李倩麗，宋煥生,2

(1.長安大學(xué) 信息工程學(xué)院，陜西 西安 710064；2.陜西省道路交通智能檢測與裝備工程技術(shù)研究中心，陜西 西安 710064)

基于視頻車輛運(yùn)動(dòng)軌跡場的交通事件檢測方法

李倩麗1，宋煥生1,2

(1.長安大學(xué) 信息工程學(xué)院，陜西 西安 710064；2.陜西省道路交通智能檢測與裝備工程技術(shù)研究中心，陜西 西安 710064)

針對現(xiàn)有交通事件檢測算法存在的模型復(fù)雜、運(yùn)算量大，并且檢測結(jié)果滯后的缺點(diǎn)，提出了一種基于視頻車輛運(yùn)動(dòng)軌跡場的交通事件檢測方法。該方法以基于視頻的車輛跟蹤軌跡為基礎(chǔ)，形成正常車輛運(yùn)動(dòng)軌跡場，進(jìn)而將當(dāng)前車輛軌跡矢量與正常軌跡場矢量比較，最終實(shí)現(xiàn)了對超速、慢行、變道和逆行的異常交通事件的檢測。研究結(jié)果表明，與傳統(tǒng)方法相比，該方法算法簡單，并且可以快速、準(zhǔn)確地對異常交通事件進(jìn)行檢測。

視頻；軌跡場；交通事件檢測

隨著科技的發(fā)展，基于視頻的檢測技術(shù)得到迅速發(fā)展，交通視頻領(lǐng)域的研究熱點(diǎn)也逐步轉(zhuǎn)移到對基于視頻檢測技術(shù)的交通事件檢測的研究上[1]。Fernyhough等[2]通過對視頻序列中目標(biāo)的跟蹤軌跡學(xué)習(xí)、分析，構(gòu)造出事件模型，實(shí)現(xiàn)對異常事件的預(yù)測和檢測；Mohnhaupt等[3]通過建立三維場景，得到交通檢測數(shù)據(jù)，例如車輛的行駛方向及位置等；Kumar[4]利用運(yùn)動(dòng)目標(biāo)與交通場景內(nèi)的靜態(tài)物體以及動(dòng)態(tài)目標(biāo)之間的相互關(guān)系檢測異常事件。以上這些算法都存在運(yùn)算量大、模型復(fù)雜的缺點(diǎn)。伍友龍[5]通過直線擬合，將復(fù)雜的運(yùn)動(dòng)車輛跟蹤軌跡曲線擬合為直線，將軌跡曲線曲率變化用直線差角代替，分析得到運(yùn)動(dòng)車輛行駛方向變化，從而實(shí)現(xiàn)對異常事件的檢測，該算法簡單，但是不能滿足實(shí)時(shí)檢測事件的要求。

針對目前現(xiàn)有的交通事件檢測算法存在的缺點(diǎn)，本文提出了一種基于視頻的車輛運(yùn)動(dòng)軌跡場的交通事件檢測方法，在目標(biāo)車輛提取與跟蹤過程中，采用了傳統(tǒng)的基于像素塊的幀間差分法提取運(yùn)動(dòng)目標(biāo)[6]和基于特征的跟蹤方法[7]。而對于事件的檢測部分，本文提出一種新的檢測方法，在視頻圖像中形成一個(gè)正常車輛運(yùn)動(dòng)的軌跡場，將當(dāng)前車輛運(yùn)動(dòng)軌跡矢量與正常軌跡場矢量比較，最終實(shí)現(xiàn)了對超速、慢行、變道和逆行的異常交通事件的檢測。

1 基于目標(biāo)特征點(diǎn)的跟蹤

異常交通事件的檢測是建立在對運(yùn)動(dòng)車輛跟蹤并獲得其運(yùn)動(dòng)軌跡的基礎(chǔ)之上，因此，車輛行為分析的精度很大程度上取決于對運(yùn)動(dòng)車輛跟蹤的準(zhǔn)確性。

本文采用基于特征的目標(biāo)跟蹤算法，使用基于像素塊的幀間差分法進(jìn)行運(yùn)動(dòng)目標(biāo)提取，其公式如下

(1)

特征的提取是基于特征的動(dòng)態(tài)目標(biāo)跟蹤方法的關(guān)鍵所在，本文以塊為單位選擇角點(diǎn)為特征點(diǎn)，選擇Moravec角點(diǎn)檢測算法，實(shí)現(xiàn)對目標(biāo)的跟蹤，其計(jì)算公式為

GrayImage[x+i][y+j])2

(2)

由于需要計(jì)算角點(diǎn)周圍8個(gè)塊的能量變化情況，其計(jì)算量較大，為減少運(yùn)算量，本文只計(jì)算觀察窗口在左、右斜對角線方向以及橫向、縱向4個(gè)方向上平均能量的變化情況，并為盡量避免乘方運(yùn)算，使用絕對差值代替能量值進(jìn)行計(jì)算，取絕對差的最小值作為該點(diǎn)的角點(diǎn)興趣值。

本文采用塊匹配法，以角點(diǎn)所在塊為中心，在其周圍選擇一定大小的區(qū)域作為匹配模版，以SAD為匹配準(zhǔn)則，采用全搜索法在時(shí)間序列中選擇該角點(diǎn)的匹配位置，進(jìn)而實(shí)現(xiàn)目標(biāo)跟蹤。

2 車輛運(yùn)動(dòng)軌跡場的形成

在不影響檢測結(jié)果的前提下，為減少計(jì)算量，首先將圖像劃分成小塊，塊的大小應(yīng)與幀差法提取運(yùn)動(dòng)目標(biāo)時(shí)所取塊大小相同，再以每個(gè)小塊中心為原點(diǎn)建立如圖1所示的局部坐標(biāo)軸，其中實(shí)線為局部坐標(biāo)軸，虛線為圖像坐標(biāo)軸。

圖1 局部坐標(biāo)軸與圖像坐標(biāo)軸示意圖

在視頻序列播放過程中，保存視頻序列中軌跡長度滿足跟蹤150幀以上的運(yùn)動(dòng)車輛行駛軌跡信息，軌跡的信息包括軌跡線上每個(gè)軌跡點(diǎn)的坐標(biāo)、長度、方向，其中坐標(biāo)指軌跡點(diǎn)相對于視頻圖像坐標(biāo)軸的位置坐標(biāo)，長度指當(dāng)前軌跡點(diǎn)相對于在同一條軌跡線中上一幀保存的軌跡點(diǎn)之間的距離，單位為像素，方向指當(dāng)前軌跡點(diǎn)與在同一條軌跡線中上一幀保存軌跡點(diǎn)之間的連線相對于當(dāng)前軌跡點(diǎn)所在小塊局部坐標(biāo)軸的角度。當(dāng)視頻序列播放到1 500幀時(shí)(根據(jù)場景中車流量設(shè)定，此處的車流量為先驗(yàn)所得)，將1 500幀中保存的所有經(jīng)過每個(gè)小塊的軌跡點(diǎn)的長度和方向分別求和、求平均，最后平均值作為每個(gè)小塊相對于局部坐標(biāo)軸的二維矢量，所有小塊的二維矢量就構(gòu)成了運(yùn)動(dòng)車輛的軌跡場，如圖2所示。

圖2 運(yùn)動(dòng)車輛軌跡場

3 交通事件檢測

當(dāng)發(fā)生變道、逆行、慢行、超速異常交通事件時(shí)，其對應(yīng)的異常車輛軌跡矢量與正常車輛軌跡矢量對比示意圖如圖3所示，其中實(shí)線為正常軌跡，虛線為異常軌跡。定義異常軌跡與正常軌跡之間長度差為Δd,夾角為Δθ，計(jì)算公式分別為式(3)和(4)

Δθ=abs(θ(x,y)-θ(xi-yi))

(3)

Δd=d(x,y)-d(xi-yi)

(4)

式中：θ(x,y)，d(x,y)分別表示中心位置為(x,y)的小塊的二維矢量的方向和長度；θ(xi,yi)，d(xi,yi)分別為當(dāng)前處在以(x,y)為中心的小塊內(nèi)軌跡點(diǎn)的方向和長度。

圖3 異常車輛軌跡矢量與正常車輛軌跡矢量對比示意圖

變道時(shí)對應(yīng)滿足條件為Δθ值為(60°,180°)，逆行時(shí)對應(yīng)條件為Δθ滿足(180°,360°)，慢行時(shí)對應(yīng)的條件為dD′，D和D′分別根據(jù)場景中限定的車輛行駛最低和最高速度來確定。當(dāng)某種異常交通事件的條件滿足時(shí)，相應(yīng)的計(jì)數(shù)器加一，當(dāng)計(jì)數(shù)器數(shù)值大于設(shè)定閾值時(shí)(閾值設(shè)置為當(dāng)前軌跡所存軌跡點(diǎn)數(shù)的1/3)，則可判定當(dāng)前跟蹤車輛發(fā)生相應(yīng)的事件。

4 實(shí)驗(yàn)結(jié)果與分析

本文提到的方法，采用VC++6.0的開發(fā)工具，對幾段視頻(720×288，25 f/s)進(jìn)行了測試，在幀差提取運(yùn)動(dòng)目標(biāo)部分，塊的大小n采用8×6，閾值T確定為30時(shí)提取到的運(yùn)動(dòng)目標(biāo)效果最好，平均處理速度為每幀20 ms，完全滿足了實(shí)時(shí)處理的需求。圖4為變道、逆行、超速、慢行檢測結(jié)果，正常車輛運(yùn)動(dòng)軌跡形成的二維矢量，為方便觀察，長度為相隔5幀的距離，單位為像素。圖中軌跡編號為該軌跡在當(dāng)前視頻圖像序列中被檢測到的順序編號，該方法不需要二維空間映射、三維空間映射的復(fù)雜程序，大大提高了程序的處理速度。

圖4 異常交通事件檢測結(jié)果

5 結(jié)論

本文采用在視頻圖像上建立正常車輛行駛的軌跡場，通過當(dāng)前車輛軌跡矢量與軌跡場矢量相對比的方法，實(shí)現(xiàn)了對超速、慢行、逆行、變道等常見異常交通事件的檢測。實(shí)驗(yàn)表明，該方法算法簡單，可以快速、準(zhǔn)確地檢測到異常交通事件的發(fā)生，有待在其他異常交通事件的檢測上進(jìn)一步應(yīng)用，以及在視角、天氣、車輛遮擋等可能導(dǎo)致目標(biāo)跟蹤丟失的交通場景下檢驗(yàn)其算法的普遍性。

[1] 徐楊，吳成東，陳東岳. 基于視頻圖像的交通事件自動(dòng)檢測算法綜述[J].計(jì)算機(jī)應(yīng)用研究，2011，28(4)：1206-1210.

[2] KAMIJO S，MATSUSHITA Y，IKEUCHI K M，et al.Traffic monitoring and accident detection at intersections[J].IEEE Trans. Intelligent Transportation Systems，2000，1(2)：108-118.

[3] MOHNHAUPT M，NEUMANN B. On the use of motion concepts for top-down control in traffic scenes[C]//Proc. Eur. Conf. Computer Vision.Antibes，F(xiàn)rance：[s.n.]，1990：598-600.

[4] KUMAR P，RANGANATH S，HUANG Weimin，et al.Framework for real-time behavior interpretation from traffic video[J].IEEE Trans. Intelligent Transportation Systems，2005，6(1)：43-53.

[5] 伍友龍. 基于圖像分析的高速公路交通事件檢測算法研究[D].長沙：長沙理工大學(xué)，2005.

[6] YIN Hongpeng，CHAI Yi，YANG Xiaoyan. Fast-moving target tracking based on mean shift and frame-difference methods[J].Systems Engineering and Electronics，2011，22(4)：587-592.

[7] SONG Huansheng，LU Shengnan，MA Xiang，et al. Vehicle behavior analysis using target motion trajectories[J].IEEE Trans. Vehicular Technology，2014，63(8)：3580-3591.

宋煥生(1964— )，教授，博士生導(dǎo)師，從事基于機(jī)器視覺的交通感知及交通預(yù)警方面的研究。

責(zé)任編輯：任健男

青島海爾入股兆馳股份 布局智慧家庭生態(tài)圈

近日，青島海爾發(fā)布公告，擬出資3.7億元認(rèn)購兆馳股份非公開發(fā)行股份3 000萬股。認(rèn)購?fù)瓿珊?，青島海爾占兆馳股份屆時(shí)已發(fā)行股份總數(shù)的1.58%，將成為兆馳股份股東，雙方將在促進(jìn)U+戰(zhàn)略落地等方面開展合作。

據(jù)了解，兆馳股份目前主要從事消費(fèi)類電子產(chǎn)品生產(chǎn)等業(yè)務(wù)，并擬由消費(fèi)類電子制造向互聯(lián)網(wǎng)電視運(yùn)營商轉(zhuǎn)型。

對于入股兆馳股份，海爾在公告中稱，此舉旨在“進(jìn)一步促進(jìn)海爾U+智慧生活戰(zhàn)略的落地，布局智慧家庭生態(tài)圈，提升用戶體驗(yàn)，聚集用戶流量。”

Method of Detecting Traffic Incident Based on Vehicle Trajectory Field

LI Qianli1, SONG Huansheng1,2

(1.DepartmentofInformationEngineering,Chang’anUniversity,Xi’an710064,China;n>andTechniqueResearchCenterforRoadandTrafficDetection,Xi’an710064,China)

Currently the existing traffic incident detection algorithm has some disadvantages such as complex model, heavy computation. And the detection result has time lag. In this paper, a method of detecting traffic incident based on vehicle trajectory field is introduced. The method obtains the video-based vehicle tracking trajectory, establishes a normal vehicle trajectory field, then compares the current vehicle trajectory with the normal vehicle trajectory field and realizes the function of abnormal traffic incident detection such as over-speed, low running speed, changing lane, retrograde in the end. The results show that compared with the traditional approaches, this approach has simple algorithm and also can detect traffic incidents quickly and accurately.

video; trajectory field; traffic incident detection

【本文獻(xiàn)信息】李倩麗，宋煥生.基于視頻車輛運(yùn)動(dòng)軌跡場的交通事件檢測方法[J].電視技術(shù),2015，39(13).

國家“863”計(jì)劃項(xiàng)目(2014G3242005)

TN391.9

A

10.16280/j.videoe.2015.13.011

李倩麗(1989— )，女，碩士生，主研視頻檢測技術(shù)、圖像處理；

2014-12-04