[AI開發]目標跟蹤之行爲分析

基於視頻結構化的應用中，目標在通過跟蹤算法後，會獲得一個惟一標識和它對應的運動軌跡，利用這兩個數據咱們能夠作一些後續工做：測速（交通類應用場景）、計數（交通類應用場景、安防類應用場景）以及行爲檢測（交通類應用場景、安防類應用場景）。我會寫三篇文章依次介紹這三個主題。

（1）目標跟蹤之速度計算

（2）目標跟蹤之計數

（3）目標跟蹤之行爲檢測

至此，三個主題都結束了。

本篇文章以交通類應用場景爲例，介紹車輛異常行爲分析方法。車輛異常行爲一般又稱「車輛異常交通事件」，指車輛在行駛道路上出現的違法行爲，通常包括 停車、逆行（倒車）、佔用應急車道、擁堵等等。本篇文章分別介紹這四種車輛異常交通事件的分析方法。

注意：高速交通中，一般異常交通事件還包括行人闖入、拋灑物、煙火等，因爲這些跟車輛沒有直接關聯，本文不涉及此類事件。

(停車事件)

 

定位目標軌跡點

前面系列文章已經提到過，目標檢測算法會輸出目標的位置，一個四元組（Left、Top、Width、Height），表明一個矩形框，該矩形框住的範圍就是圖像中目標的位置。咱們在進行目標行爲分析時，須要先找到一個二維點（X，Y），使它最能表明目標在地面上的位置，緣由很簡單，由於畫面中的目標實際是在三維世界中的地面上移動。你們可能第一反應應該選擇矩形框的中心點（Left + Width / 2， Top + Height /2），雖然這個點很是好計算，可是實際應用中該點並不很是準確，經過它並不能準確地反映目標在地面上的實際位置。

如上圖所示，黃色矩形框表明貨車在畫面中的位置，若是選取矩形框中心點來定位車輛在路面上的位置，那麼貨車應該在行車道（右側車道）上行駛，而實際狀況貨車正在超車道（左側車道）上。顯然用這種方式去判斷車輛在路面上的位置很是不許確。

另一種方式是選取矩形底邊的中心點（Left + Width/2， Top + Height），這種方式比前一種更準確，可是當車道方向與攝像夾角很是大時，定位偏差很是明顯。

如上圖，黃色矩形框表明客車在畫面中的位置，若是選取矩形框底邊中心點來定位車輛在路面上的位置，那麼客車應該壓線了，而實際狀況客車行駛正常。

實際經驗獲得，只取矩形框底邊中心點還不夠，還須要根據車輛行駛方向與垂直方向的夾角大小來動態調整該點的X指，也就是說，最終選取的點應該是 （Left + Width/2 + delta， Top + Height），其中delta可正可負，最終的效果以下：

 

停車

停車時，目標靜止不動，理論上目標軌跡點不變，咱們只須要判斷軌跡點在連續若干幀以內都沒發生變化便可（Xm == Xn && Ym == Yn）。但現實場景中，因爲目標檢測算法的準確性，同一個目標即便靜止不動，每一幀檢測到的矩形框也有可能不同（位置不一樣、大小不一樣等），最後獲得的軌跡點也不會重合。所以更好的判斷方式是：目標軌跡點連續若干幀以內歐氏距離（平面直線距離）不大於某值，好比50像素，那麼咱們便可認爲車輛靜止不動（停車事件發生）。

 

 

逆行（倒車）

逆行時，目標第M幀軌跡點和第N幀軌跡點的射線與道路方向之間的夾角若是大於某值，好比大於90°，那麼斷定爲逆行。其中M<N

佔用應急車道

當車輛行駛時，判斷目標軌跡點在連續若干幀內是否都在應急車道中，如果，則爲佔用應急車道，其餘相似的區域事件斷定邏輯與這個同樣

 

擁堵 和 緩行

連續若干幀內靜止車輛數大於某值，車輛靜止的邏輯能夠參照前面停車的邏輯。當路面多輛車靜止不動時，斷定道路發生擁堵。該方式很簡單，可是一般狀況下，除了這種堵死的狀況外，咱們更須要知道是否出現緩行（提早應對擁堵發生）。

緩行有兩種方式去判斷：

（1）結合前幾篇文章提到的測速，若是發現多輛行駛車輛的速度都小於某值（能夠分級定義），那麼斷定道路緩行；

（2）不少狀況下，車速測不出來（前面文章中有提到，沒有參照物的道路測不出車速），那麼咱們須要使用其餘方式先判斷單個車輛是否緩行：在連續若干幀中，車輛軌跡點直線距離小於某值，可是大於另一個值（保證車輛沒有中止）。若是連續多幀中出現緩行的車輛數大於某值，那麼斷定整個道路進入緩行狀態。

 

目標行爲分析難點

前面全部的行爲邏輯判斷所有基於理想狀態下：檢測算法比較準確，矩形方框鎖定目標比較穩定，不會出現丟幀、矩形框抖動嚴重（位置、大小跳躍厲害）。實際應用場景中，因爲各類各樣的因素，目標鎖定不夠準確，會對目標行爲分析形成很是大的負面影響。

另外，上面全部判斷邏輯所有基於像素單位（圖像二維座標系），這個判斷依據存在必定缺陷，檢測算法能檢測到很遠的車輛，雖然這時候車輛一直處於運動狀態，可是它反應到平面二維畫面上時，車輛幾乎靜止不動，根據前面的判斷邏輯，這種狀況會出現停車、擁堵等誤報。避免這種誤報的方式之一是儘可能將攝像頭斜對行車道，而不是恰好在車道的正前方/正後方。

除此以外，還有其餘一些侷限性，好比上面提到的各類閾值的調整，也是很是考驗人的一項工做。通常視頻分析應用很難同時知足多個場景，針對不一樣的需求最好作一些特定的優化。