盧士波　黎　明　陳小佳　彭蘇岳　神祖福

(1.武漢理工大學(xué)交通學(xué)院　武漢　430063;　2.廣東省南粵交通韶贛高速公路管理中心　韶關(guān)　512500)

高速公路隧道內(nèi)車輛異常的視頻圖像識(shí)別*

盧士波1黎明2陳小佳1彭蘇岳2神祖福2

(1.武漢理工大學(xué)交通學(xué)院武漢430063;2.廣東省南粵交通韶贛高速公路管理中心韶關(guān)512500)

摘要隧道作為高速公路上較為特殊的地段，其安全性受到更多重視。文中從高速公路隧道內(nèi)行車安全管理的角度出發(fā)，分析了隧道內(nèi)影響行車安全的各種異常狀態(tài)，指出了其中車輛停駛是影響安全最不利的狀態(tài)。在此基礎(chǔ)上著重開展了針對(duì)隧道內(nèi)停車異常的視頻圖像識(shí)別方法研究。為增強(qiáng)車輛識(shí)別能力，提出了將圖像紋理特征、幾何特征和邊緣特征進(jìn)行組合描述車輛特征的方法。以BP神經(jīng)網(wǎng)絡(luò)作為基分類器，通過Adaboost算法得到多個(gè)BP網(wǎng)絡(luò)弱分類器組成的強(qiáng)分類器作為車輛識(shí)別模型，并對(duì)該識(shí)別模型的效果開展了實(shí)地實(shí)驗(yàn)驗(yàn)證。結(jié)果表明，本文所提出的模型對(duì)停車異常具有良好的識(shí)別效果。

關(guān)鍵詞視頻圖像識(shí)別特征融合車輛異常高速公路隧道實(shí)驗(yàn)驗(yàn)證

視頻圖像車輛識(shí)別由于其成本低和便于實(shí)施的優(yōu)點(diǎn)，逐漸成為高速公路管理應(yīng)用的熱點(diǎn)。目前車輛識(shí)別系統(tǒng)可以基本滿足車流統(tǒng)計(jì)、超速檢測(cè)等智能交通系統(tǒng)所關(guān)注的基本功能需求。但在高速公路一些特定場(chǎng)所(如隧道)，通過視頻圖像的車輛識(shí)別準(zhǔn)確率和誤報(bào)率，以及在利用該技術(shù)的應(yīng)用層面仍存在較多不足，在理論上和技術(shù)上還存在很多問題沒有解決。

高速公路隧道內(nèi)由于車輛故障、事故或擁堵引起停車而導(dǎo)致的重大交通事故在國(guó)內(nèi)外有過許多報(bào)道。如2014年3月發(fā)生在山西晉濟(jì)高速公路巖后隧道的慘烈事故仍給人留下余悸，事后調(diào)查分析事故的引發(fā)原因是運(yùn)煤車輛導(dǎo)致隧道內(nèi)的堵車，后續(xù)車輛進(jìn)入隧道即發(fā)生追尾碰撞，最后由于甲醇泄漏導(dǎo)致悲劇。若能夠在第一時(shí)間通過前端視頻監(jiān)控自動(dòng)、準(zhǔn)確地獲取隧道內(nèi)情況，并及時(shí)發(fā)布隧道內(nèi)信息，告知即將進(jìn)入隧道的車輛，對(duì)避免隧道內(nèi)追尾事故具有重要的現(xiàn)實(shí)意義。我國(guó)高速公路隧道內(nèi)實(shí)行全程視頻監(jiān)控，按照交通運(yùn)輸部的要求，每200m間隔布置，則一個(gè)2km長(zhǎng)隧道內(nèi)雙向最少布置22路視頻監(jiān)控，雖然我國(guó)在監(jiān)控硬件上功能已經(jīng)逐步變得完善，然而監(jiān)控中心有限的監(jiān)視屏，即使對(duì)上述一個(gè)隧道而言，依靠人工也難以全面觀測(cè)隧道內(nèi)的情況，使得監(jiān)控硬件的效益難以發(fā)揮。因此有必要研究開發(fā)一種適合隧道內(nèi)的智能視頻技術(shù)，能夠通過視頻監(jiān)控在第一時(shí)間內(nèi)自動(dòng)發(fā)現(xiàn)高速公路隧道內(nèi)的行車異常，為防止由于小的異常產(chǎn)生后續(xù)重大交通事故提供盡可能長(zhǎng)的預(yù)警時(shí)間，以便采取相應(yīng)措施。本文即針對(duì)高速公路隧道運(yùn)營(yíng)安全，分析隧道內(nèi)常見車輛異常狀態(tài)，研究提出車輛異常的視頻圖像識(shí)別方法，并對(duì)所提出的方法開展技術(shù)驗(yàn)證。

1　高速公路隧道內(nèi)常見異常狀態(tài)分析

對(duì)于高速公路而言，隧道內(nèi)異常主要是針對(duì)車輛而言的。經(jīng)過對(duì)高速公路隧道公路運(yùn)營(yíng)管理部門的了解，車輛異常大體包括如下幾個(gè)方面：①車輛故障引起的異常，表現(xiàn)為車輛熄火、車輛自燃等；②駕駛員人為因素引起的異常，包括車輛駕駛員身體不適、車輛落物后停車拾物、違規(guī)停車或減速行車、逆行或其他怪異駕駛行為等；③交通事故引起的異常，常見的有超車碰擦、車輛追尾等；④交通量或天氣引起的異常，如車輛擁堵、局部大霧導(dǎo)致的行車緩慢等；⑤其他因素引起的異常，如車輛落物或隧道部分坍塌形成路障等。從保障隧道內(nèi)行車安全的角度出發(fā)，上述異常情況可進(jìn)一步劃分為嚴(yán)重威脅行車安全和對(duì)行車安全有潛在威脅2類,見表1。

表1　隧道內(nèi)行車安全影響分析

由表1可見，對(duì)高速公路隧道內(nèi)行車安全構(gòu)成嚴(yán)重威脅的主要來自各種因素導(dǎo)致的停車，停車占據(jù)了隧道內(nèi)車道，并且由于隧道內(nèi)光線暗，有效識(shí)別距離短，構(gòu)成了隧道內(nèi)行車安全管理中最重要的內(nèi)容。本研究基于視頻圖像出發(fā)，以隧道內(nèi)停車作為視頻圖像識(shí)別作為主要的研究對(duì)象，圖像識(shí)別的基本思路首先是提取車輛圖像，并判斷車輛圖像的運(yùn)動(dòng)狀態(tài)，若發(fā)現(xiàn)車輛視頻幀圖像由運(yùn)動(dòng)狀態(tài)轉(zhuǎn)入靜止?fàn)顟B(tài)后，即發(fā)出異常停車信號(hào)。

2　隧道內(nèi)車輛圖像識(shí)別方法

高速公路隧道背景條件下一方面光照不足以及光照變化強(qiáng)烈等因素造成車輛識(shí)別困難；另一方面車輛形狀、大小、色彩以及攝像頭角度等各種不同因素也使得研發(fā)出通用的車輛識(shí)別系統(tǒng)仍然是一個(gè)比較困難的問題。從車輛跟蹤的角度來研究車輛識(shí)別與分類問題是過去一段時(shí)間國(guó)內(nèi)外研究較多的途徑[1-2]，這類算法比較成熟，但不能較好地區(qū)分其他物體；此外還有車輛類型識(shí)別方面的研究，這類方法側(cè)重于車輛類型識(shí)別，在復(fù)雜背景下效果不理想；而在復(fù)雜背景下主要集中在夜間車輛識(shí)別，這些方法主要利用汽車尾燈的識(shí)別來檢測(cè)車輛。文獻(xiàn)[3]利用圖像的主分量分析方法進(jìn)行特征提取，然后采用支持向量機(jī)(SVM)分類器來進(jìn)行車輛檢測(cè)。近若干年來圖像識(shí)別問題偏向?qū)ο蟮奶卣魈崛。瑘D像特征包括視覺特征、統(tǒng)計(jì)特征、變換域特征等。如采用基于Haar_like矩形特征的視頻車輛檢測(cè)算法，該方法首先提取Haar_like矩形特征，然后利用改進(jìn)的Adaboost方法進(jìn)行集成[4]。對(duì)于車輛識(shí)別問題，采用單類的特征，存在特征描述能力不足，識(shí)別性能不理想的問題。因此需要研究開發(fā)具有普適能力的車輛識(shí)別技術(shù)。

2.1車輛特征提取

根據(jù)所針對(duì)的問題，圖像識(shí)別首先需要解決特征提取問題，通常圖像特征包括視覺特征、統(tǒng)計(jì)特征、變換域特征等多方面[5]。對(duì)于車輛識(shí)別而言，采用單一的特征，雖然計(jì)算量小，但存在特征描述能力不足的問題，進(jìn)而導(dǎo)致識(shí)別準(zhǔn)確率不高。因此，本文提出將描述紋理特征的灰度共生矩、描述幾何特征的Hu不變矩統(tǒng)計(jì)特征和描述邊緣特征的小波能量特征[6-7]3類特征進(jìn)行組合，增強(qiáng)識(shí)別模型的描述能力。

(1) 灰度共生距是提取圖像紋理特征的一種常用的方法，基本思想是基于紋理中某一灰度級(jí)結(jié)構(gòu)重復(fù)出現(xiàn)的情況；這個(gè)結(jié)構(gòu)在粗糙紋理中隨距離的增長(zhǎng)變化緩慢，而在精細(xì)紋理中變化較快。在此選擇了二階矩(能量)、慣性矩(對(duì)比度)、逆差矩和熵等4個(gè)用于紋理分析的灰度共生矩常用特征參數(shù)，以便于從多方面反映圖像紋理粗糙程度和均勻程度。

(2)Hu不變矩是一種描述圖像形狀的全局特征，具有旋轉(zhuǎn)、平移、和尺度不變性的幾何特征。對(duì)于車輛而言，其圖像的幾何特征具有某些不變特征。Hu不變矩正好包含了圖像中諸如位置、方向、大小,以及形狀等幾何特征信息。Hu不變矩包含7個(gè)變量，它們由二階和三階中心矩分別構(gòu)成了對(duì)圖像旋轉(zhuǎn)、平移、縮放都不敏感的矩特征向量，通常應(yīng)用于二值化圖像的特征識(shí)別。Hu不變矩從統(tǒng)計(jì)的角度對(duì)識(shí)別目標(biāo)的形狀有很好地描述效果，但如果車輛區(qū)域的紋理比較復(fù)雜會(huì)造成識(shí)別目標(biāo)整體形狀描述能力下降，因此，在進(jìn)行目標(biāo)識(shí)別時(shí)需要結(jié)合前述紋理特征來增強(qiáng)圖像特征集的描述能力，進(jìn)而提高識(shí)別能力。

(3) 在出現(xiàn)車輛的視頻圖像中，車輛區(qū)域與對(duì)應(yīng)背景相比，其邊緣和細(xì)節(jié)信息增加，這些邊緣和細(xì)節(jié)信息與圖像中的高頻信息相對(duì)應(yīng)。從小波能量的角度來看，車輛會(huì)使得圖像中高頻能量增加。本文采用視頻圖像興趣區(qū)域框和相應(yīng)背景區(qū)域經(jīng)過db2小波變換后的高、低頻能量來描述車輛圖像特征。考慮到頻譜能量的相對(duì)性，本文以低頻能量比值和高頻能量比值2個(gè)特征作為圖像的小波能量特征，用于描述車輛圖像的邊緣特征。

2.2車輛識(shí)別分類識(shí)別器的構(gòu)建

以上述4個(gè)紋理特征、7個(gè)Hu矩幾何特征和2個(gè)小波能量為代表的邊緣特征，共13個(gè)特征作為BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的輸入層，并構(gòu)建13個(gè)隱層節(jié)點(diǎn)和1個(gè)輸出節(jié)點(diǎn)。雖然BP神經(jīng)網(wǎng)絡(luò)具有信息處理的巨量并行、分布存儲(chǔ)、自組織、自適應(yīng)等特性，且具有很強(qiáng)的容錯(cuò)能力，但單純基于神經(jīng)網(wǎng)絡(luò)得到的模型識(shí)別率并不高。故本文以上述BP神經(jīng)網(wǎng)絡(luò)作為基分類器，再利用Adaboost進(jìn)行集成以提高識(shí)別能力，即把BP網(wǎng)絡(luò)作為弱分類器，反復(fù)訓(xùn)練BP網(wǎng)絡(luò)預(yù)測(cè)能力，通過Adaboost算法得到多個(gè)BP網(wǎng)絡(luò)弱分類器組成的強(qiáng)分類器作為車輛識(shí)別模型，具體算法步驟另文介紹。

車輛識(shí)別后，根據(jù)圖像中車輛的運(yùn)動(dòng)狀態(tài)，可以判斷是否發(fā)生車輛由運(yùn)動(dòng)狀態(tài)進(jìn)入靜止?fàn)顟B(tài)，綜合一般交通事件監(jiān)測(cè)響應(yīng)時(shí)間，設(shè)定出現(xiàn)停車持續(xù)時(shí)間6s，判定為車輛處于停車狀態(tài)。

3　隧道內(nèi)車輛停車識(shí)別的視頻實(shí)驗(yàn)驗(yàn)證

在上述模型基礎(chǔ)上，本文研究開發(fā)了基于德州DM64系列嵌入式智能圖像分析模塊。為了驗(yàn)證上述模型對(duì)隧道內(nèi)車輛停車的識(shí)別效果，本文開展了實(shí)地實(shí)驗(yàn)驗(yàn)證工作。選取了武漢理工大學(xué)地下通道作為實(shí)驗(yàn)場(chǎng)地，該地下通道為雙向2車道，通道內(nèi)照度條件一般，照明燈為間隔開啟狀態(tài)，圖1為實(shí)驗(yàn)現(xiàn)場(chǎng)實(shí)景。視頻圖像通過安裝于隧道頂面的攝像機(jī)獲取，采用彩色轉(zhuǎn)黑白定焦攝像機(jī)(sf-3s186x)，焦距8mm，測(cè)試過程開啟紅外。采用了2臺(tái)車輛進(jìn)行實(shí)驗(yàn)，設(shè)定了多種行車狀態(tài)實(shí)驗(yàn)方案(見表2)，每種行車工況狀態(tài)模擬3次，檢測(cè)距離設(shè)計(jì)為25,50,75m和100m3種。行車速度采取正常行駛和緩慢行駛2種狀態(tài)，按照30～50km/h為正常行駛，低于5km/h為緩慢行駛。實(shí)驗(yàn)評(píng)判標(biāo)準(zhǔn)為：按照車輛完全停止6s內(nèi)發(fā)出報(bào)警信號(hào)為識(shí)別正確，緩慢行駛不停車狀態(tài)下發(fā)出報(bào)警則為誤報(bào)，行車狀態(tài)下落物未識(shí)別為漏報(bào)。車輛行駛狀態(tài)視頻圖像識(shí)別效果見表2。

圖1　實(shí)驗(yàn)現(xiàn)場(chǎng)實(shí)景

狀態(tài)測(cè)試工況車輛位置(距攝像頭距離/m)255075100識(shí)別正確率/%正常行駛正確次數(shù)單車車道內(nèi)停車3333100單車跨車道停車3333100雙車并行同時(shí)停車3333100雙車并行單車停車3333100雙車串行前后同時(shí)停車3333100雙車串行后車停車3333100緩慢行駛誤報(bào)次數(shù)單車不停車0000100一車正常行駛一車緩慢行駛000192其他漏報(bào)次數(shù)行車中落物001367

實(shí)驗(yàn)結(jié)果表明，本文提出的視頻圖像識(shí)別模型對(duì)隧道內(nèi)由行駛狀態(tài)轉(zhuǎn)入停止?fàn)顟B(tài)的車輛具有非常高的正確率，表明本文方法對(duì)隧道內(nèi)車輛停車狀態(tài)的識(shí)別是有效的。本次實(shí)驗(yàn)采用了60×40×7cm紙箱模擬行駛中落物，隨著距離增加，識(shí)別率降低，與落物大小在視頻圖像中所占像素有直接關(guān)系，此外物體的幾何形狀、物品的材質(zhì)等與車輛的特征還有區(qū)別，相應(yīng)識(shí)別模型還有待進(jìn)一步完善。

4　結(jié)論

本文從高速公路隧道內(nèi)行車安全管理的角度出發(fā)，分析了隧道內(nèi)影響行車安全的各種異常狀態(tài)，結(jié)合現(xiàn)有隧道內(nèi)視頻監(jiān)控的條件，開展了基于視頻圖像的隧道內(nèi)行車異常識(shí)別方法研究，提出并建立了隧道內(nèi)停車圖像識(shí)別的方法和模型，并對(duì)該識(shí)別模型的效果開展了實(shí)地實(shí)驗(yàn)驗(yàn)證。結(jié)果表明，本文所采取的方法和模型對(duì)停車異常具有良好的識(shí)別效果，可為高速公路的安全運(yùn)營(yíng)管理提供新的手段。

參考文獻(xiàn)

[1]MEIX,LINGHB.Robustvisualtrackingandvehicleclassificationviasparserepresentation[J].IEEETransactiononPatternAnalysisandMachineIntelligence.2011,33(11):2259-2272.

[2]SIVARAMANS,TRIVEDIMM.Ageneralactive-learningframeworkforon-roadvehiclerecognitionandtracking[J].IEEETransactiononIntelligentTransportationSystems.2010,11(2):267-276.

[3]ZHOUJ,GAODS,ZHANGD.Movingvehicledetectionforautomatictrafficmonitoring[J].IEEETransactiononVehicularTechnology.2007,56(1):51-59.

[4]文學(xué)志,方巍,鄭鈺輝.一種基于類Haar特征和改進(jìn)AdaBoost分類器的車輛識(shí)別算法[J].電子學(xué)報(bào),2011,39(5):1121-1126.

[5]李開明,張群.地面車輛目標(biāo)識(shí)別研究綜述[J].電子學(xué)報(bào),2014,42(3):538-546.

[6]姚敏.數(shù)字圖像處理[M].北京:機(jī)械工業(yè)出版社,2006.

[7]GONZALEZRC,WOODSRE數(shù)字圖像處理[M].阮秋琦,宇智,譯.北京:電子工業(yè)出版社,2007.

收稿日期：2015-06-19

DOI10.3963/j.issn.1671-7570.2015.04.044

*廣東省交通運(yùn)輸廳科技項(xiàng)目(科技-2013-02-083)資助