1、引言
交通违法行为检测属于智能监控中高层次的内容，是事件检测、行为的理解和描述的一种表现形式。相对来说，以前大多数的研究都集中在运动检测和跟踪等底层视觉问题上，这方面的研究较少。近年来，经济与道路交通的快速发展，机动车保有量持续攀升，交通违法行为也同步增加，这就对道路交通管理提出了更高的要求。关于这方面的研究也渐成热点。
传统应用中，多以传感器方式有针对性的监控处理各类交通违法行为，此种方式有些代价昂贵，如雷达、激光；有些需要破坏路面、定期更换设备，如地感线圈。在同时处理多种违法类型时也常常束手，这使其越来越不适应当前交通管理应用趋势。
本文以图像处理算法为基础，结合模式识别原理，根据车辆轨迹对车辆交通行为进行分析，极大地提高了道路安全部门对无人值守路口违法行为的监控力度，并大幅降低了工程实现成本。
2、算法流程及轨迹获取
2.1算法流程框架
本文首先通过车辆视频检测算法获取目标初始信息，采用均值漂移算法结合卡尔曼滤波算法实现目标的视频跟踪，再对其轨迹进行统计分析，获取目标实际行驶方向的轨迹特征，并以现场规则（信号灯状态、车道属性及导向规则等）为辅助，做出违法行为判定。
图一交通违法行为检测算法流程
2.2视频检测
视频触发是根据智能图像识别后的车辆运动检测结果，对经过监控车道的所有车辆进行自动背向抓拍。其中车辆运动检测结果综合了运动帧差信息、车辆特征（车牌、车辆尾部结构特征和AdaBoost训练特征等）以及车辆的跟踪状态，最后形成车辆到达和离开状态的判断，具备较好的实时性和稳定性。
2.3车辆视频跟踪
视频跟踪是在目标车辆离开视频触发区域后我们获取其实时位置信息的有效方式。均值漂移算法（Mean-shift）[2]是一种非参数概率密度估计算法，可以通过迭代快速地收敛于概率密度函数的局部最大值，因此在目标实时跟踪领域有着很高的应用价值。
Mean-shift算法本身是通过对目标原始区域的不断迭代去寻找最佳匹配候选目标，当目标运动速度较大时，很容易发生冗余迭代或局部收敛，针对此种情况，我们采用Kalman滤波[3]对每个目标运动过程进行建模，通过Kalman预测缩小迭代范围，减少计算量，同时降低噪声影响，得到目标的最优估计。
2.4轨迹获取及示例
我们将目标车辆进入视场到离开视场的轨迹进行保存，并以此作为后续进行交通违法行为分析的基础数据，根据《道路交通安全违法行为图像取证技术规范（2009）》对关键帧的交通信号灯状态予以保存，设定现场参数，如停止线位置，车道线位置，车道导向规则，道路禁行标志等。
下图为截取现场处理的轨迹图。
图二现场轨迹图
3、车辆轨迹特征与交通违法分类
3.1交通违法分类
根据车辆状态和我国道路交通安全规则[1]，我们可将一些主要的交通违法行为划分如下：
表一违章类型分类
位置违章压实车道线、（双）黄线等纵向线
[pagebreak]实线变道
红灯时压停止线等横向线
速度违章限制区域速度持续为0（违法停车）
车速大于或小于规定限定值
路线违章违反信号灯
不按导向标志行驶
非法占用非机动车道行驶
违章掉头、拐弯
逆行
车型违章大货车禁行、黄牌车禁行
机动车使用专用车道
其中，位置违章指的是某时刻车辆与车道禁止标线之间的位置关系违反了道路交通安全法的有关规定。路线违章则表示目标车辆在某时间段的行驶轨迹与当前路段的设定规则不符。车型违章定义为车辆类型与车道允许行驶车型不一致。在比较多种交通违法行为时发现，部分违章违法行为存在一定的包含关系，如实线变道必然以压车道线为先导，违反信号灯必然以红灯时压停止线为先导，要明确区分此类情况，目标车辆轨迹将是其明显特征。
车型违章的检测可以不以车辆轨迹为依据，所以本文只提出不展开。
3.2位置违章轨迹特征分析
位置违章指的是某时刻车辆与车道禁止标线之间的位置关系违反了道路交通安全法的有关规定。这里面包含了三个关键点，一是目标位置，二是禁止标线位置，三是交通法规。
以“压线”为例，交通法规定，黄、白实线均为禁止标线，当车辆本体位置与车道分界线发生交叠时，即可认为压线。此时，不必追究其行驶轨迹。
但交通法规里同样定义车辆碾压实线变换车道为“实线变道”。其与“压线”的区别可作如下理解。请看下图示意：
图三道路交叉口压线、实线变道、机占非情景模拟
从图上可以看到，当目标车辆车道归属发生变化时，其轨迹点与同一条车道线的水平距离在时间横轴上发生了U型转换，此时即可被认定为“实线变道”。当车辆由机动车道（LANE3）借道非机动车道行驶，则被定义为“机动车占用非机动车道”违法，简称“机占非”。其他即做“压（黄、白）线”处理。也就是说，车辆一旦违反实线变道，其必然压线，反之则不一定。
同样的情况，“红灯时压停止线”与“违反信号灯”也存在后者以前者为先导的现象。此类情况均需要结合目标的其他属性来实现区分，如目标速度、所属车道等等。
3.3速度违章与其轨迹特征
由表一我们知道，速度违章是指目标车辆的速度属性违反了当前道路的交通法规。这里的速度属性主要指速度是否存在以及其具体值。
二维图像处理主要是对图像像素的操作，但由于视场深度信息损失，要准确计算目标车辆速度就要涉及透视变换或对现场进行标定，这两项要求都很难在实践中得到满足，因此通用性受限。本文将速度定义为轨迹相邻点坐标与帧间隔的比值属性包括（水平速度，垂直速度，方向），单位为（像素/帧）。由于图像的原点位于其左上角，所以我们设定Velocity<0为正向，在此基础上对速度违章进行定性分析。
下面，我们以违法停车为对象，分析其速度特征。
图四道路交叉口违章停车情景模拟
当车辆在禁止区域内速度为0，且持续时间超过法定时间，即可认定为违停。这里的“禁止区域”一般包括斑马线区域，交叉黄线区域等。
[pagebreak]3.4路线违章及其轨迹特征分析
如上3.1所述，路线违章是指目标车辆的行驶轨迹与当前路段的既定交通规则不符。我们仍旧以“道路交叉口”为例，分析三种轨迹，直行、左转、右转。其示意图如下：
图五道路交叉口车辆行驶路线情景示意
从图五容易看出，直行、左转、右转轨迹在水平方向位移（）上存在较大区别。我们将左转、右转、直行车辆轨迹对应的变化图示意如下，作为对比，同时给出的变化过程。
图六直行轨迹水平及垂直方向位移示意
从图六、七、八中我们看到，直行轨迹的较为平稳或有缓慢变化。转向轨迹则具出现较为明显变化趋势，其中，左转轨迹的以负向增大为总趋势，右转轨迹则正好相反。
从统计学的角度看，直行轨迹较转向轨迹拥有更多的轨迹稳定性和聚合性。在转向轨迹中，右转轨迹由于其“小转弯”的特点，其垂直方向位移变化也表现的更为离散一些。在实际判断中，我们以的正负偏移方向的规律，以负向偏移为左转，正向偏移为右转，并参考其垂直方向变化特点，有效区分了左转轨迹以及右转轨迹。在此基础上，结合车道导向规则、信号灯实时状态，对相关的违章行为进行准确区分捕获。
4、统计数据结果
基于本文方法，对江苏省某市一处道路交叉口由南向北断面12点到15点的车流进行了测试，测试结果如下：
表四交通违法行为检测结果统计
违章分类违章类型违章捕获率违章捕获有效率
位置违章压实车道线、（双）黄线等纵向线99.60%98.73%
实线变道90.38%95.19%
红灯时压停止线等横向线92.59%96.32%
速度违章限制区域速度持续为0（违法停车）90.02%89.27%
车速大于或小于规定限定值未测试
路线违章违反信号灯97.70%95.17%
不按导向标志行驶95.75%96.08%
非法占用非机动车道行驶98.54%93.85%
违章拐弯98.81%96.83%
逆行96.44%100%
车型违章大货车禁行、（黄牌车禁行）未测试
机动车使用专用车道
需要说明的是，由于无法有效统计路段或路口的实际违章数量，测试时采用对现场环境进行强制设定或修改的方式，例如，测试违反信号灯即设定测试时间段为持续红灯，测试红灯时压停止线时，则将读取到的实际停止线下移。如此，共测试现场过车约2766辆。
5、总结
本文以车辆轨迹为基础，结合相关交通安全法规，形成一种能对多种常见交通违法行为进行智能捕获分类的方法。在试验结果方面也获得了比较理想的效果，有效解决了传统方案的笨重、昂贵、功能单一的缺点，并具有良好的实用性和可扩展性。(
