周 君 程 琳

（東南大學(xué)交通學(xué)院 南京 210096）

0 引言

交通事件檢測(cè)在國(guó)外開(kāi)展的較早，從20世紀(jì)60年代開(kāi)始，國(guó)外的一些學(xué)者就相繼提出了若干的交通事故自動(dòng)檢測(cè)算法。根據(jù)算法如何利用檢測(cè)數(shù)據(jù)，這些算法可以分為5類：比較算法、統(tǒng)計(jì)算法、基于時(shí)間序列與濾波的算法、基于交通流理論模型的算法和人工智能及其它先進(jìn)算法［1］。國(guó)內(nèi)最早對(duì)事故檢測(cè)算法的研究是1994年鄧衛(wèi)等引進(jìn)突變理論，提出了在確認(rèn)交通擁擠出現(xiàn)的同時(shí)，判別交通擁擠類型的算法［2］。之后的事故檢測(cè)算法的研究趨向于改進(jìn)和發(fā)展基于人工智能、信息技術(shù)、統(tǒng)計(jì)學(xué)習(xí)等先進(jìn)技術(shù)的事故檢測(cè)算法。目前大部分交通事故檢測(cè)算法沒(méi)有考慮車輛相互遮擋的影響，導(dǎo)致在交通量比較大的情況下，算法運(yùn)行結(jié)果比較差，為了解決這一問(wèn)題，提出了基于語(yǔ)義層次組成的時(shí)空馬爾可夫隨機(jī)場(chǎng)（簡(jiǎn)稱STMRF）交通事故檢測(cè)算法。該技術(shù)框架使用STMRF模型實(shí)現(xiàn)車輛跟蹤，將圖像序列轉(zhuǎn)化為車輛標(biāo)號(hào)場(chǎng)序列，該模型還克服了遮擋對(duì)跟蹤的影響。通過(guò)車輛跟蹤的結(jié)果得到車輛的目標(biāo)地圖和運(yùn)動(dòng)矢量，進(jìn)而獲得交通流基本參數(shù)，然后結(jié)合從安裝在道路上的檢測(cè)器獲取的交通流數(shù)據(jù)，采用語(yǔ)義層次算法對(duì)交通事故進(jìn)行檢測(cè)。這種事故檢測(cè)算法與以前的算法有所不同，它需要2組數(shù)據(jù)，1組數(shù)據(jù)來(lái)源于視頻檢測(cè)的車輛跟蹤結(jié)果，另1組數(shù)據(jù)來(lái)源于道路檢測(cè)器所檢測(cè)到的數(shù)據(jù)。該算法能在交通比較擁擠且車輛出現(xiàn)相互遮擋的情況下，準(zhǔn)確檢測(cè)到交通事件（如碰撞、追尾、超速、車輛拋錨和魯莽駕駛等），對(duì)緩解交通擁擠和減少交通事故有重要的意義。

1 基于ST－MRF的車輛跟蹤得出車輛的目標(biāo)地圖和運(yùn)動(dòng)矢量

1.1 ST－MRF理論知識(shí)［3］

x＝｛x1，x2，L，xN｝表示基于指標(biāo)X的1 組隨機(jī)變量，其中每1個(gè)隨機(jī)變量Xi取集合L 中的1個(gè)值xi，則隨機(jī)變量組X 被稱為隨機(jī)場(chǎng)。Xi＝xi表示隨機(jī)變量Xi取值xi的事件；相應(yīng)地，（Xl＝xl，L，XN＝xN）用來(lái)表示聯(lián)合事件，簡(jiǎn)化為X＝x，其中，x＝｛x1，x2，L，xN｝成為隨機(jī)場(chǎng)X的1個(gè)構(gòu)造。馬爾可夫隨機(jī)場(chǎng)有效地描述了隨機(jī)場(chǎng)X 局部特性，表達(dá)了當(dāng)前像素點(diǎn)的標(biāo)記僅與其鄰域的像素有相互作用，而與其它位置的像素標(biāo)記情況無(wú)關(guān)。

1.2 獲得目標(biāo)地圖與運(yùn)動(dòng)矢量

把1個(gè)720×640的圖像分割成90×80的塊，即每個(gè)塊由8×8的像素組成。在算法中，把1個(gè)塊對(duì)應(yīng)于ST－MRF 中的1 個(gè)場(chǎng)景。即把每個(gè)塊和1個(gè)車輛聯(lián)系起來(lái)，也就是給每個(gè)塊賦1個(gè)對(duì)應(yīng)的車的標(biāo)號(hào)。

本文采用自適應(yīng)車輛跟蹤的算法去確定1個(gè)初始標(biāo)號(hào)分布。自適應(yīng)的車輛跟蹤算法步驟如下所示。

1）初始化及新車輛標(biāo)號(hào)的產(chǎn)生。建立1 個(gè)研究區(qū)域的背景圖像，在算法中，設(shè)置檢測(cè)槽線，檢測(cè)槽線組成1個(gè)矩形，在矩形內(nèi)的車輛能被檢測(cè)到，超出矩形的車輛就不能檢測(cè)。這樣做的目的是為了避免對(duì)向車輛被檢測(cè)，妨礙檢測(cè)結(jié)果。并在槽線上檢測(cè)前景與背景灰度圖像的變化，用于判斷是否進(jìn)入車輛。在槽線塊上，每1個(gè)塊的當(dāng)前灰度和背景灰度的差值一直在被檢測(cè)。當(dāng)這個(gè)差值大于一定的閾值時(shí)，算法就判斷檢測(cè)到1輛新車，并產(chǎn)生1個(gè)新的標(biāo)號(hào)，這個(gè)標(biāo)號(hào)賦予給目標(biāo)塊。如果新的目標(biāo)塊與早前檢測(cè)到的目標(biāo)塊部分重疊，這時(shí)把以前檢測(cè)到的目標(biāo)塊的標(biāo)號(hào)更新為新的標(biāo)號(hào)。在這里，僅僅只有塊才具有來(lái)自背景圖像的不同紋理作為車輛區(qū)域被標(biāo)號(hào)，但是這些塊隨著背景圖像一起具有相同的紋理，而不能給其他車輛區(qū)域進(jìn)行標(biāo)號(hào)。

2）估計(jì)目標(biāo)運(yùn)動(dòng)矢量。當(dāng)車輛區(qū)域離開(kāi)檢測(cè)槽線時(shí)，算法沿著時(shí)間序列自動(dòng)更新車輛的形狀。對(duì)于這個(gè)更新，算法在車輛區(qū)域的塊中估計(jì)運(yùn)動(dòng)矢量。在每1個(gè)塊上，運(yùn)用塊的匹配方法估計(jì)每1個(gè)目標(biāo)塊在時(shí)間t和t＋1時(shí)的運(yùn)動(dòng)矢量。即塊在時(shí)間t的坐標(biāo)值為（x（t），y（t）），在時(shí)間t＋1的坐標(biāo)值為：

（x（t＋1），y（t＋1））＝（x（t）＋u（t），y（t）＋v（t）），該公式通過(guò)式（1）估計(jì)所得。其中G（x，y，t）是像素（x，y）在時(shí)間t的灰度強(qiáng)度。大概10個(gè)目標(biāo)塊屬于1個(gè)對(duì)象。這個(gè)對(duì)象的運(yùn)動(dòng)矢量被目標(biāo)塊中一些高頻運(yùn)動(dòng)向量所代表。

3）更新目標(biāo)塊。在具有代表性的運(yùn)動(dòng)矢量的基礎(chǔ)上，在下1個(gè)圖像中改變現(xiàn)有的目標(biāo)區(qū)域，在新的圖像中，賦予塊相對(duì)應(yīng)的標(biāo)號(hào)。如果在下1個(gè)目標(biāo)塊中，背景圖像在強(qiáng)度上小于最初給定的值，不要定義被檢測(cè)到的塊為目標(biāo)塊，如果大于則相反。

4）確定目標(biāo)地圖。在特殊情況下，多個(gè)對(duì)象同時(shí)通過(guò)槽線可以被認(rèn)為是1個(gè)單獨(dú)的對(duì)象。為了劃分這些對(duì)象，需要檢查連通性及目標(biāo)塊的運(yùn)動(dòng)矢量分布。

2 數(shù)據(jù)處理

未經(jīng)去噪處理的數(shù)據(jù)具有很強(qiáng)的隨機(jī)性，這主要是由兩方面造成的：一方面車輛的運(yùn)行狀態(tài)本身具有很強(qiáng)的隨機(jī)性，造成交通流參數(shù)的持續(xù)波動(dòng)；另一方面數(shù)據(jù)采集其實(shí)是1個(gè)復(fù)雜的測(cè)量過(guò)程，會(huì)受到各方面的干擾，產(chǎn)生隨機(jī)測(cè)量誤差。在檢測(cè)算法建立與使用的過(guò)程中使用有較強(qiáng)噪聲污染的數(shù)據(jù)會(huì)嚴(yán)重影響算法的性能，因此需要先針對(duì)原始數(shù)據(jù)中的噪聲污染進(jìn)行預(yù)處理。關(guān)于小波分析的基本理論可以參見(jiàn)相關(guān)專著［2］，本文僅對(duì)小波去噪的步驟作簡(jiǎn)單說(shuō)明。

對(duì)于1個(gè)含有噪聲的原始信號(hào)模型［3］：

式中：si為原始含噪信號(hào)；ei為噪聲；δ為噪聲水平。小波去噪一般包括如下步驟。

1）對(duì)原始數(shù)據(jù)作小波分解變化。選定小波函數(shù)和小波分解的層次n，對(duì)原始信號(hào)S 進(jìn)行小波分解后得到n 個(gè)低頻系數(shù)序列（cA1，cAn－1，cAn）和n個(gè)高頻系數(shù)序列（cD1，cDn－1，cDn）。

2）對(duì)小波系數(shù)作門限閾值處理。即選擇適當(dāng)?shù)拈撝?，只保留（cD1，cDn－1，cDn）中模大于閾值的小波系數(shù)，其它置為零，從而達(dá)到去噪的效果。

3）小波重構(gòu)，獲得處理后數(shù)據(jù)。即根據(jù)低頻系數(shù)An和上一步處理后得到的高頻小波系數(shù)進(jìn)行小波系數(shù)的重構(gòu)，即可得到去噪后的數(shù)據(jù)。

3 基于語(yǔ)義層次組成的ST－MRF的交通事故檢測(cè)算法

3.1 語(yǔ)義層次定義

語(yǔ)義，反映圖像中包含的信息，可以是圖像中具體包含的事物、背景、事物的空間關(guān)系等等。為了明確圖像語(yǔ)義所處的層次，Eakins［7］提出了語(yǔ)義層次模型，該模型將語(yǔ)義層次劃分為3個(gè)層次，分別為圖像底層特征層、對(duì)象層以及語(yǔ)義概念層。文章簡(jiǎn)化Eakins的語(yǔ)義層次模型并結(jié)合交通事件檢測(cè)指標(biāo)提出坐標(biāo)層、行為層和事件層3層語(yǔ)義結(jié)構(gòu)算法對(duì)路段上的碰撞、追尾、超速、車輛拋錨和魯莽駕駛等交通事件進(jìn)行檢測(cè)，如圖1所示。

3.2 語(yǔ)義層次結(jié)構(gòu)

1）第1層。坐標(biāo)類層。在該層，通過(guò)坐標(biāo)類函數(shù)語(yǔ)句獲得來(lái)源于基于ST－MRF的跟蹤結(jié)果——目標(biāo)地圖和運(yùn)動(dòng)矢量，使用圖像傳感器從坐標(biāo)和運(yùn)動(dòng)矢量中提取交通量、平均車速、加減速度和行駛軌道等參數(shù)。目標(biāo)地圖和運(yùn)動(dòng)矢量算法過(guò)程見(jiàn)文章第1節(jié)內(nèi)容。提取的坐標(biāo)類信息包括以下函數(shù)語(yǔ)句：

2）第2層。行為類層。在該層，通過(guò)行為類函數(shù)語(yǔ)句獲得每輛車的行為信息。行為類函數(shù)包括的信息有：停車、減速、間距、變換車道等。提取的行為類信息包括以下函數(shù)語(yǔ)句：

3）第3層。事件類層。在該層，通過(guò)事件類函數(shù)語(yǔ)句可以獲得交通事件信息。如交通事故（碰撞、追尾、超速、車輛拋錨和魯莽駕駛等）和交通擁擠。該層只由圖像信息構(gòu)成。當(dāng)交通出現(xiàn)嚴(yán)重遮擋現(xiàn)象時(shí)，很難從二維圖像本身觀察到交通事故，所以必須從下游檢測(cè)器獲得的數(shù)據(jù)經(jīng)小波處理得到的交通流參數(shù)經(jīng)整理成的流量類函數(shù)一起判斷事件發(fā)生［4］。

圖1 語(yǔ)義層次結(jié)構(gòu)流程圖Fig.1 The structure flow chart of semantic hierarchy

3.3 基于語(yǔ)義層次的事件檢測(cè)算法分析

3.3.1 單個(gè)車輛的事件行為分析［5－7］

本節(jié)事件行為研究只考慮單個(gè)車輛的行為，而不考慮車輛之間的聯(lián)系，根據(jù)車輛單個(gè)獨(dú)立的行為來(lái)檢測(cè)事件。

1）坐標(biāo)類運(yùn)算符。為了從跟蹤結(jié)果中提取出單個(gè)車輛的坐標(biāo)，有必要對(duì)坐標(biāo)類運(yùn)算符進(jìn)行定義：

2）行為類運(yùn)算符。通過(guò)使用來(lái)自坐標(biāo)類運(yùn)算符的信息，行為類運(yùn)算符描述單個(gè)車輛的行為如下：

相同行駛狀態(tài)的車輛軌跡的聚集過(guò)程為：每1條軌跡R 分解成一系列n 個(gè)離散點(diǎn)rm（1≤m≤n）。每1條估計(jì)軌跡R 表示每輛車在時(shí)間域里從圖像入口到出口的離散軌跡。這些軌跡都投影到2維空間與軌跡聚集的坐標(biāo)圖像中。本文采用k－mean聚集方法。kmin應(yīng)與車道數(shù)相等。聚集估計(jì)標(biāo)號(hào)為：C＝｛ck｝（1≤k≤kmin），聚集的中心表示為：L

k＝｛lkm｝（1≤m≤n，1≤k≤kmin），這表示是第K 種類型行駛狀態(tài)的車輛軌跡。

3）事件類運(yùn)算符。事件類運(yùn)算符對(duì)應(yīng)的交通事件語(yǔ)義描述為：碰撞、追尾、緊急停車。本文采用2種運(yùn)算符檢測(cè)交通事件。第1種運(yùn)算符判斷在靜止的車輛前面是否有未用的空間。運(yùn)算符3）表示事故發(fā)生后，會(huì)有車輛停車，并在停止的車輛前面存在未用的空間。運(yùn)算符4）表示的狀態(tài)為：車道上存在靜止的車輛，其他車輛為避開(kāi)靜止車輛改道行駛?？梢杂?jì)算出現(xiàn)場(chǎng)更換車道的車輛數(shù)。如果此車輛數(shù)超過(guò)3輛車，可以判定換道行為作為靜止車輛的回避行為。值得注意的是我們不考慮靜止車輛與換道車輛之間的關(guān)系。

3.3.2 多輛車的事件行為分析

盡管前面介紹過(guò)的單個(gè)車輛的事故行為算法能有效地檢測(cè)大部分事件，它仍然有出錯(cuò)的時(shí)候。錯(cuò)誤檢測(cè)的原因是由于忽視了車輛之間的關(guān)系。如圖3所示為單個(gè)車輛繞道行駛被錯(cuò)誤地檢測(cè)為事件發(fā)生。在這些實(shí)例中，單個(gè)車輛的事件行為算法把正常的交通當(dāng)成事故，這是因?yàn)檫\(yùn)算符4）把那些并不是因?yàn)楸荛_(kāi)靜止的車輛而更換車道的情況錯(cuò)誤地判斷為事件發(fā)生。在單個(gè)車輛的事故行為算法中的運(yùn)算符4）對(duì)事件的檢測(cè)具有延遲性。這是因?yàn)檫\(yùn)算符4）中的事件類運(yùn)算符只有在完成“isStalled”操作輸出“正確”命令后才開(kāi)始計(jì)數(shù)更換車道的車輛數(shù)。另外1種延遲檢測(cè)就是漏檢，如果靜止的車輛停在場(chǎng)景之外，就有可能發(fā)生漏檢。所以有必要對(duì)單個(gè)車輛的事故行為算法中的運(yùn)算符4）進(jìn)行修改。修改后的運(yùn)算符考慮了靜止車輛與其它車輛之間的關(guān)系，并且在沒(méi)有完成“isStalled”操作時(shí)就開(kāi)始計(jì)數(shù)。修改后的算法稱多輛車之間的事件行為算法。

1）行為類運(yùn)算符。typeOfSpTrajectory（Vi，Vj，t）：當(dāng)車輛為避開(kāi)車輛Vj改道行駛時(shí)輸出“變換車道”，否則，輸出“正?！?。

2）事件類運(yùn)算符。使用單個(gè)車輛的事件行為算法中運(yùn)算符4），此運(yùn)算符包括車輛之間的關(guān)系和清除檢測(cè)的延遲時(shí)間，通過(guò)運(yùn)算符4）重新定義運(yùn)算符5）。在運(yùn)算符5）中，僅僅統(tǒng)計(jì)為避開(kāi)車輛Vj而換道的車輛數(shù)。另外，運(yùn)算符并不是等到車輛停止后才開(kāi)始計(jì)數(shù)的。所以，運(yùn)算符5）在車輛Vj陷入事故中時(shí)就立馬輸出“正確”。

在算法中，重新定義運(yùn)算符4）為運(yùn)算符6）。在運(yùn)算符6）中考慮了車輛之間的關(guān)系和聚集軌跡。它描述了在事故中的車輛由于靜止而未被檢測(cè)到的情況，導(dǎo)致后面來(lái)車在這個(gè)位置為避開(kāi)陷入事故中的車輛而換道行駛。運(yùn)算符在某一時(shí)間段內(nèi)統(tǒng)計(jì)為避開(kāi)特殊位置而換道的車輛數(shù)。運(yùn)算符如下所示。

上述運(yùn)算符函數(shù)中b代表事件的發(fā)生。

3.4 實(shí)驗(yàn)結(jié)果分析

本次實(shí)驗(yàn)拍攝的視頻為2012年9月某高速公路一段，在該路段每天大約有4 萬(wàn)輛車通過(guò)。本次實(shí)驗(yàn)的目的主要是為了評(píng)價(jià)單個(gè)車輛的事故行為算法和多個(gè)車輛事故行為算法的有效性。盡管單個(gè)車輛的事故行為算法能夠有效地檢測(cè)一些簡(jiǎn)單事件，但是對(duì)于一些復(fù)雜情況下的事件將會(huì)漏檢。如圖3所示，左邊有一輛停止的車輛在單個(gè)車輛的事故行為算法中沒(méi)有被檢測(cè)到，而在多個(gè)車輛事故行為算法中被檢測(cè)到。另外，在單個(gè)車輛的事故行為算法中沒(méi)有考慮車輛之間的關(guān)系，這有可能把正常情況當(dāng)作事件來(lái)判斷，但是在多個(gè)車輛事故行為算法中由于考慮了車輛之間的關(guān)系，所以不會(huì)被誤判。

3.4.1 單個(gè)車輛的事故行為算法的結(jié)果

在實(shí)驗(yàn)期間，總共發(fā)生的交通事件是14起，而通過(guò)算法檢測(cè)到的交通事故只有11起。正確率為79%。如圖4（a）所示，這是出現(xiàn)靜止車輛時(shí)所檢測(cè)到的事件，左邊車道上用圓標(biāo)出的車輛為跟蹤區(qū)域的邊界車輛，單個(gè)車輛行為算法未能檢測(cè)到。

3.4.2 多個(gè)車輛事故行為算法的結(jié)果

在同樣的實(shí)驗(yàn)條件下，采多個(gè)車輛行為算法來(lái)檢測(cè)交通事故，共檢測(cè)到12 起，正確率為86%，如圖4（b）所示。沒(méi)有被檢測(cè)到的2 起事件，一起是因?yàn)檐囕v完全超出了跟蹤范圍，另一起是因?yàn)檐囕v處于擁擠狀態(tài)下，而未被檢測(cè)到。

圖2 錯(cuò)檢事件Fig 2 Wrong detection

圖3 追尾與碰撞事件Fig.3 Rear－end and collision events

圖4 2種算法比較Fig.4 The comparison of two algorithms

4 結(jié)論

1）運(yùn)用ST－MRF模型進(jìn)行準(zhǔn)確的車輛跟蹤，且在交通擁擠情況下，獲得較準(zhǔn)確的交通流數(shù)據(jù)。

2）運(yùn)用語(yǔ)義層次算法來(lái)對(duì)事故檢測(cè)所需的數(shù)據(jù)進(jìn)行分層，層與層之間的關(guān)系可以通過(guò)運(yùn)算符調(diào)用，這樣可以節(jié)省計(jì)算時(shí)間，提高檢測(cè)速度。

3）算法結(jié)合下游檢測(cè)器檢測(cè)出的交通流數(shù)據(jù)，進(jìn)一步提高檢測(cè)的準(zhǔn)確性，這是因?yàn)閮H僅采用基于ST－MRF車輛跟蹤結(jié)果得出的交通流數(shù)據(jù)進(jìn)行事件判斷，處于車輛跟蹤區(qū)域的臨界處得事件將會(huì)漏檢。

4）通過(guò)實(shí)驗(yàn)比較發(fā)現(xiàn)，結(jié)合下游檢測(cè)器數(shù)據(jù)的算法的檢測(cè)率更高。

［1］Dudek C L，Messer C J.Incident detection on urban freeway［J］.Transportation Research Record，1974（495）：12－24.

［2］鄧 衛(wèi)，李峻利.高速公路常發(fā)性與偶發(fā)性交通擁擠的判別［J］.東南大學(xué)學(xué)報(bào)，1994，24（2）：60－65.

［3］Smith S M，Brady J M.Real－time motion segmentation and shape tracking［J］.IEEE Trans.Pattern analysis and machine intelligence，1995（17）：340－355.

［4］Eakins J P.Automaitc image content retrieval－are we getting anywhere［C］∥Proc of third Internatinal Conference on Electronic Library and Visual Information Research.De Mont fort University，Milton Keynes：Aslib，1996：123－135.

［5］Besag J.Spatial interactions and the statistical analysis of lattice systems［J］.J Roy Statist Soc.，1974：36（2）：192－236.

［6］Oikawa Keiko，Kaneko Yukjhiro，Matano Masahiko.Study of abnormal incident detection aimed at automatic wide－area traffic flow monitoring［C］∥World congress on ITS，Washington，D C：IEEE，2002.

［7］Jin X，Ng K，Ng Y，et al.Calibration of Fresim for Singapore expressway using genetic algorithm［J］.Journal of Transportation Engineering，1998（124）：526.