張建飛，陳樹越，劉會(huì)明，胡 楠

（中北大學(xué) 信息與通信工程學(xué)院，山西 太原 030051）

0 引言

智能交通系統(tǒng)（Intelligent Transportation System，ITS）是未來交通系統(tǒng)的發(fā)展方向，是將先進(jìn)的計(jì)算機(jī)技術(shù)、通信技術(shù)、機(jī)器視覺、模式識(shí)別等集成運(yùn)用于交通管理系統(tǒng)，從而建立的一種實(shí)時(shí)、準(zhǔn)確、高效的綜合交通管理系統(tǒng)。人車識(shí)別是智能交通系統(tǒng)的一個(gè)重要組成部分，在某種方面識(shí)別分類的好壞直接影響了智能交通系統(tǒng)能否正常運(yùn)作，因此這個(gè)課題的研究就顯得尤為重要[1]。

支持向量機(jī)（Support Vector Machines，SVM）是近來引起人們廣泛重視的一種優(yōu)秀模式分類方法，它是根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論（Statistical Learning Theory，SLT）建立起來的，最早是由Vapnik等人于1995年提出的一類新型機(jī)器學(xué)習(xí)方法，能夠較好地解決小樣本、非線性以及高維數(shù)等模式識(shí)別問題[2]。

SVM在智能交通系統(tǒng)領(lǐng)域得到了廣泛的應(yīng)用。文獻(xiàn)[3]提出了一種基于SVM的車型圖像識(shí)別算法，采用灰度極值提取邊界候選圖像，并提取了具有RST不變性的輪廓特征向量進(jìn)行訓(xùn)練，能夠?qū)⒉煌愋偷钠囎R(shí)別出來。文獻(xiàn)[4]通過一類支持向量機(jī)將二值分類問題推廣到多值分類情況，并將其應(yīng)用于車輛識(shí)別中。但是在現(xiàn)實(shí)交通中人車同行是普遍存在的，尤其在一些特殊的場合（如軍事禁地）僅僅對(duì)車的識(shí)別還遠(yuǎn)遠(yuǎn)不夠。

本文以背景差分法和數(shù)學(xué)形態(tài)學(xué)為核心，通過對(duì)采集到的人車視頻圖像序列的處理，提取一些有效的幾何特征，特別是對(duì)高度、寬度和高寬比等特征量的選取，設(shè)計(jì)相應(yīng)的SVM分類器從而進(jìn)行人車分類識(shí)別。實(shí)驗(yàn)結(jié)果表明，這種方法分類效果較好、識(shí)別精度高，并且具有實(shí)現(xiàn)簡單的優(yōu)點(diǎn)，適用于背景較復(fù)雜的交通系統(tǒng)。

1 運(yùn)動(dòng)目標(biāo)檢測算法

1.1 運(yùn)動(dòng)目標(biāo)檢測的一般方法

視頻圖像中運(yùn)動(dòng)目標(biāo)的提取主要有幀間差分、光流法和背景差分等方法。由于前兩種方法存在提取的目標(biāo)不精確、實(shí)時(shí)性差和抗噪性弱等缺點(diǎn)，對(duì)后期的分類識(shí)別不利，因此本文采用背景差分法實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)的提取[5]。

1.2 基于背景差分的目標(biāo)檢測

背景差分法是采用當(dāng)前圖像與背景參考圖像作差分再取閾值來檢測運(yùn)動(dòng)區(qū)域的一種方法。與傳統(tǒng)的閾值選取不同，本文采用了大律算法進(jìn)行全局圖像閾值選取。最基本的背景差分法的原理比較簡單，主要工作過程如圖1所示。首先，利用式（1）計(jì)算背景圖像bk(x,y)與當(dāng)前圖像fk(x,y)的差，然后根據(jù)式（2）對(duì)差分圖像Dk(x,y)按照事先得出的閾值進(jìn)行二值化，若差分圖像中像素絕對(duì)值大于該閾值T，則判斷此像素點(diǎn)屬于運(yùn)動(dòng)目標(biāo)區(qū)域，否則屬于背景區(qū)域。閾值后的圖像Rk(x,y)往往存在一些噪聲，進(jìn)行中值濾波和形態(tài)學(xué)處理等算法可以得到較好的結(jié)果[6]。

圖1給出了使用背景差分法來檢測提取運(yùn)動(dòng)目標(biāo)的基本原理。

在數(shù)學(xué)形態(tài)學(xué)處理中采用了閉運(yùn)算、開運(yùn)算和孔洞填充等操作[7]，定義形式如下：

1）A被B的形態(tài)學(xué)閉運(yùn)算記作A?B，是先膨脹再腐蝕的結(jié)果，用數(shù)學(xué)公式表示為

2）A被B的形態(tài)學(xué)開運(yùn)算記作A°B，是先腐蝕再膨脹的結(jié)果，用數(shù)學(xué)公式表示為

3）假設(shè)一幅標(biāo)記圖像fm，該圖像的邊緣部分的值為1-f，其余部分的值為0。

則填充圖像f中的孔洞的公式為

實(shí)驗(yàn)結(jié)果如圖2所示，通過背景差分法可以檢測到場景中的變化，并提取出運(yùn)動(dòng)目標(biāo)。

從實(shí)驗(yàn)過程來看背景差分法簡單易于實(shí)現(xiàn)，一般能夠提供較好的特征數(shù)據(jù)，適用于背景已知的情況。

2 基于SVM的人車識(shí)別

2.1 SVM原理

SVM是在統(tǒng)計(jì)學(xué)習(xí)理論上發(fā)展起來的一種新的基于機(jī)器學(xué)習(xí)和模式識(shí)別的方法，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求折中，從而獲得較好的泛化能力[8-9]。

SVM方法是由線性可分情況下的最優(yōu)分類面發(fā)展而來的。二維線性可分情況如圖3所示，圖中空心點(diǎn)和實(shí)心點(diǎn)代表了兩類樣本，H為分類線，H1和H2分別為過各類樣本即離分類線最近又平行于該分類線的直線，它們之間的距離稱為分裂間隔。最優(yōu)分類線不但能夠?qū)深悩颖菊_分開，而且分裂間隔也是最大。

設(shè)分類線方程為w?x+b=0，進(jìn)行歸一化后可使線性可分的樣本集滿足

對(duì)于線性不可分的情況，利用內(nèi)積函數(shù)的非線性映射可將輸入向量映射到較高維的空間，即通過構(gòu)造新的特征向量將問題轉(zhuǎn)換為新的空間，SVM能在這個(gè)新建空間中給出最佳分類超平面。

構(gòu)造內(nèi)積函數(shù)為K(xi,xj)的SVM可轉(zhuǎn)化為求解二次函數(shù)的極值問題

式中：約束條件為0≤ai≤C，C為指定的常數(shù)，為Lagrange系數(shù)，式（8）的非零解及其對(duì)應(yīng)的xi構(gòu)成支持向量集，使得構(gòu)成的支持向量機(jī)為

式中：b*是分類閾值，可以由任一支持向量按式（7）求得。

根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論中的Hilbert_Schmidt原理，只要視頻應(yīng)用與工程一種運(yùn)算滿足Mercer條件，就可以作為內(nèi)積使用。本文采用了徑向基內(nèi)積核函數(shù)，表達(dá)如下

2.2 車輛和行人的識(shí)別

根據(jù)前文提出的運(yùn)動(dòng)目標(biāo)檢測算法，提取一些車輛和行人圖像。由于車輛和行人的輪廓存在明顯的不同，采用幾何特征進(jìn)行分類識(shí)別比較有效。為此運(yùn)用星形向量表示法[10]來提取運(yùn)動(dòng)目標(biāo)的特征向量，如圖4所示。

具體方法為：以r1（水平0°方向）為起始端，從圖像的重心點(diǎn)按逆時(shí)針（或順時(shí)針）方向每隔45°取到圖像邊界的距離作為一個(gè)特征分量rk(k=1,2,…,8)，共8個(gè)特征量。然后將運(yùn)動(dòng)目標(biāo)的高度、寬度和高寬比作為另外3個(gè)特征量r9，r10，r11，從而構(gòu)成了分類識(shí)別的特征向量集。

把已建好的圖像集進(jìn)行分類：一類為行人，一類為車輛，利用提取的幾何特征對(duì)支持向量機(jī)進(jìn)行訓(xùn)練，得到SVM分類器。最后通過該分類器對(duì)視頻中的運(yùn)動(dòng)目標(biāo)測試和分類。

3 實(shí)驗(yàn)結(jié)果和分析

實(shí)驗(yàn)中使用固定在三角架的攝像機(jī)在室外攝取了若干視頻序列進(jìn)行試驗(yàn)，視頻圖像幀為大小320×240的真彩色格式。在普通的PC機(jī)上進(jìn)行了實(shí)驗(yàn)操作。

首先采集了160幅行人和104幅車輛的圖像，一半用來訓(xùn)練，一半用來對(duì)支持向量機(jī)的測試。圖5是第95幀時(shí)檢測的實(shí)驗(yàn)效果，其中圖5a為當(dāng)前時(shí)刻背景圖像，圖5b為當(dāng)前幀圖像，圖5c為檢測到的2個(gè)運(yùn)動(dòng)目標(biāo)圖像，圖5d為人車被分別識(shí)別的圖像。

隨機(jī)抽取4個(gè)樣本，所提取的11個(gè)特征量如表1所示，識(shí)別結(jié)果如表2所示。

表1 提取的特征量 像素

表2 識(shí)別結(jié)果

在Matlab環(huán)境下對(duì)拍攝到的一段交通視頻進(jìn)行了仿真，實(shí)驗(yàn)結(jié)果比較理想，且行人和車輛的平均識(shí)別準(zhǔn)確率達(dá)到96.97%。

4 小結(jié)

在計(jì)算機(jī)視覺鄰域，運(yùn)動(dòng)目標(biāo)的檢測與識(shí)別具有廣泛的應(yīng)用前景。本文提出了一種靜止攝像機(jī)條件下基于背景模型的人車檢測識(shí)別算法。首先，通過背景差分法、中值濾波法、形態(tài)學(xué)處理法等對(duì)視頻中的運(yùn)動(dòng)目標(biāo)進(jìn)行了較好的檢測。然后，通過11個(gè)特征量的提取，用SVM分類器進(jìn)行人車分類，從實(shí)驗(yàn)上證明了該分類方法的效果較好，也驗(yàn)證了本文提出的特征量的有效性。

[1]MESSLODI S，MODEN C M.Vision-based bicycle and motorcycle classification[J].Pattern Recognition Letters，2007（28）：1719-1726.

[2]GUPT S，MASOUND O，MARTIN R，et al.Detection and classification for vehicles[J].IEEE Transaction on Intelligent Transportation Systems，2002，3（1）：37-47.

[3]尹玉梅，胡中華，湛金輝.基于支持向量機(jī)（SVM）的汽車車型識(shí)別[EB/OL].[2010-11-20].http：//d.wanfangdata.com.cn/Periodical_dzcljs 200807006.aspx.

[4]孫德山，吳今培.一類支持向量機(jī)在車輛識(shí)別中的應(yīng)用[J].交通運(yùn)輸系統(tǒng)工程與信息，2003，3（4）：34-37.

[5]曹治錦，唐慧明.視頻圖像中的車輛檢測跟蹤和分類[J].電視技術(shù)，2004，28（3）：85-87.

[6]崔江.行駛車輛圖像檢索技術(shù)研究[D].南京：南京航空航天大學(xué)，2003.

[7]李波，曾致遠(yuǎn)，付祥勝.基于數(shù)學(xué)形態(tài)學(xué)和邊緣特征的車牌定位算法[J].電視技術(shù)，2005，29（7）：94-96.

[8]OSUNA E，F(xiàn)REUND R，GIROSI F，et al.Training support vector machines：an application to face detection[EB/OL].[2010-11-20].http：//ieeexplore.ieee.org/xpl/freeabs_all.jsp?arnumber=609310.

[9]冀振元，李晨雷，唐文彥.支持向量機(jī)在車輛目標(biāo)識(shí)別中的應(yīng)用[J].系統(tǒng)工程與電子技術(shù)，2010，32（2）：284-286.

[10]RIVTIN E，RUDZSKY M，GOLDENBERG R，et al.A real-time system for classification of moving objects[EB/OL].[2010-11-20].http：//citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.12.1718.