楊杰超,許江淳,陸萬榮,曾德斌

(昆明理工大學(xué)信息工程與自動化學(xué)院,云南 昆明 650500)

0 引言

高速公路異物侵限是一個(gè)威脅行車安全的隱患。由于高速公路事故嚴(yán)重程度逐年增加，且高速公路上行車具有速度快的特點(diǎn)，一旦有事故發(fā)生，會造成嚴(yán)重的交通事故[1]。目前,我國在高速公路的異物檢測上大多采用人工檢測的方法，不僅容易產(chǎn)生漏檢，而且需要大量的人力、物力，并且有周期限制，導(dǎo)致效率嚴(yán)重低下。

本文提出了一種按適當(dāng)距離間隔安裝在高速公路沿線的、基于機(jī)器視覺技術(shù)的嵌入式異物侵限報(bào)警系統(tǒng)。系統(tǒng)采用嵌入式微處理器ARM作為檢測硬件平臺核心，結(jié)合一套基于支持向量機(jī)(support vector machine，SVM)與粒子濾波的異物分類及跟蹤算法，在區(qū)分異物的同時(shí)，將其運(yùn)動趨勢與侵限異物判別相結(jié)合，可有效提高具有侵限趨勢異物的正確報(bào)警率，降低無侵限趨勢異物的誤報(bào)率。

1 系統(tǒng)整體工作原理及結(jié)構(gòu)

該系統(tǒng)由基于ARM的嵌入式硬件平臺、攝像機(jī)、遠(yuǎn)程控制終端等組成，系統(tǒng)基本結(jié)構(gòu)如圖1所示。

圖1 系統(tǒng)基本結(jié)構(gòu)圖

每隔適當(dāng)距離安裝一個(gè)攝像機(jī)，每個(gè)攝像機(jī)對應(yīng)一個(gè)嵌入式異物檢測平臺,組成一個(gè)節(jié)點(diǎn)。當(dāng)某個(gè)節(jié)點(diǎn)檢測到具有侵限趨勢的異物時(shí)，通過以太網(wǎng)遠(yuǎn)程傳輸信息到控制終端進(jìn)行報(bào)警，并可通過節(jié)點(diǎn)所在位置判斷出異物所處路段，以盡快排除安全隱患。

嵌入式檢測硬件平臺以ARM作為主控制中心，與現(xiàn)場可編輯門陣列(field programmable gate array,FPGA)實(shí)現(xiàn)圖像的采集、局部背景差分以及特征向量的提取。而ARM作為主芯片,利用異物分類、跟蹤算法完成整個(gè)系統(tǒng)實(shí)現(xiàn)異物侵限報(bào)警。

2 基于SVM與粒子濾波的異物分類及跟蹤算法

在粒子濾波算法的框架下，采用局部背景加權(quán)直方圖表征目標(biāo)。此方法可以增強(qiáng)背景和前景的區(qū)分性，凸顯目標(biāo)區(qū)域內(nèi)的前景信息，并利用SVM及一組特征向量對其進(jìn)行分類，以區(qū)別異物和汽車。算法流程如圖2所示。

圖2 算法流程圖

系統(tǒng)核心目標(biāo)是檢測區(qū)域內(nèi)具有侵限趨勢的異物并進(jìn)行報(bào)警，以提示工作人員盡快排除安全隱患，所以系統(tǒng)必須具有較好的準(zhǔn)確性和魯棒性。首先，對采集到的每一幀圖像進(jìn)行預(yù)處理，通過局部背景加權(quán)直方圖表征目標(biāo)，提取出目標(biāo)的多個(gè)特征值組成特征向量，作為SVM的樣本數(shù)據(jù)輸入并進(jìn)行目標(biāo)分類；然后，利用粒子濾波跟蹤器對分類為異物的目標(biāo)進(jìn)行軌跡跟蹤，并分析異物是否具有侵限趨勢、是否需要報(bào)警。

2.1 表征目標(biāo)及分類

試驗(yàn)通過局部背景加權(quán)直方圖[2]來表征目標(biāo)。相對于常用的加權(quán)顏色直方圖[3]，其更加穩(wěn)定、更能準(zhǔn)確地找出目標(biāo)。加權(quán)顏色直方圖表征算法會因其目標(biāo)與其背景顏色相似而失效。而局部背景加權(quán)直方圖相對于背景差分法，更能適應(yīng)光照變化頻繁,且實(shí)時(shí)性更高。

在當(dāng)前幀搜索區(qū)域定位目標(biāo)。搜索區(qū)域通常由上一幀目標(biāo)位置決定，跟蹤目標(biāo)由前景和目標(biāo)內(nèi)背景組成。

在眾多模式識別分類器中，SVM是Vapnik等人根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論提出的、建立在結(jié)構(gòu)風(fēng)險(xiǎn)最小原則上的一種新型機(jī)器學(xué)習(xí)方法。該方法具有針對小樣本數(shù)據(jù)學(xué)習(xí)優(yōu)勢，以及預(yù)測算法簡單、易于移植、魯棒性較好等特點(diǎn)[4-5]。因此，本文選取SVM作為目標(biāo)分類器進(jìn)行目標(biāo)的分類，重點(diǎn)區(qū)分行進(jìn)中的汽車及異物。目標(biāo)特征向量的選取對分類器的效果至關(guān)重要。本文選取了以下幾個(gè)特征值，形成了一組效果較好的特征向量。

①目標(biāo)背景高寬比。

(1)

式中：B為目標(biāo)的基本形態(tài)；G為目標(biāo)背景矩形高度；K為目標(biāo)背景矩形寬度。

②目標(biāo)占空比。

(2)

式中：D為目標(biāo)的基本狀態(tài)；A為目標(biāo)實(shí)際包含像素總數(shù)；S為目標(biāo)背景矩形面積。

③目標(biāo)形狀參數(shù)。

(3)

式中：C為目標(biāo)的外形的復(fù)雜及緊湊程度；L為目標(biāo)實(shí)際輪廓周長。

為驗(yàn)證各個(gè)特征的分類表現(xiàn)，本文提取了一段試驗(yàn)視頻中不同位置的行人、汽車及一些其他干擾物體的相關(guān)特征值進(jìn)行對比，特征值對比如表1所示。正常情況下，所選用的高寬比、占空比、形狀參數(shù)均具有較明顯的穩(wěn)定性及與其他類型目標(biāo)的區(qū)分性。但由于人很少出現(xiàn)在高速公路，通過這三個(gè)特征值的對比，其他干擾物體和汽車的區(qū)分性更大，更能滿足本文對于區(qū)分異物和汽車的要求；此外，根據(jù)這三個(gè)特征值的分類表現(xiàn)，人的出現(xiàn)也不會影響其區(qū)分性。

表1 特征值對比

為最終驗(yàn)證分類準(zhǔn)確性，通過樣本測試試驗(yàn)，提取原始數(shù)據(jù)集中的500個(gè)新樣本作為訓(xùn)練集，并在同樣場景下提取300個(gè)新樣本作為測試集。試驗(yàn)準(zhǔn)確性達(dá)到了92.33%。根據(jù)準(zhǔn)確性，最終確定高寬比、占空比、形狀參數(shù)這三個(gè)特征值組成特征向量。

2.2 異物目標(biāo)跟蹤

粒子濾波通過序列蒙特卡羅算法，能夠較好地處理非線性、非高斯問題。該方法基于大量測量，通過一組加權(quán)粒子的演化與傳播來遞推近似狀態(tài)的后驗(yàn)概率密度函數(shù)，從而獲得狀態(tài)的統(tǒng)計(jì)量。其核心是通過一組隨機(jī)樣本及其重要性權(quán)值離散，表示所求解問題的后驗(yàn)概率分布[6-13]。

跟蹤目標(biāo)的運(yùn)動趨勢，是通過一些特定的特征來估計(jì)整個(gè)過程目標(biāo)的狀態(tài)。這些目標(biāo)與跟蹤的真實(shí)狀態(tài)不斷進(jìn)行對比和匹配。這個(gè)匹配過程一直都是參數(shù)修改以及模型的更新。這種預(yù)測更新時(shí)貫徹整個(gè)視頻目標(biāo)跟蹤，所以可以用一個(gè)動態(tài)系統(tǒng)來表示運(yùn)動模型[8-9]。

動態(tài)系統(tǒng)的建立有兩個(gè)關(guān)鍵的方程：一是狀態(tài)轉(zhuǎn)移方程，二是測量方程。

xt=ft(xt-1,vt-1)

(4)

zt=ht(xt,nt)

(5)

式中：f(·)、h(·)非線性函數(shù)分別為系統(tǒng)模型和觀測模型；xt為t時(shí)刻的狀態(tài);vt-1為系統(tǒng)噪聲；zt為t時(shí)刻下的觀測值;nt為觀測噪聲。

在實(shí)際場景中，目標(biāo)狀態(tài)往往是高峰、多峰、非高斯、非線性的，因而很難直接從狀態(tài)的概率密度函數(shù)中采樣。采用重要性采樣，通過采樣點(diǎn)進(jìn)行加權(quán)求和來近似概率函數(shù)p(x0∶t|z1∶t):

(6)

(7)

(8)

為了便于權(quán)值遞推的計(jì)算，經(jīng)過假設(shè)，狀態(tài)的后驗(yàn)分布可近似為：

(9)

3 算法實(shí)現(xiàn)流程

在粒子濾波的框架下，對基于SVM的異物分類及跟蹤算法總結(jié)如下。

①確定目標(biāo)初始狀態(tài)，計(jì)算模板的局部背景加權(quán)直方圖，并提取目標(biāo)特征值組成特征向量。

由FPGA完成圖像的采集和預(yù)處理，發(fā)現(xiàn)目標(biāo)后，目標(biāo)所處的局部背景信息可以作為目標(biāo)在運(yùn)動過程中的上下文信息，引入局部背景加權(quán)直方圖來表征目標(biāo)。

給定目標(biāo)x:

(10)

②將特征向量投入已經(jīng)訓(xùn)練好的SVM中進(jìn)行分類判別，取消跟蹤高速公路正規(guī)汽車，提高實(shí)時(shí)性、穩(wěn)定性。

③確定為高速公路異物時(shí)，跟蹤此異物目標(biāo)。

④在比上一幀大兩倍的目標(biāo)區(qū)域內(nèi)再次計(jì)算局部背景加權(quán)直方圖。

⑤計(jì)算出觀測概率并更新權(quán)值。

使用常用方法Bhattacharyya距離[13]來度量兩直方圖形似度ρ：

(11)

式中：w為直方圖維度；Q為目標(biāo)區(qū)域的背景加權(quán)直方圖;Qm為目標(biāo)模板的背景加權(quán)直方圖。

觀測概率p如下：

(12)

⑥更新模板。

⑦運(yùn)動趨勢分析，報(bào)警。

為了提高系統(tǒng)的實(shí)時(shí)性、準(zhǔn)確性，對異物運(yùn)動趨勢進(jìn)行分析。為判別是否具有侵限趨勢，劃分高速公路區(qū)域，將高速行車道劃分為報(bào)警區(qū)、非行車道劃分為安全區(qū)。

報(bào)警判斷流程如圖3所示。

圖3 報(bào)警判斷流程圖

對于是否具有侵限趨勢，是否取消跟蹤的判斷，分為兩種情況。

①異物處于報(bào)警區(qū)。對高速公路上異物跟蹤進(jìn)行15幀運(yùn)動趨勢判斷。若異物仍處于報(bào)警區(qū)，判斷為具有侵限趨勢，并進(jìn)行報(bào)警；若異物趨于安全區(qū)，則可取消跟蹤。

②異物處于安全區(qū)。對高速公路上異物跟蹤進(jìn)行15幀運(yùn)動趨勢判斷。若異物仍處于安全區(qū)，取消跟蹤；若異物趨于報(bào)警區(qū)，則判斷為具有侵限趨勢，并進(jìn)行報(bào)警。

4 試驗(yàn)與結(jié)果分析

本文采用了多段高速公路監(jiān)控視頻作為試驗(yàn)樣本，得出異物的檢測與跟蹤以及報(bào)警準(zhǔn)確率的試驗(yàn)結(jié)果。

在測試視頻樣本選取中，大多選用包含靜止異物和移動異物的樣本。包含靜止異物樣本的選取是為了測試異物檢測與分類的準(zhǔn)確性；包含移動異物樣本是為了測試目標(biāo)跟蹤及其運(yùn)動趨勢是否對侵限判斷的準(zhǔn)確性造成威脅。侵限物檢測試驗(yàn)結(jié)果如表2所示。

表2 侵限物檢測試驗(yàn)結(jié)果

由試驗(yàn)可知，本文算法不僅能較好地區(qū)分汽車和異物，而且通過區(qū)分跟蹤，降低了對沒有侵限趨勢的異物誤判率。該算法對移動的有侵限趨勢的異物正確報(bào)警率達(dá)到了93.35%，對靜止的侵限異物正確報(bào)警率也達(dá)到了95.34%，漏檢率為1.46%，誤檢率為2.62%。根據(jù)統(tǒng)計(jì)，各不同目標(biāo)檢測中出現(xiàn)的漏檢數(shù)中大部分是由于異物目標(biāo)距離攝像機(jī)太遠(yuǎn)，像素總和低于濾波閾值被濾除掉而導(dǎo)致的漏檢；而誤檢數(shù)大多由于劇烈光照反復(fù)無常情況下，以及被汽車遮擋后，目標(biāo)跟蹤時(shí)軌跡判斷出現(xiàn)檢漏及微小誤差，對移動侵限異物的報(bào)警準(zhǔn)確性產(chǎn)生影響。

在有侵限趨勢移動異物的檢測中，分別出現(xiàn)了11次誤檢、6次漏檢。6次漏檢皆為鏡頭距離和環(huán)境因素所造成的；11次誤檢由于在檢測幀數(shù)之內(nèi)將目標(biāo)異物誤檢為有侵限趨勢的移動異物，包括6次噪聲樣本、5次無侵限趨勢的移動異物。綜合分析，雖然試驗(yàn)中針對單幅圖像統(tǒng)計(jì)出現(xiàn)了漏檢和誤檢，但對于系統(tǒng)整體而言，仍能夠區(qū)別汽車和異物，對侵限異物具有較高的報(bào)警準(zhǔn)確率，可以在實(shí)際情況中運(yùn)用。

將算法最終移植到ARM芯片中的嵌入式硬件平臺，同時(shí)將檢測區(qū)域劃分模板和訓(xùn)練好的SVM存儲到硬件平臺中，可隨時(shí)讀取，提高了系統(tǒng)的實(shí)時(shí)性。

5 結(jié)束語

本文提出了一種基于SVM與粒子濾波的異物分類及跟蹤算法，在局部加權(quán)直方圖的目標(biāo)表征下，提取目標(biāo)特征值為分類器提供特征向量以區(qū)分汽車和異物，根據(jù)運(yùn)動趨勢判斷出是否具有侵限趨勢，對具有侵限趨勢的異物進(jìn)行報(bào)警。試驗(yàn)表明，該系統(tǒng)不僅能準(zhǔn)確區(qū)分出異物，有效去除了無侵限趨勢的異物的誤報(bào)率，而且具有相當(dāng)高的報(bào)警準(zhǔn)確率。