CN103235933B

CN103235933B - 一种基于隐马尔科夫模型的车辆异常行为检测方法

Info

Publication number: CN103235933B
Application number: CN201310127999.1A
Authority: CN
Inventors: 林国余; 蔡英凤; 王海; 张为公
Original assignee: Southeast University
Current assignee: Southeast University
Priority date: 2013-04-15
Filing date: 2013-04-15
Publication date: 2016-08-03
Anticipated expiration: 2033-04-15
Also published as: CN103235933A

Abstract

一种基于隐马尔科夫模型的车辆异常行为检测方法，包括以下步骤：a、采集视频图像，利用跨于道路上方或立于道路两侧的摄像头进行视频图像采集；b、获得轨迹，通过采集到的视频图像对场景内的车辆目标进行提取和跟踪以获得车辆的轨迹；c、离线训练环节，将上述轨迹的生长方向特征进行聚类，并通过误差筛查处理得到典型轨迹群，对相同生长方向的轨迹进行隐马尔科夫模型的学习，获得场景内的常态行为模式；d、实时检测环节，提取新轨迹，并计算新轨迹与常态行为模式的最大匹配概率值，若得到的最大匹配概率值小于所设定的阈值，则车辆发生异常行为。本发明能够对场景内的车辆异常行为进行有效识别，为交通行为理解及智能交通管理提供了技术手段。

Description

一种基于隐马尔科夫模型的车辆异常行为检测方法

技术领域

本发明涉及运动目标检测领域，特别是涉及一种基于隐马尔科夫模型的车辆异常行为检测方法，通过对运动车辆的轨迹模式学习，检测运动车辆行为异常的方法。

背景技术

随着汽车工业与城市化进程的迅猛发展，我国城市汽车保有量迅速增长。承载巨额机动车保有量的交通基础设施建设近年来也取得了较大成就，但修建路桥的巨额资金、建设周期和城市空间的严格限制使其建设步伐明显跟不上机动车的增长和城市化进程的发展。交通拥堵、交通事故等一系列交通问题日趋严重，由此造成的人员伤亡和经济损失在逐年增加。其中，各种交通违法行为引发的交通事故占交通事故总量的80%以上。

近几十年来，随着计算机软硬件、图像处理、通信传输等技术设备的不断更新发展，使得视频监控手段成为道路违章检测的热门途径。道路上监视探头的急剧增多，是视频检测方法愈发得到肯定的表现。

从实际使用的情况来看，我国现有的交通视频监控装置还处于较低的智能化水平上，道路违章事件的检测仍局限于闯红灯、超速行驶、违章停车等简单事件上。该类事件的检测是在场景先验知识基础上通过车辆的运动信息提取得到，属于“预知事件”检测。然而实际交通环境下，车辆交通行为的随机性，使得不可能事先获得场景中所有可能发生的事件信息。对于不能获得先验场景知识帮助的车辆其它异常行为，如违章变道、蛇形行驶、不按规定车道行驶等对于道路交通安全有着危害的行为，现有的交通视频监控系统还不能识别。

轨迹是运动目标的微观运动行为在时空域上的直观表现形式，运动行为模式相同的物体在轨迹上表现出较高的相似性与重复性。因此，通过对场景内多个车辆的运动轨迹的学习，能够获取轨迹数据集合的时空分布，利用模式分类等方法提取典型运动模式，从而在异常事件检测方面能够进行有效的研究与应用。

但是，由于在交通行为监控中，轨迹数据分布具有多样性、随机性和复杂性，因此如何筛选出最典型的轨迹样本，以及采用何种模型表达轨迹的时空特征是需要解决的难题。现有算法还未能很好的解决该问题，或者未能将所研算法应用于实际视频监控系统中。

发明内容

本发明主要解决的技术问题是提供一种基于隐马尔科夫模型的车辆异常行为检测方法，解决了现有技术中交通视频监控系统不能识别车辆的异常行为，可以获得较好的交通行为表达模型，实现对车辆异常行为的实时监测。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于隐马尔科夫模型的车辆异常行为检测方法，包括以下步骤：

a、采集视频图像，利用跨于道路上方或立于道路两侧的摄像头进行视频图像采集；

b、获得轨迹，通过采集到的视频图像对场景内的车辆目标进行提取和跟踪以获得车辆的轨迹；

c、离线训练环节，将上述轨迹的生长方向特征进行聚类，并通过误差筛查处理得到典型轨迹群，对相同生长方向的轨迹进行隐马尔科夫模型的学习，获得场景内的常态行为模式；

d、实时检测环节，提取新轨迹，并计算新轨迹与常态行为模式的最大匹配概率值，若得到的最大匹配概率值小于所设定的阈值，则车辆发生异常行为。

在本发明一个较佳实施例中，所述的步骤c中所述的离线训练环节，具体包括以下步骤：

（1）对车辆跟踪获得的轨迹分别进行起止方向向量提取：

其中，（x(0)，y(0)）代表该条轨迹的开始坐标，（x(t)，y(t)）代表该条轨迹的终止坐标；

（2）用高斯混合模型来描述获得的轨迹生长方向向量，其中，一个高斯函数代表方向向量的一个聚类，高斯混合模型的个数就是聚类的类别数；

（3）对获得的聚类的类别数进行误差筛查：

首先进行基于方差矩阵行列式的虚假类去除：逐个计算各个高斯分布的方差矩阵行列式，若某一分类的方差矩阵行列式大于其余所有分类之和的两倍，则认为该类别为虚假类，予以去除；

其次进行过分割筛查：在巴氏距离基础上构造误差公式：

，

其中，E为两个类别之间的分类误差，b为描述重叠样本相似度的巴氏距离,当设定巴氏距离最大不超过1.5时，获得的分类误差为5%，当两个类别之间的巴氏距离b＜T_b=1.5时，两个分类将被合并，

最后进行孤立噪声筛查：采用基于最大最小峰值系数的自适应均值、方差估计法将聚类的类别中存在离均值较远孤立点的误差进行筛查处理得到典型轨迹群；

（4）在上述步骤（1）-（3）获得的聚类结果基础上，对具有相同生长方向的一轨迹群，利用轨迹点的位置及速度信息进行隐马尔科夫模型学习：首先将轨迹群中各条轨迹的长度利用状态延长法进行统一，其次对其进行离散的隐马尔科夫模型学习，对每个聚类子集都进行一次隐马尔科夫模型学习，得到场景内的常态行为模式的K个模型集。

在本发明一个较佳实施例中，所述的步骤d中所述的实时检测环节，具体包括以下步骤：

（1）设一条新轨迹为，则待识别的轨迹序列，其中（x_i，y_i）为车辆在第i个采样点上的图像位置，（δx_i，δy_i）为运行速度；

(2)对模型集中的每个模型，按如下公式计算O相对于模型集中每个模型的条件概率：

，其中N为选取的状态数目，

；

（3）把条件概率最大的轨迹模式类作为该轨迹序列的类别，识别结果为，

根据上述得到与新轨迹最匹配的模式类别，若最大匹配概率值小于设定的阈值T_p，则车辆发生了异常行为。

在本发明一个较佳实施例中，所述的离线训练环节的步骤（2）中高斯混合模型的参数通过期望最大化（ExpectationMaximization，EM）算法进行求解。

在本发明一个较佳实施例中，所述的离线训练环节的步骤（4）中状态延长法为用最后一个有效状态将轨迹填补。

在本发明一个较佳实施例中，所述的实时检测环节的步骤（3）中的阈值T_p在离线训练环节进行设定。

在本发明一个较佳实施例中，所述的阈值T_p计算方法：记离线训练环节中，属于第K个模式的轨迹样本有M_k条，所有参加离线训练的轨迹样本有N个，计算属于该类别样本的对数条件概率T_in以及类别之外样本的对数条件概率T_out，在敏感度参数的控制下生成阈值T_p，

其中，为敏感度系数。

在本发明一个较佳实施例中，所述的车辆异常行为包括闯红灯、超速行驶、违章停车、车辆逆行、车辆违章掉头、违章变道、蛇形行驶和不按规定车道行驶。

本发明的有益效果是：本发明的基于隐马尔科夫模型的车辆异常行为检测方法，包括离线训练环节和实时检测环节，由离线训练环节建立具有空间意义的场景内的常态行为模式，由实时检测环节提取新轨迹，并通过计算能够对实际场景内的车辆异常行为进行有效识别，为交通行为理解及智能交通管理提供了技术手段。

附图说明

图1是本发明基于隐马尔科夫模型的车辆异常行为检测方法一较佳实施例的流程图；

图2是高斯混合模型的算法的流程图；

图3是轨迹生长方向向量的混合高斯建模结果；

图4是对应于图3的误差剔除后的新结果；

图5基本HMM的结构意图；

图6是敏感度参数对阈值的影响示意图。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

请参阅图1，本发明提供了一种基于隐马尔科夫模型的车辆异常行为检测方法，包括以下步骤：

本发明中，所述的离线训练环节，具体包括以下步骤：

（1）对车辆跟踪获得的轨迹分别进行起止方向向量提取：

，

（2）用高斯混合模型来描述获得的轨迹生长方向向量，其中，一个高斯函数代表了方向向量的一个聚类，高斯混合模型的个数就是聚类的类别数；

（3）对获得的聚类的类别数进行误差筛查：

其次进行过分割筛查：在巴氏距离基础上构造误差公式：

，

其中，E为两个类别之间的分类误差，b为描述重叠样本相似度的巴氏距离,当设定巴氏距离最大不超过1.5时，获得的分类误差为5%左右，当两个类别之间的巴氏距离b＜T_b=1.5时，两个分类将被合并，

最后进行孤立噪声筛查：高斯混合模型建模强大的容错能力使得类别中存在离均值较远孤立点，采用基于最大最小峰值系数的自适应均值、方差估计法进行此类误差的筛查处理得到典型轨迹群，其中，可根据实际数据中的误差情况进行选择性噪声筛查；

（4）在上述步骤（1）-（3）获得的聚类结果基础上，对具有相同生长方向的一轨迹群，利用轨迹点的位置及速度信息进行隐马尔科夫模型学习：首先将轨迹群中各条轨迹的长度利用状态延长法进行统一，其次对其进行离散的隐马尔科夫模型学习，即利用Baum-Welch算法对统一长度的离散观测值进行模型参数估计，隐马尔科夫模型用于轨迹识别时，隐马尔科夫模型的状态没有物理意义，通过经验选择状态数目，

对每个聚类子集都进行一次隐马尔科夫模型学习，最终得到场景内的常态行为模式的K个模型集。

上述中，所述的离线训练环节的步骤（2）中高斯混合模型的参数通过期望最大化（ExpectationMaximization，EM）算法进行求解，如图2所示。所述的离线训练环节的步骤（4）中状态延长法为用最后一个有效状态将轨迹填补至所需要的长度。

本发明中，所述的实时检测环节，具体包括以下步骤：

（1）设一条新轨迹为，则待识别的轨迹序列，其中（xi，yi）为车辆在第i个采样点上的图像位置，（δxi，δyi）为运行速度，即相邻采样时刻车辆质心在图像上的位移；

，其中N为选取的状态数目，

（3）把条件概率最大的轨迹模式类作为该轨迹序列的类别，即为识别结果为，

根据上述得到与新轨迹最匹配的模式类别，若最大匹配概率值小于设定的阈值，则车辆发生了异常行为。

上述中，所述的实时检测环节的步骤（3）中的阈值T_p在离线训练环节进行设定。

所述的阈值T_p计算方法：记离线训练环节中，属于第K个模式的轨迹样本有M_k条，所有参加离线训练的轨迹样本有N个，计算属于该类别样本的对数条件概率T_in以及类别之外样本的对数条件概率T_out，在敏感度参数的控制下生成阈值T_p，

其中，为敏感度系数，增大该值会有更多的轨迹会被判为异常事件。

本发明的提供的基于隐马尔科夫的车辆异常行为检测方法，利用跨于道路上方或立于道路两侧的摄像头进行视频图像采集，随后对场景内的车辆目标进行提取和跟踪以获得车辆的轨迹。在此基础上，对轨迹的生长方向特征进行聚类，并通过误差筛查处理得到典型轨迹群，接着对具有相同生长方向的轨迹进行隐马尔科夫模式学习，获得场景内的常态行为模式。对于所提取的新轨迹，计算新轨迹与常态行为模式的最大匹配概率，若该值小于所设阈值，则认为该交通主体发生了异常行为。其中，车辆异常行为包括闯红灯、超速行驶、违章停车、车辆逆行、车辆违章掉头、违章变道、蛇形行驶和不按规定车道行驶。

本发明，还可利用轨迹的局部特征进行违规事件提取，通过新轨迹的起迄对应关系提取异常运行方向的违规行为。具体是，在获得目标完整运行轨迹之后，通过判断其起讫方向向量是否与离线训练环节步骤2获得的起讫区域相一致来进行异常事件检测，这部分事件主要包括道路上车辆逆行、车辆违章掉头行为。

与现有技术相比，本发明具有如下优点：

(1)本发明着眼于目标运行的微观领域，利用目标轨迹的运动模式学习，建立具有空间意义的场景规则，为交通行为理解及异常事件检测提供了技术手段。

(2)运用运动目标质心参数表达的轨迹数据中，或多或少会存在由于跟踪误差带来的奇异点，大多数现有算法在训练轨迹筛选及粗大误差剔除时采用了人工方式，而本发明所用的轨迹生长方向向量聚类及误差筛除方法，能够很好的进行训练数据的误差剔除，并且实现了算法的自动检测目标。

(3)与现有技术相比，本发明提出的隐马尔科夫轨迹模型，能够在训练数据较少的情况下，保持较高的有效率，且参数收敛速度快。

实施例：

离线训练环节中，首先通过运动跟踪获得场景内车辆的运动轨迹，随后利用模式学习的方法获得场景行为规则，具体步骤如下：

（1）对车辆跟踪获得的时空轨迹进行起止方向向量提取。运动目标的轨迹点是按照一定的时间序列生成的，因此具有时序性和方向性，同时轨迹既然有开始也就有结束，并且受到道路结构和交通规则的约束，起迄点之间必然存在特定的关联。本发明一改以往对起讫区域分别进行统计的做法，利用轨迹的生长方向向量进行聚类，不仅能够获得相呼应的起始-结束区域组合，还能对后续轨迹空间聚类提供指导。因此，按照下式提取轨迹方向向量：

其中（x(0)，y(0)）代表该条轨迹的开始坐标，（x(t)，y(t)）代表该条轨迹的终止坐标。

（2）用高斯混合模型来描述获得的轨迹生长方向向量提取的二维方向向量并进行高斯混合建模，模型参数通过期望最大化（ExpectationMaximization，EM）算法进行求解。高斯混合模型算法的流程，如图2所示。所获得的最优模型数也即方向向量聚类的结果如图3所示。其中，不同圆圈表示各个类别的协方差矩阵。

（3）误差筛查。高斯混合建模的方法能够正确统计起-讫组合的类别数，但训练数据中的干扰轨迹对于高斯混合模型的均值和方差矩阵均带来偏差，并且该方法不能避免粗大误差带来的分类结果重叠现象。针对误差数据对分类结果的影响，按下述方法进行筛查：

首先进行虚假类去除：由于训练数据中的一些不完整轨迹以及少量非常态轨迹，使得提取的方向向量内存在分散噪声。这部分数据会带来虚假分类，其高斯分布的方差矩阵行列式较正常分类明显偏大。因此，逐个计算各个高斯分布的方差矩阵行列式，若某一分类的方差矩阵行列式大于其余所有分类之和的两倍，则认为该类别为虚假类，予以去除。

其次进行重叠分类的去除：聚类结果中存在明显重叠现象，属于过分割。对于此类误差，本发明采用基于巴氏距离的分类误差构造方法，建立如下计算公式：

其中，E为两个类别之间的分类误差，b为描述重叠样本相似度的巴氏距离。当设定巴氏距离最大不超过1.5时，获得的分类误差为可接受的5%左右。因此当两个类别之间的巴氏距离b＜T_b=1.5时，两个分类将被合并。

最后进行孤立噪声的去除：聚类过程中，还有可能出现因极个别孤立噪声的存在使得该类别出现少数离均值很远的孤立点的现象（本例未出现该类误差）。由于混合高斯模型强大的容错能力使得孤立点值均值的马氏距离不会非常大，因此，利用传统的计算观测值与均值之间分散度的马氏距离筛查法不能检查出此类噪声。对此，可利用基于最大最小峰值系数的自适应均值、方差估计法来对混合高斯模型中存在的孤立噪声进行筛查。该算法的缺陷是可能会将部分正常数据归入孤立噪声类别，因此本发明将该算法列为孤立噪声的数据设为噪声候选集合，对集合中的数据逐个计算与类别均值的马氏距离d_i，若（如取）则认为该候选数据仍然应归入正常类别集合。当筛查出的孤立点占该类集合的30%时，认为原先的聚类有欠分类现象，需一分为二，并重新计算高斯分布的参数。

经过上述步骤，与图3对应的聚类结果调整至图4所示，可根据实际数据中的误差情况进行选择性噪声筛查。

（4）在步骤（1）-（3）获得的聚类结果基础上，对具有相同生长方向的一轨迹群，利用轨迹点的位置及速度信息进行隐马尔科夫模型学习。该过程包含两个环节，一是轨迹预处理；二是轨迹模型学习。

轨迹预处理是指对轨迹长度进行统一。正常轨迹中，由于目标在摄像机视角内运行的时间不同，使得轨迹长度不尽相同，因此，需要将轨迹群中各条轨迹的长度进行统一。解决该问题的方法有两种：第一种是通过预处理对轨迹进行降维，提取与长度无关的可比性特征或者对轨迹进行长度的归一化处理。归一化较之于特征提取法而有，操作简单，可行性好，本发明即采用归一化的处理方法。归一化的方法是对原始轨迹进行延长(截取)、重采样和平滑，使得到达聚类环节的轨迹拥有同样的长度。典型算法有：补零法(ZeroPadding)，状态延长法(TrackExtension)，这两者的区别是前者用0填补短轨迹的尾巴，后者用最后一个有效状态将轨迹填补至需要的长度。重采样和平滑算法是利用线性插值、曲线拟合等方法将轨迹长度统一。考虑到状态延长法实现简单，且改变后的数据对后续模式学习影响极小，因此本发明采用最后一个有效状态将轨迹填补至需要的长度。

接着对归一化的轨迹进行离散的隐马尔科夫模型学习。近年来，该模型在运动模式识别领域初有成效的尝试也表明了其在智能交通领域具有相当大的发展潜力。用可观的轨迹序列求解模型参数的过程就是隐马尔科夫的训练过程；通过学习得到的模型参数计算观察序列出现的概率就是隐马尔科夫的估算问题，估算结果便是异常检测的依据。一个基本的HMM结构可表示为附图5所示的形式。其中S代表t=i时的状态结点，它通过状态转移矩阵A连接到其他状态或自身，O代表状态的观测值，通过观测矩阵B与S相对应。

一个隐马尔科夫模型λ可表示为一个五元组（N、M、A、B、π）或简记为（A、B、π），其中N为状态S的数目；M为观测值O的数目；π为初始状态的概率分布。HMM模型训练就是对于给定的观测值序列，如何调整模型参数λ，使P(O|λ)达到最大。本发明对混合高斯建模（理解为聚类）得到的轨迹子集分别进行模型参数训练。除了利用聚类时用到的位置参数，此处还加入速度参数，观测值，其维数为四，数目为第j类中M_j条轨迹所含轨迹点的总个数。HMM用于轨迹识别时模型的状态没有合适的物理意义，可通过经验选择状态数目N，本例中选择N=10。

HMM模型无监督训练过程是先给定一组不准确的参数，再通过反复迭代逐步求精的方式调整模型参数，最终使参数稳定在一个可以接受的精度。Baum-Welch算法进行参数估计的具体步骤如下：利用Baum-Welch算法按下述公式对统一长度的离散观测值进行模型参数估计。

（4-1)：对、、进行初始化，初始值分别满足：；；。

（4-2)：基于A、B、π及观测序列按照公式（3）（4）计算及。

（3）

（4）

其中，，。

（4-3)：按照公式（5）-（7）估计新的模型参数。

（5）

（6）

（7）

其中，表示状态j观察到O_k的期望概率。

（4-4)：将新的反馈至公式（3）（4），重新计算及，并再次更新参数。

（4-5)：循环反复，直至参数收敛，也可用来控制收敛，其中取一较小的阈值。

参数最终的收敛点并不一定是一个全局最优值，但一定是一个局部最优值。对每个聚类的子集都进行一次HMM模型训练，最终得到APs的K个模型集。

实时检测环节，具体过程为：

设一条新提取的轨迹，则待识别的轨迹序列。其中为车辆在第个采样点上的图像位置（单位为像素），为其运行速度（相邻采样时刻车辆质心在图像上的位移）。

对模型集中的每个模型，按如下公式计算O相对于这些模型的条件概率：

，其中N为选取的状态数目，（8）

（9）

(10)

把条件概率最大的轨迹模式类作为该轨迹序列的类别，即为识别结果：

（11）

由此可以得到与新轨迹最匹配的模式类别，若该概率值小于阈值T_p，则认为发生了异常事件。阈值T_p可用下述方法获得：

记离线训练环节中，属于第k个模式的轨迹样本有M_k条，所有参加训练的轨迹样本有N个。首先计算属于该类别样本的对数条件概率T_in以及类别之外样本的对数条件概率T_out，在敏感度参数的控制下生成阈值T_p。

（12）

（13）

（14）

除了利用轨迹整体属性进行异常事件检测之前，还可利用轨迹的局部特征进行违规事件提取。具体是在获得目标完整运行轨迹之后，通过判断其起讫方向向量是否与离线训练环节获得的起讫区域相一致来进行异常事件检测，这部分事件主要包括道路上车辆逆行、车辆违章掉头行为。

基于上述方法，若车辆正常行驶（不考虑换道等运动行为），在该路段会有两种空间运行模式，即分别为左侧车道运行模式和右侧车道运行模式。车辆在两种运动模式下的运动轨迹分布如其中的红色标记所示。用常态轨迹进行HMM模式训练时，T_in和T_out以及敏感度系数对T_p的影响如附图6所示。可以取，对数概率阈值T_p=-65。通过公式(11)计算判断该轨迹与两种运行模式的最大匹配对数概率，因此，判定该车辆行为属于异常事件。

跟踪车辆由左侧车道进入检测区域后，中途发生连续多次换道行驶行为。同样计算的到该轨迹的对数概率，故判定该车辆行为属于异常事件。

本发明的基于隐马尔科夫模型的车辆异常行为检测方法，包括离线训练环节和实时检测环节，由离线训练环节建立具有空间意义的场景内的常态行为模式，由实时检测环节提取新轨迹，并通过计算能够对实际场景内的车辆异常行为进行有效识别，为交通行为理解及智能交通管理提供了技术手段。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims

1.一种基于隐马尔科夫模型的车辆异常行为检测方法，其特征在于，包括以下步骤：

d、实时检测环节，提取新轨迹，并计算新轨迹与常态行为模式的最大匹配概率值，若得到的最大匹配概率值小于所设定的阈值，则车辆发生异常行为；

上述中，所述的步骤c中所述的离线训练环节，具体包括以下步骤：

（1）对车辆跟踪获得的轨迹分别进行起止方向向量提取：

，

其中，（x(0)，y(0)）代表车辆跟踪获得的轨迹的开始坐标，（x(t)，y(t)）代表车辆跟踪获得的轨迹的终止坐标；

（3）对获得的聚类的类别数进行误差筛查：

其次进行过分割筛查：在巴氏距离基础上构造误差公式：

，

2.根据权利要求1所述的基于隐马尔科夫模型的车辆异常行为检测方法，其特征在于，所述的步骤d中所述的实时检测环节，具体包括以下步骤：

，其中N为选取的状态数目，

，

；

3.根据权利要求1所述的基于隐马尔科夫模型的车辆异常行为检测方法，其特征在于，所述的离线训练环节的步骤（2）中高斯混合模型的参数通过期望最大化算法进行求解。

4.根据权利要求1所述的基于隐马尔科夫模型的车辆异常行为检测方法，其特征在于，所述的离线训练环节的步骤（4）中状态延长法为用最后一个有效状态将轨迹填补。

5.根据权利要求1所述的基于隐马尔科夫模型的车辆异常行为检测方法，其特征在于，所述的车辆异常行为包括闯红灯、超速行驶、违章停车、车辆逆行、车辆违章掉头、违章变道、蛇形行驶和不按规定车道行驶。