详情

原文传递基于机器视觉的车辆异常行为检测研究

论文题名：	基于机器视觉的车辆异常行为检测研究
关键词：	车辆检测;运动模式分析;轨迹降维;异常行为检测;机器视觉
摘要：	车辆异常行为是指在特定道路场景中车辆发生了和正常行驶车辆行为或者正常运动模式存在偏差的行为，车辆异常行为检测是交通监控系统的重要组成部分，自动实现监控场景中车辆异常行为的实时检测更是智能交通领域的重要发展方向。由于异常行为车辆可能引发交通事故，并且交通事故必然导致车辆行为异常，因此及时有效地检测重要交通场所中车辆的异常行为，有助于提高道路交通安全程度和运行效率，有助于减少交通事故所造成的人员伤亡和经济损失。　　监控场景中复杂的车行环境给车辆异常行为检测任务造成巨大挑战，现有检测方法主要包括感应线圈检测、雷达检测、GPS信号检测、机器视觉检测等，而基于机器视觉的检测方法，因其具备成本小、部署灵活度高、信息处理效果好等优点被广泛应用。利用机器视觉技术实时检测车辆异常行为时，首先要解决视频图像中车辆检测和运动特征提取的问题，其次在分析车辆运动特征的基础上构建车辆运动模式模型，再次通过分析车辆实时状态数据与运动模式模型的匹配程度来检测车辆异常行为，最后要解决如何高效处理车辆实时状态数据以达到及时检测异常行为的目的。关于车辆异常行为检测的相关研究虽已取得很大进展，但仍然存在诸多不足。　　首先，基于深度学习的实时目标检测模型，例如yolov5s模型等，虽能够胜任大部分图像目标检测任务，但对尺寸较小、被部分遮挡或截断车辆的识别精度不高，究其原因是模型的特征提取能力不足。其次，实际场景中车辆轨迹维度不同、轨迹模式复杂、轨迹数据庞大，致使现有聚类方法和概率统计学习方法难以获取良好且符合道路物理结构约束的轨迹模式学习结果。再次，因为缺乏合理的轨迹维度统一方法，基于运动轨迹来分析车辆行为的方法难以利用原始轨迹中的关键特征信息，这致使它们对异常轨迹的检测精度不高、召回率不足，并且难以检测跨越多个运动模式的异常轨迹。最后，交通管理系统检测车辆行为的相关工作大多依靠人工完成，关于车辆异常行为及时检测以及智能检测的相关研究尚且不足。本文针对上述问题展开了研究，其内容如下：　　（1）研究了基于并行卷积块的多尺寸不同水平特征融合问题　　卷积神经网络是基于深度学习的车辆检测模型的骨干，其性能由特征提取能力决定。分类精度是卷积神经网络特征提取能力的重要衡量标准，所以分类精度是衡量车辆检测模型性能的重要标准。针对通过增加网络深度来提升卷积神经网络分类精度的方法会导致模型参数量巨额增加、过拟合等问题，本研究从增加卷积神经网络宽度的角度出发，通过在网络前阶段添加一个不同尺寸的并行辅助卷积块来提取不同尺寸低水平特征，并将该特征和网络不同水平特征融合，从而提出一种在卷积神经网络前阶段融合多尺寸特征来提高其分类精度的策略。实验结果表明，该策略能够显著提升现有高性能卷积神经网络的分类精度。　　（2）构建了专门用于车辆检测的实时车辆检测模型　　针对通用目标检测模型在检测图像中车辆时，存在对尺寸较小、部分遮挡或截断车辆检测精度不高的问题，本研究分别从提高模型特征提取能力和提升模型对小尺寸车辆检测精度的角度出发，设计了一种专门用于车辆检测的实时检测模型。首先利用并行卷积块的特征融合策略、跨阶段局部过渡结构、空间金字塔池化结构以及特征金字塔网络结构，来增强模型的特征提取能力。然后设计了一个专用小尺寸车辆检测层来检测小尺寸车辆，该层利用网络中大尺寸特征图生成先验框，并且在特征的每个像素上仅生成一个小尺寸先验框，同时该层使用较少数量卷积核来实现分类和回归。实验结果表明，该模型具备检测精度高、推理速度快、模型尺寸小等优点。　　（3）提出了正常行驶车辆轨迹模式学习框架　　真实监控场景中获取的车辆轨迹样本数据具有数量庞大、维度差异巨大的特征，因为缺乏有效的轨迹处理方法，现有的正常轨迹模式学习方法难以利用轨迹样本中包含的关键时空特征信息。此外，在轨迹样本之间相似度差异极大的情况下，如何确定基于密度的聚类（Density-BasedSpatialClusteringofAp-plicationswithNoise，DBSCAN）算法的超参数合理取值尚待解决。为了解决上述问题，本研究分别提出车辆运动轨迹降维算法和DBSCAN算法的超参数初始值设置算法，进而提出了一种正常行驶车辆轨迹模式学习框架。实验结果表明，该框架得到的轨迹聚类结果良好、且符合道路物理结构约束。　　（4）提出了双模型并行检测异常轨迹算法　　针对现有模型难以识别不完整车辆轨迹是否异常、不能有效检测跨越多个运动模式异常轨迹的问题，本研究在统一轨迹维度的基础上提出了利用高维隐马尔科夫模型来增强对原始轨迹中关键时空特征信息的利用，从而提升模型对不完整轨迹的检测精度。同时利用轨迹模式运动方向矢量角度模型，来进一步约束高维隐马尔科夫模型的检测结果，以提高对跨越多个运动模式异常轨迹的检测精度，进而提出了一种双模型并行检测异常轨迹算法。实验结果表明，双模型并行检测异常轨迹算法性能优良、能明显提升高维隐马尔科夫模型的检测精度。　　（5）提出了基于轨迹分析的车辆异常行为检测模型　　现有交通管理系统，难以智能及时检测监控场景中车辆的异常行为，对于车辆异常行为检测的相关工作大多依靠人工完成。针对此问题，本研究在合理提取、删除以及保存实时车辆轨迹数据基础上，结合双模型并行检测异常轨迹算法和虚拟线圈测速方法，提出了基于轨迹分析的车辆异常行为检测模型。当车辆实时轨迹提取完毕时，该模型同时对其执行车辆超速行驶检测和轨迹异常检测。实验结果表明，该模型能够在极短时间内，自动实现对违章变道、逆向行驶、占用非机动车道行驶、超速行驶等其它复杂车辆异常行为的检测。
作者：	俞晓红
专业：	机械工程
导师：	龙伟
授予学位：	博士
授予学位单位：	四川大学
学位年度：	2022