基于多視點(diǎn)空間目標(biāo)的高原公路交通行為檢測(cè)

胡 永

(1. 西藏民族大學(xué)信息工程學(xué)院，陜西 咸陽(yáng) 712082；2. 西藏光信息處理與可視化技術(shù)重點(diǎn)實(shí)驗(yàn)室，陜西 咸陽(yáng) 712082)

1 引言

高原公路由于地理?xiàng)l件特殊所處環(huán)境復(fù)雜，極易發(fā)生危險(xiǎn)引發(fā)交通事故，駕駛員需要高度警惕，頻繁操作車輛，不斷變更行駛軌跡和行駛狀態(tài)[1]。分析川藏公路、滇藏公路和蘭新公路交通行為統(tǒng)計(jì)結(jié)果可知，高原公路線性結(jié)構(gòu)與普通公路差異巨大，由于海拔不斷攀升，高原公路設(shè)計(jì)時(shí)會(huì)采用連續(xù)縱坡技術(shù)，地形的限制導(dǎo)致縱坡數(shù)量大，坡度和坡長(zhǎng)變化多樣，再加上氧氣含量低，初上高原者對(duì)環(huán)境不熟悉，高原地區(qū)重特大交通事故頻繁發(fā)生。

減少高原公路事故多發(fā)難題一直是交通管理部門面臨的嚴(yán)峻問(wèn)題之一，常用的高原公路檢測(cè)手段大多是視頻檢測(cè)，視頻檢測(cè)可以更直觀的檢測(cè)到高原公路上的情況，全面檢測(cè)公路狀況和事故原因[2]。針對(duì)高原公路的檢測(cè)，常用的算法有加州算法、貝葉斯算法等，這些算法以交通參數(shù)宏觀檢測(cè)為基礎(chǔ)，分析數(shù)據(jù)的變化，判斷事故發(fā)生幾率[3]。空間識(shí)別系統(tǒng)是近年空間領(lǐng)域不斷發(fā)展的產(chǎn)物，分析探索目標(biāo)所獲數(shù)據(jù)，通過(guò)空間目標(biāo)識(shí)別可以判斷在高原行駛車輛的行駛軌跡、運(yùn)動(dòng)形態(tài)，預(yù)判交通行為[4]。常見(jiàn)的空間識(shí)別方法主要針對(duì)單軸旋轉(zhuǎn)，但是目標(biāo)成像時(shí)的姿態(tài)、大小隨著觀察物的運(yùn)動(dòng)產(chǎn)生變換，單軸旋轉(zhuǎn)所建立的圖像模型真實(shí)性較差，已經(jīng)滿足不了需求[5]。

本文針對(duì)高原公路的特殊性，以多視點(diǎn)空間法建立交通行為模型，把汽車模型放入建立好的多視點(diǎn)投影模型中心位置，利用組合不變矩灰度變換目標(biāo)車輛彩色圖像，經(jīng)去抖處理待識(shí)別車輛圖像，提取目標(biāo)車輛圖像中最需要的目標(biāo)，依據(jù)提取目標(biāo)，采用直方圖均衡化算法來(lái)對(duì)圖像進(jìn)行增強(qiáng)處理。重點(diǎn)研究高原公路上車輛追尾、碰撞等常見(jiàn)問(wèn)題，對(duì)車輛交通行為狀態(tài)識(shí)別和分析，安全狀態(tài)的判斷，可以降低交通事故發(fā)生幾率。

2 多視點(diǎn)空間目標(biāo)檢測(cè)高原交通行為

2.1 建立多視點(diǎn)投影模型

若要描述三維空間目標(biāo)，需要收集多個(gè)不同視點(diǎn)的二維投影，匹配二維圖像模型庫(kù)已有圖像特征與監(jiān)控視頻捕捉的車輛圖像，因此建立數(shù)據(jù)龐大的二維圖像模型庫(kù)，對(duì)視頻圖像進(jìn)行預(yù)處理，建立雙軸旋轉(zhuǎn)以經(jīng)緯度劃分區(qū)域的多視點(diǎn)投影模型是必要的[6]。

獲取高原公路上行駛車輛多角度圖像及參數(shù)，建立三維模型，對(duì)此模型做視覺(jué)空間劃分，可得出多視點(diǎn)下的車輛二維圖像庫(kù)。如果只把車輛空間以三維坐標(biāo)劃分，模型以x軸為中心旋轉(zhuǎn)，以10度為間隔獲取圖像，不同姿態(tài)的車輛形態(tài)坐標(biāo)圖片，能夠獲取36幅。但是車輛行駛軌跡未知，以單軸旋轉(zhuǎn)為基礎(chǔ)建立的二維圖像模型庫(kù)不完善，所以需要建立觀察球，以經(jīng)緯度的線條規(guī)律展開(kāi)劃分[7]。假設(shè)車輛靜止，攝像機(jī)運(yùn)動(dòng)，獲取的圖像為雙軸旋轉(zhuǎn)。設(shè)定車輛與成像平面等距，圖1為多視點(diǎn)投影模型成像原理。

圖1 多視點(diǎn)投影模型

把汽車模型放入建立好的多視點(diǎn)投影模型中心位置，以經(jīng)、緯度的線條規(guī)律劃分小區(qū)域，從這些小區(qū)域觀察車輛，得到不同觀測(cè)角度繞雙軸旋轉(zhuǎn)的二維圖像。觀測(cè)角度發(fā)生變化時(shí)可看作車輛目標(biāo)的方位角和俯視角產(chǎn)生變化。

2.2 目標(biāo)車輛彩色圖像獲取

識(shí)別三維車輛時(shí)，不但要顧慮圖像平移和比例變換，還要注意傳感器、距離、視角問(wèn)題造成的圖像曲變和透視投影變換。本文以仿射變換代替復(fù)雜的投射投影計(jì)算。變量需具備比例、平移、仿射不變性。根據(jù)已有研究中提到的仿射不變矩與不變矩特點(diǎn)，將二者組合為組合不變矩以便提取車輛圖像的特征[8]。圖像基于目標(biāo)等距和成像平面，比例的變化無(wú)需考慮。為降低計(jì)算量，不變矩由仿射不變量的前三個(gè)分量和已有研究的前四個(gè)分量組成。式(1)為區(qū)域B中函數(shù)f(x，y)的a+b階原點(diǎn)矩定義方程

(1)

式(2)為區(qū)域B中圖像函數(shù)f(x，y)的i+t階中心距定義方程

(2)

其中(x0，y0)為圖像重心，其中x0=M10/M00，y0=M01/M00。

式(3)為標(biāo)準(zhǔn)化中心距Iit定義方程

(3)

式(4)到式(7)是引用已有研究的前四個(gè)分量表達(dá)式

C1=I20+I02

(4)

(5)

C3=(I30-3I12)2+(3I21-I03)2

(6)

C4=(I30+I12)2+(I21+I03)2

(7)

式(8)到式(10)是仿射不變矩的前三個(gè)分量表達(dá)式

(8)

(9)

(10)

式(11)是組合不變矩：

C=(C1，C2，C3，C4，I1，I2，I3)

(11)

利用組合不變矩灰度變換目標(biāo)車輛彩色圖像，通過(guò)改變?cè)紙D像數(shù)據(jù)所占據(jù)的灰度范圍而使圖像在視覺(jué)上得到良好的改變。假定源圖像f(x，y)的灰度范圍為[a，b]，利用組合不變矩變換后目標(biāo)車輛彩色圖像g(x，y)的灰度范圍為[c，d]，則線性變換可以表示為

(12)

2.3 視頻圖像去抖

因?yàn)椴杉能囕v圖形是不同視角的，不變矩值差異易受視角變化影響，圖像易產(chǎn)生抖動(dòng)，因此本文采用BP神經(jīng)網(wǎng)絡(luò)中的Fletcher-Reeves共軛梯度法，原因是其計(jì)算機(jī)并行性和靈活性都很高，并且容錯(cuò)、學(xué)習(xí)、信息處理能力很強(qiáng)[9]。提高訓(xùn)練精度、加快訓(xùn)練速度。

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)運(yùn)用三層式，輸入層神經(jīng)元個(gè)數(shù)為100，隱層神經(jīng)元個(gè)數(shù)為120，輸出層神經(jīng)元個(gè)數(shù)為2。用原始信號(hào)和隨機(jī)加入抖動(dòng)信號(hào)的原始信號(hào)反復(fù)訓(xùn)練網(wǎng)絡(luò)，提高網(wǎng)絡(luò)的容錯(cuò)率。原始訓(xùn)練網(wǎng)絡(luò)參數(shù)中，學(xué)習(xí)最大訓(xùn)練次數(shù)和訓(xùn)練要求精度分別為2000次和0.001。加抖動(dòng)后信號(hào)訓(xùn)練的網(wǎng)絡(luò)參數(shù)中，學(xué)習(xí)最大訓(xùn)練次數(shù)和訓(xùn)練要求精度分別為800次和0.005。兩組參數(shù)反復(fù)訓(xùn)練15次，經(jīng)去抖處理待識(shí)別車輛圖像，提取目標(biāo)車輛圖像中最需要的目標(biāo)，輸入目標(biāo)圖像到經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)中，以此識(shí)別目標(biāo)車輛趨勢(shì)，為目標(biāo)車輛交通行為檢測(cè)奠定基礎(chǔ)。

2.4 交通行為檢測(cè)

依據(jù)提取目標(biāo)，采用直方圖均衡化算法來(lái)對(duì)圖像進(jìn)行增強(qiáng)處理。首先依據(jù)目標(biāo)識(shí)別結(jié)果簡(jiǎn)單描述趨勢(shì)區(qū)中的交通安全狀況判斷過(guò)程，再判定趨勢(shì)區(qū)。趨勢(shì)區(qū)中判斷交通安全狀況需要識(shí)別車輛的行為軌跡，安全的標(biāo)準(zhǔn)是：車道中心線(切線)和車輛行進(jìn)方向的角度差值在相同方向變化所持續(xù)時(shí)間在規(guī)定范圍內(nèi)，如果時(shí)間超過(guò)這個(gè)范圍，可以判定車輛行進(jìn)趨勢(shì)異常，車輛狀況為不可控[10]。該規(guī)定范圍是通過(guò)分析同一路段各相同車型正常行進(jìn)的行駛趨勢(shì)而得到。截取某時(shí)段監(jiān)控視頻車輛運(yùn)行趨勢(shì)，模擬車輛行進(jìn)過(guò)程中角度差變化，變化過(guò)程見(jiàn)圖2。

圖2 車輛行進(jìn)時(shí)角度差變化過(guò)程

在圖2中可以明顯觀察車輛行進(jìn)時(shí)角度差的變化，h(1)是視頻第一幀計(jì)算的角度差，計(jì)算過(guò)程中滿足h(r)>0，之后的計(jì)算r=1，2，…，n，h(n+1)≤0，視頻采集設(shè)置每秒25幀，那么車輛行進(jìn)趨勢(shì)的差值在相同方向變化保持時(shí)間是n/25s。

以下為目標(biāo)圖像增強(qiáng)步驟：

1)將樣本里的視頻片段截取出來(lái)，標(biāo)準(zhǔn)是h(r)>0，h(r+1)≤0，樣本片段共有r幀，h(r)是第r幀車道中心線(切線)和車輛行駛趨勢(shì)的角度差值，車道中心線(切線)和車輛行駛趨勢(shì)的第r+1幀圖像的角度差值是h(r+1)。

5)在離散的圖像中，表示直方圖的每個(gè)灰度級(jí)的概率，在圖像中，灰度級(jí)就可以看成是一個(gè)隨機(jī)變量，而直方圖就是該隨機(jī)變量的概率密度函數(shù)使用求和代替積分，差分代替微分，所以變換函數(shù)為

(13)

式中，h(xi)表示直方圖中每個(gè)灰度級(jí)像素的個(gè)數(shù)；w、h分別表示目標(biāo)圖像的寬和高。

將目標(biāo)圖像代入上述變換函數(shù)中，完成圖像增強(qiáng)，將車輛最終的增強(qiáng)結(jié)果采用多視點(diǎn)空間目標(biāo)與最小外接矩形結(jié)合檢測(cè)的形式給出，只對(duì)車輛圖片外接矩形內(nèi)部的組合不變矩展開(kāi)計(jì)算。不但提高運(yùn)算速度還不會(huì)對(duì)矩不變性產(chǎn)生影響。具體檢測(cè)步驟如下。

1)檢測(cè)數(shù)據(jù)以第1車道數(shù)據(jù)為樣本。

2)以檢測(cè)到的第1車道車輛行駛方向發(fā)生改變?yōu)槎嘁朁c(diǎn)空間目標(biāo)，根據(jù)趨勢(shì)區(qū)判定原則判定車輛行進(jìn)狀態(tài)。

3)當(dāng)車輛行進(jìn)到第2車道但是符合片段截取原則，仍然以第3車道判定原則判定；如果不符合第2車道的片段截取原則，就不依照第3車道判定原則判定，仍然以第2車道判定原則判定，以此類推。

由于實(shí)際應(yīng)用時(shí)所涉及的角度變化區(qū)間很大，為0度到90度，因此若遇到事先未能采集到單位時(shí)間角度增加數(shù)區(qū)間樣本情況，可以通過(guò)視頻片段判斷最小外接矩形，保存所需數(shù)據(jù)，將此樣本判定為危險(xiǎn)區(qū)，補(bǔ)充、完善此單位時(shí)間角度增加數(shù)模板[11，12]。危險(xiǎn)區(qū)判定過(guò)程與趨勢(shì)區(qū)報(bào)警判定過(guò)程相結(jié)合，安全狀態(tài)下的預(yù)警過(guò)程如下：

1)分析視頻圖像，在行駛環(huán)境下，判斷處于動(dòng)態(tài)沖突區(qū)和靜態(tài)沖突區(qū)的車輛相關(guān)目標(biāo)。

2)以危險(xiǎn)區(qū)判定方法判斷車輛是否進(jìn)入危險(xiǎn)區(qū)，如果進(jìn)入危險(xiǎn)區(qū)，發(fā)生交通事故的概率增大，需要判斷其處于動(dòng)態(tài)沖突還是靜態(tài)沖突。如果已經(jīng)進(jìn)入危險(xiǎn)區(qū)則需要進(jìn)入下一步操作。

(14)

3 實(shí)驗(yàn)結(jié)果

3.1 實(shí)驗(yàn)方案

本文選取多視點(diǎn)投影模型的交通行為樣本圖像80幅，平均分為兩組，一組為訓(xùn)練樣本，一組為測(cè)試樣本，驗(yàn)證多視點(diǎn)空間目標(biāo)的識(shí)別效果。對(duì)其中一個(gè)圖像樣本執(zhí)行偏移、旋轉(zhuǎn)、扭曲變化等操作，可獲得8幅圖像，其中4幅圖像為訓(xùn)練樣本另4幅為檢測(cè)樣本，統(tǒng)計(jì)在此條件下的識(shí)別效果。

3.2 實(shí)驗(yàn)結(jié)果分析

本文針對(duì)普通小轎車和大型運(yùn)輸車輛在高原公路的交通行為展開(kāi)測(cè)試研究。提取樣本特征，在神經(jīng)網(wǎng)絡(luò)中輸入訓(xùn)練樣本得出的組合不變矩向量用來(lái)訓(xùn)練，將經(jīng)測(cè)試得出的特征向量輸入到神經(jīng)網(wǎng)絡(luò)，測(cè)試系統(tǒng)性能，設(shè)定輸入神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本和測(cè)試樣本為理想圖片，圖像測(cè)試結(jié)果見(jiàn)表1。

表1 圖像測(cè)試結(jié)果

從表1中可以看出，本文方法對(duì)高原公路交通行為識(shí)別正確率高，無(wú)論是多視角還是同視角下，對(duì)小轎車和運(yùn)輸車的識(shí)別都可以達(dá)到100%。

對(duì)圖像的多視點(diǎn)空間識(shí)別同樣需要將抖動(dòng)干擾考慮進(jìn)去，在神經(jīng)網(wǎng)絡(luò)中輸入訓(xùn)練樣本得出的組合不變矩向量用來(lái)訓(xùn)練，將連續(xù)兩幀間的抖動(dòng)加入測(cè)試樣本中，輸入經(jīng)預(yù)處理流程提取出的組合不變矩特征向量到神經(jīng)網(wǎng)絡(luò)中。設(shè)定訓(xùn)練樣本為理想圖像，測(cè)試樣本為抖動(dòng)圖像，其中A代表小轎車，B代表運(yùn)輸車，測(cè)試結(jié)果見(jiàn)表2。

表2 不同抖動(dòng)程度圖像測(cè)試結(jié)果

由表2可以看出，識(shí)別目標(biāo)車輛的正確率很高，雖然隨著抖動(dòng)干擾的增大，原圖像和經(jīng)過(guò)預(yù)處理之后的圖像差別較大，識(shí)別正確率有所降低，可能導(dǎo)致系統(tǒng)誤判，但是從整體角度看，本文將神經(jīng)網(wǎng)絡(luò)和組合不變矩及去抖結(jié)合起來(lái)識(shí)別高原交通行為具備高精度，不受外界因素干擾，具有極強(qiáng)的魯棒性。

將本文方法應(yīng)用于川藏公路某路段，檢測(cè)高原公路交通行為。此路段地形縱坡較大為事故高發(fā)段，每間隔1公里設(shè)置攝像機(jī)監(jiān)控，所收集的監(jiān)控視頻樣本會(huì)經(jīng)過(guò)波分復(fù)用節(jié)點(diǎn)機(jī)傳回交通部門的視頻監(jiān)控中心，判定發(fā)生交通事故概率。結(jié)果見(jiàn)圖3。

圖3 高原公路車輛行進(jìn)趨勢(shì)預(yù)判

圖3為同一視點(diǎn)下采集的高原公路行駛車輛行進(jìn)趨勢(shì)圖像，檢測(cè)系統(tǒng)在圖像上檢測(cè)到貨車在同一單位時(shí)間下角度增加時(shí)間超過(guò)臨界值，極易出現(xiàn)事故，系統(tǒng)在危險(xiǎn)發(fā)生前3秒發(fā)出報(bào)警，交通部門接受到報(bào)警，可以及時(shí)采取措施。本文方法對(duì)視頻檢測(cè)系統(tǒng)進(jìn)行了改進(jìn)和擴(kuò)充，為高原公路交通行為提供了安全有效的保障。

以多視點(diǎn)空間目標(biāo)結(jié)合視頻檢測(cè)對(duì)高原公路交通行為實(shí)施采樣研究，發(fā)現(xiàn)可以更加準(zhǔn)確的檢測(cè)交通行為，所采集圖像見(jiàn)圖4。

圖4 高原公路交通行為檢測(cè)

高原路況復(fù)雜，極端天氣多變，縱坡數(shù)量大，駕駛難度高，圖4為某部隊(duì)在高原公路進(jìn)行長(zhǎng)途運(yùn)輸，高原交通的惡劣環(huán)境，對(duì)于隊(duì)形較長(zhǎng)的運(yùn)輸隊(duì)風(fēng)險(xiǎn)較高。本文方法可以良好判定樣本圖像中運(yùn)輸車輛交通行為，一旦交通行為進(jìn)入危險(xiǎn)趨勢(shì)就會(huì)對(duì)系統(tǒng)發(fā)出報(bào)警，圖4中所采集的樣本未出現(xiàn)異常交通行為，因此未發(fā)出報(bào)警。

4 結(jié)論

本文利用多視點(diǎn)空間目標(biāo)結(jié)合視頻檢測(cè)對(duì)高原公路交通行為實(shí)施檢測(cè)，結(jié)合神經(jīng)網(wǎng)絡(luò)、組合不變矩去抖，對(duì)目標(biāo)展開(kāi)多角度、多事點(diǎn)采集，以監(jiān)控視頻為輔助，預(yù)判車輛行進(jìn)趨勢(shì)，評(píng)判危險(xiǎn)行為并及時(shí)報(bào)警，為高原公路交通行為安全提供有效保障，降低事故發(fā)生機(jī)率。具體結(jié)果如下：

1)對(duì)高原公路交通行為識(shí)別正確率高，無(wú)論是多視角還是同視角下，對(duì)小轎車和運(yùn)輸車的識(shí)別都可以達(dá)到100%。

2)本文將神經(jīng)網(wǎng)絡(luò)和組合不變矩及去抖結(jié)合起來(lái)識(shí)別高原交通行為具備高精度，不受外界因素干擾，具有極強(qiáng)的魯棒性。

3)對(duì)于隊(duì)形較長(zhǎng)的運(yùn)輸隊(duì)，本文方法可以良好判定樣本圖像中運(yùn)輸車輛交通行為。