基于多源信息融合技術(shù)的全域卡口車輛身份檢索

孫盛　楊學(xué)軍　教穎輝　馮力

摘 要

以智慧城市全域卡口系統(tǒng)中的車輛檢索為背景，針對(duì)車輛檢索輸入條件的片面性、不完整性，將車輛目標(biāo)的靜態(tài)信息進(jìn)行了層次式的分解，并將車輛目標(biāo)的靜態(tài)信息的相似度進(jìn)行了關(guān)聯(lián)；從車輛行駛的時(shí)間、空間位置的關(guān)聯(lián)信息出發(fā)，結(jié)合車輛的空間位置、車輛平均速度對(duì)候選車輛序列進(jìn)行了篩選，縮小了候選車輛序列的范圍，提高了檢索效率。

【關(guān)鍵詞】全域卡口 車輛檢索 相似度 車輛屬性

1 引言

在大規(guī)模的城市安全卡口車輛監(jiān)控系統(tǒng)中，因障礙物遮擋、污損、設(shè)備識(shí)別錯(cuò)誤等因素會(huì)帶來對(duì)于車輛身份信息采集結(jié)果的誤差；另一方面，實(shí)戰(zhàn)應(yīng)用中的輸入檢索線索又是比較片面的，只能表達(dá)車輛的某方面的特征。這兩方面的因素疊加到一起，就造成實(shí)戰(zhàn)應(yīng)用中會(huì)無法準(zhǔn)確的檢索到目標(biāo)車輛，或產(chǎn)生大批量的候選疑似車輛序列。

車輛在城市道路上行駛的行為帶有豐富的時(shí)間、空間信息，例如：車輛通過某個(gè)道路的時(shí)間、車輛通過的道路路口的空間關(guān)系等。而在城市安全監(jiān)控卡口系統(tǒng)中，這些信息都會(huì)被卡口設(shè)備記錄在系統(tǒng)中；此外，卡口系統(tǒng)的采集設(shè)備還記錄了更加豐富的車輛靜態(tài)信息，如：車牌號(hào)碼、車輛顏色、車輛類型、車輛品牌型號(hào)等。本文將把全域卡口系統(tǒng)中關(guān)于車輛的靜態(tài)信息和動(dòng)態(tài)信息融合起來，在全域卡口范圍內(nèi)檢索車輛，為決策者提供準(zhǔn)確的目標(biāo)車輛信息。

2 全域卡口靜態(tài)、動(dòng)態(tài)信息的分析

2.1 全域卡口采集的車輛靜態(tài)信息

車輛的靜態(tài)信息，指的是卡口系統(tǒng)中可直接利用的物理特征，車輛目標(biāo)的物理特征（車輛顏色、車輛類型、車輛品牌標(biāo)志、車輛的運(yùn)動(dòng)速度、運(yùn)動(dòng)方向等），這些信息都是通過卡口的采集設(shè)備獲取的，由于受到：采集設(shè)備的工作狀態(tài)、采集時(shí)間、采集對(duì)象的狀態(tài)等等因素的制約，就會(huì)出現(xiàn)車輛固有屬性的采集誤差，這些固有屬性是車輛目標(biāo)對(duì)象所固有的且可區(qū)別于其他目標(biāo)對(duì)象的屬性，而采集誤差就會(huì)導(dǎo)致車輛的檢索出現(xiàn)錯(cuò)誤。

本文是要將帶有誤差的車輛顏色、車輛類型、等多種固有屬性融合在一起，利用結(jié)構(gòu)分解的分層匹配算法進(jìn)行車輛對(duì)象的身份比較。

2.2 全域卡口采集的車輛動(dòng)態(tài)信息

車輛的動(dòng)態(tài)信息，指的是車輛在行駛中所處的空間位置以及對(duì)應(yīng)的時(shí)間信息。全域卡口系統(tǒng)中的采集點(diǎn)分布于整個(gè)城市的道路網(wǎng)絡(luò)中，車輛所經(jīng)過的卡口采集點(diǎn)的空間位置以及時(shí)間是動(dòng)態(tài)變化的，而這些空間位置、時(shí)間序列，也是車輛行駛行為的重要屬性信息。如何將這些空間位置及時(shí)間點(diǎn)關(guān)聯(lián)起來，正是本文要研究的問題。

根據(jù)上述分析，可以將車輛目標(biāo)的身份比較問題視為是一個(gè)復(fù)雜對(duì)象比較問題，復(fù)雜對(duì)象的比較通常出現(xiàn)在語句相似性計(jì)算、多媒體對(duì)象相似性度量、數(shù)據(jù)挖掘、頻繁項(xiàng)集對(duì)象相似度比較中。復(fù)雜對(duì)象的比較，常通過多特征的加權(quán)相似度比較和復(fù)雜對(duì)象結(jié)構(gòu)分解分層比較的兩種方法來解決。在本文中，擬借鑒復(fù)雜對(duì)象的屬性間的關(guān)系緊密程度的屬性分解相似度量方法來完成車輛目標(biāo)靜態(tài)信息的比較，實(shí)現(xiàn)車輛目標(biāo)的同一性檢索。然后，在全域卡口的背景下，從所在的過往車輛數(shù)據(jù)庫中可獲得該車輛對(duì)象出現(xiàn)的時(shí)間、交通卡點(diǎn)、車輛實(shí)行速度等信息。關(guān)聯(lián)這些信息，可預(yù)測車輛對(duì)象出現(xiàn)的空間位置，然后對(duì)目標(biāo)車輛的圖像和關(guān)鍵幀進(jìn)行車輛目標(biāo)的身份比較，通過分析的結(jié)果可以得到目標(biāo)車輛在全域卡口中出現(xiàn)的所有軌跡。

3 全域卡口車輛目標(biāo)的身份檢索

3.1 車輛目標(biāo)的同一性檢索

根據(jù)前述分析，根據(jù)復(fù)雜對(duì)象分解的分層相似性度量思想對(duì)車輛目標(biāo)的顏色特征、車類特征進(jìn)行分解，比較待檢測車輛與目標(biāo)車輛的相似距離；而后根據(jù)選擇策略進(jìn)行融合局部特征和特征的加權(quán)多特征比較。首先，將分層式的相似度量方案在圖1中給出。

具體設(shè)計(jì)方案如下：

（1）顏色特征CL：采用HSV顏色空間進(jìn)行定義，并設(shè)定為序數(shù)型特征，顏色類別序列化之后的結(jié)果為：

CL（黑）=1；CL（灰）=2；CL（白）=3；CL（紅）=4；CL（橙）=5；CL（黃）=6；CL（綠）=7；CL（淺綠）=8；CL（藍(lán)）=9；CL（紫）=10；CL（粉）=11；

本文所研究的城市卡口系統(tǒng)，分布于開放式的道路網(wǎng)絡(luò)中，因此，車輛的行駛路徑具有較高的隨機(jī)性。車輛所經(jīng)過的卡口采集點(diǎn)，不具備嚴(yán)格的順序關(guān)系，但是，車輛經(jīng)過某一個(gè)卡口采集點(diǎn)Ki，僅僅與前一個(gè)卡口Ki-1的位置有關(guān)系，這就是隨機(jī)過程中的馬爾可夫性。根據(jù)車輛的行駛物理規(guī)律，可以預(yù)測到車輛可能出現(xiàn)的下一個(gè)卡口的可能位置，然后根據(jù)前一個(gè)卡口的采集時(shí)間Ti-1，可以給出通過下一個(gè)卡口的時(shí)間區(qū)間Ti。以這個(gè)時(shí)間點(diǎn)為閾值，可以篩選出候選的視頻片段，然后在這些視頻片段中，應(yīng)用車輛目標(biāo)的同一性檢索，就可以以較大的概率檢索到目標(biāo)車輛。

4 實(shí)驗(yàn)及分析

本文選擇金鵬電子信息機(jī)器有限公司的卡口系統(tǒng)作為實(shí)驗(yàn)對(duì)象，以某個(gè)行政區(qū)內(nèi)的30個(gè)卡口作為實(shí)驗(yàn)區(qū)；卡口系統(tǒng)中的智能分析模塊提供了關(guān)于車輛的靜態(tài)信息有：車牌號(hào)碼、車牌顏色、車身顏色、車輛品牌（例如：JEEP）、車輛型號(hào)（例如：JEEP_牧馬人）、年款（例如：2013款）、車輛類別（例如：貨車、轎車）；動(dòng)態(tài)信息有：車輛速度、卡口名稱、方向名稱、經(jīng)過時(shí)間。輸入一個(gè)檢索實(shí)例，例如：在2016年8月1日至2016年8月10日期間，查找一輛紅色帕薩轎車，該車在XX路口附近出現(xiàn)過，車牌號(hào)中有一個(gè)數(shù)字A。按照這個(gè)輸入條件，將其分解為輸入關(guān)鍵詞，車牌號(hào)碼、車牌顏色、車身顏色、車輛品牌、車輛型號(hào)、年款、車輛類別的權(quán)值分別設(shè)定為：0.35、0.05、0.3、0.2、0.05、0.05；對(duì)于動(dòng)態(tài)信息，車輛速度代表的是卡口采集點(diǎn)線圈測速裝置的測量值，并不能代表車輛在道路行駛的平均速度，因此該信息在檢索中的實(shí)用價(jià)值較小。通過在全域卡口系統(tǒng)中的歷史過車數(shù)據(jù)庫中檢索：首先，通過設(shè)定檢索時(shí)間條件，在XX路口附近的卡口（共5個(gè)）檢索到記錄10907條過車記錄，再通過設(shè)定靜態(tài)信息條件，得到12條過車記錄，其相似度參見表1（表中的真實(shí)車牌號(hào)碼均用符號(hào)和數(shù)字代替）。

然后，通過對(duì)這22條記錄對(duì)應(yīng)的過車視頻信息進(jìn)行人工篩選判別，可得到，檢索結(jié)果即為輸入檢索示例對(duì)應(yīng)的車輛目標(biāo)。

5 結(jié)論

本文針對(duì)智慧城市中的全域卡口系統(tǒng)中的車輛檢索問題，提出了一種利用車輛行駛行為的時(shí)間、空間關(guān)聯(lián)關(guān)系來檢索車輛的方法。該方法將車輛目標(biāo)的靜態(tài)信息按照層次結(jié)構(gòu)進(jìn)行了分解，并分別計(jì)算了各個(gè)屬性的相似度，通過關(guān)聯(lián)這些相似度來檢索候選車輛目標(biāo)序列。最后，通過對(duì)全域卡口的歷史過車數(shù)據(jù)進(jìn)行了實(shí)驗(yàn)驗(yàn)證。本文提出的方法將有助于提升卡口系統(tǒng)的車輛目標(biāo)檢索效率。

參考文獻(xiàn)

[1]Bing-Fei Wu，Chih-Chung Kao，Jhy-Hong Juang，Yi-Shiun Huang.A New Approach to Video-Based Traffic Surveillance Using Fuzzy Hybrid Information Inference Mechanism [J]. IEEE Transactions on Intelligent Transportation Systems，2013，14（01）：485-491.

[2]Tianzhu Zhang，Si Liu，Changsheng Xu， Hanqing Lu.Mining Semantic Context Information for Intelligent Video Surveillance of Traffic Scenes [J]. IEEE Transactions on Industrial Informatics，2013，9（01）：149-160.

[3]嚴(yán)明.高速公路中車輛對(duì)象同一性的檢索[D].昆明：昆明理工大學(xué)，2014.

[4]陳文軍.相鄰卡口時(shí)空關(guān)聯(lián)車輛視頻檢索研究[D].昆明：昆明理工大學(xué)，2013.

[5]陳治平.基于復(fù)雜對(duì)象分解的相似性計(jì)算方法[J].計(jì)算機(jī)工程與應(yīng)用，2008， 44（34）：149-152.

[6]李桂林，陳曉云.關(guān)于聚類分析中相似度的討論[J].計(jì)算機(jī)工程與應(yīng)用，2004，40（31）：64-66.

[7]鐘文.不確定推理在多源信息融合中的若干應(yīng)用研究[D].南京：南京理工大學(xué)， 2002.

[8]Rogerio Schmidt Feris，Behjat Siddiquie，James Petterson，etc. Large-Scale Vehicle Detection，Indexing，and Search in Urban Surveillance Videos. IEEE TRANSACTIONS ON MULTIMEDIA， 2012，14（01）：28-42.

作者簡介

孫盛（1980-），男，湖北省建始縣人。博士學(xué)位?，F(xiàn)為金鵬電子信息機(jī)器有限公司博士后工作站、華南師范大學(xué)計(jì)算機(jī)學(xué)院博士后流動(dòng)站聯(lián)合培養(yǎng)博士后。主要研究方向?yàn)橛?jì)算機(jī)視覺、模式識(shí)別。

作者單位

1.金鵬電子信息機(jī)器有限公司 廣東省廣州市 510663

2.華南師范大學(xué)計(jì)算機(jī)學(xué)院 廣東省廣州市 510631