張壯暑，蔡曉東，張學(xué)敏

(桂林電子科技大學(xué)信息與通信學(xué)院，廣西 桂林 541004)

責(zé)任編輯:任健男

隨著交通智能監(jiān)控系統(tǒng)的快速發(fā)展，對監(jiān)控視頻運(yùn)動目標(biāo)的分類越來越受到重視，目標(biāo)分類是對目標(biāo)分析理解的基礎(chǔ)。目前智能交通系統(tǒng)主要的監(jiān)控目標(biāo)是行人和車輛，例如車輛的類型、大小、速度等。目標(biāo)快速準(zhǔn)確分類可以進(jìn)行實時交通數(shù)據(jù)統(tǒng)計，例如交通事故統(tǒng)計、人車流量統(tǒng)計、停車統(tǒng)計、行人穿馬路等。目標(biāo)分類主要包含目標(biāo)的特征提取和分類器的選擇兩個方面［1］。特征提取的主要任務(wù)就是找到一組對分類可靠有效的特征。目前常用的特征有幾何特征和運(yùn)動特征，目標(biāo)的形狀特征主要有輪廓、面積、長寬比、離散度、質(zhì)心、外接矩形等，基于運(yùn)動的特征主要包括運(yùn)動方向、速度等［2－3］。

不變矩是提取具有平移、旋轉(zhuǎn)、縮放不變性的圖像特征，已被廣泛應(yīng)用于圖像識別中的字符識別、遙感圖像匹配等領(lǐng)域。目前被應(yīng)用于圖像識別的矩特征主要有Hu矩、Zerniker矩等。M.K.Hu在1961年首先提出不變矩的概念，并將幾何矩(Geometric Moments，GMg)用于圖像描述。圖像低階幾何矩與圖像的整體特征有關(guān)，不包含太多的圖像細(xì)節(jié)信息，而高階幾何矩易受噪聲影響。Zerniker矩是根據(jù)多項式正交理論提出的，與Hu矩相比，Zerniker矩在抗噪聲能力，信息靈敏度以及圖像描述能力都優(yōu)于Hu 矩［4－5］。

本文以背景差分方法進(jìn)行目標(biāo)檢測，充分利用矩的不變特性，提取運(yùn)動目標(biāo)的Zerniker高階矩、長寬比和占空比組成特征向量，構(gòu)造支持向量機(jī)(SVM)分類器進(jìn)行人車分類識別，實驗結(jié)果證明，本文方法具有較高的運(yùn)動目標(biāo)識別分類準(zhǔn)確率。

1 Zerniker矩

Zerniker矩是基于Zerniker多項式的正交復(fù)數(shù)矩，其中Zerniker多項式是定義在極坐標(biāo)中單位圓內(nèi)的正交函數(shù)集合，公式為

n階Zerniker矩定義為

對于一幅數(shù)字圖像，離散形式表示方式為

由以上公式可以計算出一幅圖像的Zerniker矩特征集:根據(jù)n的變化計算不同階數(shù)的Zerniker矩;也可以在n值一定的情況下，計算m階Zerniker矩特征值。提取的各階矩之間成正交關(guān)系，對噪聲的抵抗能力強(qiáng)，冗余性小，同時低階Zerniker矩可以描述圖像的整體形狀，高階矩可以描述圖像的細(xì)節(jié)特征。

2 支持向量機(jī)分類

傳統(tǒng)模式識別分類器的設(shè)計只考慮對訓(xùn)練樣本的擬合情況，通過提供足夠的訓(xùn)練樣本以提高分類器的預(yù)測識別率，減少分類誤差。相反，對于訓(xùn)練樣本過少情況下，不能保證對訓(xùn)練樣本具有高正確率的分類器能以同樣的準(zhǔn)確率對測試樣本進(jìn)行預(yù)測。而支持向量機(jī)［6－8］(SVM)同時兼顧訓(xùn)練誤差與測試誤差最小化，即結(jié)構(gòu)誤差最小化為原則，其主要思想就是尋找能夠?qū)深悩颖境晒Ψ蛛x開并且具有最大間隔的最優(yōu)超平面，如圖1和圖2所示。

對于樣本線性可分的情況，假設(shè)線性超平面的方程式為

由點到平面的公式可以得出，樣本x到最優(yōu)超平面(w，b)的距離為

規(guī)范化超平面，選擇w和b使得與超平面最近的樣本x滿足wTx+b=1。

此時的分類間隔為

變換得到

根據(jù)上式可以得一個全局最小值，計算不會陷入像神經(jīng)網(wǎng)絡(luò)優(yōu)化過程中的局部最小值。除點x之外的其他樣本點到超平面的距離則大于d，因此存在約束條件為

式中:i為正整數(shù)。由以上條件求出最優(yōu)解w*，b*后，得出最優(yōu)超平面函數(shù)為

對于非線性可分，引入松弛變量εi和附加懲罰參數(shù)C后，仍然利用二次規(guī)劃求出最優(yōu)w*和b*，得出與上式相同的決策函數(shù)。

在大多數(shù)情況下，需要借助核函數(shù)映射，通過非線性變換將樣本轉(zhuǎn)化為某個高維空間中，映射后的樣本在新特征空間中線性可分，這樣就避免了非線性問題放寬約束條件導(dǎo)致大量樣本錯分。

3 運(yùn)動目標(biāo)分類系統(tǒng)設(shè)計

分類系統(tǒng)結(jié)構(gòu)流程如圖3所示。

圖3 分類系統(tǒng)結(jié)構(gòu)流程圖

3.1 運(yùn)動目標(biāo)檢測

目標(biāo)檢測是目標(biāo)識別與分類的重要環(huán)節(jié)，而交通監(jiān)控場景目標(biāo)運(yùn)動比較復(fù)雜，準(zhǔn)確完整地進(jìn)行目標(biāo)檢測是非常困難的。視頻中運(yùn)動目標(biāo)的檢測一般有幀間差分、光流法和背景差分法。本文采用混合高斯模型進(jìn)行背景重建，背景差分進(jìn)行運(yùn)動目標(biāo)檢測。

3.2 運(yùn)動目標(biāo)分類器設(shè)計

支持向量機(jī)(SVM)分類器設(shè)計主要有分類訓(xùn)練和測試兩個階段。訓(xùn)練過程是利用樣本去學(xué)習(xí)和估計分類器的未知參數(shù)。本實驗主要對人和車進(jìn)行分類，用于分類器訓(xùn)練和測試所用的人和車的樣本圖片序列都來自固定的單攝像機(jī)，即對特定場景中獲取的樣本進(jìn)行訓(xùn)練，以提高訓(xùn)練和分類識別的準(zhǔn)確率。選取目標(biāo)樣本Zernike矩的7個高階矩、長寬比、占空比等共9個特征作為訓(xùn)練分類器的特征向量。最后把測試樣本輸入分類器對分類器的識別率進(jìn)行測試。

4 實驗結(jié)果與分析

用于實驗的行人圖片和車輛圖片各220張，110張用于分類器訓(xùn)練，110張用于對分類器測試，假設(shè)A類為行人圖片，B類為車輛圖片。行人的檢測效果如圖4所示，車輛的檢測效果如圖5所示，多目標(biāo)檢測效果如圖6所示。檢測視頻背景圖片如圖7所示，目標(biāo)分類效果如圖8所示。

圖8 目標(biāo)分類效果

計算目標(biāo) Zernike 矩的 7 個高階 (Z60，Z71，Z80，Z91，Z100，Z111，Z120)、長寬比和占空比，如表1 所示。

表1 運(yùn)動目標(biāo)特征集

由表1可以看出人和車的Zernike矩的高階特征值有明顯的區(qū)別，能很好地區(qū)分出人和車目標(biāo)。經(jīng)過測試支持向量機(jī)分類器選擇徑向基核函數(shù)，懲罰因子C為0.349 929，核參數(shù)gamma值為0.007 812 5，測試數(shù)據(jù)進(jìn)行分類器測試。

如表2所示采用Zerniker高階矩進(jìn)分類的正確率達(dá)到99.1%，比由Hu矩進(jìn)行分類的正確率高0.19%。實驗結(jié)果證明了本文算法的有效性。

表2 運(yùn)動目標(biāo)分類正確率

5 結(jié)論

視頻序列中運(yùn)動目標(biāo)的檢測是近年來研究熱點，本文通過背景差分方法檢測運(yùn)動目標(biāo)提取運(yùn)動目標(biāo)的Zernike高階矩、長寬比和占空比組成特征向量集，采用支持向量機(jī)優(yōu)秀分類算法進(jìn)行目標(biāo)識別分類。實驗結(jié)果表明，本算法對監(jiān)控視頻中人車運(yùn)動目標(biāo)識別分類正確率高達(dá)99.1%，與提取目標(biāo)的Hu矩及其他形狀特征對目標(biāo)分類方法相比，運(yùn)用Zernike高階矩的分類方法對目標(biāo)的分類正確率高于運(yùn)用Hu矩的方法。

［1］ WANG Xiaojing，YUAN Da，LI Daokai.Moving target classification technique in video sequence［C］//Proc.International Conference of Information Technology.［S.l.］:IEEE Press，2011:362－365.

［2］王吉林，趙力.數(shù)字圖像形狀特征提取的研究［J］.微電子學(xué)與計算機(jī)，2010，27(5):118－125.

［3］謝菲，陳雷霆，邱航.基于紋理特征提取的圖像分類方法研究及系統(tǒng)實現(xiàn)［J］.計算機(jī)應(yīng)用研究，2009，26(7):2767－2770.

［4］姚軍，蔣曉瑜，黃應(yīng)清.目標(biāo)識別中Hu矩、Zerniker矩和小波矩的比較［J］.裝甲兵工程學(xué)院學(xué)報，2006，20(3):34－36.

［5］劉茂福，何炎祥，胡慧君.圖像挖掘中基于Zernike矩的形狀特征描述與評價［J］.計算機(jī)工程，2006，32(22):178－180.

［6］張建飛，陳樹越，劉會明，等.基于支持向量機(jī)的交通視頻人車識別研究［J］.電視技術(shù)，2011，35(15):1－3.

［7］王亮申，朱玉才，陳少華.利用 SVM 進(jìn)行車型識別［J］.計算機(jī)工程與設(shè)計，2005，26(9):2453－2454.

［8］劉麗麗，鄒北驥，劉相濱，等.視頻監(jiān)控系統(tǒng)中的運(yùn)動目標(biāo)分類技術(shù)研究［J］.工程圖學(xué)學(xué)報，2007(6):79－84.