基于深度學習的出租車違法違規(guī)行為視頻圖像監(jiān)測和分析技術(shù)研究

李 陽 孫 鑫 王國慶 姚 磊

1.安徽博微廣成信息科技有限公司 安徽大學聯(lián)合博士后科研工作站 安徽 合肥 230031

2.安徽博微廣成信息科技有限公司 安徽 合肥 230031

1 引言

目前被普遍認識的違法違規(guī)行為包括：在客流集散地私攬乘客、工作時吸煙、未著工裝及司機留光頭、長須等。對上述行為開展視頻圖像監(jiān)測與分析技術(shù)研究,將促進道路交通執(zhí)法工作不斷向“公平、公正、公開”方向發(fā)展,也將為出租車違法違規(guī)運營行為的有效監(jiān)管作出貢獻。

2 研究內(nèi)容

2.1 私自攬客 私自攬客行為的智能化視頻監(jiān)控研究可分為出租車輛檢測與乘客上車行為檢測兩個部分,因此可分別從車輛目標檢測與人體行為分析兩個方向開展研究。

2.1.1 車輛目標檢測 RCNN是基于深度學習框架的目標檢測算法的基礎,可以預先提取一系列較可能是物體的候選區(qū)域,在一定程度上增加速度,避免傳統(tǒng)目標檢測算法人工提取特征的麻煩。

2.1.2 人體行為分析

2.1.2.1 目標檢測 應用于靜態(tài)背景下的運動目標檢測算法是幀間差分法、背景差分法以及光流法。經(jīng)過分析,背景差分法易于實現(xiàn),更適用于背景已知的情況。

2.1.2.2 目標跟蹤 指在一段視頻序列圖像中的每幀圖像中實時的找到感興趣的人體目標,可采用基于Kalman濾波和粒子濾波的目標跟蹤方法。

2.1.2.3 行為識別 人體行為識別同樣分為特征提取與行為識別兩部分,在完成人體目標檢測與跟蹤后,需要對乘客上車行為進行識別。該行為特征較為明顯,乘客上車時,人體高寬比會發(fā)生明顯變化。因此,當檢測到跟蹤的人體目標的高寬比急劇下降時,即可認為乘客發(fā)生了疑似上車的行為。

2.2 吸煙

2.2.1 煙霧疑似區(qū)域 可利用煙霧的顏色特征提取視頻圖像每一幀中的煙霧疑似區(qū)域。

2.2.2 吸煙煙霧動態(tài)特征 在完成對吸煙行為產(chǎn)生的煙霧進行顏色特征分析之后,生成的疑似煙霧區(qū)域包含吸煙產(chǎn)生的煙霧,同時不可避免的包含具有與煙霧類似顏色特征的部分非煙霧區(qū)域,需對疑似煙霧區(qū)域進行基于時空域的動態(tài)特征分析。

2.2.3 吸煙行為判定 通過前文算法處理,選擇并提取煙霧區(qū)域面積變化特征與煙霧區(qū)域質(zhì)心軌跡特征得到特征向量,從而實現(xiàn)對吸煙行為的分類判斷,并利用SVM分類器實現(xiàn)吸煙檢測。

2.3 未著工裝 采用基于顏色特征的衣服識別方法實現(xiàn)對出租車司機不著工裝行為的檢測。

2.3.1 人體工裝區(qū)域劃定 采用基于人臉定位的基礎上間接定位服裝區(qū)域。

2.3.2 人臉區(qū)域判定 采用AdaBoost算法來實現(xiàn)人臉區(qū)域判定,檢測時將人臉識別框的下邊作為軀干的上邊,長度為三倍的人臉長。

2.3.3 未著工裝行為判定 利用全局代表色和分塊代表色來對圖像進行特征提取,最終將檢測出的標準工裝的顏色直方圖與出租車司機當時所穿衣服的顏色直方圖進行全局和局部的直方圖相似度匹配,來確定該司機是否存在未著工裝的行為。

2.4 蓄須、光頭

2.4.1 下巴和頭頂區(qū)域定位 通過Adaboost分類器識別人臉、定位瞳孔和鼻尖的位置后,進而對下巴區(qū)域進行定位下巴區(qū)域定位如圖1中(a)、(b)所示：

圖1 下巴區(qū)域定位

對頭頂區(qū)域判定、定位如圖2中(a)、(b)所示：

圖2 頭部區(qū)域判定

2.4.2 蓄須和光頭行為判定 采用基于Ycrcb顏色空間的Otsu算法進行蓄須和光頭行為判定。首先將指定區(qū)域圖像利用最大類間差(Otsu)自適應閾值算法尋找最佳閾值進行顏色分割,區(qū)分出膚色區(qū)域進和胡須、頭發(fā)區(qū)域,然后利用圖像的二值化對兩類像素點進行區(qū)分,采用的統(tǒng)計信息為像素點百分比。

3 總結(jié)

本文所提及的技術(shù)還需不斷在實際工作中進行實踐,通過應用反饋優(yōu)化,方能在更多的應用場景中體現(xiàn)監(jiān)測和分析技術(shù)的有效性、準確性。