基于視訊結構化的應用中，目标在經過跟蹤算法後，會得到一個唯一辨別和它對應的運動軌迹，利用這兩個資料我們可以做一些後續工作：測速（交通類應用場景）、計數（交通類應用場景、安防類應用場景）以及行為檢測（交通類應用場景、安防類應用場景）。我會寫三篇文章依次介紹這三個主題。
（1）目标跟蹤之速度計算
（2）目标跟蹤之計數
（3）目标跟蹤之行為檢測
至此，三個主題都結束了。
本篇文章以交通類應用場景為例，介紹車輛異常行為分析方法。車輛異常行為通常又稱“車輛異常交通事件”，指車輛在行駛道路上出現的違法行為，一般包括 停車、逆行（倒車）、占用應急車道、擁堵等等。本篇文章分别介紹這四種車輛異常交通事件的分析方法。
注意：高速交通中，通常異常交通事件還包括行人闖入、抛灑物、煙火等，由于這些跟車輛沒有直接關聯，本文不涉及此類事件。
(停車事件)
定位目标軌迹點
前面系列文章已經提到過，目标檢測算法會輸出目标的位置，一個四元組（Left、Top、Width、Height），代表一個矩形框，該矩形框住的範圍就是圖像中目标的位置。我們在進行目标行為分析時，需要先找到一個二維點（X，Y），使它最能代表目标在地面上的位置，原因很簡單，因為畫面中的目标實際是在三維世界中的地面上移動。大家可能第一反應應該選擇矩形框的中心點（Left + Width / 2， Top + Height /2），雖然這個點非常好計算，但是實際應用中該點并不非常準确，通過它并不能準确地反映目标在地面上的實際位置。
如上圖所示，黃色矩形框代表貨車在畫面中的位置，如果選取矩形框中心點來定位車輛在路面上的位置，那麼貨車應該在行車道（右側車道）上行駛，而實際情況貨車正在超車道（左側車道）上。顯然用這種方式去判斷車輛在路面上的位置非常不準确。
另外一種方式是選取矩形底邊的中心點（Left + Width/2， Top + Height），這種方式比前一種更準确，但是當車道方向與攝像夾角非常大時，定位誤差非常明顯。
如上圖，黃色矩形框代表客車在畫面中的位置，如果選取矩形框底邊中心點來定位車輛在路面上的位置，那麼客車應該壓線了，而實際情況客車行駛正常。
實際經驗得到，隻取矩形框底邊中心點還不夠，還需要根據車輛行駛方向與垂直方向的夾角大小來動态調整該點的X指，也就是說，最終選取的點應該是 （Left + Width/2 + delta， Top + Height），其中delta可正可負，最終的效果如下：
停車
停車時，目标靜止不動，理論上目标軌迹點不變，我們隻需要判斷軌迹點在連續若幹幀之内都沒發生變化即可（Xm == Xn && Ym == Yn）。但現實場景中，由于目标檢測算法的準确性，同一個目标即使靜止不動，每一幀檢測到的矩形框也有可能不一樣（位置不同、大小不同等），最後得到的軌迹點也不會重合。是以更好的判斷方式是：目标軌迹點連續若幹幀之内歐氏距離（平面直線距離）不大于某值，比如50像素，那麼我們即可認為車輛靜止不動（停車事件發生）。
逆行（倒車）
逆行時，目标第M幀軌迹點和第N幀軌迹點的射線與道路方向之間的夾角如果大于某值，比如大于90°，那麼判定為逆行。其中M<N
占用應急車道
當車輛行駛時，判斷目标軌迹點在連續若幹幀内是否都在應急車道中，若是，則為占用應急車道，其他類似的區域事件判定邏輯與這個一樣
擁堵 和 緩行
連續若幹幀内靜止車輛數大于某值，車輛靜止的邏輯可以參照前面停車的邏輯。當路面多輛車靜止不動時，判定道路發生擁堵。該方式很簡單，但是通常情況下，除了這種堵死的情況外，我們更需要知道是否出現緩行（提前應對擁堵發生）。
緩行有兩種方式去判斷：
（1）結合前幾篇文章提到的測速，如果發現多輛行駛車輛的速度都小于某值（可以分級定義），那麼判定道路緩行；
（2）很多情況下，車速測不出來（前面文章中有提到，沒有參照物的道路測不出車速），那麼我們需要使用其他方式先判斷單個車輛是否緩行：在連續若幹幀中，車輛軌迹點直線距離小于某值，但是大于另外一個值（保證車輛沒有停止）。如果連續多幀中出現緩行的車輛數大于某值，那麼判定整個道路進入緩行狀态。
目标行為分析難點
前面所有的行為邏輯判斷全部基于理想狀态下：檢測算法比較準确，矩形方框鎖定目标比較穩定，不會出現丢幀、矩形框抖動嚴重（位置、大小跳躍厲害）。實際應用場景中，由于各種各樣的因素，目标鎖定不夠準确，會對目标行為分析造成非常大的負面影響。
另外，上面所有判斷邏輯全部基于像素機關（圖像二維坐标系），這個判斷依據存在一定缺陷，檢測算法能檢測到很遠的車輛，雖然這時候車輛一直處于運動狀态，但是它反應到平面二維畫面上時，車輛幾乎靜止不動，根據前面的判斷邏輯，這種情況會出現停車、擁堵等誤報。避免這種誤報的方式之一是盡量将攝像頭斜對行車道，而不是剛好在車道的正前方/正後方。
除此之外，還有其他一些局限性，比如上面提到的各種門檻值的調整，也是非常考驗人的一項工作。一般視訊分析應用很難同時滿足多個場景，針對不同的需求最好做一些特定的優化。