摘要
近年来随着我国经济和人民生活水平的不断提高，我国机动车保有量持续上升，这使得我国交通环境日益恶化，交通阻塞和交通事故等问题日益严重。针对这些问题，传统智能交通系统往往采用人工筛查和实时监看的方式。然而随着道路监控的普及，在数量众多的监控场景中及时检测和定位异常行为需要极大的人工成本。因此，采用计算机视觉技术，辅助交通管理部门进行异常行为检测，对于提升综合交通管理能力、改善交通状况有十分重要的意义。 本文针对实际交通场景，从交通场景下的摄像机自标定、车辆检测与跟踪、轨迹提取、异常行为检测等环节入手，设计了一种基于视频轨迹信息的车辆异常行为检测方法，用以检测违章停车、逆行、违章压线以及超速行驶这几种异常行为，整体的设计目标参考交通法规中针对超速行驶的处罚标准，将检测的准确率目标设置为 95%，漏检率为5%以下，误检率目标在考虑后期人工复查等手段的前提下设置为40%，检测速度的目标在考虑抽帧等方法的前提下设置为10FPS以上。具体的研究内容如下： （1）基于消失点的摄像机自标定算法 在摄像机成像过程中，图像中物体会产生透视失真，同时会失去所对应的三维立体信息。另外，交通场景下存在不方便采用标定块等标定方法的问题。为了快速准确地对摄像机进行标定，恢复场景和目标的三维立体信息，本文给出了一种基于消失点的摄像机自标定算法。通过级联霍夫变换根据提取到的运动车辆的光流轨迹和边缘特征估算消失点，并利用估算出的一组正交消失点完成摄像机的标定。实验表明：该方法可以有效地对交通监控摄像机进行标定，并且不需要复杂的人机交互。 （2）车辆检测与跟踪算法 现有的车辆检测与跟踪算法大多基于二维目标检测，将二维检测框的几何中点或底边中点作为车辆位置点。然而这种方法在视场斜视道路方向的情况下，存在二维车辆位置点无法反映车辆三维位置信息的问题。为此本文提出了一种基于车辆三维检测的车辆检测与跟踪算法。首先，提出了基于改进 Mask R-CNN 的车辆检测算法。针对卷积神经网络难以捕捉到全局的上下文信息的问题，通过在 ResNet 骨干网络的残差块中融合多头自注意力模块，让每个像素点都能够聚焦于周围像素点的特征，从而更好地捕捉图像中的信息。同时，将输入特征划分成多个子空间，使得模型可以关注不同的特征子空间，从而提高模型的表现，提升网络特征提取能力。同时，针对 FPN 网络单向特征融合路径低分辨率特征图的信息丢失的问题，通过引入递归特征金字塔网络，递归地将不同尺度的特征进行充分融合，从而生成更加丰富的特征表示。并且针对 L1-Loss 没有考虑预测框和真实框之间的重叠程度和形状等因素的问题，在边界框损失函数中加入CIoU-Loss以更加准确地评估预测框与真实框之间的匹配程度，增强模型的边界框回归能力。之后，利用场景消失点和车辆掩膜生成车辆三维检测框，并采用 TBD策略对车辆进行跟踪。实验结果表明本文提出的基于改进 Mask R-CNN 的车辆检测算法提升了车辆检测的准确率，采用的车辆跟踪算法在交通场景下可以稳定地实现车辆跟踪，结合自标定信息后能以较高的精度恢复车辆物理尺寸。 （3）基于轨迹信息的车辆异常行为检测算法 为了能有效地进行违章压线行为检测，首先生成监控场景的俯视图像，并在俯视图像中检测车道线，之后根据车辆跟踪结果生成可以表示车辆尺寸和位置信息的多点车辆轨迹。然后，通过分析车辆异常行为的轨迹特性，设计了一种基于多点轨迹的车辆行为模型，能够对违章停车、逆行、违章压线和超速行驶这四种行为进行检测。实验结果表明，本文设计的车辆行为模型有能力对交通监控视频中发生的车辆异常行为进行有效检测，达到了设计目标。
NETL