1、引言
　　
　　交通違法行為檢測屬于智能監控中高層次的內容，是事件檢測、行為的理解和描述的一種表現形式。相對來說，以前大多數的研究都集中在運動檢測和跟蹤等底層視覺問題上，這方面的研究較少。近年來，經濟與道路交通的快速發展，機動車保有量持續攀升，交通違法行為也同步增加，這就對道路交通管理提出了更高的要求。關于這方面的研究也漸成熱點。
　　
　　傳統應用中，多以傳感器方式有針對性的監控處理各類交通違法行為，此種方式有些代價昂貴，如雷達、激光；有些需要破壞路面、定期更換設備，如地感線圈。在同時處理多種違法類型時也常常束手，這使其越來越不適應當前交通管理應用趨勢。
　　
　　本文以圖像處理算法為基礎，結合模式識別原理，根據車輛軌跡對車輛交通行為進行分析，極大地提高了道路安全部門對無人值守路口違法行為的監控力度，并大幅降低了工程實現成本。
　　
　　2、算法流程及軌跡獲取
　　
　　2.1算法流程框架
　　
　　本文首先通過車輛視頻檢測算法獲取目標初始信息，采用均值漂移算法結合卡爾曼濾波算法實現目標的視頻跟蹤，再對其軌跡進行統計分析，獲取目標實際行駛方向的軌跡特征，并以現場規則（信號燈狀態、車道屬性及導向規則等）為輔助，做出違法行為判定。
　　　　
　　2.2視頻檢測
　　
　　視頻觸發是根據智能圖像識別后的車輛運動檢測結果，對經過監控車道的所有車輛進行自動背向抓拍。其中車輛運動檢測結果綜合了運動幀差信息、車輛特征（車牌、車輛尾部結構特征和AdaBoost訓練特征等）以及車輛的跟蹤狀態，zui后形成車輛到達和離開狀態的判斷，具備較好的實時性和穩定性。
　　
　　2.3車輛視頻跟蹤
　　
　　視頻跟蹤是在目標車輛離開視頻觸發區域后我們獲取其實時位置信息的有效方式。均值漂移算法（Mean-shift）[2]是一種非參數概率密度估計算法，可以通過迭代快速地收斂于概率密度函數的局部zui大值，因此在目標實時跟蹤領域有著很高的應用價值。
　　
　　Mean-shift算法本身是通過對目標原始區域的不斷迭代去尋找*匹配候選目標，當目標運動速度較大時，很容易發生冗余迭代或局部收斂，針對此種情況，我們采用Kalman濾波[3]對每個目標運動過程進行建模，通過Kalman預測縮小迭代范圍，減少計算量，同時降低噪聲影響，得到目標的*估計。
　　
　　2.4軌跡獲取及示例
　　
　　我們將目標車輛進入視場到離開視場的軌跡進行保存，并以此作為后續進行交通違法行為分析的基礎數據，根據《道路交通安全違法行為圖像取證技術規范（2009）》對關鍵幀的交通信號燈狀態予以保存，設定現場參數，如停止線位置，車道線位置，車道導向規則，道路禁行標志等。
　　　　　　
　　3、車輛軌跡特征與交通違法分類
　　
　　3.1交通違法分類
　　
　　根據車輛狀態和我國道路交通安全規則[1]，我們可將一些主要的交通違法行為劃分如下：
　　
　　表一違章類型分類
　　
　　位置違章壓實車道線、（雙）黃線等縱向線
　　
　　實線變道
　　
　　紅燈時壓停止線等橫向線
　　
　　速度違章限制區域速度持續為0（違法停車）
　　
　　車速大于或小于規定限定值
　　
　　路線違章違反信號燈
　　
　　不按導向標志行駛
　　
　　非法占用非機動車道行駛
　　
　　違章掉頭、拐彎
　　
　　逆行
　　
　　車型違章大貨車禁行、黃牌車禁行
　　
　　機動車使用車道
　　
　　其中，位置違章指的是某時刻車輛與車道禁止標線之間的位置關系違反了道路交通安全法的有關規定。路線違章則表示目標車輛在某時間段的行駛軌跡與當前路段的設定規則不符。車型違章定義為車輛類型與車道允許行駛車型不一致。在比較多種交通違法行為時發現，部分違章違法行為存在一定的包含關系，如實線變道必然以壓車道線為先導，違反信號燈必然以紅燈時壓停止線為先導，要明確區分此類情況，目標車輛軌跡將是其明顯特征。
　　
　　車型違章的檢測可以不以車輛軌跡為依據，所以本文只提出不展開。
　　
　　3.2位置違章軌跡特征分析
　　
　　位置違章指的是某時刻車輛與車道禁止標線之間的位置關系違反了道路交通安全法的有關規定。這里面包含了三個關鍵點，一是目標位置，二是禁止標線位置，三是交通法規。
　　
　　以“壓線”為例，交通法規定，黃、白實線均為禁止標線，當車輛本體位置與車道分界線發生交疊時，即可認為壓線。此時，不必追究其行駛軌跡。
　　
　　但交通法規里同樣定義車輛碾壓實線變換車道為“實線變道”。其與“壓線”的區別可作如下理解。請看下圖示意：
　　　　
　　從圖上可以看到，當目標車輛車道歸屬發生變化時，其軌跡點與同一條車道線的水平距離在時間橫軸上發生了U型轉換，此時即可被認定為“實線變道”。當車輛由機動車道（LANE3）借道非機動車道行駛，則被定義為“機動車占用非機動車道”違法，簡稱“機占非”。其他即做“壓（黃、白）線”處理。也就是說，車輛一旦違反實線變道，其必然壓線，反之則不一定。
　　
　　同樣的情況，“紅燈時壓停止線”與“違反信號燈”也存在后者以前者為先導的現象。此類情況均需要結合目標的其他屬性來實現區分，如目標速度、所屬車道等等。
　　
　　3.3速度違章與其軌跡特征
　　
　　由表一我們知道，速度違章是指目標車輛的速度屬性違反了當前道路的交通法規。這里的速度屬性主要指速度是否存在以及其具體值。
　　
　　二維圖像處理主要是對圖像像素的操作，但由于視場深度信息損失，要準確計算目標車輛速度就要涉及透視變換或對現場進行標定，這兩項要求都很難在實踐中得到滿足，因此通用性受限。本文將速度定義為軌跡相鄰點坐標與幀間隔的比值屬性包括（水平速度，垂直速度，方向），單位為（像素/幀）。由于圖像的原點位于其左上角，所以我們設定Velocity<0為正向，在此基礎上對速度違章進行定性分析。
　　
　　下面，我們以違法停車為對象，分析其速度特征。
　　　　
　　當車輛在禁止區域內速度為0，且持續時間超過法定時間，即可認定為違停。這里的“禁止區域”一般包括斑馬線區域，交叉黃線區域等。
　　
　　3.4路線違章及其軌跡特征分析
　　
　　如上3.1所述，路線違章是指目標車輛的行駛軌跡與當前路段的既定交通規則不符。我們仍舊以“道路交叉口”為例，分析三種軌跡，直行、左轉、右轉。其示意圖如下：
　　　　
　　從圖五容易看出，直行、左轉、右轉軌跡在水平方向位移上存在較大區別。我們將左轉、右轉、直行車輛軌跡對應的變化圖示意如下，作為對比，同時給出的變化過程。
　　　　

　　從圖六、七、八中我們看到，直行軌跡的較為平穩或有緩慢變化。轉向軌跡則具出現較為明顯變化趨勢，其中，左轉軌跡的以負向增大為總趨勢，右轉軌跡則正好相反。
　　
　　從統計學的角度看，直行軌跡較轉向軌跡擁有更多的軌跡穩定性和聚合性。在轉向軌跡中，右轉軌跡由于其“小轉彎”的特點，其垂直方向位移變化也表現的更為離散一些。在實際判斷中，我們以的正負偏移方向的規律，以負向偏移為左轉，正向偏移為右轉，并參考其垂直方向變化特點，有效區分了左轉軌跡以及右轉軌跡。在此基礎上，結合車道導向規則、信號燈實時狀態，對相關的違章行為進行準確區分捕獲。
　　
　　4、統計數據結果
　　
　　基于本文方法，對江蘇省某市一處道路交叉口由南向北斷面12點到15點的車流進行了測試，測試結果如下：
　　
　　表四交通違法行為檢測結果統計
　　
　　違章分類違章類型違章捕獲率違章捕獲有效率
　　
　　位置違章壓實車道線、（雙）黃線等縱向線99.60%98.73%
　　
　　實線變道90.38%95.19%
　　
　　紅燈時壓停止線等橫向線92.59%96.32%
　　
　　速度違章限制區域速度持續為0（違法停車）90.02%89.27%
　　
　　車速大于或小于規定限定值未測試
　　
　　路線違章違反信號燈97.70%95.17%
　　
　　不按導向標志行駛95.75%96.08%
　　
　　非法占用非機動車道行駛98.54%93.85%
　　
　　違章拐彎98.81%96.83%
　　
　　逆行96.44%100%
　　
　　車型違章大貨車禁行、（黃牌車禁行）未測試
　　
　　機動車使用車道
　　
　　需要說明的是，由于無法有效統計路段或路口的實際違章數量，測試時采用對現場環境進行強制設定或修改的方式，例如，測試違反信號燈即設定測試時間段為持續紅燈，測試紅燈時壓停止線時，則將讀取到的實際停止線下移。如此，共測試現場過車約2766輛。
　　
　　5、總結
　　
　　本文以車輛軌跡為基礎，結合相關交通安全法規，形成一種能對多種常見交通違法行為進行智能捕獲分類的方法。在試驗結果方面也獲得了比較理想的效果，有效解決了傳統方案的笨重、昂貴、功能單一的缺點，并具有良好的實用性和可擴展性。