深度学习在高速公路违章行为检测中的应用探究

随着我国经济的不断发展，全国高速公路总里程数不断增长，机动车保有量持续攀升。然而，驾驶员的交通违章行为也随之日益增多，例如违章变道、逆向行驶、违规穿越导流线区域等，导致交通事故频发，造成了巨大的人员伤亡与财产损失。因此，及时发现并上报驾驶员的违章行为显得尤为重要。

在现有的高速公路交通管理系统中，主流方法是利用路侧摄像头图像数据结合深度学习算法来监测机动车的行驶轨迹，实现对高速公路违章行为的检测。相比于传统图像处理算法，深度学习算法具有更高的准确性和适应性，能够更好地适应不同的交通场景和新出现的违章行为。

因此，国内外许多学者提出基于深度学习的算法，解决传统算法无法解决的交通违章检测问题。例如，许璧麒等人^[1]提出了一种基于YOLOv5和DeepSort的CECAY5D模型框架，有效解决了高速公路视频数据复杂、远端车辆目标较小导致逆行检测准确率低的问题；黄静怡^[2]针对夜间环境昏暗、背景灯光复杂等特点，构建夜间交通监控数据集，并提出一种基于轨迹追踪的车辆违章检测算法，检测车辆逆行、车辆违停及车辆超速违章行为；康建豪等人^[3]基于AI领域的目标检测算法，对高速公路进行实时的图像检测，实现对危险品运输车辆的有限监控管理，降低事故发生的风险；花铭阳^[4]针对高速公路交通事故和违章问题，提出了基于深度学习的高速公路交通事件检测模型，解决传统人工监控方式成本高、实时性低的问题，并实现对车祸、行人、逆行和超速等交通事件的实时检测和精确识别，为改善交通安全和管理提供了有效的解决方案。

尽管深度学习算法在车辆违章行为检测方面表现出色，但仍存在一些问题需要解决。例如，在高速公路违章行为检测中，通常需要进行摄像头画面的人工标注，为算法提供道路标线位置、类型及车道行驶方向等信息。然而，随着时间推移和自然天气等外部因素的影响，摄像头角度可能产生偏移，使得标注信息失效，导致误检测现象。此外，现有高速公路交通管理系统常使用边缘计算盒子，连接多路摄像头进行检测，算力资源有限，对于交通违章行为检测算法的轻量化需求较为迫切。同时，路侧摄像头视角下的高速公路也存在车辆互相遮挡、夜晚能见度较差等问题。

针对以上问题，本文提出了一种基于深度学习算法的高速公路违章行为检测算法，算法流程如图1所示。将基于深度学习的高速公路违章行为检测算法应用于交通管理中，能够极大地提高交通管理的效率和公平性。这不仅有助于减少交通事故的发生，保障人民生命财产的安全，还能够促进道路交通的有序发展，提升交通运输的效益。

图1 算法流程图 

利用人为给予的交通先验知识（如交通标线位置信息、道路行车方向等），配合深度学习算法，实现高速公路违章行为的判定已经成为行业主流。然而，随着监控摄像头服役时间及受自然因素影响，高速公路路侧摄像头有可能发生一定程度的偏移，导致交通先验知识失效，造成违章行为检测算法误判。因此，本文提出自适应交通标线分割算法（Adaptive Traffic Marking Segmentation Algorithm，AMS）。当摄像头发生偏移后，自适应地对交通标线进行重新识别与定位，避免出现违章行为误判现象。

自适应交通标线分割算法采用Transformer架构来拟合交通场景图片中不同类型的标线。基于Transformer架构的交通标线分割算法与基于CNN架构的交通标线分割算法不同，Transformer架构采用多头自注意力机制，可以更加有效地学习到交通标线的细粒度特征。同时，Transformer架构采用的长距离建模方法，更加关注周围环境与目标物之间的关系。因此，采用Transformer架构的交通标线分割算法可以在摄像头发生偏移时精准地对交通标线进行分割，自适应调整交通先验知识，提高生产效率。算法流程如图2所示。

图2 交通标线检测流程图 

自适应交通标线分割算法以图像维度为（b, c, h, w）的RGB图像作为输入，其中b为模型输入的批量大小，c为图片的通道数，h、w分别表示图片的高度和宽度。自适应交通标线分割算法首先利用骨干网络，对输入图片进行非线性拟合，生成1/4、1/8、1/16和1/32的特征图，组建多尺度特征金字塔。不同尺度的特征图不仅通道数、特征图高度和特征图宽度不同，而且所蕴含的特征信息也不同。准确地说，随着非线性拟合的不断进行，浅层特征信息逐渐转变为深层特征信息。同时，基于输入图像生成位置编码（Positional Embeddings），与四种尺度的特征图接下来将送入编码层和解码层进行计算，主要目的是更好地回归出目标物的边界框，减少位置信息丢失，提高模型泛化能力。值得注意的是，为了更好地分割出二进制掩码，自适应交通标线算法提取出来自骨干网络的1/4特征图及来自编码层的1/8特征图进行线性拼接，并结合查询编码（Query Embeddings）将其作为掩码的输出。该部分的公式如下。

m=Qe⊗M(Γ(Cb)+T(Ce))

公式中，M表示分割头，Ce和Cb分别代表来自编码层的1/8特征图及来自骨干网络的1/4特征图，Qe代表Query Embedding编码，Γ(g)表示一个卷积层用于转化Cb的维度，T(g)表示一个2倍上采样算子，用于提高Ce的空间维度。

本算法标注了高速公路上的四种道路标线：车道实线（SoildLane）、车道虚线（BrokenLane）、指示箭头（GuideLine）和导流区域（GuideArea），如图3所示。

图3 交通标线标注结果 

车辆跟踪建立在车辆检测的基础上，通过对车辆进行实时跟踪，不仅能获取车辆的运动轨迹与运动状态，还能为车辆行为理解、违章事件监测及车流量统计提供可靠数据。本文采用YOLOv8目标检测模型进行车辆检测，并在检测结果的基础上采用基于卡尔曼滤波的ByteTrack算法进行车辆跟踪。

2.1  基于YOLOv8的车辆检测

YOLO（You Only Look Once）系列作为单阶段、端到端的深度学习模型出现较早，发展至今已有多个版本，凭借其快速推理、精准预测的能力已广泛用于多种工业应用场景。YOLOv8^[5]是YOLO目标检测系列的最新版本之一，旨在实现高性能实时目标检测。主要优势包括高效的多尺度特征融合、改进的数据增强技术、更快的推理速度及更好的目标检测精度。该模型在各种计算机视觉任务中具有广泛的应用，包括实时目标检测、行人检测、交通标志识别等。通过不断地优化和改进，YOLOv8在目标检测领域取得了显著的成就，并成为了研究和工业界的热门选择之一。

相比于其他模型，YOLOv8s模型在保持较快检测速度、较小参数量的同时具有更好的检测效果。因此，对于高速公路场景下的车辆目标检测任务，选择YOLOv8s模型更为明智。其相对较少的参数数量使其在资源受限的环境中表现出色，同时高检测速度也使其成为应对高速移动目标的理想选择。此外，尽管在参数数量上略高于部分模型，但其优异的精度表现为其赢得了更高的可信度和实用性。

2.2  基于ByteTrack的车辆跟踪

ByteTrack算法^[6] 属于“检测后跟踪”（Tracking by Detection，TBD）范式的轨迹追踪算法。该方法首先利用目标检测模型进行目标检测，然后根据检测结果进行目标追踪。在许多TBD范式的轨迹跟踪算法中，通常仅关联具有较高置信度的检测框以获取目标ID，而对于置信度较低的检测框则直接丢弃。然而，在高速公路等场景下，这种做法可能导致一些问题。例如，当车辆被部分遮挡时，由于检测结果的置信度较低而被忽略，导致轨迹的中断。ByteTrack提出了一种名为BYTE的简单、高效且通用的数据关联方法。该方法将目标检测框分为高分和低分检测框，通过将高分检测框与轨迹关联，并利用低分检测框与轨迹的相似性来恢复真实目标，过滤掉背景检测。

同时，相较于其他TBD范式的轨迹追踪算法，ByteTrack算法在目标检测部分采用深度学习算法，而在轨迹追踪部分则不依赖外部特征进行匹配。因此，尽管轨迹追踪精度相似，ByteTrack在检测速度方面明显领先于其他算法。表1列出了各算法在MOT20数据集上的指标，其中，MOTA、IDF1反映了检测精度，FPS则代表了检测速度。基于这些考量，本文选择采用ByteTrack算法进行机动车的轨迹追踪。

表1 TBD算法参数对比 

第一章中，本文实现了对多种道路标线的分类与检测，检测结果以车道线边缘坐标集合的形式呈现。第二章中，本文实现了对机动车的定位与跟踪，跟踪结果通过矩形框来定位每帧图像中的目标车辆，其中，使用矩形框左上角点的横纵坐标及矩形框的宽高来表示车辆的具体位置。通过收集这些信息，可以得到车辆的运动轨迹。进一步分析这些轨迹信息有助于监测车辆的运动行为，检测车辆是否存在违章变道、逆行或在导流线区域停车等违章行为。

3.1  检测场景建模

在开始车辆违章行为检测前，先利用路侧摄像头图像数据进行检测场景的建模，如图4所示。

图4 检测场景 

首先划定检测区域范围，如图4中的红色多边形区域。一旦机动车驶入检测区域，算法立即进行违章行为监测。

接着，根据自适应交通标线分割算法获取画面内的交通标线坐标，并根据指示箭头所指示方向设定区域的正确行驶方向，如图4中黄色箭头所示；根据导流线区域检测结果设定禁止驶入区域，如图4中的橙色多边形区域。

最后，根据车道实线和车道虚线的检测结果，将检测区域分割为不同车道，并进行编号。图4中蓝色虚线表示道路虚线，绿色实线表示车道实线。

3.2  违章行为判定

3.2.1  违章变道

在高速公路上，违章变道行为会干扰正常的交通秩序，影响其他车辆的正常行驶，导致交通拥堵，降低道路通行效率，甚至有可能导致车辆剐蹭、多车连环相撞等事故^[7]。本文通过分析车辆行驶轨迹和车道实线之间的位置关系，监测机动车是否发生违章变道行为，如图5所示。

图5 违章变道检测示意图 

具体方案如下。

（1）如图5a所示，当机动车进入前文所划定的检测区域后，本文算法对其进行监测，并记录行驶轨迹和当前行驶车道编号。

（2）当某一帧算法监测到机动车轨迹与车道实线相交时，如图5b所示，将该机动车视为初步违章变道机动车，继续对其监测。

（3）当该机动车轨迹不与车道线相交后，计算轨迹当前所处车道编号。当编号发生变化时，则判定该机动车存在违章变道行为，如图5c所示，需触发报警机制。

3.2.2  车辆逆行

车辆逆行是一种严重危害交通安全的行为，在高速公路上极易导致交通事故发生，不仅危及逆行车辆本身的安全，也会给其他道路使用者带来潜在危险。本文通过分析机动车行驶轨迹和区域方向之间的角度关系，监测车辆逆行行为，如图6所示。

图6 车辆逆行检测示意图 

具体方案如下。

（1）当机动车进入前文所划定的检测区域后，本文算法对其进行监测，并记录行驶轨迹和每一帧行驶方向。

（2）当某一帧车辆行驶方向与检测区域方向夹角大于100度时，并且前后帧之间机动车移动距离超过3个像素，即认为机动车在本帧发生了车辆逆行。

（3）为避免目标检测结果误差导致判定错误，对机动车轨迹连续判定15帧。当有超过10帧该机动车轨迹被判定为车辆逆行，即认为该机动车存在逆行违章行为，需触发报警机制。

3.2.3  车辆入侵

在道路交通管理中，导流线作为一种禁止标线形式，通常呈现为根据路口地形设置的白色V形线或斜纹线区域，旨在指示车辆必须按规定路线行驶，禁止压线、越线或随意停放。这类标线通常设置在高速公路匝道出入口、路口等区域，危险系数较高。司机若随意入侵，甚至在导流线上停留，都可能会引发交通事故。本文算法通过分析车辆行驶轨迹和导流线区域之间的位置关系，监测车辆是否存在入侵导流线区域行为，如图7所示。

图7 车辆入侵导流线检测示意图 

具体方案如下。

（1）如图7a所示，当机动车进入前文所划定的检测区域后，本文算法对其进行监测，并记录行驶轨迹。

（2）当车辆轨迹与导流线区域的重叠度（IOU值）达到0.6以上时，认定该机动车存在初步入侵导流线行为，并继续监测、记录每一帧与导流线区域的位置关系，如图7b所示。

（3）如图7c所示，当机动车轨迹不与导流线区域相交后，统计该轨迹与导流线相交次数。当大于5帧时，则判定该机动车存在入侵导流线区域行为，需触发报警机制。

（4）或当该机动车轨迹连续10帧被判断为区域入侵，表明该机动车在导流线区域违规停放，需立即触发报警机制。

本实验在型号为Jetson Xavier NX 16GB的边缘计算设备上进行部署，具体参数如表2所示。为了更直接地评价算法在实际落地过程中的效果，本文实验拟采用正报率、误报率及漏报率作为高速公路交通违章行为检测算法的指标。其中，正报率为算法正确上报违章事件与实际违章事件总数的比例；误报率为算法错误上报违章事件数量与算法上报违章事件总数的比例；漏检率为算法未上报违章事件数量与实际违章事件总数的比例。

表2 设备参数 

4.1  模型训练参数

本文所提出的高速公路违章行为检测算法涉及多个深度学习模型协同配合，但公开的深度学习模型是针对特定数据集进行训练后得到，无法直接迁移到高速公路场景。因此，本文对车辆目标检测中的YOLOv8模型和交通标线分割算法中的Transformer模型进行了微调训练，使其可以更好地应用于高速公路场景。两种算法在训练过程中使用了不同的训练参数，如表3、表4所示。

表3 交通标签分割模型训练参数 

4.2  自适应标线检测算法效果实验

为验证所提出的自适应交通标线分割算法具有更好的解决摄像头发生偏移导致的交通先验知识失效问题的能力，在使用相同的训练数据和训练配置前提下，将其与YOLOv8分割模型进行对比实验。同时选择同一高速公路路侧摄像头下的不同角度图像进行测试，图像如图8a所示。最左侧为初始摄像头位置成像，为训练数据；中间及右侧的两张图像为模拟不同角度的偏移数据，且并未参与训练。

本文所使用的自适应交通标线分割算法检测结果如图8b所示。由图可知，本文算法不仅可以准确地分割出已经训练过的数据场景中的交通标线，同时，当摄像头发生偏移时，该算法仍能准确地识别并分割出图像中的交通标线。

YOLOv8分割模型检测结果如图8c所示，由图8c最左侧的图像可知，YOLOv8分割算法虽然可以有效学习到目标物特征信息，但对交通标线的边缘分割不够线性，像素分类不够精确，呈现锯齿状；由图8c中间及最右侧的图像可知，YOLOv8分割算法对于未处于训练的图像存在部分目标内部区域像素点分割缺失的情况。

因此，相比于YOLOv8分割模型，本文提出的自适应交通标线分割算法更具有更高的准确性和自适应性能，能够更好地应对摄像头偏移导致的交通先验知识失效现象。

4.3  违章行为检测算法性能实验

为验证高速公路违章行为检测算法在实际工程应用的有效性，本实验在边缘计算设备上部署算法，连接16路摄像头，并连续运行30天，收集了大量包括违章变道、车辆逆行及违法跨越导流线区域在内的视频数据。

然后，通过人工审核视频，统计实际发生的各类违章事件的数量。

最后，将本文算法的自动化检测结果与人工审核结果进行比较分析。

由于车辆逆行违章事件视频数据较少，本实验采用模拟数据方式，规定道路正确行驶方向为逆行，截取某视频源一小时的视频数据，统计车辆逆行违章事件数量。

最终检测结果如表5所示。总计发生了98起车辆违章变道事件，其中，正确检出并上报97起，正报率达98.98%；错误上报0起，误报率为0.00%；遗漏上报1起，漏报率为1.02%。人工对漏报事件进行分析发现，受车辆跟踪算法精度影响，目标车辆的轨迹丢失，导致违章事件漏报。

表5 准确性分析结果 

总计发生了76起车辆入侵导流线区域事件，其中，正确检出并上报76起，正报率为100.00%；错误上报2起，误报率为2.56%；遗漏上报0起，漏报率为0.00%。人工对误报事件进行分析发现，目标车辆过大，导致未行驶于导流线区域，其检测框与导流线区域产生较大交集，导致误报。

总计发生223起车辆逆行事件，其中，正确检出并上报222起，正报率为99.55%；错误上报0起，误报率为0.00%；遗漏上报1起，漏报率为0.45%。人工对漏报事件进行分析发现，目标车辆在行驶中被大型车辆遮挡，轨迹丢失导致漏报。

随着全国高速总里程和汽车保有量的不断增长，为了维护高速公路的安全运行环境，对车辆进行实时监测并及时发现驾驶员的交通违章行为已成为高速公路运营的重要工作之一。本文针对违章变道、车辆逆行及入侵导流线区域这三种危险系数较高的交通违章行为，利用路侧摄像头图像数据进行自适应的道路标线检测和基于YOLOv8+ByteTrack算法的车辆追踪算法，并利用检测结果对机动车的行驶状态进行监测，及时发现并上报交通违章行为。应用基于深度学习的高速公路违章行为检测算法，可提升交通管理效率和公平性，减少事故发生，保障人民生命财产安全，促进高速公路产业有序发展。

参考文献

[1] 许璧麒,马志强,宝财吉拉呼,等.基于YOLOv5的高速公路小目标车辆逆行检测模型[J].国外电子测量技术,2022,41(11):146-153.

[2] 黄静怡.夜间场景下的车辆跟踪及事件检测研究[D].华南理工大学,2023.

[3] 康建豪,程明,刘鲁彬,等.基于视觉AI的危险货物运输车辆识别[J].中国交通信息化,2024,(S1):377-379+382.

[4] 花铭阳.面向交通视频的道路异常事件检测[D].华南理工大学,2023.

[5] Jocher,G.,Chaurasia,A.,Qiu,J.Ultralytics YOLO (Version 8.0.0)[EB/OL].https://github.com/ ultralytics/ultralytics.

[6] Zhang Y,Sun P,Jiang Y,et al.ByteTrack:Multi-objecttracking by Associating Every Detection Box[C].European Conference on Computer Vision.Tel Aviv,Israel:Springer Nature Switzerland,2022: 1-21.

[7] 谭开文.基于行车记录仪的车辆违章变道行为识别[D].南京师范大学, 2021(7).

（原文刊载于2025年第9期《中国交通信息化》）

责任编辑 | 张华彬