宣曉剛，劉偉峰

(杭州電子科技大學自動化學院系統(tǒng)科學與控制工程研究所，浙江杭州310018)

0 引言

行人檢測與估計在智能交通中具有廣泛的應(yīng)用，并且在公共安全方面都有著廣泛的用途。基于視頻的行人檢測與估計問題可以歸為兩點:背景消減，行人的特征提取方法。主要的研究方法有:相鄰幀間差分法是在連續(xù)的圖像序列中，從差分圖像上檢測運動變化區(qū)域，對連續(xù)兩幀視頻圖像進行相減得根據(jù)變化區(qū)域的灰度信息恢復(fù)原來的運動目標［1］。光流法根據(jù)光流法獲得特征光流后，應(yīng)將其分割成代表不同目標的類［2］。根據(jù)同一目標上的點的光流近似，不同目標上的點的光流不同，以及同一目標上的點的分布具有一定的規(guī)律的特點，可以采用最小相似性規(guī)則的聚類分析算法，進行聚類分析從而得到運動物體。背景差分法在當前的應(yīng)用開發(fā)中比較常用［3］，它的原理是:首先提取場景中的背景圖像，然后把當前幀與背景圖像做差分［4］，本文對得到的差分圖像進行灰度化，之后可以得到比較完整的運動目標。

1 背景及其問題描述

假設(shè)Ii(x，y)表示第i幀視頻圖像象素點為(x，y)位置的象素灰度值，視頻背景圖像定義為視頻中對象固定不變的場景物體和目標，而視頻前景可以看作為由移動目標構(gòu)成的圖像，假設(shè)背景圖像為Bi(x，y)，那么前景圖像Mi(x，y)可以簡單表示為:

即一幅圖像由前景圖像和背景圖像組成，本文主要是對前景運動目標感興趣。

2 行人檢測

2.1 多幀圖像平均法獲取背景圖像

利用運動目標運行一段時間的序列圖像進行平均而得到背景圖像，計算表達式為:

B(x，y)表示背景圖像，Ii(x，y)表示第 i幀序列圖像在象素點(x，y)的灰度值，N表示幀數(shù)。

2.2 背景消減法

使用前面取出的背景圖像，將所要處理的前景圖像各象素值減去對應(yīng)背景圖像的象素點的灰度值［5，6］，取值范圍為0至255。設(shè)定合適閾值。當差值大于閾值時置為0，全小于閾值時置為255。用表示實時實際圖像，B(x，y)表示背景圖像，他們之間的偏差為Mi(x，y)，T為閾值，表示為［7］:

經(jīng)過兩幀之間逐象素地相減，在理想的情況下，會出現(xiàn)不等于0的點的位置即行人區(qū)域和等于0的點的位置即背景區(qū)域［8］。

3 行人估計方法

3.1 有限混合模型與BIC信息準則

有限混合模型是一種混合統(tǒng)計的建模工具，混合模型研究的問題可以歸類為兩點［9］:混合成份個數(shù)估計，混合模型參數(shù)估計，本文采用高斯混合模型方法，它可表示為:

式中，z={zi}，i=1，…，n表示觀測數(shù)據(jù)，θ是參數(shù)集，表示如下幾個參數(shù):高斯混合權(quán)重Π1，…，Πm，高斯均值μ1，…，μm和高斯協(xié)方差陣P1，…，Pm。本文目的是從觀測數(shù)據(jù)中估計權(quán)重，均值和協(xié)方差3類混合參數(shù)。

由于行人個數(shù)位置，這意味著混合分布個數(shù)m是未知的，為此，引入貝葉斯信息準則來估計高斯混合分布元個數(shù)，該準則可表示為:

式中，m是分布元個數(shù)，L(.)是參數(shù)似然函數(shù)。學習過程用Gibss采用算法［9］。

3.3 行人檢測與估計方法

通過背景消減獲得的提取行人圖像，然后應(yīng)用文獻9提出的無監(jiān)督學習算法，采用matlab程序算法，調(diào)整權(quán)重，進行無監(jiān)督學習。然后根據(jù)以下兩個判斷是否為人形:

(1)權(quán)重Π是否大于閾值權(quán)重，若小于，則判定為干擾，舍去;

(2)學習后橢圓形長軸和短軸的比值，是否在所定義的范圍內(nèi)，并且計算長軸與Y方向(縱向)夾角，判斷該角是否小于定義的閾值范圍。

4 實驗驗證

本文采用的一段850幀的視頻場景如圖1所示，每幀圖像的大小為720×576象素點的大小，背景有建筑物、自然植物;場景中有行人和其他移動車輛行駛，場景有行人走過，行人個數(shù)是隨時間變化的。

圖1 仿真場景

首先獲取背景圖像，采用圖像幀的背景學習算法，獲得的背景圖像如圖2所示，可以看出，背景圖像和真實的背景圖像非常接近，選擇第713幀圖像作為待檢圖像如圖3所示，采用背景消減方法獲得的前景行人圖像如圖4所示。

采用本文的檢測方法檢測行人個數(shù)，對圖4學習的結(jié)果如圖5所示，由于干擾點的影響，要從中檢測出行人個數(shù)，首先需要排除這些干擾點的影響，混合模型的個數(shù)一般選擇行人個數(shù)的2倍以上;并且由于行人個數(shù)未知(也就是混合分布元個數(shù)未知)，為此，混合分布元的個數(shù)從2到6變化，相應(yīng)的BIC指標變化如圖6所示，采用BIC估計混合分布元的個數(shù)，當混合模型個數(shù)為6時，BIC準則取值最小，不同分布元個數(shù)時的150步迭代學習過程如圖7所示，從大約從第20個迭代步開始穩(wěn)定，并且混合模型個數(shù)為6時的BIC準則最小。

3類行人檢測數(shù)據(jù)如表1所示，即權(quán)重，長短軸角度，長短軸比檢測行人，根據(jù)經(jīng)驗值檢測閾值分別如下:權(quán)重閾值W=0.01，長短軸夾角閾值85～95°，長短軸比閾值10～25，可以看出，判斷出的行人個數(shù)為3個，行人的位置可以用高斯分布的均值來代替。

表1 行人參數(shù)混合參數(shù)檢測表

5 結(jié)束語

本文研究了基于是視頻的行人檢測與估計方法，首先提取背景圖像，采用背景消減的算法，提取前景圖像;最后采用基于混合模型學習算法的檢測統(tǒng)計對圖像進行車輛檢測和車輛數(shù)統(tǒng)計。

［1］ 王衛(wèi)鋒，王錕，郝志峰.基于視頻的車流量統(tǒng)計算法［J］.科學技術(shù)與工程，2011，11(17):4 080-4 087.

［2］ 施家棟，王建中，王紅茹.基于光流的人體運動實時檢測方法［J］.北京理工大學報，2008，28(9):794-797.

［3］ 趙冠華，馮曉毅，王虎，等.結(jié)合對稱差分法和背景減法的目標檢測方法［J］.計算機工程與應(yīng)用，2010，46(3):145-147.

［4］ 周西漢，劉勃，周荷琴.一種基于對稱差分和背景消減的運動檢測方法［J］.計算機仿真，2005，22(4):117-123.

［5］ 胡燕，嵇啟春，李智杰，等.視頻監(jiān)控中背景的提取和更新算法［J］.計算技術(shù)與自動化，2009，29(1):142-144.

［6］ 連曉峰，張弢，戴軍，等.基于視頻流的運動人體檢測方法研究［J］.北京工商大學學報(自然科學版)，2009，7(6):40-44.

［7］ 朱礦軍，張海珍，曲孝利.一種基于視頻虛擬檢測線的交通流參數(shù)檢測方法［J］.城市交通，2006，4(3):70-73.

［8］ 陳冬良，楊東勇.基于全方位視覺的運動目標檢測與定位方法［J］.計算機仿真，2010，27(10):223-229.

［9］ 劉偉峰，楊愛蘭.基于BIC準則和Gibbs采樣的有限混合模型無監(jiān)督學習算法［J］.電子學報，2011，39(1):134-139.