一種基于RCNN的翻車事故檢測(cè)算法

摘? 要： 為了研究復(fù)雜環(huán)境下交通事故側(cè)翻車輛的檢測(cè)識(shí)別問題，采用RCNN檢測(cè)算法，對(duì)一定數(shù)量的常見車輛事故場景和車身關(guān)鍵部位進(jìn)行模型訓(xùn)練，并在此基礎(chǔ)上結(jié)合空間輔助定位模型加強(qiáng)車輛側(cè)翻檢測(cè)分類。實(shí)驗(yàn)結(jié)果表明，該組合方法有效地提升了翻車事故的檢測(cè)識(shí)別水平，并對(duì)誤檢率和漏檢率有顯著的抑制作用。

關(guān)鍵詞： RCNN; 空間輔助定位; 翻車事故檢測(cè); 交通安全

中圖分類號(hào)：TP391.4? ? ? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ?文章編號(hào)：1006-8228（2019）01-55-04

Abstract： In order to study the detection and identification of traffic accident rollover vehicles in complex environments， the RCNN detection algorithm is used to train a model with certain number of common vehicle accident scenes and key parts of the vehicle body. On this basis， the detection of vehicle rollover is enhanced with the space-aided positioning model. The experiment result shows that the combined method effectively improves the detection and recognition level of the vehicle rollover accident and has a significant inhibitory effect on the false detection rate and the missed detection rate.

Key words： RCNN; space-aided positioning model; vehicle rollover accident detection; traffic safety

0 引言

在交通擁擠的城市，如何通過有效的交通信息檢測(cè)到交通事故的發(fā)生是一個(gè)難題。早期，研究人員一般采用統(tǒng)計(jì)性質(zhì)的車流量數(shù)據(jù)來預(yù)測(cè)交通事故，Chien-Hua Hsiao等人采用模糊邏輯與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，提出一種模糊邏輯事件巡檢系統(tǒng)（FLPS）[1];Stephanedes等人設(shè)計(jì)了一種時(shí)間平滑檢測(cè)器，可以用來減少因?yàn)樵诙虝r(shí)間內(nèi)的交通擾動(dòng)發(fā)生錯(cuò)誤事件決策的可能性[2];龍瓊等人提出一種尖點(diǎn)突變理論，從車流量的數(shù)據(jù)中檢測(cè)車輛的擁堵事件[3]。以上方法由于硬件水平和檢測(cè)方式的局限性，一般采用地感線圈等裝置獲取車流量來作為交通事故檢測(cè)的依據(jù)，在數(shù)據(jù)信息獲取的維度上較為單一，難以描述到更具象化的交通事故信息。在之后的幾十年里，多數(shù)城市的關(guān)鍵交通道路的視頻監(jiān)控系統(tǒng)設(shè)備逐步走向“全天候、全覆蓋、無死角”，為城市道路提供了最為直觀和豐富的交通道路信息。

隨著人工智能、大數(shù)據(jù)分析方法和機(jī)器視覺技術(shù)的快速發(fā)展，如何從海量交通視頻流實(shí)時(shí)檢測(cè)和發(fā)掘關(guān)鍵交通事故信息，逐步成為重要的研究方向和研究熱點(diǎn)。旺勤等人在文獻(xiàn)[4]中提出了基于視頻分析的交通事件報(bào)警系統(tǒng)，從道路監(jiān)控視頻流中自動(dòng)獲取交通參數(shù)和交通事故信息，便于及時(shí)檢測(cè)報(bào)警;劉緯琪等人通過設(shè)計(jì)某種二維平面包圍盒來檢測(cè)車輛間的安全距離和車輛間的碰撞[5];趙有婷等人采用機(jī)器視覺和軌跡分析的方法來檢測(cè)最為常見的五種交通違章事件[6];苑瑋琦等人采用背景差分方法來檢測(cè)交通道路擁堵、行人、車輛等交通事故[7]。由于受到算法實(shí)時(shí)性和檢測(cè)技術(shù)的約束，以上文獻(xiàn)一般采用常見的機(jī)器視覺算法，在交通事故的視頻流使用背景差分或運(yùn)動(dòng)差分方法提取前景，在根據(jù)運(yùn)動(dòng)前景的特征確定車輛、行人等被跟蹤物體，并分析它們的軌跡信息，通過這些信息來判斷交通事故的產(chǎn)生。但對(duì)于某些較為復(fù)雜的交通場合，被跟蹤物體不僅有可能會(huì)受到光照變化，遮擋等環(huán)境因素的影響，在交通事故的發(fā)生過程中往往伴隨著交通物體發(fā)生旋轉(zhuǎn)、形變、碎裂、煙霧、起火等變化，這在一定程度上往往增加了交通事故視頻檢測(cè)的難度;另外由于常規(guī)視頻檢測(cè)算法一般采用人工設(shè)計(jì)的特征模式來提取前景特征，在復(fù)雜多變的交通檢測(cè)場景常常表現(xiàn)出魯棒性低、漏檢率和誤檢率過高的問題[8]，因此，需要更有效的機(jī)器視覺算法，去挖掘交通視頻流中更為豐富的事件信息來展現(xiàn)和描述交通事故細(xì)節(jié)，近年來，深度學(xué)習(xí)算法研究獲得較大的突破，相對(duì)與人工選擇特征模式的選擇性難題，深度學(xué)習(xí)主要依靠卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖片特征進(jìn)行訓(xùn)練和學(xué)習(xí)，能夠自動(dòng)挖掘更為豐富的圖像特征信息，因此，如何將CNN、RCNN[12-14]等深度學(xué)習(xí)算法應(yīng)用到交通視頻監(jiān)控領(lǐng)域成為智能交通研究者進(jìn)一步的突破方向。

本研究以存在車輛事故的圖像作為研究對(duì)象，提出一種結(jié)合RCNN深度學(xué)習(xí)的車輛事故檢測(cè)算法，并在車輛事故數(shù)據(jù)集下驗(yàn)證算法性能。

1 RCNN檢測(cè)算法框架

1.1 RCNN檢測(cè)算法特點(diǎn)

隨著常規(guī)圖像檢測(cè)處理技術(shù)正逐步達(dá)到一個(gè)難以突破的瓶頸，使用深度學(xué)習(xí)的方法來檢測(cè)復(fù)雜場景下的目標(biāo)物體成為研究者們的下一步的研究熱點(diǎn)[9-11]。CNN、RCNN[12-14]在這一背景下被提出，主要思路是采用大規(guī)模的學(xué)習(xí)網(wǎng)絡(luò)來訓(xùn)練目標(biāo)圖像， 從而最大程度的挖掘出目標(biāo)圖像的顯著特征。 在深度學(xué)習(xí)出現(xiàn)之前，以往檢測(cè)目標(biāo)的對(duì)象特征主要通過常規(guī)方法來選擇，對(duì)應(yīng)于不同的場景使用不同的檢測(cè)特征組合，比如紋理、顏色、HOG、輪廓等， 這些特征大部分是人為設(shè)定的，因此在多目標(biāo)、多變場景的檢測(cè)上會(huì)變得魯棒性折損，而深度學(xué)習(xí)方法是采用多層網(wǎng)絡(luò)挖掘目標(biāo)物體的更為豐富的特征， 在復(fù)雜場景具有更好的魯棒性檢測(cè)能力。

1.2 RCNN檢測(cè)算法具體訓(xùn)練步驟

STEP1：輸入圖像進(jìn)入卷積層和max池化層，獲得圖像特征向量feature map，這一步驟一般采用5層的卷積層結(jié)構(gòu)（conv+relu+conv+relu+maxpol）可達(dá)到良好的特征提取效果。

STEP2：特征向量通過RPN層先自動(dòng)生成一定數(shù)量的anchors框，這是第一步粗選，通過后續(xù)的softmax激活函數(shù)判斷框內(nèi)像素是屬于前景還是屬于背景， 而后通過回歸調(diào)整，獲得更為精確的候選框和候選特征。

STEP3：ROI池化層將圖像的卷積層獲得的特征向量和由第二步獲得的候選框進(jìn)行進(jìn)一步的修剪和降維，能夠進(jìn)一步的在保證有效特征的前提下，減少特征向量矩陣的規(guī)模，并獲得修剪后的候選特征向量。

STEP4：最后通過全連接層，softmax修正和分類器，一邊計(jì)算候選框的置信概率，一邊更為精確的修正候選框的具體位置，使其更為接近真實(shí)物體的位置和尺寸，并輸出最后的檢測(cè)置信度。

RCNN具體的訓(xùn)練過程如圖1所示。

2 基于RCNN的交通車輛側(cè)翻事故檢測(cè)算法

2.1 RCNN車輛檢測(cè)方法

按照RCNN檢測(cè)流程[12]，其中最為關(guān)鍵的地方在于RCNN提供了region proposal層，該層使用預(yù)先設(shè)定的多個(gè)錨框在多尺度圖像上來估計(jì)與真實(shí)物體的疊加程度，以此來轉(zhuǎn)化為概率函數(shù)，并在后續(xù)的過程轉(zhuǎn)化成損失函數(shù)的表述形式：

文獻(xiàn)[12]描述的損失函數(shù)的計(jì)算是在訓(xùn)練過程中，通過一定數(shù)量批次的錨框（anthor）選取后，查看其與真實(shí)物體位置區(qū)域的交疊程度，這個(gè)程度以概率pi體現(xiàn)。比如，某個(gè)錨框如果有70%的區(qū)域以上疊加在檢測(cè)物體上，那么可以認(rèn)為該錨框的選取非常接近檢測(cè)物體，其概率pi記為1（正標(biāo)簽），否則記為0（負(fù)標(biāo)簽）。ti表示一組參數(shù)化的預(yù)測(cè)框坐標(biāo)值，而ti*表示物體真實(shí)位置坐標(biāo)值。

至此，損失函數(shù)可以通過指定的計(jì)算形式，將不同批次的錨框和預(yù)測(cè)框與檢測(cè)物體的真實(shí)值進(jìn)行距離誤差運(yùn)算，并將這一批次的誤差進(jìn)行累積置入RPN訓(xùn)練網(wǎng)絡(luò)。這樣經(jīng)過訓(xùn)練后獲得的訓(xùn)練模型，能夠在復(fù)雜的圖像上檢測(cè)多個(gè)類別的物體，并通過分類器將它們正確分類和獲得類別置信度。

因此，采用RCNN對(duì)車輛圖像進(jìn)行訓(xùn)練后，可以快速的在圖像標(biāo)記出車輛的位置，但是在區(qū)分正常車輛和事故車輛還達(dá)不到要求，主要是因?yàn)樵S多發(fā)生翻車事故的車輛雖然產(chǎn)生了一定程度的形變，但車輛的大部分表征信息與正常車輛表征信息非常相似，容易造成分類混淆。

2.2 車輛關(guān)鍵特征檢測(cè)

正常車輛與翻車事故車輛較為重要的區(qū)別在于車輛的空間位置有很大的不同，因此需要預(yù)先訓(xùn)練描述車輛空間關(guān)系的關(guān)鍵特征模型，其中包括車輪、車窗、車頭、車燈、車尾等，在RCNN能夠正確定位車輛位置關(guān)系后，再使用這些訓(xùn)練好的小特征模型進(jìn)行檢測(cè)。為后續(xù)的進(jìn)一步車輛空間位置輔助估計(jì)判斷提供關(guān)鍵信息。

為了提升小特征的檢測(cè)速度，可以采用圖像語義分割、金字塔模型和滑窗等方法檢測(cè)描述車輛空間關(guān)系關(guān)鍵特征。以圖2為例，在檢測(cè)出車輛的ROI區(qū)域情況下（可信度0.89，分類為CAR），在內(nèi)部滑窗檢測(cè)出三個(gè)車輪，可信度分別為0.95，0.93，0.68，一個(gè)尾燈，可信度0.98，和車尾（可信度0.94）。

2.3 車輛空間位置輔助判斷

在利用小特征模型檢測(cè)到車輛關(guān)鍵部位后，可快速的在圖像上定位到各個(gè)關(guān)鍵部位的具體坐標(biāo)，并依據(jù)先驗(yàn)知識(shí)，估算車輛各個(gè)部位鏈接起來組成的剖平面，圖3顯示出了由圖2提取關(guān)鍵部位坐標(biāo)后，三個(gè)車輪的坐標(biāo)構(gòu)成了車輛底盤的剖平面，而車燈、車尾特征的坐標(biāo)均位于底盤剖平面的下方，由此估計(jì)出車頂正向方向（紅線表示），它與常規(guī)車輛的車頂正方向形成較大的仰角，因此可將其判定為翻車事故，仰角越大，事故越為嚴(yán)重。

3 算法實(shí)驗(yàn)分析

為了評(píng)估算法的有效性，第一步，在一臺(tái)裝備cpu i7-6700，8G內(nèi)存和GTX 1080顯卡的PC機(jī)上部署UBUNTU 16.04操作系統(tǒng)和Caffe深度學(xué)習(xí)框架平臺(tái)，在交通常規(guī)場景選用布爾諾科技大學(xué)交通研究組的汽車數(shù)據(jù)集，從148個(gè)車輛種類中挑選出約10000張不同角度的車輛進(jìn)行車輛檢測(cè)RCNN訓(xùn)練，獲得常規(guī)車輛檢測(cè)網(wǎng)絡(luò)模型和車輪、車燈、車尾、車頭、車窗五種常見車輛關(guān)鍵部位特征的訓(xùn)練模型。第二步，從互聯(lián)網(wǎng)搜集約1500張發(fā)生車輛側(cè)翻的交通事故圖像，從中抽取1000張?jiān)诔Ｒ?guī)車輛檢測(cè)模型的基礎(chǔ)上進(jìn)行第二步的微調(diào)（Fine-tuning）訓(xùn)練，獲得事故車輛的檢測(cè)模型。最后再加上本文的關(guān)鍵車身特征檢測(cè)和車輛位置輔助分類，來確定車輛是否產(chǎn)生側(cè)翻。

為了檢驗(yàn)檢測(cè)和分類的最終效果，將剩下500張側(cè)翻事故圖像再混進(jìn)500張正常車輛圖像，構(gòu)成最終分類測(cè)試集，用來驗(yàn)證各個(gè)階段的模型分類情況。最終各個(gè)檢測(cè)模型的分類情況如表1所示。

從實(shí)驗(yàn)分析結(jié)果來看，直接調(diào)用RCNN訓(xùn)練常規(guī)模型容易將事故車輛誤識(shí)別成正常車輛，因?yàn)槭鹿受囕v雖然表面特征和位置特征發(fā)生變化，但整體特征仍然與正常車輛較為相似，而經(jīng)過微調(diào)訓(xùn)練后，誤識(shí)別的數(shù)量有一定程度下降，但仍然有部分車輛誤檢，而采用微調(diào)訓(xùn)練加上空間特征判決模型，能切實(shí)有效的將誤識(shí)別率和漏檢率控制在較小的范圍內(nèi)。

4 結(jié)論與展望

為了研究在復(fù)雜場景的交通事故車輛檢測(cè)問題，在Faster RCNN檢測(cè)算法基礎(chǔ)上，利用該算法訓(xùn)練了常規(guī)條件下的車輛檢測(cè)模型，并在此模型的基礎(chǔ)上加入事故車輛進(jìn)行微調(diào)訓(xùn)練，為獲得更好的識(shí)別效果，最后加入了車輛關(guān)鍵部分的空間位置特征分類判決模塊。算法實(shí)驗(yàn)分析表明，該組合方法能夠在較大程度上減少正常車輛和事故車輛的誤識(shí)率和檢測(cè)率，為公共交通安全交通事故視頻檢測(cè)提供一定的重要研究依據(jù)。由于交通異常視覺場景錯(cuò)綜復(fù)雜，算法在多目標(biāo)識(shí)別和運(yùn)行效率仍然具有較大程度的提升空間，在交通事故嚴(yán)重程度分類等更為細(xì)粒度的視覺識(shí)別上尚需作進(jìn)一步的改進(jìn)。

參考文獻(xiàn)（References）：

[1] Hsiao C H， Lin C T， Cassidy M. Application of Fuzzy Logic and Neural Networks to Automatically Detect Freeway Traffic Incidents[J].Journal of Transportation Engineering，1994.120（5）：753-772

[2] Stephanedes Y J， Chassiakos A P. Freeway incident?detection through filtering[J]. Transportation Research Part C Emerging Technologies，1993.1（3）：219-233

[3] 龍瓊，胡列格，張謹(jǐn)帆等.基于尖點(diǎn)突變理論模型的交通事故檢測(cè)[J].土木工程學(xué)報(bào)，2015.9：112-116

[4] 汪勤，黃山，張洪斌等.基于視頻圖像處理的交通事件檢測(cè)系統(tǒng)[J].計(jì)算機(jī)應(yīng)用，2008.28（7）：1886-1889

[5] 劉緯琪，王夏黎，荊樹旭.一種基于OBB包圍盒算法的交通事故檢測(cè)方法[J].計(jì)算機(jī)技術(shù)與發(fā)展，2014.10：34-37

[6] 趙有婷，李熙瑩，羅東華.基于視頻車輛軌跡模型的交通事件自動(dòng)檢測(cè)方法研究[J].中山大學(xué)學(xué)報(bào)（自然科學(xué)版），2011.50（4）：56-60

[7] 苑瑋琦，謝昌隆.基于機(jī)器視覺的交通事件檢測(cè)方法的研究[J].計(jì)算機(jī)仿真，2013.30（10）：189-193

[8] 劉杰.一種基于多特征融合的自適應(yīng)目標(biāo)跟蹤策略[J].大眾科技，2016.11：9-12

[9] 崔華，劉云飛，宋鑫鑫.基于CNN深度學(xué)習(xí)模型的交通圖像擁堵識(shí)別[J].科技創(chuàng)新與應(yīng)用，2018.4：19-20

[10] 趙勝，趙學(xué)健，張欣慧，孫知信，陳勇.基于sobel算子和CNN的車輛軌跡識(shí)別系統(tǒng)[J].計(jì)算機(jī)技術(shù)與發(fā)展，2018.7：1-5

[11] 宋煥生，張向清，鄭寶峰，嚴(yán)騰.基于深度學(xué)習(xí)方法的復(fù)雜場景下車輛目標(biāo)檢測(cè)[J].計(jì)算機(jī)應(yīng)用研究，2018.4：1270-1273

[12] Girshick， Ross. "Fast R-CNN." IEEE International? Con-ference on Computer Vision IEEE， 2015：1440-1448

[13] Gupta S， Girshick R， Arbeláez P， et al. Learning Rich?Features from RGB-D Images for Object Detection and Segmentation[J]，2014.8695：345-360