周森鵬 穆平安 張仁杰

摘 要：基于計算機視覺技術(shù)對道路交通視頻中的運動目標進行分類。針對目標分割過程中的光線變換及分類效率問題，主要采用貝葉斯網(wǎng)絡(luò)模型以及合適的前景提取模型以提高精度。提出一種改進的Vibe算法對運動目標進行檢測，通過提取目標長寬比、Hu不變矩以及離散度特征等對目標進行分類。最終實驗結(jié)果正確率在80%以上，說明該智能交通系統(tǒng)可以有效識別出運動目標，且具有較強的魯棒性與適應性。

關(guān)鍵詞：計算機視覺;智能交通;改進Vibe算法;目標檢測;目標分類

DOI：10. 11907/rjdk. 182552

中圖分類號：TP303

文獻標識碼：A文章編號：1672-7800（2019）006-0018-03

Abstract：The purpose of this paper is to solve the problem of moving object classification in road traffic video which based on computer vision. Aiming at the problem of illumination change in target segmentation and efficiency of classification， this paper mainly uses Bayesian network model and appropriate foreground extraction model to improve the accuracy. First，an improved Vibe algorithm which can remove ghost is proposed to detect moving targets. The target is classified effectively by feature extraction of target aspect ratio ，Hu moment invariant， dispersion and the Bayesian classifier selection. The intelligent transportation system designed in this paper can effectively identify the target，which has strong robustness and adaptability. The accuracy of the experiment is above 80%. Using Bayesian network model can achieve high real-time performance and better accuracy.

Key Words： computer vision;intelligent traffic system;improved Vibe algorithm;object detection;target classification

0 引言

隨著計算機視覺技術(shù)的發(fā)展，智能交通系統(tǒng)成為當前一項重要研究課題。智能交通系統(tǒng)的關(guān)鍵技術(shù)包括目標檢測與目標分類，相比于傳統(tǒng)交通系統(tǒng)，新一代智能交通系統(tǒng)對檢測準確性與實時性的要求更高，以期實現(xiàn)對道路交通的無間斷實時檢測。

在目標檢測方面，常見的用于提取運動目標的建模方法包括文獻[1]與文獻[2]所列出的方法。其中幀差法主要利用圖像上相鄰幀時間的差分，通過閉值化提取圖像中的運動區(qū)域，該方法可以抑制光線變化，但缺點是容易形成空洞;高斯背景建模方法則是利用像素點的高斯模型進行檢測，但計算量較大，不適用于高清相機的檢測。

在目標分類方面，對于SVM分類算法[3]，其核函數(shù)的選擇缺乏普遍性;BP網(wǎng)絡(luò)算法[4]則容易陷入局部最優(yōu)，此類特征提取算法兼顧了運算速度，但識別率不高;文獻[5]采用harr特征，該方法較為復雜，但具有較高的精確性，不會因為場景搖晃導致無法監(jiān)測出目標的情況[6]。

本文主要采用融合幀差法的Vibe算法與貝葉斯分類方法，其目的是減少環(huán)境光線的影響并消除鬼影。為了兼顧算法的實時性與準確性，本文通過提取合理特征，利用貝葉斯網(wǎng)絡(luò)模型[7]對道路交通中的行人及汽車進行分類。

1 智能交通系統(tǒng)設(shè)計方案

本文設(shè)計方案如下：將攝像機標定在路口視角中，當攝像頭捕獲圖像數(shù)據(jù)后，首先使用中央處理單元對圖像進行常規(guī)預處理，運用改進Vibe模型分割出運動目標對象，對檢測到的目標提取Hu不變矩、長寬比、離散度等特征，并結(jié)合已建立好的貝葉斯網(wǎng)絡(luò)分類得到分類后的數(shù)據(jù)，其算法流程如圖1所示。

2 運動目標提取與形態(tài)學處理

2.1 標準Vibe背景建模算法

2.2 改進Vibe算法

傳統(tǒng)Vibe算法雖然效果較好，但對于圖像中快速運動的目標會產(chǎn)生鬼影，從而出現(xiàn)誤提取目標的情況。本文融合幀差法對該問題進行改進，以提高檢測準確率，具體步驟為：①首先初始化并建立背景模板以及前景維持矩陣[F（x，y）];②對視頻序列作差分建模，并進行二值化處理;③運用前文方法，根據(jù)當前像素點R包含背景樣本的個數(shù)是否在閾值范圍內(nèi)，判斷該點屬于背景還是前景。若判斷為背景則執(zhí)行步驟⑤，若判斷為前景，則根據(jù)幀差法模型進一步判斷當前模型是鬼影還是真實前景，跳轉(zhuǎn)到步驟④;④根據(jù)差分掩摸圖像繼續(xù)判斷當前點是鬼影還是前景，即將通過幀差法得到的背景圖像與Vibe背景圖像作與運算，得到新背景圖像，若判斷為前景，將維持矩陣[F（x，y）]對應點上的值加1，繼續(xù)判斷該點的維持矩陣是否超過一定閾值，若超過則認為是鬼影點;⑤根據(jù)傳統(tǒng)Vibe算法的更新步驟更新背景模板。

2.3 移動目標形態(tài)學處理

（1）形態(tài)學操作。由于攝像機輸出圖像質(zhì)量不高，因此作建模分析時會產(chǎn)生許多噪點。通過形態(tài)學操作，首先對背景圖像進行二值化處理;然后通過合理設(shè)定形態(tài)學參數(shù)，除去噪聲引起的白點，以提高算法在不同場景中的魯棒性與適應性;最后求取背景圖像上白色區(qū)域的輪廓外接矩形，采集移動目標樣本。

（2）陰影部分去除。由于光線的照射，移動目標在地面上會產(chǎn)生投影，因此本文在進行Vibe模型處理時，通過陰影檢測算法將陰影部分的值歸類于背景模型值，從而有效提取出目標，所提取的目標值大小接近目標真實值。

3 目標特征提取與分類器設(shè)計

3.1 特征選取

特征提取是模型訓練過程中最重要的一步，本文對提取的特征數(shù)據(jù)進行適當處理，以提升分類器性能。

（1）長寬比特征選取。所選特征1為長寬比特征，由于行人和汽車在尺寸上有著顯著差異，因此可以用長寬比作為特征進行衡量。本文采用目標提取后的矩形框長寬比進行衡量。

（2）Hu不變矩特征。所選特征2為Hu矩特征[9]，該方法于1962年提出，Hu矩特征主要用于表征圖像幾何特征，并且具有旋轉(zhuǎn)平移不變的特點。本文通過計算選取公式（5）中N5個特征值作為網(wǎng)絡(luò)輸入。

4 實驗仿真

4.1 測試數(shù)據(jù)集與識別率指標

實驗結(jié)果顯示，該方法可以有效識別出運動目標，并通過與幀差法相結(jié)合，對光線變化產(chǎn)生了有效的抑制作用，并且受外界干擾小、應用范圍廣。在本文實驗中，采用該算法的識別成功率約為95%。

4.3 貝葉斯分類實驗

本文選取600個目標作為訓練樣本，其中400個為車輛樣本，200個為行人樣本。根據(jù)前文所述方法提取特征制作成矩陣，用于訓練分類器及90個測試樣本。通過提取相關(guān)特征，并通過分類器訓練分類之后測試訓練模型，部分訓練數(shù)據(jù)如圖4所示。

通過測試集驗證該模型得到的數(shù)據(jù)參數(shù)如表1所示。

5 結(jié)語

為了實現(xiàn)對道路交通視頻中運動目標的有效分類，本文首先采用改進Vibe算法識別移動目標，然后提取運動目標特征，并采用貝葉斯模型進行分類，從而能夠準確識別出移動目標屬性。該算法具有較高的魯棒性與識別準確率，整體效果優(yōu)于BP等算法，效率上優(yōu)于harr特征分類方法。但是當鏡頭中存在遮擋現(xiàn)象時，會導致識別率降低。因此，在人群密度較大時，如何更有效地提取信息還需要作進一步研究。

參考文獻：

[1] 唐佳林，李熙瑩，羅東華，等. 一種基于幀差法的夜間車輛檢測方法[J].計算機測量與控制，2008，40（12）：1811-1813.

[2] 於正強，潘赟，宦若虹. 一種結(jié)合幀差法和混合高斯的運動檢測算法[J]. 計算機應用與軟件，2015（4）：129-132，270.

[3] 胡宏宇. 混合交通中運動目標特征表達與分類算法的研究[D]. 長春：吉林大學，2007.

[4] 岳昊，邵春福，趙熠. 基于BP神經(jīng)網(wǎng)絡(luò)的行人和自行車交通識別方法[J]. 北京交通大學學報，2008，32（3）：46-49.

[5] SISWANTORO J，PRABUWONO A S，ABDULLAH A，et al. Linear model based on Kalman fliter for improving neural network classification performance[J]. Expert Systems with Applications，2015，49（5）：112 -122.

[6] DALAL N，TRIGGS B. Histograms of oriented gradients for human decetion[C]. Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2005：25-28.

[7] 黃影平. 貝葉斯網(wǎng)絡(luò)發(fā)展及其應用綜述[J]. 北京理工大學學報，2013（12）：1211-1219.

[8] 蔣建國，王濤，齊美彬，等. 基于Vibe的車流量統(tǒng)計算法[J]. 電子測量與儀器學報，2012，26（6）：558-563.

[9] 姚軍，蔣曉瑜，黃應清. 目標識別中Hu矩、Zernike矩和小波矩的比較[J]. 裝甲兵工程學院學報，2006，20（3）：34-36.

[10] VIOLA P，JONES M，SNOW D. Detecting pedestrians using patterns of motion and apperance[J].International Journal of Computer Vision，2005，63（2）：153-161.

[11] 焦波，李國輝，汪彥明，等. 一種基于形態(tài)學的運動車輛陰影消除方法[J]. 自動化學報，2008，34（7）：838-840.

[12] CHOW T W S，RAHMAN M K M. A new image classification technique using tree-structured regional features[J]. Neurocomputing，2007，70： 1040-1050.

[13] COX I J，MILLER M L，MINKA T P. The Bayesian image re-trieval system：Pic Hunter：theory，implementation，and ?psychophysical experiments[J]. Institute of Electrical and Electronics Engineers Transaction on Image Procession，2000，9：20-37.

[14] LIU H，SUN J，LIU L，et al. Feature selection with dynamic mutual information[J]. Pattern Recognition，2009，42（7）：1330-1339.

[15] ZHANG H， SHENG S. Learning weighted naive Bayes with accurate ranking[C]. 2004 Fourth IEEE International Conference on Data Mining（ICDM04），2004： 567-570.

[16] 楊陽，唐慧明. 基于視頻的行人車輛檢測與分類[J]. 計算機工程，2014，40（11）：135 -138.

[17] 周志華. 機器學習[M]. 北京：清華大學出版社，2016.

[18] 胡學龍. 數(shù)字圖像處理[M]. 北京：電子工業(yè)出版社，2014.

[19] 韓璞. 智能控制理論及應用[M]. 北京：中國電力出版社，2013.

[20] 卓金武. MATLAB數(shù)學建模方法與實踐[M]. 北京：北京航空航天大學出版社，2011.

（責任編輯：黃 健）