高速公路服務(wù)區(qū)違法上下客行為識別技術(shù)研究

黨倩

摘 要：高速公路服務(wù)區(qū)違法上下客行為嚴重影響客運交通秩序，極易誘發(fā)交通安全隱患。本文通過對車輛、行人、物體的特征提取及持續(xù)跟蹤，基于行人攜物、背包的特征識別，建立了一套違法上下客識別流程，并研發(fā)違法上下客行為識別系統(tǒng)，實現(xiàn)疑似違法行為的智能檢測及抓拍取證，為非現(xiàn)場執(zhí)法提供依據(jù)，對提升執(zhí)法稽查效率及非現(xiàn)場執(zhí)法智能化水平具有重要意義。

關(guān)鍵詞：違法上下客行為;行人攜物;行人檢測

0 引言

近年來，高速公路服務(wù)區(qū)作為車輛停車、休憩的服務(wù)場所，逐漸涌現(xiàn)出客運車輛違規(guī)上下客、倒客、甩客等違法行為，嚴重影響交通秩序，帶來行李未經(jīng)安檢、行人自由出入、翻越圍欄、橫穿高速公路等安全隱患，極易誘發(fā)致死、致傷的道路交通事故，違法上下客行為的檢測及監(jiān)管已成為“平安交通”建設(shè)工作的重中之重。

違法上下客行為具有短時發(fā)生、取證追溯難等特征，傳統(tǒng)人工現(xiàn)場巡檢的監(jiān)管方式需要出動大量人員、車輛，且只具有短時間的監(jiān)管效應(yīng)，導(dǎo)致打擊難度大、效率低，成為行業(yè)管理的痛點及難點。隨著技術(shù)進步、管理機制革新，采用“技術(shù)+管理”綜合手段實現(xiàn)服務(wù)區(qū)違法上下客行為的主動檢測識別已成為當(dāng)務(wù)之急。

基于視頻的行人攜物檢測即在視頻監(jiān)控中根據(jù)攜物行人與正常行人特征的差異，通過目標(biāo)行人檢測及模式識別的手段，實現(xiàn)攜物行人的檢測及判別，常應(yīng)用于安防安保等領(lǐng)域。國內(nèi)外學(xué)者圍繞行人檢測開展了深入的研究[1-4]，在行人攜物方面的研究相對較少，主要圍繞攜帶物品檢測及行人檢測兩個方面。物品檢測方面，Giounona Tzanidou[5]等用顏色信息對行人與其攜帶的物品進行了分割，從而達到對攜帶物品的有效檢測，但受限于顏色特征的不唯一及易混淆特性，識別效果較差。Haritaoglu， D[6]等人根據(jù)無負重狀態(tài)下人體輪廓的對稱性，結(jié)合人體步態(tài)周期頻率建立背包檢測系統(tǒng);在此基礎(chǔ)上，Benabdelkader和Davis[7]等人對系統(tǒng)進行了改進，通過對連續(xù)視頻序列中人體輪廓的周期和振幅，更加精確地判別攜帶物品位置，但其中心軸的尋找方面仍然存在缺陷。行人檢測方面，Nanda[8]等人從機器學(xué)習(xí)的角度對人體攜物進行了判斷，通過分析正常行人與異常行人的區(qū)別，結(jié)合神經(jīng)網(wǎng)絡(luò)分類器對人體是否攜物進行檢測;王文杰[9]則用單一行走的行人與已經(jīng)建立好的標(biāo)準(zhǔn)模板庫進行對比來判定行人是否攜帶物品，取得了一定的檢測效果。

基于上述研究基礎(chǔ)，本研究建立了違法上下客行為檢測識別系統(tǒng)，借助模式識別、機器學(xué)習(xí)及智能分析等技術(shù)，實現(xiàn)車輛檢測、行人檢測、行人攜物檢測、軌跡跟蹤及行為分析等功能，進而實現(xiàn)違法上下客行為判別及分析，為管理部門實施違法監(jiān)管提供支撐，提升管理效率與智能化水平。

1 技術(shù)方案研究

高速公路服務(wù)區(qū)具有環(huán)境開闊、車輛眾多、人員嘈雜等特點，對此，針對于客運大巴車輛的違法上下客行為，本研究以服務(wù)區(qū)內(nèi)大客車車輛檢測及車輛定位為基礎(chǔ)，基于服務(wù)區(qū)視頻的聯(lián)動跟蹤，以車輛監(jiān)測、行人檢測為基礎(chǔ)，實現(xiàn)行人攜物的檢測跟蹤，并結(jié)合行人移動方向與車輛停靠位置的相對分析，判別違法上下客行為。

1.1 違法上下客事件檢測流程

利用高速公路服務(wù)區(qū)現(xiàn)有的視頻監(jiān)控資源，通過對視頻場中的客車、行人進行檢測和跟蹤，融合行人攜物特征實現(xiàn)違法行為的檢測及識別。檢測流程如下：

（1）在視頻場中檢測是否有客車以及對客車跟蹤判斷是否有停車行為;

（2）當(dāng)檢測到客車有停車且有行李箱打開行為時，以客車為中心，動態(tài)建立行人檢測區(qū)域;

（3）在行人檢測區(qū)檢測行人及行人攜物;

（4）當(dāng)檢測到行人靠近客車行李箱，且伴隨有攜物特征時，根據(jù)預(yù)先設(shè)定的違法上下客攜物特征及閾值，判定具有疑似違法上下客行為;

（5）在判斷具有疑似違法上下客行為后，自動拍照或者錄制短視頻進行取證;

（6）將疑似違法上下客行為結(jié)果及取證數(shù)據(jù)發(fā)送至后臺綜合管理系統(tǒng)。

1.2 車輛檢測追蹤

基于車牌、車型、車輛顏色等綜合特征，以車牌檢測及HSV顏色直方圖為核心建立運動目標(biāo)跟蹤模型，通過對多路視頻的綜合分析，采用基于均值漂移和粒子濾波相融合的跟蹤算法實現(xiàn)車輛在服務(wù)區(qū)范圍內(nèi)的連續(xù)跟蹤?；趯δ繕?biāo)車輛的連續(xù)檢測跟蹤，可判別非停車區(qū)域違規(guī)?？康目瓦\車輛，實現(xiàn)對違停車輛的抓拍取證，便于執(zhí)法管理人員取證執(zhí)法及停車誘導(dǎo)。車輛檢測跟蹤技術(shù)流程如圖2所示。同時，根據(jù)客運車輛的停車位置，可設(shè)定違法上下客檢測感興趣區(qū)域（Region Of Interest，以下簡稱ROI區(qū)域），為違法上下客行為檢測奠定基礎(chǔ)。

依托于高速公路服務(wù)區(qū)信息化建設(shè)，現(xiàn)已基本實現(xiàn)服務(wù)區(qū)全區(qū)無死角檢測，為車輛的檢測追蹤提供了良好基礎(chǔ)條件。當(dāng)車輛駛?cè)敕?wù)區(qū)入口時，對入口卡口抓拍相機拍攝到的視頻圖像，采用Faster R-CNN 目標(biāo)檢測算法對車輛進行檢測，ZF-net網(wǎng)絡(luò)作為Faster R-CNN的特征提取網(wǎng)絡(luò)。為了適應(yīng)實際場景中遠近車輛目標(biāo)尺寸差異較大的情況，避免漏檢較遠目標(biāo)，模型訓(xùn)練時采用多尺度訓(xùn)練的方式。對訓(xùn)練好的模型進行測試，檢測結(jié)果如圖3。

1.3 行人目標(biāo)檢測

人體骨骼關(guān)鍵點檢測是諸多計算機視覺任務(wù)的基礎(chǔ)，用于動作分類，行為識別。行人目標(biāo)檢測時，通過骨骼關(guān)鍵點檢測和關(guān)鍵點聚類，將不同人的不同關(guān)鍵點聚類連接從而構(gòu)建不同的個體。本文采用Associative Embedding方法進行骨骼關(guān)鍵點的檢測及聚類。該方法通過使用高維空間的向量來編碼不同人體的不同關(guān)鍵點之間的關(guān)系，即同一個人的不同關(guān)鍵點在空間上是盡可能接近的，不同人的不同關(guān)鍵點在空間上是盡可能遠離的，最后可以通過兩個關(guān)鍵點在高維空間上的距離來判斷兩個關(guān)鍵點是否屬于同一個人，從而達到聚類的目的。如下圖所示。通過借助行人姿態(tài)的檢測提取，實現(xiàn)視頻序列中行人目標(biāo)的穩(wěn)定檢測及跟蹤，有效避免視頻場景中其他背景目標(biāo)的干擾。

1.4 行人攜物檢測

基于ROI區(qū)域內(nèi)行人目標(biāo)的檢測提取，借助LBP/HOG特征實現(xiàn)行人攜物特征的判別。通過創(chuàng)建正常無攜物行人標(biāo)準(zhǔn)模板，基于攜物行人身體輪廓與正常無攜物行人的特征差別，統(tǒng)計攜物行人輪廓與無攜物行人輪廓差值的剩余面積，實現(xiàn)攜物特征的提取。基于ROI區(qū)域的設(shè)定，根據(jù)行人進、出ROI區(qū)域與上、下客的匹配關(guān)系，定義區(qū)域內(nèi)及區(qū)域外上下客目標(biāo)行進方向，對行人攜物行為進行軌跡跟蹤及抓拍取證，為違法上下客行為的稽查執(zhí)法基礎(chǔ)提供依據(jù)。行人攜物檢測技術(shù)流程如圖6所示。

2 應(yīng)用系統(tǒng)設(shè)計及應(yīng)用

2.1 應(yīng)用系統(tǒng)設(shè)計

高速公路服務(wù)區(qū)違法上下客識別系統(tǒng)包括前端嵌入式識別抓拍系統(tǒng)、后臺處理中心和應(yīng)用系統(tǒng)。各組成部分通過專線網(wǎng)絡(luò)進行通信，系統(tǒng)總體架構(gòu)如圖7所示。

前端嵌入式識別抓拍系統(tǒng)依托于服務(wù)區(qū)現(xiàn)有視頻監(jiān)控系統(tǒng)進行功能升級，實現(xiàn)視頻監(jiān)控之間的信息傳遞及目標(biāo)跟蹤。

后臺處理中心實現(xiàn)對視頻、圖像的處理分析，主要包括車輛檢測及跟蹤、違法上下客識別、違法上下客計數(shù)、違法行為抓拍取證等功能，為應(yīng)用系統(tǒng)提供數(shù)據(jù)支撐。

2.2 系統(tǒng)實現(xiàn)及應(yīng)用

基于違法上下客行為的檢測判別及系統(tǒng)設(shè)計，本文開發(fā)了應(yīng)用系統(tǒng)原型，并以無錫梅村服務(wù)區(qū)為應(yīng)用試點，進行了試點應(yīng)用，當(dāng)檢測到行人攜物上下客時，系統(tǒng)自動報警，為執(zhí)法監(jiān)管提供依據(jù)。系統(tǒng)檢測效果及功能界面如圖8所示。

3 結(jié)論

本文基于高速公路違法上下客事件的特征，利用視頻模式識別技術(shù)，對服務(wù)區(qū)內(nèi)違停車輛及攜物行人進行跟蹤檢測，實現(xiàn)高速公路服務(wù)區(qū)違法上下客行為的自動檢測識別、自動抓拍取證等功能，探索了一種智能化、精準(zhǔn)化稽查執(zhí)法新方法，為高速公路稽查執(zhí)法管理部門提供完整、直觀的數(shù)據(jù)支撐，有力的提升監(jiān)管執(zhí)法及非現(xiàn)場執(zhí)法的效率。

參考文獻：

[1]張開冉，楊樹鵬，何琳希，等.基于社會力模型的車站負重人群疏散模擬研究[J].中國安全科學(xué)學(xué)報，2017，27（01）：30-35.

[2]黃成都，黃文廣，閆斌.基于Codebook背景建模的視頻行人檢測[J].傳感器與微系統(tǒng)，2017，36（03）：144-146.

[3]疏坤，蔣建國，齊美彬，等.基于改進的HOG與Sobel-LBP融合的快速行人檢測[J].合肥工業(yè)大學(xué)學(xué)報（自然科學(xué)版），2017，40（07）：898-903.

[4]楊東明，徐士彪，孟維亮，等.基于改進RPN深度網(wǎng)絡(luò)的端到端的監(jiān)控場景行人檢測研究[J].中國體視學(xué)與圖像分析，2017（02）：209-215.

[5]Magee DR.Tracking multiple vehicles using foreground，background and motion models[J].Image & Vision Computing，2004，22（02）：143-155.

[6]Haritaoglu，D.Harwood，and L.S.Davis，Real-TimeSurveillance of People and Their Activities[C].IEEE Trans.Pattern Analysis and Machine Intelligence，2000，22（08）：809-830.

[7]BenAbdelkader C，Cutler R，Davis L.Motion-based recognition of people in eigengait space[C].IEEE International Conference on Automatic Face & Gesture Recognition.IEEE，2002：267-272.

[8]Nanda H，Benabdelkedar C，Davis L.Modelling pedestrian shapes for outlier detection：a neural net based approach[C].Intelligent Vehicles Symposium，2003.Proceedings.IEEE.IEEE，2003：428-433.

[9]王文杰.基于視頻序列的行人攜物檢測方法研究[D].四川師范大學(xué)，2014.