襲力，將WT、ΔPasrC、WT+pBAD、WT+pBAD-asrC菌株進行HeLa細胞侵襲實驗.實驗結果表明，與野生株相比，AsrC缺陷會降低細菌的侵襲力，而AsrC高表達菌株的侵襲水平較空質粒對照株明顯增加，且差異具有統計學意義(P<0.05)(圖5)，說明AsrC可以增強S. Typhi對于上皮細胞的侵襲力.

3 上下文表達模型與檢測方法

3.1 上下文表達模型

一個行為的發生包括研究目標本身的屬性與相關的上下文信息，精確的判斷行為的性質，則需要這兩方面的緊密聯系。可定義一個基礎行為的表達式為：

b：基礎行為；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系；a：研究對象的特征屬性，c：行為的上下文相關信息上下文類別，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變化所反映。

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

簡單行為是由一系列的基本行為所構成的。它指的是在同一個時序變化范圍內，所研究的目標對象做出一系列行為的集合。因此簡單行為的產生必須受同時發生，同時結束這一條件的約束。一個基本行為也可以構成一個簡單行為。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：每一個基本行為發生的時間區間。

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

3.2 檢測方法

在基礎行為檢測中，通過圖像處理與計算行為的識別率P(b)可以判斷bI是否發生。當識別率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行為的識別率與每個基礎行為的權重，所有基礎行為的識別率乘上與之相對應的權重值，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)。

檢測復雜行為時，需要把一個復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，最后的復雜行為才檢測成功，當有任一簡單行為的邏輯為假時，則復雜行為檢測失敗。

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行邏輯的判斷。該行為是一個復雜行為，包含四個簡單行為：（1）車輛進入到了禁止掉頭區域；（2）車輛到達雙黃線；（3）車輛離開雙黃線；（4）車輛進入了反向車道。其中行為（1）由兩個基礎行為組成，一個是車輛進入禁止掉頭區域，另一個是車輛向前行駛。

在定點靜態攝像頭的圖像處理和分析中，首先可用SVM分類器對路標進行識別，并對車輛的運動方向進行跟蹤，通過場景上下文與目標上下文確定了車輛已經進入了禁止掉頭的區域并且行駛，第一個簡單行為邏輯為真；進入第二簡單行為，車輛的質心與雙黃線的距離越來越近直至為0，通過參數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；進入下一行為，車輛的質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，可以判斷出車輛已經進入反向車道，邏輯為真。由此可以得出該車輛在雙黃線出進行了非法掉頭的違章行為。

結論：結合時序、場景、目標及參數上下文信息對交通車輛違章行為進行檢測，采用背景差分法檢測動態車輛，采用Hough變換檢測道路雙黃線，利用SVM分類器對路標進行識別，通過對定點靜態攝像頭的圖像處理和分析實現了車輛穿越雙黃線違章掉頭違章行為的檢測。在復雜的違章行為的檢測中，上下文模型的搭建將更能發揮其優勢，實時并且準確的進行檢測，解決了傳統圖像處理檢測違章行為所出現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支持。