考慮軌跡分析的車(chē)輛異常行為辨識(shí)

丁 華，楊文杰，姜 超

(江蘇大學(xué) 汽車(chē)與交通工程學(xué)院，江蘇 鎮(zhèn)江 212013)

0 引言

隨著計(jì)算機(jī)軟件、硬件及視覺(jué)技術(shù)的快速發(fā)展，利用交通視頻監(jiān)控系統(tǒng)提升道路安全管理水平是現(xiàn)代道路安全的重要保障，而基于車(chē)輛運(yùn)動(dòng)軌跡的行為分析和識(shí)別成為最有前景的發(fā)展方向之一[1]。通過(guò)監(jiān)控視頻對(duì)車(chē)輛進(jìn)行跟蹤獲取軌跡，并對(duì)軌跡進(jìn)行實(shí)時(shí)處理和分析，自動(dòng)檢測(cè)道路中車(chē)輛的異常行為，如闖紅燈、擅自變道、違章轉(zhuǎn)向、急剎車(chē)、超速行駛和車(chē)輛逆行等[2-4]。

研究人員對(duì)交通監(jiān)控中識(shí)別運(yùn)動(dòng)車(chē)輛的異常行為方面取得了一些進(jìn)展。Johnson等[5]和Sumpter等[6]使用自組織特征映射神經(jīng)網(wǎng)絡(luò)的方法對(duì)軌跡空間模式進(jìn)行建模。Hu等[7]利用模糊自組織映射方法學(xué)習(xí)目標(biāo)的運(yùn)動(dòng)軌跡和行為模式，實(shí)現(xiàn)對(duì)異常事件的檢測(cè)和判別。楊龍海等[8]提出了基于軌跡數(shù)據(jù)的車(chē)輛異常行為分級(jí)檢測(cè)算法，使用神經(jīng)網(wǎng)絡(luò)對(duì)不同種類(lèi)的異常行為樣本進(jìn)行訓(xùn)練識(shí)別。以上基于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法網(wǎng)絡(luò)設(shè)置復(fù)雜、學(xué)習(xí)速度慢，需要大量樣本，對(duì)實(shí)時(shí)性要求較高。Cai等[9]提出了一種異常行為檢測(cè)框架，該框架包括軌跡模式學(xué)習(xí)模塊和異常檢測(cè)模塊，軌跡模式學(xué)習(xí)模塊通過(guò)對(duì)軌跡聚類(lèi)并學(xué)習(xí)方向模式，異常檢測(cè)模塊通過(guò)建立每類(lèi)軌跡的HMM模型來(lái)對(duì)新軌跡進(jìn)行異常檢測(cè)，該方法在訓(xùn)練時(shí)需要提前設(shè)定狀態(tài)數(shù)目，適用于對(duì)場(chǎng)景先驗(yàn)知識(shí)比較了解的情況。Athanesious等[10]提出了一種新的基于軌跡聚類(lèi)方法來(lái)檢測(cè)車(chē)輛異常軌跡，結(jié)合譜聚類(lèi)理論和貝葉斯決策理論將事件分為正常和異常，該方法對(duì)實(shí)時(shí)性要求較高，可以通過(guò)深度學(xué)習(xí)的方法來(lái)擴(kuò)展。Xu等[11]提出了雙模式檢測(cè)模型來(lái)檢測(cè)道路交通中車(chē)輛異常運(yùn)動(dòng)模式，靜態(tài)模式從背景建模中學(xué)習(xí)，用來(lái)檢測(cè)在道路中保持靜止的異常車(chē)輛。動(dòng)態(tài)模式用來(lái)檢測(cè)從跟蹤軌跡中偏離主要運(yùn)動(dòng)模式的異常行為。該方法檢測(cè)誤差低，在低質(zhì)量的流視頻中有待提升。Piciarelli等[12]提出了一種基于軌跡的聚類(lèi)方法。異常軌跡通過(guò)一系列集群形成的樹(shù)提取。異常軌跡是那些與樹(shù)相比概率較小的軌跡。通過(guò)這種方法可以很容易地識(shí)別出在錯(cuò)誤方向上行駛的車(chē)輛，但是這種方法不能估計(jì)車(chē)輛的速度。李永等[13]提出了基于隨機(jī)森林的車(chē)輛行為分析方法，該方法通過(guò)擬合跟蹤軌跡提取特征值，并將其輸入隨機(jī)森林算法分類(lèi)器中，對(duì)車(chē)輛行為進(jìn)行分析，該方法對(duì)車(chē)輛的特征值提取較少，識(shí)別行為單一。黃鑫等[14]提出了基于監(jiān)控視頻的車(chē)輛異常行為檢測(cè)方法，該方法通過(guò)均值漂移算法對(duì)速度和角度兩個(gè)運(yùn)動(dòng)特征聚類(lèi)，得到聚類(lèi)后統(tǒng)計(jì)直方圖，由運(yùn)動(dòng)特征熵和運(yùn)動(dòng)特征標(biāo)量到聚類(lèi)中心的歐氏距離來(lái)判斷車(chē)輛有無(wú)異常行為。該方法對(duì)動(dòng)態(tài)變化場(chǎng)景中車(chē)輛異常行為的檢測(cè)效果較差。Hu等[15]提出了軌跡多層次學(xué)習(xí)框架來(lái)識(shí)別異常交通行為，使用貝葉斯決策對(duì)車(chē)輛的異常換道和掉頭行為進(jìn)行辨識(shí)。Wang等[4]分析了復(fù)雜場(chǎng)景下常見(jiàn)的車(chē)輛異常行為，如異常變道、超速異常、低速異常、逆行等。對(duì)于速度異常問(wèn)題，該方法以簡(jiǎn)單的道路規(guī)定閾值為判別方法，場(chǎng)景適應(yīng)性較差。通過(guò)以上研究發(fā)現(xiàn)，無(wú)監(jiān)督學(xué)習(xí)成為異常檢測(cè)的熱點(diǎn)，該方法不需要軌跡標(biāo)簽，通過(guò)對(duì)軌跡自動(dòng)學(xué)習(xí)建立正常軌跡模型，與正常軌跡對(duì)比來(lái)辨識(shí)新軌跡是否異常，應(yīng)用廣泛。在速度異常的檢測(cè)中，沒(méi)有考慮交通流速度大小和不同車(chē)型對(duì)速度異常的影響。

本文以車(chē)輛運(yùn)動(dòng)軌跡為研究對(duì)象，提出了一種通過(guò)軌跡分析辨識(shí)交通異常行為的有效方法。首先對(duì)獲取的軌跡采用DP算法[16]進(jìn)行壓縮，只保留特征點(diǎn)。然后使用改進(jìn)的Hausdorff距離計(jì)算軌跡間的相似度矩陣，采用譜聚類(lèi)算法學(xué)習(xí)軌跡空間模式。在此基礎(chǔ)上，對(duì)每個(gè)空間模式進(jìn)行中心軌跡提取并利用位移向量學(xué)習(xí)軌跡的方向模式。利用空間模式和方向模式對(duì)新軌跡進(jìn)行混合匹配來(lái)檢測(cè)異常行為。對(duì)于每類(lèi)運(yùn)動(dòng)模式，通過(guò)速度特征提取，取偏離正常運(yùn)動(dòng)區(qū)間5%車(chē)輛的速度為速度異常閾值，對(duì)車(chē)輛進(jìn)行實(shí)時(shí)速度異常檢測(cè)。

圖1為異常行為辨識(shí)流程圖。

1 軌跡學(xué)習(xí)

1.1 軌跡預(yù)處理

1)軌跡長(zhǎng)度篩選。為保持系統(tǒng)的穩(wěn)定性，提高聚類(lèi)準(zhǔn)確度，需要采用充分長(zhǎng)的運(yùn)動(dòng)軌跡進(jìn)行學(xué)習(xí)，刪除采樣點(diǎn)少的軌跡。

2)軌跡壓縮。為減少軌跡相似性度量的計(jì)算，采用道格拉斯—普克算法(DP算法)對(duì)軌跡進(jìn)行壓縮，只保留軌跡的特征點(diǎn)。

1.2 軌跡空間模式學(xué)習(xí)

軌跡的相似性在運(yùn)動(dòng)軌跡聚類(lèi)中起著非常重要的作用。目前軌跡聚類(lèi)中的距離度量主要包括基于歐氏距離的方法、基于最長(zhǎng)公共子序列的方法、基于動(dòng)態(tài)事件窗口的方法以及基于Hausdorff距離的方法。與其他幾種方法相比，基于Hausdorff距離的方法對(duì)于軌跡點(diǎn)集之間的相似性度量更為高效。本文采用改進(jìn)的Hausdorff[17]距離計(jì)算軌跡的空間相似程度。假設(shè)軌跡集合中存在2條軌跡A={ai，i=1，2，…，N}，B={bj，j=1，2，…，M}，對(duì)于軌跡A上的任意一點(diǎn)ai，在軌跡B上有距離ai最近的點(diǎn)使得：

(1)

那么軌跡AB的空間有向距離則可以表示為：

(2)

式中，NA為A的軌跡點(diǎn)個(gè)數(shù)。A、B之間的對(duì)稱(chēng)距離為：

(3)

由此可以轉(zhuǎn)化為A、B的相似度函數(shù):

s(A，B)=exp(-H(A，B)/2σ2)

(4)

式中，σ為尺度參數(shù)。如果h(A，B)越小，A、B空間距離越小，相似度越高。

在計(jì)算出軌跡間相似度矩陣后，采用譜聚類(lèi)算法學(xué)習(xí)車(chē)輛軌跡的空間分布模式。利用譜聚類(lèi)[18]對(duì)車(chē)輛軌跡進(jìn)行聚類(lèi)，步驟如下：

1)對(duì)于給定的m條軌跡的集合Traj={T1，T2，…，Tm}，利用改進(jìn)的hausdorff距離計(jì)算軌跡間相似度矩陣，滿足式(5)所示條件。

(5)

2)根據(jù)相似度矩陣S定義對(duì)角矩陣D。對(duì)相似度矩陣S中第i行的元素進(jìn)行求和得到矩陣D的主對(duì)角元素Dii，如式(6)所示。

(6)

4)選取與最大的k個(gè)特征值對(duì)應(yīng)的k個(gè)特征向量x1，x2，…，xk，將這k個(gè)特征向量按列構(gòu)造一個(gè)m×k的矩陣X=[x1,x2,…,xk]。對(duì)X中的每一行做歸一化處理得到一個(gè)新的矩陣Y，歸一化公式如式(7)所示:

(7)

5)軌跡樣本中的每一條軌跡Ti都和矩陣Y中的第i個(gè)行向量相對(duì)應(yīng)，最后使用k-means聚類(lèi)算法將矩陣Y聚成k個(gè)類(lèi)。

6)將樣本軌跡中的每一條軌跡按照其在矩陣Y中相對(duì)應(yīng)的行向量的類(lèi)別進(jìn)行分配。

1.3 軌跡方向模式學(xué)習(xí)

1)將軌跡進(jìn)行空間譜聚類(lèi)學(xué)習(xí)后軌跡被有效地劃分為軌跡簇。通過(guò)提取各類(lèi)簇的代表性軌跡來(lái)表示該類(lèi)運(yùn)動(dòng)模式，對(duì)于第k類(lèi)的任意一條軌跡Ti計(jì)算其與該類(lèi)中其他軌跡的平均距離：

(8)

式中:nk為第k個(gè)分布中的軌跡數(shù)量。

選取任意分布k中與其他軌跡平均距離最小的軌跡作為該分布的代表性軌跡，該軌跡代表了該場(chǎng)景下第k個(gè)運(yùn)動(dòng)模式。

2 目標(biāo)異常行為檢測(cè)

2.1 軌跡空間匹配

對(duì)于每個(gè)新軌跡點(diǎn)P(x0，y0)，利用中心軌跡的起點(diǎn)和終點(diǎn)確定方程Ax+By+C=0，利用式(9)計(jì)算新軌跡點(diǎn)與各個(gè)中心軌跡的距離，并將距離從小到大排序，距離最小的代表該點(diǎn)屬于該條中心軌跡所在的運(yùn)動(dòng)模式。

(9)

2.2 軌跡方向匹配

一個(gè)運(yùn)動(dòng)模式代表一個(gè)特定的運(yùn)動(dòng)方向，當(dāng)新軌跡的方向與正常運(yùn)動(dòng)模式的方向不同時(shí)，必然會(huì)出現(xiàn)交通異常行為，比如逆行。當(dāng)?shù)谝粋€(gè)軌跡點(diǎn)產(chǎn)生時(shí)，首先計(jì)算該軌跡點(diǎn)所屬的運(yùn)動(dòng)模式，假設(shè)第一個(gè)點(diǎn)的方向與該運(yùn)動(dòng)模式中心軌跡的方向一致，對(duì)于其他的跟蹤點(diǎn)(i>1)異常行為檢測(cè)的方向判別如下:

(10)

式中：cosθ代表向量A與向量B的余弦相似度，取值在[-1，1]之間，向量A表示每個(gè)運(yùn)動(dòng)模式的位移向量，向量B表示第i個(gè)跟蹤點(diǎn)和第i+1個(gè)跟蹤點(diǎn)之間的位移向量。如果第i個(gè)點(diǎn)和第i+1個(gè)點(diǎn)所在模式不同，則該車(chē)發(fā)生了變道行為。當(dāng)cosθ<0時(shí)，軌跡與運(yùn)動(dòng)模式的方向相反，表示該車(chē)輛發(fā)生了逆行。

2.3 速度異常檢測(cè)

筆者提出的速度異常檢測(cè)方法完全依靠道路的歷史數(shù)據(jù)識(shí)別速度軌跡異常的車(chē)輛，包括超速異常檢測(cè)和低速異常檢測(cè)。該方法主要是通過(guò)軌跡的空間模式學(xué)習(xí)得到各類(lèi)簇后，提取各類(lèi)簇中每條軌跡的速度特征，統(tǒng)計(jì)每條軌跡的速度變化曲線圖，定義95%的行駛車(chē)速為正常行駛區(qū)間，剩余5%為異常。設(shè)置超速行駛和低速行駛的閾值將這些異常的軌跡識(shí)別出來(lái)。當(dāng)產(chǎn)生待識(shí)別的新軌跡時(shí)，以此判斷每個(gè)點(diǎn)是否在正常的行駛區(qū)間內(nèi)。如果在正常區(qū)間，則說(shuō)明軌跡正常；如果大于超速閾值，則說(shuō)明該車(chē)超速異常；如果低于低速閾值，則說(shuō)明該車(chē)低速異常。

3 實(shí)驗(yàn)分析

基于HighD[19]數(shù)據(jù)集中的一個(gè)場(chǎng)景做驗(yàn)證。該場(chǎng)景由雙向6車(chē)道構(gòu)成，車(chē)輛的軌跡點(diǎn)通過(guò)無(wú)人機(jī)獲取。原始軌跡共1 047條，去除不完整軌跡和換道軌跡后剩余818條。圖2為軌跡的提取與處理過(guò)程，其中圖2(b)顯示了壓縮前后的軌跡對(duì)比圖，壓縮前共有32個(gè)藍(lán)色軌跡點(diǎn)，壓縮后只有6個(gè)紅色特征點(diǎn)。

圖2 軌跡的提取與處理

預(yù)處理后的軌跡經(jīng)過(guò)hausdorff距離計(jì)算出軌跡的相似度矩陣后利用譜聚類(lèi)算法學(xué)習(xí)出軌跡的空間分布模式，圖3是軌跡的空間聚類(lèi)結(jié)果。

圖3 軌跡空間模式學(xué)習(xí)

通過(guò)空間模式學(xué)習(xí)表明：軌跡的4種運(yùn)動(dòng)模式正好對(duì)應(yīng)道路上4條車(chē)道，分別是第2條車(chē)道(黃)、第3條車(chē)道(紅)、第5條車(chē)道(藍(lán))和第6條車(chē)道(綠)。然后對(duì)軌跡進(jìn)行方向模式學(xué)習(xí)，圖4為方向模式學(xué)習(xí)結(jié)果。

圖4 方向模式學(xué)習(xí)

圖中的曲線代表每個(gè)運(yùn)動(dòng)模式的中心軌跡，帶箭頭的線段表示該曲線的位移向量。2、3車(chē)道的運(yùn)動(dòng)模式由右向左，5、6車(chē)道的運(yùn)動(dòng)模式由左向右。對(duì)于逆行軌跡，相鄰軌跡點(diǎn)之間位移向量和所在的運(yùn)動(dòng)模式的方向向量的夾角余弦小于0且無(wú)限接近-1。對(duì)于正常行駛車(chē)輛的軌跡，其相鄰軌跡點(diǎn)之間的位移向量與所在模式的方向向量的夾角余弦接近1。圖5表示正常軌跡相鄰點(diǎn)之間位移向量與所在模式方向向量的夾角余弦。

圖5 正常軌跡夾角余弦圖

圖5橫坐標(biāo)代表的是軌跡點(diǎn)，縱坐標(biāo)表示相鄰軌跡點(diǎn)之間的夾角余弦，例如第1個(gè)柱狀圖代表第1個(gè)點(diǎn)和第2個(gè)點(diǎn)的方向向量與所在空間模式方向向量的夾角余弦。通過(guò)計(jì)算相鄰軌跡點(diǎn)之間的方向向量與所在模式的方向向量的夾角余弦，就可以判定車(chē)輛是否逆行，只要存在夾角余弦小于0的情況，就可以判斷車(chē)輛發(fā)生逆行，可以有效地檢測(cè)出逆行行為。表1為樣本軌跡空間匹配結(jié)果。

表1 軌跡空間匹配

由表1可知，所有軌跡點(diǎn)到車(chē)道2中心軌跡的距離最短，所以該軌跡屬于2車(chē)道。然后再對(duì)其進(jìn)行方向模式匹配，匹配結(jié)果如圖6所示。

圖6 逆行軌跡夾角余弦圖

由圖6可知，該軌跡相鄰兩點(diǎn)之間的方向向量與所在空間模式的方向向量的夾角余弦都小于0且接近-1，該軌跡為逆行軌跡。綜合空間模式匹配結(jié)果可知，該軌跡為2車(chē)道逆行軌跡。

對(duì)于速度異常的車(chē)輛通過(guò)軌跡的空間模式學(xué)習(xí)后，提取出各模式軌跡的速度特征，統(tǒng)計(jì)每個(gè)模式中各個(gè)軌跡的速度變化，就可以確定正常車(chē)輛行駛的速度區(qū)間。將95%的駕駛員行駛的速度區(qū)間作為正常行駛區(qū)間，剩下5%作為異常行駛的區(qū)間。圖7為各車(chē)道車(chē)型速度分布圖。

圖7中，紅色的曲線代表5%駕駛員行駛的速度異常軌跡，藍(lán)色的曲線代表95%的駕駛員行駛的正常軌跡。由于在現(xiàn)實(shí)生活中，超速行駛的駕駛員比低速行駛的駕駛員更為常見(jiàn)，取前1%的駕駛員行駛的速度為低速閾值，后4%的駕駛員行駛的速度為超速閾值。圖7(a)中低速異常閾值為79 km/h，超速異常閾值為120 km/h，圖7(b)中低速異常閾值為76 km/h，超速異常閾值為131 km/h，圖7(c)中低速異常閾值為89 km/h，超速異常閾值為144 km/h，圖7(d)中低速異常閾值為82 km/h，超速異常閾值為156 km/h，圖7(e)中低速異常閾值為76 km/h，超速異常閾值為132 km/h。圖7(f)中低速異常閾值為74 km/h，超速異常閾值為90 km/h。通過(guò)以上分析可知：在不同的交通場(chǎng)景下，可以根據(jù)海量的歷史數(shù)據(jù)分析出各車(chē)道車(chē)輛的速度分布區(qū)間，確定超速閾值和低速閾值，從而對(duì)車(chē)輛的速度是否異常進(jìn)行實(shí)時(shí)檢測(cè)。圖8為車(chē)輛實(shí)時(shí)速度分析曲線圖。

圖7 各車(chē)道車(chē)型速度分布圖

圖8 車(chē)輛實(shí)時(shí)速度分析

4 結(jié)論

根據(jù)改進(jìn)的Hausdorff距離計(jì)算軌跡的空間相似度矩陣，利用譜聚類(lèi)學(xué)習(xí)軌跡的空間分布模式，提取中心軌跡利用位移向量學(xué)習(xí)軌跡的方向模式，通過(guò)空間模式與方向模式混合匹配解決了道路中異常車(chē)輛的軌跡辨識(shí)問(wèn)題。速度特征提取考慮了不同類(lèi)型車(chē)輛對(duì)速度軌跡的影響，以5%行駛的區(qū)間為異常區(qū)間，確定了道路中車(chē)輛行駛的速度異常閾值。通過(guò)數(shù)據(jù)集證明該方法能夠?qū)崟r(shí)有效地辨識(shí)出方向異常和速度異常的車(chē)輛，對(duì)提高交通安全具有重大意義。筆者提出的方法也存在不足，只考慮了車(chē)輛類(lèi)型的影響，在接下來(lái)的研究中，將加入天氣等環(huán)境因素，提升識(shí)別效果。