基于視頻處理的匝道交通違法事件監測系統

邢凱然 張敏 薛雅雯 高杉 楊一帆

收稿日期：2023-11-03

作者簡介：邢凱然（2003—），男，本科，研究方向：交通安全。

基金項目：東北林業大學國家級大學生創新創業訓練計劃支持項目“匝道天眼——高速公路匝道交通違規事件檢測系統”（S202310225152）。

摘要 高速公路極大地方便了人們的出行，促進了經濟社會的發展。各類道路異常情況的存在威脅著車輛安全，也會縮短道路的使用年限，匝道是高速公路違規行為出現的高發地，有事故嚴重程度高、違規類型多等特點，及時、準確地檢測道路異常有著重要的現實意義。受背景變化影響，傳統數字圖像處理技術對目標識別的泛化能力弱，文章使用YOLO-v5+Deepsort與Hough相結合的算法，將匝道違規行為分成六大類，分別是違法超速、違法連續變道、違法停車、違法超車、違法壓線、違法逆行，并對監控視頻進行實時處理，提取違規車輛車牌號、違法類型和發生起始時間，并自動以短信形式發送給車主，實現匝道處多種類無人化實時對車輛違規行為進行監控的功能。

關鍵詞 交通安全；視頻監測；YOLO-v5；Deepsort；Hough

中圖分類號 U491文獻標識碼 A文章編號 2096-8949（2024）01-0026-03

0 引言

近年來，我國經濟蓬勃發展，機動車輛數量急劇增加，多種內外部因素導致高速公路上的違法行為屢見不鮮，高速公路交通安全問題備受關注。匝道作為連接高速公路和城市道路的重要通道，交通流量大，車輛頻繁駛入和駛出，車輛在匝道上的行駛狀況直接關系到高速公路交通安全。因此，及時發現和制止匝道上的違法行為至關重要。通過監控攝像頭實時監測匝道區域的交通情況，不僅可以及時發現和處理違法行為，提升交通流暢性，還能通過預警功能，有效預防和減少違法行為。同時，視頻監控系統可以大幅提高執法效率，進一步確保匝道上的行車安全?？傊?，利用視頻實時監測匝道可以提高交通安全水平、優化交通管理，未來智能交通系統的應用前景廣闊。

研究表明，高速公路基本段的交通流量通常較為穩定，但匝道區域的事故占比較高，這一趨勢在各國數據中也有所體現。據統計，我國每年高速公路匝道區域發生的事故占比超過30%[1]。此外，高速公路匝道周圍的情況多種多樣，復雜多變。目前，匝道上的交通違法行為感知和處罰存在一定滯后性，可能導致交通事故。因此，利用視頻監控系統實時監測匝道區域，及時發現違法行為至關重要。

1 匝道交通違法行為分類

在所有高速公路事故中，匝道附近事故最為常見。依據《中華人民共和國道路交通安全法》中有關匝道違章處罰條例的內容可知，高速公路匝道違法超速、違法連續變道、違法停車、違法超車、違法壓線和違法逆行等行為嚴重程度較高。

通過查找交管部門發布的數據可知，超速行駛、違法停車、違法變道等行為不僅在高速公路基本路段上占據大量比重，在匝道處更是尤為突出。匝道區域常見的幾種違法行為及頻發程度所占比例，如表1所示。

其中，違法超速占47%，比例最大，違法連續變道占20.8%，違法停車比例為11.5%，違法超車和違法壓線比例相當，分別占據9.4%和8.9%，違法逆行占比例最小，為2.4%?？梢园l現，以上幾類違法行為幾乎占據了匝道違法行為的主體。

綜上所述，選擇把匝道違法行為分類為違法超速、違法連續變道、違法停車、違法超車、違法壓線、違法逆行這六大類。

2 交通視頻信息提取

2.1 基于YOLO-v5車輛身份識別

YOLO-v5是一種目標檢測算法，全稱是You Only Look Once version 5。相較于YOLO-v4，YOLO-v5在速度和精度方面都有所提高[2]。其主要功能是對圖像或視頻中的物體進行識別和定位，實現自動化的目標檢測和跟蹤。

2.1.1 車輛體積

調用訓練好的可以檢測car、truck、bus三個類別的權重，對駛入匝道的車輛進行識別。自動框定車輛體積，同時將車型、車輛ID打印在車輛檢測框的正上方，從而實現對車輛體積的確定并方便后續車輛違法行為的進一步判斷。若檢測到車輛存在違法行為，記錄下違法行為的開始時間，為后期復盤提供時間節點。（有關車輛序號ID的解釋：YOLO-v5使用類別標簽來標識物體，每個類別都有一個唯一的整數ID。在訓練和推理期間，YOLO-v5可以區分不同的物體類別，并將它們分配給相應的類別ID。即使多個同類別物體在圖像中出現，它們也可以被正確地分辨出來并分配不同的序號。）

2.1.2 車牌識別

訓練YOLO-v5進行車牌檢測，訓練數據集主要利用了CRPD 和CCPD數據集。為了防止整張圖片干擾信息過多造成誤識別，需要先進行關鍵點識別。將車牌的四個角點坐標作為關鍵點，進行透視變換以后識別即可得到車牌號。

2.2 基于Deepsort車輛運行狀態識別

Deepsort是一個目標跟蹤算法，它使用計算機視覺技術和機器學習算法來分析視頻流，并自動識別出發生的事件。在該項目中應用Deepsort來對車輛進行檢測和識別。

2.2.1 車輛坐標識別

YOLO-v5對匝道中和即將行駛到匝道口的車流進行目標檢測，得到每輛車的坐標、速度、序號等相關信息。并將檢測到的目標輸入到Deepsort中進行目標跟蹤，得到每輛車的運動軌跡。最終根據車輛的運動軌跡，判斷其是否存在違法行為。

2.2.2 車輛速度識別

速度的確定需要使用提前設定好的車輛真實寬度和檢測出來的車輛像素寬度來求出真實距離和像素距離的比值[3]，再使用每輛車的前后兩幀框的中心坐標計算出兩幀之間移動的像素距離。利用這個比值和像素距離做映射，可以求出兩幀之間車輛移動的真實距離，距離除以兩幀之間的時間即為速度。（該測速算法中將車輛真實移動距離與像素移動距離看成線性關系。）

2.2.3 Hough對車道線、違停區域的確定

霍夫變換（Hough Transform）始于1962年，由Paul Hough首次提出。后于1972年由Richard Duda和Peter Hart推廣使用?；舴蜃儞Q是一種特征檢測，被廣泛應用在圖像分析、計算機視覺以及數位影像處理等方面。經典的霍夫變換是偵測圖片中的直線，在該項目中利用霍夫變換來進行對車道線、違停區域的確定。

（1）車道線確定。首先，需要對輸入圖像進行預處理，以減少噪音并突出車道線，包括灰度化、高斯模糊、邊緣檢測等。應用霍夫變換來檢測直線，通常使用霍夫線變換（Hough Line Transform）來找到直線在極坐標空間中的表示，由此將獲得一個累積矩陣，其中峰值表示可能的直線。從霍夫變換的累積矩陣中選擇具有足夠高的累積值的直線，這些直線代表了可能的車道線。使用選定的直線點來進行曲線擬合，通過最小二乘法來找到車道線的多項式方程。最后，將檢測到的車道線在原始圖像上繪制出來，以供可視化和進一步的分析。

（2）違停區域確定。利用python的畫圖功能，在所選取的視頻中選取一張背景圖進行線條繪制，所繪制的封閉區域將被賦予碰撞體積，并呈現在檢測視頻中，有車輛體積與封閉區域產生重疊時，返回車輛碰撞信息。

3 高速公路匝道違法行為判定

3.1 違法超速

將YOLO-v5檢測出的車輛速度與該匝道或高速公路的限速進行比較，從而判斷速度是否在正常范圍內，匝道處最高限速為v≤40 km/h，高速公路正常行駛車速為60 km/h≤v≤120 km/h。若檢測到車輛速度違法，記錄下違法發生的開始時間和車牌號信息。

3.2 違法停車

YOLO-v5對車輛速度進行識別后，若識別出汽車在導流線或者匝道上的車速v=0，即該車為違法停車，同時記錄下違法發生的開始時間和車牌號信息[4]。

3.3 違法超車

YOLO-v5對出現在攝像頭中的車輛由“1”逐個數字標序。當檢測到序號大的車輛距離攝像頭的距離比序號小的車輛更近，并持續較長時間，則判定序號大的車在匝道上進行了超車。當檢測到違法逆行這一行為時，記錄下違法發生的開始時間和車牌號信息。

3.4 違法連續變道

YOLO-v5 記錄車輛時間和位置的變化，以車道線方向建立平面直角坐標系。當車輛影像面積與虛線重合時間達到3 s，截取該車此時的x坐標為x1，在5 s（變道2 s+在車道正常行駛并保持轉向燈3 s）后再次獲取其x坐標為x2，當坐標差大于一個車道長度L（取3.75 m），即：|x1?x2|＞L。

則證明該車在短時間內跨過多條車道，視為違法連續變道。該車違法多次變更車道，同時記錄下違法發生的開始時間和車牌號信息。

3.5 違法壓線

Hough將高速公路以及匝道中的單實線提取出來，若輪胎間連線與單實線出現相交，則為記錄車輛壓單實線預警開始計時的起點，當計時達到5 s，便判定為壓單實線。即該車為違法壓線，同時記錄下違法發生的開始時間和車牌號信息。

3.6 違法逆行

YOLO-v5可以檢測出物體的坐標，并且可以通過兩個連續幀之間的物體坐標信息來判斷位置的變化。Deepsort進行目標跟蹤得到車輛的運動軌跡后，若車輛距離攝像頭方向距離變近則無異常，反之距離變遠則為逆行。當檢測到違法逆行這一行為時，記錄下違法發生的開始時間和車牌號信息。

4 實際應用與分析

該文開發的監測系統模型總體效果優秀，如圖1所示，對于多種復雜違法行為監測能力較強，平均準確率[5]達到70%以上，具有實際應用的價值，能夠有效監測出六類違法行為并發送短信警示車主。

通過對G1（京哈高速）黑龍江哈爾濱拉林河至哈爾濱段、G1001（哈爾濱繞城高速）黑龍江哈爾濱繞城高速全段、G10（綏滿高速）黑龍江哈爾濱至大慶段多月收集到符合該文給出的六種分類的共100個交通違法事件進行匯總，合成一個長視頻并應用該文制作的系統進行分析，得到的效果圖如圖2所示。

對運行結果進行統計與實際樣本數量對比如圖3所示：總體識別精確度為75%，其中對于違法停車、違法超車、違法壓線、違法逆行四類的單項識別精確度均達到95%，檢測速度能夠達到實時反饋，確保檢測效率。

5 結論

基于視頻處理的匝道交通違規事件檢測系統使用YOLO-v5+Deepsort+Hough的算法，能夠在保持現有檢測精度的情況下，檢測平均準確率達到70%以上，顯著提高檢測速度、擴展違規事件檢測種類，為違章取證提供便利，滿足了對匝道交通違規事件實時、多種類、高精度的檢測要求，具有實際應用價值。

參考文獻

[1]奇格奇， 劉思勁， 何一康， 等. 基于仿真驅動的高速公路主動限速效用評價與推薦[J]. 系統仿真學報， 2022（12）： 2522-2534.

[2]中國科學院北京國家技術轉移中心. 基于視頻分析技術的交通事件檢測系統[J]. 中國科技信息， 2020（11）： 12.

[3]張正炎. 高速公路交通視頻監控系統的設計與實現[D]. 成都：電子科技大學， 2016.

[4]朱鳳杰. 高速公路交通事件自動檢測技術研究[J]. 工程建設與設計， 2022（23）： 163-166.

[5]張奇， 趙洹琪， 胡偉超. 淺談基于視頻識別的交通事件檢測算法性能評估[J]. 道路交通管理， 2023（8）： 36-39.