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控中高層次的內容，是事件檢測、行為的理解和描述的一種表現形式。相對來說，以前大多數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，經濟與道路交通的快速發展，機動車保有量持續攀升，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。

　　傳統應用中，多以傳感器方式有針對性的監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控力度，并大幅降低了工程實現成本。

　　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目標的視頻跟蹤，再對其軌跡進行統計分析，獲取目標實際行駛方向的軌跡特征，并以現場規則（信號燈狀態、車道屬性及導向規則等）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

　　視頻觸發是根據智能圖像識別后的車輛運動檢測結果，對經過監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，最后形成車輛到達和離開狀態的判斷，具備較好的實時性和穩定性。

　　2.3車輛視頻跟蹤

　　視頻跟蹤是在目標車輛離開視頻觸發區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，并以此作為后續進行交通違法行為分析的基礎數據，根據《道路交通安全違法行為圖像取證技術規范（2009）》對關鍵幀的交通信號燈狀態予以保存，設定現場參數，如停止線位置，車道線位置，車道導向規則，道路禁行標志等。

　　下圖為截取現場處理的軌跡圖。

　　圖二現場軌跡圖

聲明:

凡文章來源標明“中國智能交通網”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”的轉載文章均不代表本網立場及觀點，“中國智能交通網”不對這些第三方內容或鏈接做出任何保證或承擔任何責任。