CN105354529A

CN105354529A - 一种车辆逆行的检测方法及装置

Info

Publication number: CN105354529A
Application number: CN201510471006.1A
Authority: CN
Inventors: 金辉; 傅慧源; 马华东; 孟滨申
Original assignee: BEIJING TIME CLOUD ELITE TECHNIQUE AND SCIENCE Co Ltd; Beijing University of Posts and Telecommunications
Current assignee: BEIJING TIME CLOUD ELITE TECHNIQUE AND SCIENCE Co Ltd; Beijing University of Posts and Telecommunications
Priority date: 2015-08-04
Filing date: 2015-08-04
Publication date: 2016-02-24

Abstract

本申请公开了一种车辆逆行的检测方法及装置，用以解决现有技术中逆行检测的误检率和漏检率较高的问题。该方法检测装置采集视频图像，确定视频图像中的各前景区域，从各前景区域中提取图像特征，并根据图像特征和预设的分类模型对各前景区域进行分类，对分类得到的有效前景区域的运动轨迹进行追踪，最后根据追踪到的运动轨迹进行车辆逆行检测。上述方法并不单单凭借前景区域的面积、周长等参数识别有效前景区域，而是根据前景区域的图像特征识别有效前景区域，因此可有效提高识别有效前景区域的准确性，进而可有效降低逆行检测的误检率和漏检率。

Description

一种车辆逆行的检测方法及装置

技术领域

本申请涉及计算机技术领域，尤其涉及一种车辆逆行的检测方法及装置。

背景技术

随着车辆的普及，车辆的使用与日俱增，车辆逆行事件频繁发生，逆行已经成为最具危害交通安全的行为之一。然而，人为的交通管控已经捉襟见肘，不足以满足现代交通的需要，因此，基于计算机的智能交通系统应运而生。

在现有技术中，检测车辆是否逆行的方法一般是：采集视频，在该视频的每帧图像中确定疑似车辆的区域，根据该区域的面积、周长、填充率、宽高比以及预设的相应阈值，判断该区域中的图像是否为车辆图像，如果确定该区域中的图像为车辆图像，则可根据该视频的每帧图像中的车辆图像的位置，确定出相应车辆的运动轨迹，进而判断该相应车辆是否发生逆行。

但是，在实际应用场景中，存在很多路况复杂的路段，如车辆行人较多的路段，采用现有技术中的检测方法对这些路段中的车辆进行检测时，仅根据疑似车辆区域的面积、周长、填充率、宽高比等参数识别车辆图像，会降低识别车辆图像的准确性，进而出现误检率和漏检率较高的问题。

发明内容

本申请实施例提供一种车辆逆行的检测方法及装置，用以解决现有技术中逆行检测的误检率和漏检率较高的问题。

本申请实施例提供的一种车辆逆行的检测方法，包括：

采集视频图像；

确定所述视频图像中的各前景区域；

从各前景区域中提取图像特征；

根据提取的各前景区域的图像特征以及预设的分类模型，对各前景区域进行分类，得到有效前景区域；

对所述有效前景区域在视频图像中的运动轨迹进行追踪；

根据追踪到的运动轨迹进行车辆逆行检测。

本申请实施例提供的一种车辆逆行的检测装置，包括图像获取模块、前景求取模块、有效前景甄别模块、追踪模块、逆行判断模块；其中：

所述图像获取模块，用于采集视频图像；

所述前景求取模块，用于确定所述视频图像中的各前景区域；

所述有效前景甄别模块，包括特征提取单元和分类单元；所述特征提取单元，用于从各前景区域中提取图像特征；所述分类单元，用于根据提取的各前景区域的图像特征以及预设的分类模型，对各前景区域进行分类，得到有效前景区域；

所述追踪模块，用于对所述有效前景区域在视频图像中的运动轨迹进行追踪；

所述逆行判断模块，用于根据追踪到的运动轨迹进行车辆逆行检测。

本申请实施例提供一种车辆逆行的检测方法及装置，该方法检测装置采集视频图像，确定视频图像中的各前景区域，从各前景区域中提取图像特征，并根据图像特征和预设的分类模型对各前景区域进行分类，对分类得到的有效前景区域的运动轨迹进行追踪，最后根据追踪到的运动轨迹进行车辆逆行检测。上述方法并不单单凭借前景区域的面积、周长等参数识别有效前景区域，而是根据前景区域的图像特征识别有效前景区域，因此可有效提高识别有效前景区域的准确性，进而可有效降低逆行检测的误检率和漏检率。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例提供的车辆逆行检测的过程；

图2A～B为本申请实施例提供的追踪有效前景区域的运动轨迹的示意图；

图3为本申请实施例提供的基于HOG特征，采用SVM分类器识别有效前景区域的实际效果图；

图4、5为本申请实施例提供的追踪运动轨迹和逆行检测的实际效果图；

图6为本申请实施例提供的车辆逆行的检测装置结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1为本申请实施例提供的车辆逆行检测的过程，具体包括以下步骤：

S101：采集视频图像。

在本申请实施例中，可在车辆逆行的检测装置(以下简称为“检测装置”)上安装诸如摄像头等图像获取模块，并通过图像获取模块采集道路区域的视频图像，多帧视频图像即可构成一段视频。

S102：确定视频图像中的各前景区域。

检测装置采集到多帧视频图像后，则可针对每帧视频图像，采用背景去除的方法确定该视频图像中的各前景区域。本申请实施例中所述的前景区域即为视频图像中疑似车辆图像的区域。

具体的，检测装置可采用预先建立的前景提取模型，确定视频图像中的各前景区域。考虑到在实际应用场景中，以车辆图像为前景的实时路况视频图像中，作为背景的其他行人、非机动车辆等图像一般是动态变化的，尤其是在路况较为复杂的路段，因此，在本申请实施例中，该前景提取模型可以是预先基于混合高斯模型(GaussianMixtureModel，GMM)算法建立的。由于GMM算法相比于其他算法更加稳定，而且具有自动更新学习的能力，因此，采用GMM算法建立的前景提取模型可以更加准确的确定疑似车辆图像的前景区域，对于路况较为复杂的实时路况视频图像中的动态背景具有较高的鲁棒性。

当然，本申请中所述的前景提取模型除了可根据GMM算法建立以外，也可根据其他具有自动更新学习能力的算法建立。

S103：从各前景区域中提取图像特征。

在本申请实施例中，检测装置确定了视频图像中的前景区域后，可从前景区域中提取出图像特征，用来进行后续的有效前景区域识别，即，针对一个疑似车辆图像，判断其到底是不是一个真正的车辆图像。

考虑到在实际应用场景中，对于一个车辆图像而言，车辆的边缘或梯度的方向密度分布可以很好的描述车辆的外观特征，灰度变化平稳的车辆图像内部梯度较小，而灰度变化剧烈的车辆图像边缘则梯度较大，因此，本申请实施例中可采用图像的HOG特征，作为前景区域的图像特征。即，检测装置在从各前景区域中提取图像特征时，可根据各前景区域中的像素点，从各前景区域中提取HOG特征。具体的，可先将前景区域中的各像素进行灰度化处理，再根据灰度化处理后的像素点，提取HOG特征。

由于提取HOG特征的计算量较小，而且HOG特征在描述检测的目标物体的光强梯度和边缘方向分布时，可保持几何和光学转化不变性，因此，本申请实施例中从前景区域中提取HOG特征，以进行后续的有效前景图像甄别，即可满足逆行检测的实时性，也可保证逆行检测的可靠性。

当然，检测装置也可提取前景区域中的其他图像特征，或者同时提取HOG特征和其他图像特征进行后续的有效前景区域甄别。

S104：根据提取的各前景区域的图像特征以及预设的分类模型，对各前景区域进行分类，得到有效前景区域。

检测装置从各前景区域中提取出图像特征(如，HOG特征)后，则可根据提取出的各前景区域的图像特征，采用预先建立的支持向量机(SupportVectorMachine，SVM)分类模型，对各前景区域进行分类。

下面以提取的图像特征为HOG特征为例，说明SVM分类模型的建立方法。

检测装置可预先获取车辆图像作为正样本图像，获取非车辆图像作为负样本图像，再分别从正样本图像和负样本图像中提取HOG特征，最后采用正样本图像和负样本图像中提取的HOG特征进行训练，得到SVM分类模型。即，训练出一个SVM分类模型，使其对已知是车辆图像的HOG特征进行分类时，分类结果为有效前景区域，对已知是非车辆图像的HOG特征进行分类时，分类结果为无效前景区域。

由此训练处的SVM分类模型，对于未知是否是车辆图像的前景区域而言，即可根据从该前景区域中提取出的HOG特征，对其进行分类，分类结果即为有效前景区域(车辆图像)或无效前景区域(非车辆图像)。

当然，本申请实施例所述的分类模型除了可以是SVM分类模型以外，还可以采用其他分类模型。

S105：对有效前景区域在视频图像中的运动轨迹进行追踪。

在本申请实施例中，检测装置通过上述步骤S101～S105得到每帧视频图像中的有效前景区域后，则可针对每个有效前景区域，对该前景区域在视频图像中的运动轨迹进行追踪。具体的，针对前后两次采集的相邻的两帧视频图像，检测装置可确定前一帧视频图像中的有效前景区域的位置，作为当前位置，并在后一帧视频图像中，确定与该当前位置距离最近的有效前景区域，作为匹配前景区域，将该匹配前景区域的位置作为匹配位置，最后将该当前位置指向匹配位置的矢量，作为该有效前景区域在该相邻的两帧视频图像中的运动轨迹。

图2A～B为本申请实施例提供的追踪有效前景区域的运动轨迹的示意图，图2A和图2B为相邻的两帧视频图像，图2A为前一帧视频图像，图2B为后一帧视频图像。

在图2A所示的视频图像中，包括两个有效前景区域：区域A1和区域B1。针对区域A1，检测装置可将区域A1中心点在图2A所示的视频图像中的坐标确定为区域A1在前一帧视频图像中的位置，即，当前位置，记为位置P1。

在图2B所示的视频图像中，也包括有两个有效前景区域：区域A2和区域B2，检测装置确定区域A2和区域B2的中心点在图2B所示的视频图像中的坐标，通过比较区域A2的坐标与P1之间的距离、区域B2与P1的坐标之间的距离，可确定区域A2是与当前位置P1距离最近的有效前景区域，即，区域A2是区域A1的匹配前景区域，进而说明区域A1和区域A2是同一个车辆先后经过的两个区域，因此，检测装置将匹配前景区域A2的中心点坐标P2作为匹配位置。最后，在图2B中，检测装置将当前位置P1指向匹配位置P2的矢量，作为区域A1在这两帧视频图像中的运动轨迹。

当然，上例是以将后一帧视频图像中距离当前位置最近的有效前景区域作为匹配前景区域为例进行说明的，还可将后一帧视频图像中与当前位置的距离小于设定距离的有效强劲区域作为匹配前景区域，这里就不再一一赘述。

检测装置针对每个有效前景区域，采用上述方法确定该有效前景区域在每两帧视频图像中的运动轨迹后，将每两帧视频图像中的运动轨迹顺次连接，即可得到该有效前景区域的一条完整运动轨迹。

S106：根据追踪到的运动轨迹进行车辆逆行检测。

检测装置追踪到每个有效前景区域的运动轨迹后，即可根据运动轨迹进行车辆逆行检测。具体的，针对一个有效前景区域，检测装置可根据追踪到的该有效前景区域的运动轨迹，确定该有效前景区域的运动方向，并判断所述运动方向与预设的标准方向之间的夹角是否大于设定角度，若是，则确定该有效前景区域对应的车辆发生逆行行为，否则，确定该有效前景区域对应的车辆未发生逆行行为。

其中，上述的设定角度可根据实际需要进行设定，例如，可设定为90度。当检测装置检测到车辆逆行行为后，还可针对发生逆行的有效前景区域发出报警。

通过上述方法，检测装置在检测车辆逆行的过程中，不单单凭借前景区域的面积、周长等参数识别有效前景区域，而是根据前景区域的HOG特征等图像特征，并通过预先建立的分类模型来识别有效前景区域，因此可有效提高识别有效前景区域的准确性，进而在路况复杂的路段，可大幅降低逆行检测的误检率和漏检率。

进一步的，考虑到在图1所示的步骤S102中，检测装置确定出的各前景区域只是疑似车辆图像，如果从所有的前景区域中都提取出图像特征，会增加计算量，降低检测效率，因此，为了进一步减小计算量，在图1所示的步骤S103中，即，检测装置从各前景区域中提取图像特征时，还可先确定各前景区域的区域参数，根据各前景区域的区域参数以及预先设定的参数条件，从各前景区域中筛选出满足该参数条件的前景区域，最后，从筛选出的各前景区域中提取图像特征。其中，上述区域参数包括：前景区域的面积、周长、填充率、宽高比中的至少一种。这是因为真正的车辆图像对应的有效前景区域的区域参数往往是满足一定条件的，如，面积和周长大于一定阈值、宽高比落在一个固定范围内等，而非车辆图像对应的无效前景区域的区域参数则往往无固定规律可循，因此，通过前景区域的区域参数，检测装置可从步骤S102确定出的各前景区域中先筛选出一部分更加类似于车辆图像的前景区域，再从筛选出的前景区域中提取图像特征以进行后续的有效前景区域甄别，即可减小计算量。

另外，在图1所示的步骤S102中，检测装置在确定视频图像中的前景区域时，可仅在视频图像中预设的指定区域内确定前景区域，这是因为视频图像中可能还包括一些建筑、树木等图像区域，这些图像区域中一般是不存在车辆区域的，因此，可直接将这些图像区域排除在外，以避免这些图像区域对逆行检测的干扰，也可进一步提高检测效率。

图3为本申请实施例提供的基于HOG特征，采用SVM分类器识别有效前景区域的实际效果图，在图3中，原始的视频图像经过GMM算法的前景提取，共提取出4个前景区域，再基于HOG特征，采用SVM分类器进行分类，得到的有效前景区域为两个车辆的图像，两个无效前景区域为行人和非车辆的图像。

图4、5为本申请实施例提供的追踪运动轨迹和逆行检测的实际效果图，在图4中，预设的标准方向(如图4中白色箭头方向)是竖直向上的，而根据各有效前景区域的运动轨迹，检测装置确定各运动轨迹的运动方向(如图4中黑色箭头方向)与标准方向的夹角均小于90度，因此确定未发生车辆逆行，不发出报警。而在图5中，预设的标准方向(如图5中白色箭头方向)是竖直向下的，根据各有效前景区域的运动轨迹，检测装置确定各运动轨迹的运动方向(如图5中黑色箭头方向)与标准方向的夹角均大于90度，因此确定各有效前景区域对应的车辆均发生逆行行为，从而针对每个有效前景区域均发出报警。

图6为本申请实施例提供的车辆逆行的检测装置结构示意图，具体包括：

图像获取模块601、前景求取模块602、有效前景甄别模块603、追踪模块604、逆行判断模块605；其中：

所述图像获取模块601，用于采集视频图像；

所述前景求取模块602，用于确定所述视频图像中的各前景区域；

所述有效前景甄别模块603，包括特征提取单元6031和分类单元6032；所述特征提取单元6031，用于从各前景区域中提取图像特征；所述分类单元6032，用于根据提取的各前景区域的图像特征以及预设的分类模型，对各前景区域进行分类，得到有效前景区域；

所述追踪模块604，用于对所述有效前景区域在视频图像中的运动轨迹进行追踪；

所述逆行判断模块605，用于根据追踪到的运动轨迹进行车辆逆行检测。

所述前景求取模块602具体用于，采用预先建立的前景提取模型，确定所述视频图像中的各前景区域，其中，所述前景提取模型是预先基于混合高斯模型GMM算法建立的。

所述特征提取单元6031具体用于，确定各前景区域的区域参数；

根据各前景区域的区域参数以及预先设定的参数条件，从各前景区域中筛选出满足所述参数条件的前景区域，从筛选出的各前景区域中提取图像特征，其中，所述区域参数包括：前景区域的面积、周长、填充率、宽高比中的至少一种。

所述特征提取单元6031具体用于，根据各前景区域中的像素点，从各前景区域中提取HOG特征。

所述分类单元6032具体用于，根据提取的各前景区域的图像特征，采用预先建立的支持向量机SVM分类模型，对各前景区域进行分类。

所述装置还包括：

分类模型建立模块606，用于预先获取车辆图像作为正样本图像，获取非车辆图像作为负样本图像，分别从正样本图像和负样本图像中提取HOG特征，采用从正样本图像和负样本图像中提取的HOG特征进行训练，得到SVM分类模型。

所述追踪模块604具体用于，针对相邻的两帧视频图像，确定前一帧视频图像中的有效前景区域的位置，作为当前位置，在后一帧视频图像中，确定与所述当前位置距离最近的有效前景区域，作为匹配前景区域，将所述匹配前景区域的位置作为匹配位置，将所述当前位置指向所述匹配位置的矢量，作为所述有效前景区域在该相邻的两帧视频图像中的运动轨迹。

所述逆行判断模块605具体用于，针对一个有效前景区域，根据追踪到的该有效前景区域的运动轨迹，确定该有效前景区域的运动方向，判断所述运动方向与预设的标准方向之间的夹角是否大于设定角度；若是，则确定该有效前景区域对应的车辆发生逆行行为；否则，确定该有效前景区域对应的车辆未发生逆行行为。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims

1.一种车辆逆行的检测方法，其特征在于，包括：

采集视频图像；

确定所述视频图像中的各前景区域；

从各前景区域中提取图像特征；

对所述有效前景区域在视频图像中的运动轨迹进行追踪；

根据追踪到的运动轨迹进行车辆逆行检测。

2.如权利要求1所述的方法，其特征在于，确定所述视频图像中的各前景区域，具体包括：

采用预先建立的前景提取模型，确定所述视频图像中的各前景区域；

其中，所述前景提取模型是预先基于混合高斯模型GMM算法建立的。

3.如权利要求1所述的方法，其特征在于，从各前景区域中提取图像特征，具体包括：

确定各前景区域的区域参数；

根据各前景区域的区域参数以及预先设定的参数条件，从各前景区域中筛选出满足所述参数条件的前景区域；其中，所述区域参数包括：前景区域的面积、周长、填充率、宽高比中的至少一种；

从筛选出的各前景区域中提取图像特征。

4.如权利要求1所述的方法，其特征在于，从各前景区域中提取图像特征，具体包括：

根据各前景区域中的像素点，从各前景区域中提取HOG特征。

5.如权利要求1或4所述的方法，其特征在于，根据提取的各前景区域的图像特征以及预设的分类模型，对各前景区域进行分类，具体包括：

根据提取的各前景区域的图像特征，采用预先建立的支持向量机SVM分类模型，对各前景区域进行分类。

6.如权利要求5所述的方法，其特征在于，预先建立SVM分类模型，具体包括：

获取车辆图像作为正样本图像，获取非车辆图像作为负样本图像；

分别从正样本图像和负样本图像中提取HOG特征；

采用从正样本图像和负样本图像中提取的HOG特征进行训练，得到SVM分类模型。

7.如权利要求1所述的方法，其特征在于，对所述有效前景区域在视频图像中的运动轨迹进行追踪，具体包括：

针对相邻的两帧视频图像，确定前一帧视频图像中的有效前景区域的位置，作为当前位置；

在后一帧视频图像中，确定与所述当前位置距离最近的有效前景区域，作为匹配前景区域，将所述匹配前景区域的位置作为匹配位置；

将所述当前位置指向所述匹配位置的矢量，作为所述有效前景区域在该相邻的两帧视频图像中的运动轨迹。

8.如权利要求1所述的方法，其特征在于，根据追踪到的运动轨迹进行车辆逆行检测，具体包括：

针对一个有效前景区域，根据追踪到的该有效前景区域的运动轨迹，确定该有效前景区域的运动方向；

判断所述运动方向与预设的标准方向之间的夹角是否大于设定角度；

若是，则确定该有效前景区域对应的车辆发生逆行行为；

否则，确定该有效前景区域对应的车辆未发生逆行行为。

9.一种车辆逆行的检测装置，其特征在于，包括图像获取模块、前景求取模块、有效前景甄别模块、追踪模块、逆行判断模块；其中：

所述图像获取模块，用于采集视频图像；

10.如权利要求9所述的装置，其特征在于，所述前景求取模块具体用于，采用预先建立的前景提取模型，确定所述视频图像中的各前景区域，其中，所述前景提取模型是预先基于混合高斯模型GMM算法建立的。

11.如权利要求9所述的装置，其特征在于，所述特征提取单元具体用于，确定各前景区域的区域参数；

12.如权利要求9所述的装置，其特征在于，所述特征提取单元具体用于，根据各前景区域中的像素点，从各前景区域中提取HOG特征。

13.如权利要求9或12所述的装置，其特征在于，所述分类单元具体用于，根据提取的各前景区域的图像特征，采用预先建立的支持向量机SVM分类模型，对各前景区域进行分类。

14.如权利要求13所述的装置，其特征在于，所述装置还包括：

分类模型建立模块，用于预先获取车辆图像作为正样本图像，获取非车辆图像作为负样本图像，分别从正样本图像和负样本图像中提取HOG特征，采用从正样本图像和负样本图像中提取的HOG特征进行训练，得到SVM分类模型。

15.如权利要求9所述的装置，其特征在于，所述追踪模块具体用于，针对相邻的两帧视频图像，确定前一帧视频图像中的有效前景区域的位置，作为当前位置，在后一帧视频图像中，确定与所述当前位置距离最近的有效前景区域，作为匹配前景区域，将所述匹配前景区域的位置作为匹配位置，将所述当前位置指向所述匹配位置的矢量，作为所述有效前景区域在该相邻的两帧视频图像中的运动轨迹。

16.如权利要求9所述的装置，其特征在于，所述逆行判断模块具体用于，针对一个有效前景区域，根据追踪到的该有效前景区域的运动轨迹，确定该有效前景区域的运动方向，判断所述运动方向与预设的标准方向之间的夹角是否大于设定角度；若是，则确定该有效前景区域对应的车辆发生逆行行为；否则，确定该有效前景区域对应的车辆未发生逆行行为。