吳永武　李俊　吳婭婷　甘松

【摘要】動(dòng)目標(biāo)的行為分析是智能監(jiān)控的關(guān)鍵一步.首先利用均值算法創(chuàng)建交通場(chǎng)景的背景圖像，并對(duì)其進(jìn)行圖像預(yù)處理；利用Sobel提取邊界線；利用Hough算法檢測(cè)警戒線，并將警戒線參數(shù)化后保存；在實(shí)現(xiàn)動(dòng)目標(biāo)的檢測(cè)后，達(dá)到實(shí)時(shí)、有效地對(duì)動(dòng)目標(biāo)行為進(jìn)行分析的目的.實(shí)驗(yàn)顯示，算法是有效的.

【關(guān)鍵詞】Hough變換；運(yùn)動(dòng)檢測(cè)；行為分析

【基金項(xiàng)目】貴州省教育廳自然科學(xué)研究項(xiàng)目，黔教合KY字（2014）272號(hào).

隨著社會(huì)的高速發(fā)展，交通工具也與日俱增，交通場(chǎng)景中動(dòng)目標(biāo)的安全問(wèn)題備受關(guān)注.如何快速、準(zhǔn)確地檢測(cè)出動(dòng)目標(biāo)的異常行為[1-4]已成為人們研究的重要課題之一[5].近年來(lái)已有不少學(xué)者在此方面做出貢獻(xiàn)，提出了許多算法.如，文獻(xiàn)[1]提出一種新的基于OGHM（Orthogonal Gaussian-Hermite Moments）的動(dòng)目標(biāo)檢測(cè)算法，最終利用軌跡、速度、加速度等信息來(lái)實(shí)現(xiàn)動(dòng)目標(biāo)的行為分析；文獻(xiàn)[2]為了克服傳統(tǒng)創(chuàng)建固定背景圖像時(shí)出現(xiàn)的兩個(gè)難題（一是慢動(dòng)目標(biāo)離開(kāi)背景時(shí)會(huì)出現(xiàn)明顯的痕跡；二是光照度隨時(shí)間的變化而變化，從而不能得到合適的背景圖像），而提出一種多重的背景模型算法.文獻(xiàn)[4]通過(guò)SOM（Self-Organizing feature Map）神經(jīng)網(wǎng)絡(luò)來(lái)研究人的正、異常行為等.本文主要是從場(chǎng)景知識(shí)的角度來(lái)實(shí)現(xiàn)公路交通場(chǎng)景中動(dòng)目標(biāo)的行為分析.重點(diǎn)在針對(duì)公路交通視頻中的固定目標(biāo)邊緣提?。刺崛【渚€）、擬合并參數(shù)化；動(dòng)目標(biāo)的檢測(cè)及跟蹤，最終實(shí)現(xiàn)對(duì)動(dòng)目標(biāo)的行為分析.

一、場(chǎng)景知識(shí)的提取

針對(duì)特定的公路場(chǎng)景，有些場(chǎng)景知識(shí)是可以忽略的，有些場(chǎng)景知識(shí)是必須獲知的，這就需要對(duì)場(chǎng)景知識(shí)進(jìn)行提取.

（一）均值算法創(chuàng)建背景

一幅好的背景圖像，對(duì)動(dòng)目標(biāo)的檢測(cè)是非常重要的.因?yàn)檫@將嚴(yán)重影響檢測(cè)的效果，繼而影響后續(xù)的處理過(guò)程，由于均值算法本身所具有的優(yōu)良性質(zhì)，故將用其來(lái)實(shí)現(xiàn)背景圖像的創(chuàng)建.背景圖像B中一個(gè)點(diǎn)（x，y）的值是由所有圖像的對(duì)應(yīng)點(diǎn)灰度的平均值構(gòu)成，公式為[5]

B（x，y）=1N∑Nt=1I（x，y，t），（1）

其中，N為圖像序列中的圖像數(shù)，I（x，y，t）為輸入圖像，t表示時(shí)間.

用均值算法建立背景，靜止目標(biāo)的灰度保持不變，動(dòng)目標(biāo)的灰度點(diǎn)將被弱化，因此，可建立背景.如圖1所示是利用200幀圖像創(chuàng)建的背景模型圖像.

（二）濾波

以上創(chuàng)建的背景圖像含有大量噪聲，這給后續(xù)的圖像處理帶來(lái)極大的不便，造成這些噪聲的主要原因是由于天氣（陰天、雨天）和周?chē)h(huán)境引起的.故需對(duì)背景圖像進(jìn)行濾波，盡可能地去除噪聲，這樣在提取場(chǎng)景知識(shí)時(shí)才更加準(zhǔn)確.而高斯濾波器具有突出的性能，故選取其對(duì)1.1中創(chuàng)建的背景圖像（即圖1）進(jìn)行濾波.

高斯濾波器的程為：ga（t）=12πaexp-t24a.

已證明，均值濾波器大于或等于三次逼近就可近似于高斯濾波器[6].所以，可利用均值濾波器來(lái)代替高斯濾波器.

∵f（n）=1N∑n+n2j=n-n2f（j），

f（n+1）=1N∑a+1+N2j=a+1-N2f（j）

=f（n）+1Nfn+1+N2-fn-N2

or fN2+1=fN2+1N[f（N+1）-f（0）]，（2）

其中，n表示采樣點(diǎn)的序號(hào)，N表示窗口的寬度.如果取窗口的寬度為N=2k，在（2）式中，兩邊同乘N有：

Nf（n+1）-Nf（n）+fn+1-N2-fn-N2.（3）

為了避免（2）式中的除法，于是用累加代替，得到結(jié)果以后除以N[7].利用此算法可對(duì)背景圖像（圖1）進(jìn)行濾波，從而獲得噪聲較少的濾波圖像.

（三）Sobel算子提取警戒線

Sobel算子的原理是：因?yàn)檫吘壣系狞c(diǎn)變化較為明顯，故可把亮度值變化大于閾值T1的那些點(diǎn)視為邊緣上的點(diǎn).該算子包含的橫向模板為：H=[-1-2-1；0 0 0；1 2 1]，縱向模板為：H=[-1 0 1；-2 0 2；-1 0 1].在計(jì)算時(shí)，將這兩個(gè)模板與檢測(cè)的圖像分別做卷積.

Sobel算法具有如下優(yōu)點(diǎn)：（1）計(jì)算比較簡(jiǎn)單；（2）計(jì)算的速度較快.但如果圖像中的紋理比較復(fù)雜時(shí)，其邊緣檢測(cè)效果欠佳.而針對(duì)我們的道路場(chǎng)景紋理并不復(fù)雜，且Sobel具有速度快的特點(diǎn).故選擇了Sobel算法來(lái)提取道路的兩條邊界線.圖2是利用Sobel檢測(cè)背景圖像中邊界線的效果圖.

（四）除噪和警戒線的提取

在提取邊界線之前，要將部分噪音去除.否則，這些噪音會(huì)給后續(xù)的邊緣提取帶來(lái)很大的麻煩，利用MATLAB中函數(shù)BW=bwareaopen（BW，P，CONN）就可實(shí)現(xiàn)此目的.其中，BW表示二值圖像，P表示點(diǎn)數(shù)，CONN在默認(rèn)的情況下表示8領(lǐng)域.其次，利用先驗(yàn)知識(shí)將不關(guān)注的部分去除，如圖2所示中遠(yuǎn)離攝像頭的部分是不關(guān)注的，故將遠(yuǎn)離攝像頭的部分去除.

在去除大量的噪聲后，余下的是我們感興趣的目標(biāo)——道路的邊界線，且邊界線具有較長(zhǎng)的特點(diǎn)，利用此特點(diǎn)可將兩條邊界線提取出來(lái).圖3是提取的道路邊界線效果圖.

二、目標(biāo)檢測(cè)

（一）警戒線的檢測(cè)

判斷一個(gè)動(dòng)目標(biāo)是否發(fā)生異常行為的依據(jù)是：動(dòng)目標(biāo)是否越過(guò)警戒線.故，公路邊界的檢測(cè)和參數(shù)提取是非常關(guān)鍵的（下稱警戒線）.由于Hough變換在檢測(cè)直線方面的優(yōu)良性，故將引用它來(lái)檢測(cè)警戒線.

Hough變換[8]于1962年由Paul Hough提出，并在美國(guó)作為專利被發(fā)表.其原理是利用點(diǎn)與線的對(duì)偶性，將原圖像給定的曲線通過(guò)曲線表達(dá)形式變?yōu)閰?shù)空間的一個(gè)點(diǎn)[9].

因此，在獲得初始背景圖像（見(jiàn)圖2含警戒線）后，按以下步驟進(jìn)行.

（1）提取二值化邊界圖；

（2）掃描（1）中圖像，并記錄邊界上各點(diǎn)的坐標(biāo)（xi，yi）；

（3）利用參數(shù)方程ρ=xcosθ+ysinθ，將每個(gè)邊界點(diǎn)對(duì)應(yīng)到參數(shù)ρ-θ平面上，這樣在ρ-θ平面上就得到了多條曲線；

（4）在ρ-θ平面上找出這些曲線的交點(diǎn)（ρi，θi）并計(jì)數(shù)；

（5）尋找聚點(diǎn)：每個(gè)聚點(diǎn)對(duì)應(yīng)一條直線[10]，故最大點(diǎn)和次大點(diǎn)對(duì)應(yīng)兩條警戒線.因此，就獲得了兩警戒線的參數(shù).

這就利用Hough算法獲取了警戒線的參數(shù).圖4是將x-y平面上的點(diǎn)變換到ρ-θ平面上出現(xiàn)聚點(diǎn)的情況；圖5是利用Hough變換檢測(cè)出來(lái)的兩條警戒線.

由圖5可以看到，用Hough變換檢測(cè)出的兩條警戒線，只要將警戒線保存下來(lái)，以后只需檢測(cè)是否有動(dòng)目標(biāo)越過(guò)警戒線，就能立刻知道是否發(fā)生了異常行為.那么，該如何保存警戒線呢？由于直線上有許多點(diǎn)，如果保存所有的點(diǎn)即費(fèi)時(shí)又占空間.故，將直線用截距式的方式來(lái)表示（即y=kx+b），這樣只需保存兩個(gè)參數(shù)k和b，這也節(jié)省了大量存儲(chǔ)空間.

（二）動(dòng)目標(biāo)的檢測(cè)

在動(dòng)目標(biāo)檢測(cè)中，有背景差技術(shù)；幀差技術(shù)及基于光流的方法[10].結(jié)合各技術(shù)方法的優(yōu)、缺點(diǎn)，本文將采用自適應(yīng)背景差技術(shù)來(lái)檢測(cè)動(dòng)目標(biāo)[11].通過(guò)實(shí)驗(yàn)，此技術(shù)在動(dòng)目標(biāo)檢測(cè)方面是有效的（見(jiàn)圖6），其原理如下.

此算法是在背景差分算法的基礎(chǔ)上改進(jìn)而來(lái)的，先建立一幅背景圖像（即1.1中創(chuàng)建的背景圖像）.當(dāng)出現(xiàn)動(dòng)目標(biāo)時(shí)，在對(duì)應(yīng)區(qū)域的灰度發(fā)生了明顯的變化.運(yùn)用此變化信息，就能檢測(cè)和定位出動(dòng)目標(biāo)的位置.其公式描述如下：

|I（x，y，t）-B（x，y，t）|>T2.（4）

即將t時(shí)刻的輸入圖像減去t時(shí)刻的背景圖像就得到t時(shí)刻的差圖像，當(dāng)差圖像內(nèi)對(duì)應(yīng)點(diǎn)上灰度值大于給定的門(mén)限值T2，則這個(gè)點(diǎn)被認(rèn)為是一個(gè)運(yùn)動(dòng)點(diǎn).那么，怎樣創(chuàng)建一幅可靠的、好的背景圖像？創(chuàng)建此背景圖像的算法應(yīng)該能自適應(yīng)場(chǎng)景的逐漸變化，這就是自適應(yīng)背景差技術(shù)的基本思想，其算法如下：

B（x，y，t）=αB（x，y，t-1）+（1-α）I（x，y，t），（x，y）∈禁止區(qū)域，B（x，y，t-1），（x，y）∈運(yùn)動(dòng)區(qū)域，（5）

其中，I（x，y，t）是t時(shí)刻的輸入圖像，當(dāng)t=0時(shí)，B（x，y，0）即為1.1中創(chuàng)建的背景圖.背景圖像是自適應(yīng)的，其可根據(jù)光線的變化及時(shí)調(diào)整下一時(shí)刻的背景.α是調(diào)節(jié)因子，調(diào)節(jié)t-1時(shí)刻的背景圖和t時(shí)刻的輸入圖像在t時(shí)刻的背景圖中的比例.應(yīng)用式（5），就能檢測(cè)出運(yùn)動(dòng)的點(diǎn)和靜態(tài)的點(diǎn).在檢測(cè)到動(dòng)目標(biāo)以后我們還將提取其質(zhì)心（xcentroid，ycentroid），以便后面對(duì)動(dòng)目標(biāo)進(jìn)行行為分析.

如圖6所示就是利用自適應(yīng)的背景差技術(shù)檢測(cè)出的動(dòng)目標(biāo)（汽車(chē)）.圖7是安全監(jiān)測(cè)系統(tǒng)示意圖，圖7中還顯示了動(dòng)目標(biāo)的質(zhì)心在安全監(jiān)測(cè)系統(tǒng)圖中的位置.

三、動(dòng)目標(biāo)的行為分析

在2.1節(jié)中，將兩條警戒線保存下來(lái)后，就獲得兩直線的方程：直線1為y-y1=k1（x-x1）；直線2為y-y2=k2（x-x2）.要檢測(cè)某點(diǎn)（即質(zhì)心（xcentroid，ycentroid））與警戒線的位置關(guān)系，只要將該點(diǎn)代入方程1和方程2即可.如果（y-y1）-k1（x-x1）<0和（y-y2）-k2（x-x2）<0，說(shuō)明該質(zhì)心點(diǎn)在兩直線的下方，即圖7中的安全區(qū)；如果y-y1≥k1（x-x1）和y-y2≥k2（x-x2），說(shuō)明該質(zhì)心點(diǎn)在兩直線上或上方，即圖7中的報(bào)警區(qū).在圖6中檢測(cè)到的動(dòng)目標(biāo)（圖6中的車(chē)）的質(zhì)心所在區(qū)域是安全區(qū)，系統(tǒng)沒(méi)有報(bào)警，并且顯示了正確的信息.圖8是系統(tǒng)反饋的信息.

綜上所述，當(dāng)系統(tǒng)檢測(cè)到動(dòng)目標(biāo)后，通過(guò)以上算法系統(tǒng)就馬上知道此動(dòng)目標(biāo)是否發(fā)生了異常行為[10].系統(tǒng)達(dá)到實(shí)時(shí)、有效檢測(cè)異常行為的目的.實(shí)驗(yàn)顯示，本文的算法是有效的.

【參考文獻(xiàn)】

[1]Y Wu，J Shen，M Dai.Traffic object detections and its action analysis[J].International journal of pattern recognition letter，2005（26）：1963-1984.

[2]Y Wu，M Dai.Detection and analysis of moving objects for video surveillance[J].International journal of information acquisition （IJIA），2005（3）：227-239.

[3]Y Wu，J Shen.Detecting the moving objects using orthogonal moment and its action analyses[A].ACCV2-004，2004：85-90.

[4]G Zhou，Y Wu.Anomalous Event Detection Based on Self-Organizing Map for Supermarket Monitoring[A].International Conference on Information Engineering and Computer Science，2009：1-4.

[5]吳永武，錢(qián)淑渠，王海英，等.公共場(chǎng)景中運(yùn)動(dòng)目標(biāo)的行為分析[J].計(jì)算機(jī)仿真，2014（6）：179-183.

[6]張亞群.造波機(jī)的控制及其實(shí)現(xiàn)[D].武漢：武漢理工大學(xué)，2007.

[7]崔東海.高斯濾波器在實(shí)時(shí)系統(tǒng)中的快速處理[J].油氣田地面工程，2005（8）：9.

[8]趙穎，王書(shū)茂，陳兵旗.基于改進(jìn)Hough變換的公路車(chē)道線快速檢測(cè)算法[J].中國(guó)農(nóng)業(yè)大學(xué)報(bào)，2006（3）：104-108.

[9]朱德正.復(fù)雜環(huán)境下多目標(biāo)圖像分割算法研究[D].長(zhǎng)沙：長(zhǎng)沙理工大學(xué)，2012.

[10]吳永武.公共場(chǎng)景中運(yùn)動(dòng)目標(biāo)的行為分析[D].貴陽(yáng)：貴州民族學(xué)院，2013.