基于目标检测的城市路口车辆加塞的行为识别研究

针对城市交通路口常见的车辆加塞行为，建立一个基于目标检测算法的车辆加塞行为识别模型。首先对城市路口图像进行目标检测，并对检测结果进行目标类别筛选，保留加塞行为的目标类别；其次对目标中心点进行Hough变换，在图像中拟合多条直线；然后对Hough变换的结果进行非极大值抑制、非车道方向抑制等后处理，得到输入图像中车道方向直线；最后通过计算目标中心点与车道方向直线的距离判定目标是否具有加塞行为。本文采用Hough变换对基于深度学习的目标检测结果进行处理，通过拟合图像中车道方向直线，判断车辆与车道方向直线的距离，可有效检测路口车辆的加塞行为。

随着科技的发展以及人民生活水平的不断提高，汽车走进了千家万户。据统计，2021 年上半年全国机动车保有量达3.84 亿辆，其中汽车保有量达2.92 亿辆[1]。但是飞速增长的机动车保有量与城市建设、交通道路整改力度等往往不是同步的，因此在现实中常见如车辆加塞等违法行为。虽然近年来交警部门通过无人机航拍、电子警察抓拍以及路面查处等方式查处多起车辆加塞行为，但是目前尚无完善的检测车辆加塞的设备与方法，且上述查处方式对人力以及财力的消耗是巨大的。

在技术领域中，进行车辆加塞行为识别时，主流的方法是依托监控视频流的信息：通过传统图像处理方法对整幅图像进行处理，提取出相应车辆信息，进而预测车辆行驶轨迹。但此类方法在提取车辆信息时计算量大，严重依赖传统算法对图像的信息提取能力，且车辆信息提取的好坏直接影响预测结果。

随着大数据时代的到来以及深度学习的兴起，基于深度学习的目标检测算法飞速发展。目标检测可分为两阶段目标检测算法[2]-[8]和一阶段目标检测算法[9]-[14]，是一类用来检测图片或视频中物体的位置以及类别的算法。虽然该算法可以有效检测道路上的车辆，却不能实现加塞车辆的检测。

基于上述分析，本文提出基于目标检测的城市路口车辆加塞行为的识别研究。以目标检测算法为基础， 对算法检测到的城市交通路口的目标车辆进行建模， 通过模型分析， 有效检测加塞行为的车辆。

在现实场景中可对其进行抓拍上传网络，有利于减轻民警负担，同时该方法不需要购买设备，减轻相关部门财政开销。

2. 相关知识 2.1. Faster R-CNN 网络结构 Faster R-CNN 以Fast R-CNN 为基础，提出了区域选取网络(RPN)：通过在特征图上设置的大量锚框