摘  要： 为了研究复杂环境下交通事故侧翻车辆的检测识别问题，采用RCNN检测算法，对一定数量的常见车辆事故场景和车身关键部位进行模型训练，并在此基础上结合空间辅助定位模型加强车辆侧翻检测分类。实验结果表明，该组合方法有效地提升了翻车事故的检测识别水平，并对误检率和漏检率有显著的抑制作用。

关键词： RCNN; 空间辅助定位; 翻车事故检测; 交通安全

中图分类号：TP391.4          文献标志码：A     文章编号：1006-8228（2019）01-55-04

Abstract： In order to study the detection and identification of traffic accident rollover vehicles in complex environments， the RCNN detection algorithm is used to train a model with certain number of common vehicle accident scenes and key parts of the vehicle body. On this basis， the detection of vehicle rollover is enhanced with the space-aided positioning model. The experiment result shows that the combined method effectively improves the detection and recognition level of the vehicle rollover accident and has a significant inhibitory effect on the false detection rate and the missed detection rate.

Key words： RCNN; space-aided positioning model; vehicle rollover accident detection; traffic safety

0 引言

在交通拥挤的城市，如何通过有效的交通信息检测到交通事故的发生是一个难题。早期，研究人员一般采用统计性质的车流量数据来预测交通事故，Chien-Hua Hsiao等人采用模糊逻辑与神经网络相结合的方法，提出一种模糊逻辑事件巡检系统（FLPS）[1];Stephanedes等人设计了一种时间平滑检测器，可以用来减少因为在短时间内的交通扰动发生错误事件决策的可能性[2];龙琼等人提出一种尖点突变理论，从车流量的数据中检测车辆的拥堵事件[3]。以上方法由于硬件水平和检测方式的局限性，一般采用地感线圈等装置获取车流量来作为交通事故检测的依據，在数据信息获取的维度上较为单一，难以描述到更具象化的交通事故信息。在之后的几十年里，多数城市的关键交通道路的视频监控系统设备逐步走向“全天候、全覆盖、无死角”，为城市道路提供了最为直观和丰富的交通道路信息。

随着人工智能、大数据分析方法和机器视觉技术的快速发展，如何从海量交通视频流实时检测和发掘关键交通事故信息，逐步成为重要的研究方向和研究热点。旺勤等人在文献[4]中提出了基于视频分析的交通事件报警系统，从道路监控视频流中自动获取交通参数和交通事故信息，便于及时检测报警;刘纬琪等人通过设计某种二维平面包围盒来检测车辆间的安全距离和车辆间的碰撞[5];赵有婷等人采用机器视觉和轨迹分析的方法来检测最为常见的五种交通违章事件[6];苑玮琦等人采用背景差分方法来检测交通道路拥堵、行人、车辆等交通事故[7]。由于受到算法实时性和检测技术的约束，以上文献一般采用常见的机器视觉算法，在交通事故的视频流使用背景差分或运动差分方法提取前景，在根据运动前景的特征确定车辆、行人等被跟踪物体，并分析它们的轨迹信息，通过这些信息来判断交通事故的产生。但对于某些较为复杂的交通场合，被跟踪物体不仅有可能会受到光照变化，遮挡等环境因素的影响，在交通事故的发生过程中往往伴随着交通物体发生旋转、形变、碎裂、烟雾、起火等变化，这在一定程度上往往增加了交通事故视频检测的难度;另外由于常规视频检测算法一般采用人工设计的特征模式来提取前景特征，在复杂多变的交通检测场景常常表现出鲁棒性低、漏检率和误检率过高的问题[8]，因此，需要更有效的机器视觉算法，去挖掘交通视频流中更为丰富的事件信息来展现和描述交通事故细节，近年来，深度学习算法研究获得较大的突破，相对与人工选择特征模式的选择性难题，深度学习主要依靠卷积神经网络对图片特征进行训练和学习，能够自动挖掘更为丰富的图像特征信息，因此，如何将CNN、RCNN[12-14]等深度学习算法应用到交通视频监控领域成为智能交通研究者进一步的突破方向。

本研究以存在车辆事故的图像作为研究对象，提出一种结合RCNN深度学习的车辆事故检测算法，并在车辆事故数据集下验证算法性能。

1 RCNN检测算法框架

1.1 RCNN检测算法特点

随着常规图像检测处理技术正逐步达到一个难以突破的瓶颈，使用深度学习的方法来检测复杂场景下的目标物体成为研究者们的下一步的研究热点[9-11]。CNN、RCNN[12-14]在这一背景下被提出，主要思路是采用大规模的学习网络来训练目标图像， 从而最大程度的挖掘出目标图像的显著特征。 在深度学习出现之前，以往检测目标的对象特征主要通过常规方法来选择，对应于不同的场景使用不同的检测特征组合，比如纹理、颜色、HOG、轮廓等， 这些特征大部分是人为设定的，因此在多目标、多变场景的检测上会变得鲁棒性折损，而深度学习方法是采用多层网络挖掘目标物体的更为丰富的特征， 在复杂场景具有更好的鲁棒性检测能力。

1.2 RCNN检测算法具体训练步骤

STEP1：输入图像进入卷积层和max池化层，获得图像特征向量feature map，这一步骤一般采用5层的卷积层结构（conv+relu+conv+relu+maxpol）可达到良好的特征提取效果。

STEP2：特征向量通过RPN层先自动生成一定数量的anchors框，这是第一步粗选，通过后续的softmax激活函数判断框内像素是属于前景还是属于背景， 而后通过回归调整，获得更为精确的候选框和候选特征。

STEP3：ROI池化层将图像的卷积层获得的特征向量和由第二步获得的候选框进行进一步的修剪和降维，能够进一步的在保证有效特征的前提下，减少特征向量矩阵的规模，并获得修剪后的候选特征向量。

STEP4：最后通过全连接层，softmax修正和分类器，一边计算候选框的置信概率，一边更为精确的修正候选框的具体位置，使其更为接近真实物体的位置和尺寸，并输出最后的检测置信度。

RCNN具体的训练过程如图1所示。

2 基于RCNN的交通车辆侧翻事故检测算法

2.1 RCNN车辆检测方法

按照RCNN检测流程[12]，其中最为关键的地方在于RCNN提供了region proposal层，该层使用预先设定的多个锚框在多尺度图像上来估计与真实物体的叠加程度，以此来转化为概率函数，并在后续的过程转化成损失函数的表述形式：

文献[12]描述的损失函数的计算是在训练过程中，通过一定数量批次的锚框（anthor）选取后，查看其与真实物体位置区域的交叠程度，这个程度以概率pi体现。比如，某个锚框如果有70%的区域以上叠加在检测物体上，那么可以认为该锚框的选取非常接近检测物体，其概率pi记为1（正标签），否则记为0（负标签）。ti表示一组参数化的预测框坐标值，而ti*表示物体真实位置坐标值。

至此，损失函数可以通过指定的计算形式，将不同批次的锚框和预测框与检测物体的真实值进行距离误差运算，并将这一批次的误差进行累积置入RPN训练网络。这样经过训练后获得的训练模型，能够在复杂的图像上检测多个类别的物体，并通过分类器将它们正确分类和获得类别置信度。

因此，采用RCNN对车辆图像进行训练后，可以快速的在图像标记出车辆的位置，但是在区分正常车辆和事故车辆还达不到要求，主要是因为许多发生翻车事故的车辆虽然产生了一定程度的形变，但车辆的大部分表征信息与正常车辆表征信息非常相似，容易造成分类混淆。

2.2 车辆关键特征检测

正常车辆与翻车事故车辆较为重要的区别在于车辆的空间位置有很大的不同，因此需要预先训练描述车辆空间关系的关键特征模型，其中包括车轮、车窗、车头、车灯、车尾等，在RCNN能够正确定位车辆位置关系后，再使用这些训练好的小特征模型进行检测。为后续的进一步车辆空间位置辅助估计判断提供关键信息。

为了提升小特征的检测速度，可以采用图像语义分割、金字塔模型和滑窗等方法檢测描述车辆空间关系关键特征。以图2为例，在检测出车辆的ROI区域情况下（可信度0.89，分类为CAR），在内部滑窗检测出三个车轮，可信度分别为0.95，0.93，0.68，一个尾灯，可信度0.98，和车尾（可信度0.94）。

2.3 车辆空间位置辅助判断

在利用小特征模型检测到车辆关键部位后，可快速的在图像上定位到各个关键部位的具体坐标，并依据先验知识，估算车辆各个部位链接起来组成的剖平面，图3显示出了由图2提取关键部位坐标后，三个车轮的坐标构成了车辆底盘的剖平面，而车灯、车尾特征的坐标均位于底盘剖平面的下方，由此估计出车顶正向方向（红线表示），它与常规车辆的车顶正方向形成较大的仰角，因此可将其判定为翻车事故，仰角越大，事故越为严重。

3 算法实验分析

为了评估算法的有效性，第一步，在一台装备cpu i7-6700，8G内存和GTX 1080显卡的PC机上部署UBUNTU 16.04操作系统和Caffe深度学习框架平台，在交通常规场景选用布尔诺科技大学交通研究组的汽车数据集，从148个车辆种类中挑选出约10000张不同角度的车辆进行车辆检测RCNN训练，获得常规车辆检测网络模型和车轮、车灯、车尾、车头、车窗五种常见车辆关键部位特征的训练模型。第二步，从互联网搜集约1500张发生车辆侧翻的交通事故图像，从中抽取1000张在常规车辆检测模型的基础上进行第二步的微调（Fine-tuning）训练，获得事故车辆的检测模型。最后再加上本文的关键车身特征检测和车辆位置辅助分类，来确定车辆是否产生侧翻。

为了检验检测和分类的最终效果，将剩下500张侧翻事故图像再混进500张正常车辆图像，构成最终分类测试集，用来验证各个阶段的模型分类情况。最终各个检测模型的分类情况如表1所示。

从实验分析结果来看，直接调用RCNN训练常规模型容易将事故车辆误识别成正常车辆，因为事故车辆虽然表面特征和位置特征发生变化，但整体特征仍然与正常车辆较为相似，而经过微调训练后，误识别的数量有一定程度下降，但仍然有部分车辆误检，而采用微调训练加上空间特征判决模型，能切实有效的将误识别率和漏检率控制在较小的范围内。

4 结论与展望

为了研究在复杂场景的交通事故车辆检测问题，在Faster RCNN检测算法基础上，利用该算法训练了常规条件下的车辆检测模型，并在此模型的基础上加入事故车辆进行微调训练，为获得更好的识别效果，最后加入了车辆关键部分的空间位置特征分类判决模块。算法实验分析表明，该组合方法能够在较大程度上减少正常车辆和事故车辆的误识率和检测率，为公共交通安全交通事故视频检测提供一定的重要研究依据。由于交通异常视觉场景错综复杂，算法在多目标识别和运行效率仍然具有较大程度的提升空间，在交通事故严重程度分类等更为细粒度的视觉识别上尚需作进一步的改进。

參考文献（References）：

[1] Hsiao C H， Lin C T， Cassidy M. Application of Fuzzy Logic and Neural Networks to Automatically Detect Freeway Traffic Incidents[J].Journal of Transportation Engineering，1994.120（5）：753-772

[2] Stephanedes Y J， Chassiakos A P. Freeway incident detection through filtering[J]. Transportation Research Part C Emerging Technologies，1993.1（3）：219-233

[3] 龙琼，胡列格，张谨帆等.基于尖点突变理论模型的交通事故检测[J].土木工程学报，2015.9：112-116

[4] 汪勤，黄山，张洪斌等.基于视频图像处理的交通事件检测系统[J].计算机应用，2008.28（7）：1886-1889

[5] 刘纬琪，王夏黎，荆树旭.一种基于OBB包围盒算法的交通事故检测方法[J].计算机技术与发展，2014.10：34-37

[6] 赵有婷，李熙莹，罗东华.基于视频车辆轨迹模型的交通事件自动检测方法研究[J].中山大学学报（自然科学版），2011.50（4）：56-60

[7] 苑玮琦，谢昌隆.基于机器视觉的交通事件检测方法的研究[J].计算机仿真，2013.30（10）：189-193

[8] 刘杰.一种基于多特征融合的自适应目标跟踪策略[J].大众科技，2016.11：9-12

[9] 崔华，刘云飞，宋鑫鑫.基于CNN深度学习模型的交通图像拥堵识别[J].科技创新与应用，2018.4：19-20

[10] 赵胜，赵学健，张欣慧，孙知信，陈勇.基于sobel算子和CNN的车辆轨迹识别系统[J].计算机技术与发展，2018.7：1-5

[11] 宋焕生，张向清，郑宝峰，严腾.基于深度学习方法的复杂场景下车辆目标检测[J].计算机应用研究，2018.4：1270-1273

[12] Girshick， Ross. "Fast R-CNN." IEEE International  Con-ference on Computer Vision IEEE， 2015：1440-1448

[13] Gupta S， Girshick R， Arbeláez P， et al. Learning Rich Features from RGB-D Images for Object Detection and Segmentation[J]，2014.8695：345-360