基于多源信息融合技术的全域卡口车辆身份检索

摘 要

以智慧城市全域卡口系统中的车辆检索为背景，针对车辆检索输入条件的片面性、不完整性，将车辆目标的静态信息进行了层次式的分解，并将车辆目标的静态信息的相似度M行了关联；从车辆行驶的时间、空间位置的关联信息出发，结合车辆的空间位置、车辆平均速度对候选车辆序列进行了筛选，缩小了候选车辆序列的范围，提高了检索效率。

【关键词】全域卡口 车辆检索 相似度 车辆属性

1 引言

在大规模的城市安全卡口车辆监控系统中，因障碍物遮挡、污损、设备识别错误等因素会带来对于车辆身份信息采集结果的误差；另一方面，实战应用中的输入检索线索又是比较片面的，只能表达车辆的某方面的特征。这两方面的因素叠加到一起，就造成实战应用中会无法准确的检索到目标车辆，或产生大批量的候选疑似车辆序列。

车辆在城市道路上行驶的行为带有丰富的时间、空间信息，例如：车辆通过某个道路的时间、车辆通过的道路路口的空间关系等。而在城市安全监控卡口系统中，这些信息都会被卡口设备记录在系统中；此外，卡口系统的采集设备还记录了更加丰富的车辆静态信息，如：车牌号码、车辆颜色、车辆类型、车辆品牌型号等。本文将把全域卡口系统中关于车辆的静态信息和动态信息融合起来，在全域卡口范围内检索车辆，为决策者提供准确的目标车辆信息。

2 全域卡口静态、动态信息的分析

2.1 全域卡口采集的车辆静态信息

车辆的静态信息，指的是卡口系统中可直接利用的物理特征，车辆目标的物理特征（车辆颜色、车辆类型、车辆品牌标志、车辆的运动速度、运动方向等），这些信息都是通过卡口的采集设备获取的，由于受到：采集设备的工作状态、采集时间、采集对象的状态等等因素的制约，就会出现车辆固有属性的采集误差，这些固有属性是车辆目标对象所固有的且可区别于其他目标对象的属性，而采集误差就会导致车辆的检索出现错误。

本文是要将带有误差的车辆颜色、车辆类型、等多种固有属性融合在一起，利用结构分解的分层匹配算法进行车辆对象的身份比较。

2.2 全域卡口采集的车辆动态信息

车辆的动态信息，指的是车辆在行驶中所处的空间位置以及对应的时间信息。全域卡口系统中的采集点分布于整个城市的道路网络中，车辆所经过的卡口采集点的空间位置以及时间是动态变化的，而这些空间位置、时间序列，也是车辆行驶行为的重要属性信息。如何将这些空间位置及时间点关联起来，正是本文要研究的问题。

根据上述分析，可以将车辆目标的身份比较问题视为是一个复杂对象比较问题，复杂对象的比较通常出现在语句相似性计算、多媒体对象相似性度量、数据挖掘、频繁项集对象相似度比较中。复杂对象的比较，常通过多特征的加权相似度比较和复杂对象结构分解分层比较的两种方法来解决。在本文中，拟借鉴复杂对象的属性间的关系紧密程度的属性分解相似度量方法来完成车辆目标静态信息的比较，实现车辆目标的同一性检索。然后，在全域卡口的背景下，从所在的过往车辆数据库中可获得该车辆对象出现的时间、交通卡点、车辆实行速度等信息。关联这些信息，可预测车辆对象出现的空间位置，然后对目标车辆的图像和关键帧进行车辆目标的身份比较，通过分析的结果可以得到目标车辆在全域卡口中出现的所有轨迹。

3 全域卡口车辆目标的身份检索

3.1 车辆目标的同一性检索

根据前述分析，根据复杂对象分解的分层相似性度量思想对车辆目标的颜色特征、车类特征进行分解，比较待检测车辆与目标车辆的相似距离；而后根据选择策略进行融合局部特征和特征的加权多特征比较。首先，将分层式的相似度量方案在图1中给出。

具体设计方案如下：

（1）颜色特征CL：采用HSV颜色空间进行定义，并设定为序数型特征，颜色类别序列化之后的结果为：

CL（黑）=1；CL（灰）=2；CL（白）=3；CL（红）=4；CL（橙）=5；CL（黄）=6；CL（绿）=7；CL（浅绿）=8；CL（蓝）=9；CL（紫）=10；CL（粉）=11；

本文所研究的城市卡口系统，分布于开放式的道路网络中，因此，车辆的行驶路径具有较高的随机性。车辆所经过的卡口采集点，不具备严格的顺序关系，但是，车辆经过某一个卡口采集点Ki，仅仅与前一个卡口Ki-1的位置有关系，这就是随机过程中的马尔可夫性。根据车辆的行驶物理规律，可以预测到车辆可能出现的下一个卡口的可能位置，然后根据前一个卡口的采集时间Ti-1，可以给出通过下一个卡口的时间区间Ti。以这个时间点为阈值，可以筛选出候选的视频片段，然后在这些视频片段中，应用车辆目标的同一性检索，就可以以较大的概率检索到目标车辆。

4 实验及分析

本文选择金鹏电子信息机器有限公司的卡口系统作为实验对象，以某个行政区内的30个卡口作为实验区；卡口系统中的智能分析模块提供了关于车辆的静态信息有：车牌号码、车牌颜色、车身颜色、车辆品牌（例如：JEEP）、车辆型号（例如：JEEP_牧马人）、年款（例如：2013款）、车辆类别（例如：货车、轿车）；动态信息有：车辆速度、卡口名称、方向名称、经过时间。输入一个检索实例，例如：在2016年8月1日至2016年8月10日期间，查找一辆红色帕萨轿车，该车在XX路口附近出现过，车牌号中有一个数字A。按照这个输入条件，将其分解为输入关键词，车牌号码、车牌颜色、车身颜色、车辆品牌、车辆型号、年款、车辆类别的权值分别设定为：0.35、0.05、0.3、0.2、0.05、0.05；对于动态信息，车辆速度代表的是卡口采集点线圈测速装置的测量值，并不能代表车辆在道路行驶的平均速度，因此该信息在检索中的实用价值较小。通过在全域卡口系统中的历史过车数据库中检索：首先，通过设定检索时间条件，在XX路口附近的卡口（共5个）检索到记录10907条过车记录，再通过设定静态信息条件，得到12条过车记录，其相似度参见表1（表中的真实车牌号码均用符号和数字代替）。

然后，通过对这22条记录对应的过车视频信息进行人工筛选判别，可得到，检索结果即为输入检索示例对的车辆目标。

5 结论

本文针对智慧城市中的全域卡口系统中的车辆检索问题，提出了一种利用车辆行驶行为的时间、空间关联关系来检索车辆的方法。该方法将车辆目标的静态信息按照层次结构进行了分解，并分别计算了各个属性的相似度，通过关联这些相似度来检索候选车辆目标序列。最后，通过对全域卡口的历史过车数据进行了实验验证。本文提出的方法将有助于提升卡口系统的车辆目标检索效率。

参考文献

[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]严明.高速公路中车辆对象同一性的检索[D].昆明：昆明理工大学，2014.

[4]陈文军.相邻卡口时空关联车辆视频检索研究[D].昆明：昆明理工大学，2013.

[5]陈治平.基于复杂对象分解的相似性计算方法[J].计算机工程与应用，2008， 44（34）：149-152.

[6]李桂林，陈晓云.关于聚类分析中相似度的讨论[J].计算机工程与应用，2004，40（31）：64-66.

[7]钟文.不确定推理在多源信息融合中的若干应用研究[D].南京：南京理工大学， 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.

作者简介

孙盛（1980-），男，湖北省建始县人。博士学位。现为金鹏电子信息机器有限公司博士后工作站、华南师范大学计算机学院博士后流动站联合培养博士后。主要研究方向为计算机视觉、模式识别。

作者单位

1.金鹏电子信息机器有限公司 广东省广州市 510663

2.华南师范大学计算机学院 广东省广州市 510631