基于多源信息融合技術的全域卡口車輛身份檢索

孫盛　楊學軍　教穎輝　馮力

摘 要

以智慧城市全域卡口系統中的車輛檢索為背景，針對車輛檢索輸入條件的片面性、不完整性，將車輛目標的靜態信息進行了層次式的分解，并將車輛目標的靜態信息的相似度進行了關聯；從車輛行駛的時間、空間位置的關聯信息出發，結合車輛的空間位置、車輛平均速度對候選車輛序列進行了篩選，縮小了候選車輛序列的范圍，提高了檢索效率。

【關鍵詞】全域卡口 車輛檢索 相似度 車輛屬性

1 引言

在大規模的城市安全卡口車輛監控系統中，因障礙物遮擋、污損、設備識別錯誤等因素會帶來對于車輛身份信息采集結果的誤差；另一方面，實戰應用中的輸入檢索線索又是比較片面的，只能表達車輛的某方面的特征。這兩方面的因素疊加到一起，就造成實戰應用中會無法準確的檢索到目標車輛，或產生大批量的候選疑似車輛序列。

車輛在城市道路上行駛的行為帶有豐富的時間、空間信息，例如：車輛通過某個道路的時間、車輛通過的道路路口的空間關系等。而在城市安全監控卡口系統中，這些信息都會被卡口設備記錄在系統中；此外，卡口系統的采集設備還記錄了更加豐富的車輛靜態信息，如：車牌號碼、車輛顏色、車輛類型、車輛品牌型號等。本文將把全域卡口系統中關于車輛的靜態信息和動態信息融合起來，在全域卡口范圍內檢索車輛，為決策者提供準確的目標車輛信息。

2 全域卡口靜態、動態信息的分析

2.1 全域卡口采集的車輛靜態信息

車輛的靜態信息，指的是卡口系統中可直接利用的物理特征，車輛目標的物理特征（車輛顏色、車輛類型、車輛品牌標志、車輛的運動速度、運動方向等），這些信息都是通過卡口的采集設備獲取的，由于受到：采集設備的工作狀態、采集時間、采集對象的狀態等等因素的制約，就會出現車輛固有屬性的采集誤差，這些固有屬性是車輛目標對象所固有的且可區別于其他目標對象的屬性，而采集誤差就會導致車輛的檢索出現錯誤。

本文是要將帶有誤差的車輛顏色、車輛類型、等多種固有屬性融合在一起，利用結構分解的分層匹配算法進行車輛對象的身份比較。

2.2 全域卡口采集的車輛動態信息

車輛的動態信息，指的是車輛在行駛中所處的空間位置以及對應的時間信息。全域卡口系統中的采集點分布于整個城市的道路網絡中，車輛所經過的卡口采集點的空間位置以及時間是動態變化的，而這些空間位置、時間序列，也是車輛行駛行為的重要屬性信息。如何將這些空間位置及時間點關聯起來，正是本文要研究的問題。

根據上述分析，可以將車輛目標的身份比較問題視為是一個復雜對象比較問題，復雜對象的比較通常出現在語句相似性計算、多媒體對象相似性度量、數據挖掘、頻繁項集對象相似度比較中。復雜對象的比較，常通過多特征的加權相似度比較和復雜對象結構分解分層比較的兩種方法來解決。在本文中，擬借鑒復雜對象的屬性間的關系緊密程度的屬性分解相似度量方法來完成車輛目標靜態信息的比較，實現車輛目標的同一性檢索。然后，在全域卡口的背景下，從所在的過往車輛數據庫中可獲得該車輛對象出現的時間、交通卡點、車輛實行速度等信息。關聯這些信息，可預測車輛對象出現的空間位置，然后對目標車輛的圖像和關鍵幀進行車輛目標的身份比較，通過分析的結果可以得到目標車輛在全域卡口中出現的所有軌跡。

3 全域卡口車輛目標的身份檢索

3.1 車輛目標的同一性檢索

根據前述分析，根據復雜對象分解的分層相似性度量思想對車輛目標的顏色特征、車類特征進行分解，比較待檢測車輛與目標車輛的相似距離；而后根據選擇策略進行融合局部特征和特征的加權多特征比較。首先，將分層式的相似度量方案在圖1中給出。

具體設計方案如下：

（1）顏色特征CL：采用HSV顏色空間進行定義，并設定為序數型特征，顏色類別序列化之后的結果為：

CL（黑）=1；CL（灰）=2；CL（白）=3；CL（紅）=4；CL（橙）=5；CL（黃）=6；CL（綠）=7；CL（淺綠）=8；CL（藍）=9；CL（紫）=10；CL（粉）=11；

本文所研究的城市卡口系統，分布于開放式的道路網絡中，因此，車輛的行駛路徑具有較高的隨機性。車輛所經過的卡口采集點，不具備嚴格的順序關系，但是，車輛經過某一個卡口采集點Ki，僅僅與前一個卡口Ki-1的位置有關系，這就是隨機過程中的馬爾可夫性。根據車輛的行駛物理規律，可以預測到車輛可能出現的下一個卡口的可能位置，然后根據前一個卡口的采集時間Ti-1，可以給出通過下一個卡口的時間區間Ti。以這個時間點為閾值，可以篩選出候選的視頻片段，然后在這些視頻片段中，應用車輛目標的同一性檢索，就可以以較大的概率檢索到目標車輛。

4 實驗及分析

本文選擇金鵬電子信息機器有限公司的卡口系統作為實驗對象，以某個行政區內的30個卡口作為實驗區；卡口系統中的智能分析模塊提供了關于車輛的靜態信息有：車牌號碼、車牌顏色、車身顏色、車輛品牌（例如：JEEP）、車輛型號（例如：JEEP_牧馬人）、年款（例如：2013款）、車輛類別（例如：貨車、轎車）；動態信息有：車輛速度、卡口名稱、方向名稱、經過時間。輸入一個檢索實例，例如：在2016年8月1日至2016年8月10日期間，查找一輛紅色帕薩轎車，該車在XX路口附近出現過，車牌號中有一個數字A。按照這個輸入條件，將其分解為輸入關鍵詞，車牌號碼、車牌顏色、車身顏色、車輛品牌、車輛型號、年款、車輛類別的權值分別設定為：0.35、0.05、0.3、0.2、0.05、0.05；對于動態信息，車輛速度代表的是卡口采集點線圈測速裝置的測量值，并不能代表車輛在道路行駛的平均速度，因此該信息在檢索中的實用價值較小。通過在全域卡口系統中的歷史過車數據庫中檢索：首先，通過設定檢索時間條件，在XX路口附近的卡口（共5個）檢索到記錄10907條過車記錄，再通過設定靜態信息條件，得到12條過車記錄，其相似度參見表1（表中的真實車牌號碼均用符號和數字代替）。

然后，通過對這22條記錄對應的過車視頻信息進行人工篩選判別，可得到，檢索結果即為輸入檢索示例對應的車輛目標。

5 結論

本文針對智慧城市中的全域卡口系統中的車輛檢索問題，提出了一種利用車輛行駛行為的時間、空間關聯關系來檢索車輛的方法。該方法將車輛目標的靜態信息按照層次結構進行了分解，并分別計算了各個屬性的相似度，通過關聯這些相似度來檢索候選車輛目標序列。最后，通過對全域卡口的歷史過車數據進行了實驗驗證。本文提出的方法將有助于提升卡口系統的車輛目標檢索效率。

參考文獻

[1]Bing-Fei Wu，Chih-Chung Kao，Jhy-Hong Juang，Yi-Shiun Huang.A New Approach to Video-Based Traffic Surveillance Using Fuzzy Hybrid Information Inference Mechanism [J]. IEEE Transactions on Intelligent Transportation Systems，2013，14（01）：485-491.

[2]Tianzhu Zhang，Si Liu，Changsheng Xu， Hanqing Lu.Mining Semantic Context Information for Intelligent Video Surveillance of Traffic Scenes [J]. IEEE Transactions on Industrial Informatics，2013，9（01）：149-160.

[3]嚴明.高速公路中車輛對象同一性的檢索[D].昆明：昆明理工大學，2014.

[4]陳文軍.相鄰卡口時空關聯車輛視頻檢索研究[D].昆明：昆明理工大學，2013.

[5]陳治平.基于復雜對象分解的相似性計算方法[J].計算機工程與應用，2008， 44（34）：149-152.

[6]李桂林，陳曉云.關于聚類分析中相似度的討論[J].計算機工程與應用，2004，40（31）：64-66.

[7]鐘文.不確定推理在多源信息融合中的若干應用研究[D].南京：南京理工大學， 2002.

[8]Rogerio Schmidt Feris，Behjat Siddiquie，James Petterson，etc. Large-Scale Vehicle Detection，Indexing，and Search in Urban Surveillance Videos. IEEE TRANSACTIONS ON MULTIMEDIA， 2012，14（01）：28-42.

作者簡介

孫盛（1980-），男，湖北省建始縣人。博士學位。現為金鵬電子信息機器有限公司博士后工作站、華南師范大學計算機學院博士后流動站聯合培養博士后。主要研究方向為計算機視覺、模式識別。

作者單位

1.金鵬電子信息機器有限公司 廣東省廣州市 510663

2.華南師范大學計算機學院 廣東省廣州市 510631