本發(fā)明屬于深度特征的視頻檢測(cè)技術(shù)領(lǐng)域，涉及路面事件的檢測(cè)，基于Deep-CNN路面反向識(shí)別模型進(jìn)行車(chē)輛違?；蚰嫘袡z測(cè)，以及對(duì)檢測(cè)結(jié)果的數(shù)據(jù)分析與數(shù)據(jù)挖掘，為一種基于深度卷積神經(jīng)網(wǎng)絡(luò)(Deep-CNN)的車(chē)輛違停逆行檢測(cè)方法。

背景技術(shù)：

道路事故，交通擁堵，環(huán)境污染是當(dāng)今公路交通發(fā)展面臨的普遍性難題。道路交通安全狀況令人堪憂，道路信息化與智能交通系統(tǒng)(Intelligent Transportation System，ITS)是提升道路設(shè)施利用效率，緩解交通堵塞，降低交通事故發(fā)生率的有效手段。通過(guò)計(jì)算機(jī)視覺(jué)技術(shù)實(shí)時(shí)感知道路車(chē)速、流量等交通流參數(shù)，提供實(shí)時(shí)路況，并結(jié)合歷史數(shù)據(jù)對(duì)路網(wǎng)通行狀態(tài)和出行時(shí)間進(jìn)行預(yù)測(cè)，以自動(dòng)視頻分析代替人工監(jiān)看，從海量視頻中檢測(cè)道路異常事件，包括路面遺留物檢測(cè)、高速公路違法停檢測(cè)等高危事件，對(duì)提高公路信息化水平和公眾服務(wù)能力都具有非常重要的意義。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的問(wèn)題是：隨著道路監(jiān)控視頻數(shù)量大幅攀升，僅依靠人工無(wú)法實(shí)現(xiàn)既有視頻資源有效管理。通過(guò)計(jì)算機(jī)視頻分析自動(dòng)分析交通監(jiān)控視頻，提取交通參數(shù)，自動(dòng)發(fā)現(xiàn)并主動(dòng)上報(bào)異常事件，可大幅減少交通管理的人力成本，提高管理水平與事件應(yīng)急響應(yīng)能力。

本發(fā)明的技術(shù)方案為：基于深度卷積神經(jīng)網(wǎng)絡(luò)的車(chē)輛違停逆行檢測(cè)方法，基于深度卷積神經(jīng)網(wǎng)絡(luò)Deep-CNN網(wǎng)絡(luò)模型，Deep-CNN網(wǎng)絡(luò)模型將路面感興趣區(qū)域劃分為多個(gè)網(wǎng)絡(luò)，構(gòu)建路面—非路面識(shí)別模型，通過(guò)非路面網(wǎng)格反向識(shí)別高速公路路面非法停車(chē)、逆行等目標(biāo)，包括以下步驟：

Step1：路面模型訓(xùn)練，采集道路攝像頭的視頻圖像，將視頻窗口中路面的感興趣區(qū)域ROI_路面網(wǎng)格化分割成多個(gè)小塊，標(biāo)準(zhǔn)化后作為Deep-CNN網(wǎng)絡(luò)模型的訓(xùn)練集，訓(xùn)練時(shí)首先采用無(wú)監(jiān)督方法訓(xùn)練獲取圖像特征，聚類后再設(shè)置標(biāo)簽，人工方式標(biāo)記路面類型，區(qū)分路面與非路面，得到路面—非路面識(shí)別模型；

Step2：非路面前景模型訓(xùn)練，將被分為非路面的網(wǎng)格圖片按連通區(qū)域組合成候選目標(biāo)加入訓(xùn)練庫(kù)，再次采用Deep-CNN網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，分級(jí)訓(xùn)練路面目標(biāo)，所述路面目標(biāo)包括車(chē)輛、路面遺留物和行人，得到前景識(shí)別模型；

Step3：前景目標(biāo)檢測(cè)，在step1及step2的識(shí)別模型基礎(chǔ)上，對(duì)實(shí)時(shí)視頻圖像使用Deep-CNN網(wǎng)絡(luò)模型和SVM分類器實(shí)現(xiàn)前景目標(biāo)的檢測(cè)與分類，先識(shí)別路面非路面，再識(shí)別出前景目標(biāo)的類型；

Step4：行為分析，在前景目標(biāo)分類識(shí)別基礎(chǔ)上，根據(jù)前景目標(biāo)在視頻圖像序列中的上下文信息，進(jìn)行道路事件車(chē)輛違停逆行檢測(cè)識(shí)別，設(shè)與分別為T(mén)₀與T_0+t時(shí)刻的第k個(gè)前景候選目標(biāo)的位置，計(jì)算前景候選目標(biāo)在圖像區(qū)域位移的歐氏距離獲取第k個(gè)前景候選目標(biāo)運(yùn)動(dòng)狀態(tài)與方向，進(jìn)一步確定目標(biāo)是否存在停止或逆行狀態(tài)。

所述的車(chē)輛違?；蚰嫘袡z測(cè)具體為：

Step1.1：對(duì)實(shí)時(shí)視頻圖像中的路面設(shè)置禁止區(qū)域ROI_禁，視頻窗口圖像網(wǎng)格化后，根據(jù)路面—非路面識(shí)別模型進(jìn)行分類；

Step1.2：連通ROI_禁區(qū)域內(nèi)非路面網(wǎng)格圖片I_i,j，生成候選目標(biāo)O_k；

Step1.3：對(duì)候選目標(biāo)O_k分類識(shí)別，如果為車(chē)，則鎖定為車(chē)輛目標(biāo)；

Step1.4：計(jì)算初始時(shí)刻T₀與t時(shí)刻后T_0+t之間車(chē)輛目標(biāo)位移距離與方向，和正常道路車(chē)輛方向進(jìn)行對(duì)比；

Step1.5：判定車(chē)輛違?；蚰嫘行袨?。

進(jìn)一步的，Step1和Step2具體為：

1)設(shè)置感興趣區(qū)域ROI_路面：采集道路或街景監(jiān)控器的視頻圖像，獲得道路或街景視頻幀圖像，根據(jù)實(shí)際的道路或街景狀況，在當(dāng)前幀圖像上提取關(guān)注區(qū)域的邊界對(duì)角4個(gè)點(diǎn)，對(duì)所提取的點(diǎn)進(jìn)行直線擬合計(jì)算，形成叉形結(jié)構(gòu)，叉形結(jié)構(gòu)內(nèi)作為檢測(cè)的興趣域ROI_路面，也就是有效檢測(cè)區(qū)域；

2)非檢測(cè)區(qū)域漫水填充：非ROI_路面為非監(jiān)測(cè)區(qū)域，進(jìn)行漫水填充處理，填充后，落在ROI_路面區(qū)域外的網(wǎng)格圖片像素均值為0，直接濾除不再進(jìn)行后續(xù)處理；

3)檢測(cè)區(qū)域ROI_路面網(wǎng)格化分塊，網(wǎng)格圖片經(jīng)Deep-CNN分類結(jié)果為路面或非路面，將ROI_路面的分塊中非路面的網(wǎng)格圖片連起來(lái)，記為I_p,q，即路面，I_p,q組成候選目標(biāo)，送入分類器，分類為車(chē)輛、行人或路面遺留物。

本發(fā)明充分利用現(xiàn)有視頻監(jiān)控設(shè)施和海量視頻數(shù)據(jù)，可最大限度節(jié)省硬件投入，獲得更豐富直觀的交通數(shù)據(jù)，滿足交通管理與公眾服務(wù)的數(shù)據(jù)/信息需求。

本發(fā)明建立了基于Deep-CNN的反向路面識(shí)別模型，利用Deep-CNN路面模型解決移動(dòng)攝像機(jī)與圖像目標(biāo)檢測(cè)，應(yīng)用于車(chē)輛違停檢測(cè)、逆行檢測(cè)等任務(wù)。與地感線圈、雷達(dá)等傳統(tǒng)技術(shù)相比，監(jiān)控視頻含有路面、車(chē)輛、路面遺留物等圖像信息，通過(guò)CNN神經(jīng)網(wǎng)絡(luò)提取上述特征并基于Deep-CNN檢測(cè)路面車(chē)輛違停、逆行等異常事件信息，識(shí)別道路事故并及時(shí)發(fā)送圖文報(bào)警，提供比傳統(tǒng)車(chē)檢設(shè)備更豐富的道路事件信息。

本發(fā)明在監(jiān)測(cè)區(qū)域大范圍部署移動(dòng)終端，形成移動(dòng)終端檢測(cè)點(diǎn)，通過(guò)移動(dòng)通信設(shè)備或道路監(jiān)控進(jìn)行交互式標(biāo)定，確定攝像頭參數(shù)后，使用攝像頭采集圖像，利用CNN神經(jīng)網(wǎng)絡(luò)對(duì)采集的圖像作進(jìn)一步分析，獲得當(dāng)前每個(gè)圖像的ROI數(shù)據(jù)，將路面ROI區(qū)域劃分為多個(gè)網(wǎng)絡(luò)，構(gòu)建路面—非路面識(shí)別模型，通過(guò)非路面網(wǎng)格反向識(shí)別非法停車(chē)、逆向行駛等目標(biāo)。

本發(fā)明移動(dòng)終端檢測(cè)點(diǎn)為道路攝像頭，自身價(jià)格低廉，充分利用移動(dòng)互聯(lián)網(wǎng)優(yōu)勢(shì)，不需要昂貴的監(jiān)測(cè)儀器設(shè)備，只需道路上現(xiàn)成的攝像頭，可大范圍部署，現(xiàn)場(chǎng)檢測(cè)路面信息通過(guò)移動(dòng)互聯(lián)網(wǎng)傳輸至服務(wù)器。充分利用移動(dòng)互聯(lián)網(wǎng)的特點(diǎn)與優(yōu)勢(shì)，以低成本實(shí)現(xiàn)區(qū)域高覆蓋率路面事件檢測(cè)。

附圖說(shuō)明

圖1為本發(fā)明基于Deep-CNN反向識(shí)別路面事件檢測(cè)流程圖

圖2為本發(fā)明使用的Deep-CNN模型原理。(a)Softplus與ReLU激活函數(shù)(b)Deep-CNN網(wǎng)絡(luò)結(jié)構(gòu)。

圖3為本發(fā)明Deep-CNN路面識(shí)別模型檢測(cè)圖。(a)ROI檢測(cè)區(qū)域劃分(b)漫水法填充清除非ROI區(qū)域像素(c)網(wǎng)格化Deep-CNN輸入及目標(biāo)檢測(cè)。

圖4為本發(fā)明移動(dòng)終端單幀照片路面檢測(cè)訓(xùn)練圖。(a)手持移動(dòng)終端照片(b)車(chē)道ROI區(qū)域路面檢測(cè)效果。

圖5為本發(fā)明實(shí)施的選取江蘇省寧連高速公路場(chǎng)景進(jìn)行基于Deep-CNN路面反向識(shí)別模型禁區(qū)違停、逆行檢測(cè)效果圖(a)路面ROI(b)違停檢測(cè)(c)逆行檢測(cè)(d)逆行檢測(cè)。

具體實(shí)施方式

本發(fā)明將深度學(xué)習(xí)引入路面事件識(shí)別并加以改進(jìn)，可顯著提高道路事件識(shí)別準(zhǔn)確度?？紤]到車(chē)輛為靜態(tài)目標(biāo)，而傳統(tǒng)背景建模方法不適用于靜態(tài)目標(biāo)檢測(cè)，以及路面遺留物難以使用先驗(yàn)?zāi)Ｐ蜆?gòu)造訓(xùn)練集，使得同樣作為靜態(tài)目標(biāo)的路面遺留物會(huì)與違停車(chē)輛混淆的情況。本發(fā)明建立了基于深度卷積神經(jīng)網(wǎng)絡(luò)Deep-CNN的路面反向識(shí)別模型，移動(dòng)終端檢測(cè)點(diǎn)為道路攝像頭，移動(dòng)終端檢測(cè)點(diǎn)通過(guò)攝像頭獲取圖像信息，利用CNN神經(jīng)網(wǎng)絡(luò)對(duì)獲取的圖像進(jìn)行分析，將路面ROI區(qū)域劃分為多個(gè)網(wǎng)絡(luò)，構(gòu)建路面—非路面識(shí)別模型，通過(guò)非路面網(wǎng)格反向識(shí)別非法停車(chē)和逆向行駛。

本發(fā)明構(gòu)建了基于Deep-CNN網(wǎng)絡(luò)的分層道路事件識(shí)別框架：

其基本思想是分層識(shí)別，通過(guò)路面—非路面識(shí)別，進(jìn)而反向識(shí)別路面目標(biāo)物，路面反向識(shí)別過(guò)程為：

首先進(jìn)行路面模型訓(xùn)練，將視頻窗口的感興趣區(qū)域(Region of Interest,ROI)網(wǎng)格化分割成多個(gè)小塊，標(biāo)準(zhǔn)化后作為Deep-CNN網(wǎng)絡(luò)的訓(xùn)練集，考慮到路面模型由路面瀝青、路面車(chē)道、護(hù)欄等組成，圖像外觀差異較大，強(qiáng)制標(biāo)注為單獨(dú)一類容易引起過(guò)擬合，故而采用無(wú)監(jiān)督方法訓(xùn)練獲取圖像特征，聚類后再以多類標(biāo)簽人工方式標(biāo)記路面，保證準(zhǔn)確區(qū)分路面與非路面。

然后進(jìn)行非路面前景模型訓(xùn)練，將被分為非路面的網(wǎng)格圖片塊按連通區(qū)域組合成候選目標(biāo)加入訓(xùn)練庫(kù)，再次Deep-CNN網(wǎng)絡(luò)訓(xùn)練，分級(jí)訓(xùn)練路面目標(biāo)，包括車(chē)輛、路面遺留物、行人等。

對(duì)道路進(jìn)行實(shí)時(shí)檢測(cè)時(shí)，首先進(jìn)行前景目標(biāo)檢測(cè)，在之前的路面識(shí)別模型基礎(chǔ)上實(shí)現(xiàn)運(yùn)動(dòng)與靜態(tài)前景目標(biāo)檢測(cè)與分類。

最后進(jìn)行行為分析，在前景目標(biāo)檢測(cè)基礎(chǔ)上，根據(jù)目標(biāo)在視頻圖像序列中的上下文信息，進(jìn)行車(chē)輛違停檢測(cè)、車(chē)輛逆行檢測(cè)。

所述的車(chē)輛違停檢測(cè)和逆行檢測(cè)具體實(shí)現(xiàn)于以下步驟：

Step1.1：對(duì)實(shí)時(shí)視頻圖像中的路面設(shè)置禁止區(qū)域ROI_禁，視頻窗口圖像網(wǎng)格化后，根據(jù)路面—非路面識(shí)別模型進(jìn)行分類；

Step1.2：連通ROI_禁區(qū)域內(nèi)非路面網(wǎng)格圖片I_i,j，生成候選目標(biāo)O_k；

Step1.3：對(duì)候選目標(biāo)O_k分類識(shí)別，如果為車(chē)，則鎖定為車(chē)輛目標(biāo)；

Step1.4：計(jì)算初始時(shí)刻T₀與t時(shí)刻后T_0+t之間車(chē)輛目標(biāo)位移距離與方向，和正常道路車(chē)輛方向進(jìn)行對(duì)比；

Step1.5：判定車(chē)輛違?；蚰嫘行袨?。

下面通過(guò)具體實(shí)施例進(jìn)一步說(shuō)明本發(fā)明的實(shí)施。

本發(fā)明的流程示意圖如圖1所示，通過(guò)移動(dòng)終端道路攝像機(jī)獲取視頻圖片，進(jìn)行CNN處理訓(xùn)練分類進(jìn)行路面事件檢測(cè)：

Step1：路面模型訓(xùn)練，將視頻窗口的感興趣區(qū)域(Region of Interest,ROI)分割成多個(gè)小塊，標(biāo)準(zhǔn)化后作為Deep-CNN網(wǎng)絡(luò)的訓(xùn)練集，考慮到路面模型由路面瀝青、路面車(chē)道、護(hù)欄等組成，圖像外觀差異較大，強(qiáng)制標(biāo)注為單獨(dú)一類容易引起過(guò)擬合，故而采用無(wú)監(jiān)督方法訓(xùn)練獲取圖像特征，聚類后再以多類標(biāo)簽人工方式標(biāo)記路面，保證準(zhǔn)確區(qū)分路面與非路面；

Step2：非路面前景模型訓(xùn)練，將被分為非路面的分割小塊按連通區(qū)域組合成候選目標(biāo)加入訓(xùn)練庫(kù)，再次Deep-CNN網(wǎng)絡(luò)訓(xùn)練，分級(jí)訓(xùn)練路面目標(biāo)，包括車(chē)輛、路面遺留物、行人等；

Step3：前景目標(biāo)檢測(cè)，在step1、step2路面識(shí)別模型基礎(chǔ)上實(shí)現(xiàn)運(yùn)動(dòng)與靜態(tài)前景目標(biāo)檢測(cè)與分類；

Step4：行為分析，在前景目標(biāo)分類識(shí)別基礎(chǔ)上，根據(jù)上下文信息，進(jìn)行道路事件識(shí)別，包括車(chē)輛違停檢測(cè)、車(chē)輛逆行檢測(cè)。

深度卷積神經(jīng)網(wǎng)絡(luò)Deep-CNN的網(wǎng)絡(luò)模型原理如圖2所示，包括：

1)類生物神經(jīng)激活函數(shù)：

神經(jīng)科學(xué)家認(rèn)為人腦信號(hào)接收過(guò)程實(shí)質(zhì)上是神經(jīng)觸突對(duì)外界輸入信號(hào)的激活響應(yīng)，神經(jīng)元結(jié)點(diǎn)興奮可以看作一次函數(shù)激活，對(duì)外界刺激做出反映結(jié)點(diǎn)值為1，否則為0。對(duì)腦電波受輸入刺激的能量測(cè)量實(shí)驗(yàn)發(fā)現(xiàn)，外界刺激與神經(jīng)元結(jié)點(diǎn)響應(yīng)的模式是稀疏的，即大量刺激信號(hào)下只有一部分神經(jīng)元結(jié)點(diǎn)是激活的，接收到外界信息同一時(shí)間只有約1％～4％的神經(jīng)元處于活躍狀態(tài)。2001年，神經(jīng)科學(xué)家Dayan和Abott從生物學(xué)角度，提出模擬出了腦神經(jīng)元信號(hào)接受與激活響應(yīng)模型。為了便于計(jì)算，Glorot等人提出了適應(yīng)于機(jī)器學(xué)習(xí)多層神經(jīng)網(wǎng)絡(luò)的校正非線性激活函數(shù)Softplus，近似替代神經(jīng)元模型。

Softplus函數(shù)定義為：

SortPlus(x)＝log(1+exp(x)) (1)

校正線性激活函數(shù)(Rectified Linear Units，ReLU)是Softplus的線性簡(jiǎn)化版本，定義為：

ReLU(x)＝max(0，x) (2)

ReLU函數(shù)求導(dǎo)非常簡(jiǎn)單，當(dāng)x>0時(shí)導(dǎo)數(shù)為1，否則為0，求導(dǎo)公式為可表示為：

Softplus與ReLU激活函數(shù)的曲線分布如圖2(a)

2)網(wǎng)絡(luò)結(jié)構(gòu)

圖2(b)為多層CNN網(wǎng)絡(luò)結(jié)構(gòu)包含輸入層、隱含層和輸出層等基本層次，隱含層由多個(gè)卷積—池化子層疊加而成，上一層的輸出作為下一層的輸入。每次卷積計(jì)算后使用ReLU函數(shù)激活結(jié)點(diǎn)，由于ReLU函數(shù)的求導(dǎo)特征，初始值經(jīng)過(guò)ReLU梯度計(jì)算后部分結(jié)點(diǎn)的權(quán)值被置為0，這被分0值權(quán)重的部分結(jié)點(diǎn)不被激活，使得網(wǎng)絡(luò)結(jié)構(gòu)具有稀疏性。稀疏性網(wǎng)絡(luò)結(jié)構(gòu)符合生物神經(jīng)的本質(zhì)，在數(shù)學(xué)計(jì)算中也具有實(shí)際優(yōu)勢(shì)，如減少參數(shù)復(fù)雜度，提高運(yùn)算效率，并可以有效防止過(guò)擬合現(xiàn)象發(fā)生。

整個(gè)過(guò)程包括以下具體操作：

基于Caffe實(shí)現(xiàn)提出的Deep-CNN路面識(shí)別模型，以路面模型反向提取候選目標(biāo)，分類后實(shí)現(xiàn)違停檢測(cè)和逆行檢測(cè)等功能。

假設(shè)輸入圖像尺寸為w×h，使用步長(zhǎng)s將圖像網(wǎng)格化為(w/s)×(h/s)個(gè)小塊，表示成矩陣序列A_ij(i＝1,2,3…w/s；j＝1,2,3…h(huán)/s)，步長(zhǎng)s的像素寬度約為車(chē)道的1/4寬度。

檢測(cè)興趣區(qū)域ROI_路面為點(diǎn){x1，y1；x2，y2；x3，y3；x4.y4；x1，y1}圍成的封閉檢測(cè)區(qū)域，則A_ROI∈ROI_路面為檢測(cè)區(qū)域內(nèi)矩陣網(wǎng)格。

將路面模型的A_ROI圖像塊送入Deep-CNN訓(xùn)練，使用無(wú)監(jiān)督方法，提取路面模塊特征后進(jìn)行聚類，將路面聚類為瀝青表面、車(chē)道線標(biāo)記、護(hù)欄等子類型，標(biāo)記為“路面1”～“路面n”(n<4)。為提高路面模型樣本覆蓋，網(wǎng)格化圖像過(guò)程采用向下、向右偏移部分像素采樣方法，共得到3×(w/s)×(h/s)個(gè)路面樣本。

輸入圖像網(wǎng)格化后，構(gòu)造對(duì)應(yīng)分類矩陣，位于路面非檢測(cè)區(qū)域的網(wǎng)格圖片直接使用漫水法將像素置為0，非覆沒(méi)區(qū)網(wǎng)格矩陣初始化為-1，檢測(cè)區(qū)域網(wǎng)格圖像塊由Deep-CNN路面模型分類后，輸出分類結(jié)果矩陣

由于難以使用先驗(yàn)知識(shí)構(gòu)建路面遺留物經(jīng)驗(yàn)?zāi)Ｐ?，本發(fā)明采用路面—非路識(shí)別，反向?qū)崿F(xiàn)前景檢測(cè)與分類。提取前景由C_ROI＝1的連通矩陣子塊構(gòu)成候選目標(biāo)，使用Deep-CNN目標(biāo)網(wǎng)絡(luò)將前景聚類為車(chē)輛、行人、其他目標(biāo)(可能為路面遺留物)。

圖3演示了Deep-CNN路面模型實(shí)現(xiàn)過(guò)程，圖3(a)中標(biāo)注了興趣域，即檢測(cè)區(qū)域，使用4個(gè)頂點(diǎn)生成封閉的ROI檢測(cè)區(qū)，圖3(b)為非檢測(cè)區(qū)漫水填充，漫水法填充后，網(wǎng)格圖片塊I_i,j落在ROI區(qū)域外的網(wǎng)格圖片像素均值為0，可在送入Deep-CNN前直接過(guò)濾。檢測(cè)區(qū)ROI圖片塊經(jīng)Deep-CNN分類結(jié)果為路面或非路面。將ROI_路面的分塊中非路面的網(wǎng)格圖片連起來(lái)，記為I_p,q，即路面，如圖3(c)加粗標(biāo)記區(qū)域所示，I_p,q組成候選目標(biāo)，送入分類器，分類為車(chē)輛、行人或其他不明確目標(biāo)(即路面遺留物)。

設(shè)與分別為T(mén)₀與T_0+t時(shí)刻的第k個(gè)前景候選目標(biāo)的位置，計(jì)算前景候選目標(biāo)在圖像區(qū)域位移的歐氏距離獲取第k個(gè)前景候選目標(biāo)運(yùn)動(dòng)狀態(tài)與方向，進(jìn)一步確定目標(biāo)是否存在停止或逆行狀態(tài)。

圖4演示了手持終端移動(dòng)照片路面檢測(cè)情況，圖4(a)為原始照片，使用車(chē)道線直線檢測(cè)提取ROI檢測(cè)區(qū)域，并將非ROI區(qū)域使用漫水法填充為黑色，以減輕分類器負(fù)擔(dān)，如圖4(b)所示，路面下水井蓋，立錐路障，減速帶都被檢測(cè)成非路面。對(duì)常規(guī)路面設(shè)施，如井蓋、路障等，可提取前景圖像至訓(xùn)練樣本集中直接訓(xùn)練檢測(cè)模型。

基于上述模型，圖5(b)、(c)、(d)分別實(shí)現(xiàn)了禁區(qū)違停檢測(cè)、車(chē)輛逆行檢測(cè)、車(chē)輛逆行檢測(cè)。

高速公路匝道出口停車(chē)或逆行、應(yīng)急車(chē)道停車(chē)等行為易造成安全隱患，圖5演示了Deep-CNN禁區(qū)停車(chē)檢測(cè)模型實(shí)現(xiàn)。在路面中劃出禁區(qū)ROI_禁，如出口匝道分道口前端魚(yú)骨斑馬線與應(yīng)急車(chē)道等區(qū)域，將檢測(cè)區(qū)域圖像網(wǎng)格A_ROI送入Deep-CNN路面模型訓(xùn)練，生成禁區(qū)路面模板，如圖5(a)所示。將檢出的前景目標(biāo)區(qū)域再次由Deep-CNN前景分類器識(shí)別出車(chē)輛。以車(chē)輛目標(biāo)跨越網(wǎng)格矩陣行數(shù)M_row為位移閾值，假設(shè)目標(biāo)在間隔時(shí)間t內(nèi)運(yùn)動(dòng)跟蹤小于設(shè)定閾值，則判定為停車(chē)，否則計(jì)算車(chē)移動(dòng)距離與方向，如運(yùn)動(dòng)方向dirctv與行車(chē)方向dirctflow相反，則判定為逆行，圖5(b)～(d)分別為停車(chē)與逆行檢測(cè)。其中違停閾值為t>20S(500幀)，M_row<3，逆行閾值M_row>＝3，運(yùn)動(dòng)方向?yàn)閐irctv＝-dirctflow。