穆春陽(yáng) 馬 行 張盼盼

（北方民族大學(xué)信息與通信研究所，寧夏 銀川750021）

0 引言

消防通道在突發(fā)事件發(fā)生時(shí)具有重要的疏散或補(bǔ)救作用，是生命通道，雖然法令禁止私人占用這些區(qū)域，但是由于突發(fā)事件發(fā)生的概率較低，因此平時(shí)這些區(qū)域處于閑置狀態(tài)，其重要性常常被忽視?？v觀我國(guó)重大火災(zāi)事故現(xiàn)場(chǎng)，由于消防通道亂停亂放的現(xiàn)象，造成消防車不能及時(shí)到達(dá)，從而引發(fā)嚴(yán)重火災(zāi)事故的情況屢見不鮮。針對(duì)類似問(wèn)題，本文設(shè)計(jì)一種用于禁停區(qū)域車輛違章停車的檢測(cè)算法，以提高消防通道的疏散作用。

常用的運(yùn)動(dòng)目標(biāo)檢測(cè)方法有光流法、幀間差法和背景差分法。光流法雖然能夠提供物體運(yùn)動(dòng)和三維場(chǎng)景信息，但是計(jì)算量較大，實(shí)時(shí)性能較差。幀間差法容易實(shí)現(xiàn)，但是檢測(cè)的目標(biāo)對(duì)象內(nèi)部容易出現(xiàn)空洞，如果不對(duì)行人和其他非機(jī)動(dòng)車輛等目標(biāo)進(jìn)行濾除，將會(huì)干擾檢測(cè)的效果。背景差分法與幀間差法也常與高斯模型相結(jié)合才能達(dá)到較好的效果。

1 算法總體設(shè)計(jì)

本文設(shè)計(jì)的禁停區(qū)域違章車輛實(shí)時(shí)檢測(cè)算法從整體上可以分為以下幾個(gè)部分：

（1）建立背景。為了提高算法的運(yùn)算速度和檢測(cè)效率，在視頻圖像上選取確定的區(qū)域作為檢測(cè)的范圍，然后利用高斯混合模型(GMM)建立場(chǎng)景的背景。

（2）背景差分法檢測(cè)運(yùn)動(dòng)目標(biāo)。采用背景差分法檢測(cè)出運(yùn)動(dòng)對(duì)象，其中包括進(jìn)入檢測(cè)范圍內(nèi)的行人、自行車等運(yùn)動(dòng)對(duì)象。

（3）多特征篩選。對(duì)檢測(cè)到的運(yùn)動(dòng)目標(biāo)進(jìn)行Hough變換，利用車輛的團(tuán)塊特征及車輪的圓形度，將干擾目標(biāo)排除。

（4）目標(biāo)跟蹤。根據(jù)運(yùn)動(dòng)目標(biāo)的質(zhì)心坐標(biāo)運(yùn)動(dòng)軌跡實(shí)現(xiàn)跟蹤。（1）初始化高斯模型。選取視頻的前n幀初始化高斯模型。

2 算法實(shí)現(xiàn)

2.1 混合高斯模型建立背景

由于監(jiān)控區(qū)域可能有樹的晃動(dòng)，人員走動(dòng)或者其他物體的進(jìn)入，所以需要對(duì)各個(gè)高斯分布進(jìn)行不斷地更新?；旌细咚鼓Ｐ?GMM)可分為以下幾部分：

（1）初始化高斯模型。選取視頻的前n幀初始化高斯模型，方差應(yīng)盡可能大一些，這樣可以融合更多的圖像，使得到的數(shù)值更接近真實(shí)。

（2）輸入視頻序列圖像。新輸入的圖像每個(gè)像素值都經(jīng)過(guò)匹配，以判斷哪些像素屬于背景，哪些屬于前景。像素點(diǎn)判為背景的概率計(jì)算如公式（1）所示：

式中，p（Xt）表示Xt的概率是該像素分別屬于k個(gè)高斯分布的概率加權(quán)和；

k為高斯模型的數(shù)量，一般取3～5個(gè)；

（3）參數(shù)更新。每個(gè)新的像素點(diǎn)都要與這k個(gè)高斯模型進(jìn)行匹配，如果匹配成功，則加入該模型；如果匹配失敗，就以該像素的值作為均值建立一個(gè)新的高斯分布，并且代替高斯背景模型中權(quán)值最小的那個(gè)背景模型（即 ω（k，t）/δ（k，t）最?。?/p>

（4）更新背景。將得到的 k 個(gè)高斯分布按照 ω（k，t）/δ（k，t）的降序排列，取前H個(gè)高斯分布作為新背景。

2.2 背景差分法檢測(cè)運(yùn)動(dòng)目標(biāo)

基于混合高斯模型與背景差分法可以檢測(cè)到運(yùn)動(dòng)目標(biāo)，利用形態(tài)學(xué)算法對(duì)提取到的結(jié)果作進(jìn)一步的處理，可以得到相對(duì)完整的運(yùn)動(dòng)目標(biāo)，結(jié)果如圖1所示：

圖1 基于GMM與形態(tài)學(xué)處理的運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果

圖1(a)為GMM直接輸出的目標(biāo)圖像，目標(biāo)的外輪廓不夠完整。圖1（b）為經(jīng)過(guò)處理后的圖像，可以看到車輛外輪廓明顯比圖1(a)要完整，這對(duì)進(jìn)一步的車輛提取有很大幫助。

2.3 多特征篩選

可以利用車輛所在區(qū)域相對(duì)緊湊的特點(diǎn)，以及車輪具有明顯的圓形特征，設(shè)置多特征篩選原則，剔除干擾。

（1）緊湊性檢測(cè)

a計(jì)算目標(biāo)的外輪廓線總長(zhǎng)L。由于車的材質(zhì)特性、環(huán)境光照條件等因素，使GMM輸出的車輛并不是完全連通的。為了解決該問(wèn)題，在提取輪廓前先進(jìn)行形態(tài)學(xué)濾波處理，然后用該結(jié)構(gòu)元素去腐蝕原圖像，可得到目標(biāo)的外輪廓線。

b采用形狀描述符的思想計(jì)算面積S。將輪廓的像素點(diǎn)匹配到能夠最大程度描述物體外輪廓的橢圓上。在標(biāo)注的所有橢圓中選擇最大的橢圓進(jìn)行面積計(jì)算，如圖2所示：

圖2 描述目標(biāo)面積圖

在圖3中標(biāo)注的大橢圓即為車輛外輪廓線匹配到的邊界，按照橢圓的面積計(jì)算公式（3）：

其中a為長(zhǎng)軸長(zhǎng)，b為短軸長(zhǎng)。

c計(jì)算緊湊比例

按照公式（4）計(jì)算緊湊比例：

（2）Hough 變換檢測(cè)圓形

首先將圖像空間的像素點(diǎn)轉(zhuǎn)換為特征空間中的參數(shù)值，然后根據(jù)點(diǎn)與線的對(duì)應(yīng)性，將表征同一個(gè)圓的點(diǎn)在特征空間里進(jìn)行累加，最后尋找累加值最大的點(diǎn)即為對(duì)應(yīng)圖像空間中的圓。根據(jù)經(jīng)驗(yàn)值，設(shè)置尋找半徑為13到100，檢測(cè)并繪制出所有找到的圓形。

（3）基于緊湊性和Hough變換的判斷準(zhǔn)則

由于車輪可能因?yàn)榕闹嵌鹊膯?wèn)題，造成檢測(cè)不到，因此將緊湊性作為第一判斷標(biāo)準(zhǔn)，權(quán)重比例設(shè)為0.6，車輪代表的特性權(quán)重設(shè)為0.4。

2.4 目標(biāo)跟蹤

（1）首先計(jì)算目標(biāo)的質(zhì)心坐標(biāo)；

（2）當(dāng)該坐標(biāo)進(jìn)入到ROI的邊界線內(nèi)時(shí)觸發(fā)提示信息，警示有目標(biāo)進(jìn)入ROI區(qū)域；如果坐標(biāo)沒有進(jìn)入ROI區(qū)域就不做任何操作。

（3）當(dāng)目標(biāo)進(jìn)入ROI后，繼續(xù)跟蹤其運(yùn)動(dòng)軌跡判斷是否出界，如果目標(biāo)一直沒有出界，就啟動(dòng)目標(biāo)識(shí)別應(yīng)用程序，分析是車輛還是非車輛；如果目標(biāo)離開了ROI區(qū)域，則不做任何操作。

3 實(shí)驗(yàn)結(jié)果與分析

本文以兩廂和三廂轎車為例進(jìn)行研究，轎車的尺寸參數(shù)來(lái)源于汽車論壇。兩廂轎車的緊湊比例最小值為0.589，最大值為0.782。三廂轎車的緊湊比例最小值為0.553，最大值為0.782。因此，將緊湊比例的閾值范圍設(shè)定為0.4～0.8。

以正側(cè)面為例展示車輛測(cè)試結(jié)果，如圖3所示。

圖3 車輛正側(cè)面測(cè)試圖(緊湊性0.3521)

在車輪的檢測(cè)過(guò)程中，檢測(cè)圓的半徑等參數(shù)需要提前設(shè)置，因此參數(shù)的設(shè)置直接影響檢測(cè)的結(jié)果。因此，自適應(yīng)的圓形檢測(cè)是需要進(jìn)一步研究的內(nèi)容。

4 結(jié)論

本文針對(duì)消防通道等重要通道存在亂停亂放的現(xiàn)象，設(shè)計(jì)了一種用于禁停區(qū)域車輛違章停車的檢測(cè)算法。首先確定需要監(jiān)控的區(qū)域，利用GMM背景模型和背景差分法檢測(cè)出感興趣區(qū)域內(nèi)的運(yùn)動(dòng)對(duì)象。經(jīng)過(guò)形態(tài)濾波器進(jìn)一步處理，可以得到較完整的目標(biāo)圖像。然后綜合考慮車輛的緊湊性和車輪的圓形度兩個(gè)方面的特征，進(jìn)行干擾對(duì)象的篩除。最后設(shè)計(jì)目標(biāo)跟蹤算法，為目標(biāo)識(shí)別和語(yǔ)音報(bào)警做準(zhǔn)備。實(shí)驗(yàn)表明，該算法具有良好的監(jiān)測(cè)效果。

［1］盧章平,孔德飛.背景差分與三幀差分結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J].計(jì)算機(jī)測(cè)量與控制,2013,21(12):3315-3318.

［2］Stauffer C,Grimson W.Learning Patterns of Activity Using RealtimeTracking[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2000,22(8):747-757.

［3］Stauffer C,Grimson W E L.Learning patterns of activity using real-time tracking[J].IEEE Transactions on Pattern Analysis&Machine Intelligence,2000,22(8):747-757.

［4］王殿海,胡宏宇.李志慧,等.違章停車檢測(cè)與識(shí)別算法[J].吉林大學(xué)學(xué)報(bào):工學(xué)版,2010,40(1):42-46.

［5］Panpan Zhang,Chunyang Mu,Xing Ma and Fulu Xu.Algorithm of Moving Vehicle Detection by Improved Gaussian Mixture Model Based on ROI[Z].Applied Mechanics and Materials,2015.