邱國樞，張 翔，劉 軍，王 蕾，田 青，郭建華

(1.江蘇省徐州市公路管理處，江蘇 徐州 221002；2.北方工業(yè)大學(xué)電子信息工程學(xué)院，北京 100144；3.東南大學(xué)智能運(yùn)輸系統(tǒng)研究中心，江蘇 南京 210096)

現(xiàn)階段，普遍應(yīng)用于道路交通領(lǐng)域進(jìn)行車輛檢測的技術(shù)大致分為利用計算機(jī)視覺的目標(biāo)檢測方法[1]、紅外檢測法[2]、微波檢測法和感應(yīng)線圈檢測法[3]等.用于視頻目標(biāo)的檢測算法主要有有光流法[4]、幀間差分法[5]、背景差分法[6]和高斯混合模型法[7-8]等.這些方法中存在的難點(diǎn)是檢測目標(biāo)所處場景的背景消除，并且當(dāng)攝像機(jī)自身處在抖動狀態(tài)、拍攝區(qū)域光照變化情況較大、檢測場景存在陰影時，均會對檢測結(jié)果產(chǎn)生很大的影響.相較于以上目標(biāo)檢測方法，基于機(jī)器學(xué)習(xí)[9]的HOG特征具備多個優(yōu)點(diǎn).由于HOG是在圖像的局部方格單元上進(jìn)行操作，因此對圖像幾何的變化和光學(xué)的形變都能保持較好的不變性，針對實際應(yīng)用時的檢測目標(biāo)角度變換、圖像異常噪聲等問題具有良好的適應(yīng)性.

在有效提取特征的基礎(chǔ)上，為了減少樣本中冗余樣本對檢測效果的影響，提高算法的魯棒性，筆者擬采用SVM算法計算出少量數(shù)目的支持向量，并結(jié)合從正、負(fù)樣本中提取出的HOG特征信息訓(xùn)練生成實際分類所需的分類器模板.基于HOG和SVM的車輛檢測系統(tǒng)[10-14]，可充分利用視頻平臺現(xiàn)有的計算資源，無需額外拓展，通過提取車輛的輪廓特征，結(jié)合分類器進(jìn)行檢測目標(biāo)識別分類，可以實現(xiàn)高效、精準(zhǔn)、實時的車輛檢測效果.

1 車輛檢測系統(tǒng)結(jié)構(gòu)設(shè)計

1.1 基于機(jī)器學(xué)習(xí)的目標(biāo)檢測算法

圖1 SVM+HOG流程Fig. 1 SVM+HOG Process

HOG+SVM的車輛檢測系統(tǒng)主要分為2個階段，即學(xué)習(xí)階段和檢測階段，具體流程如圖1所示.

學(xué)習(xí)階段主要分為3個部分：首先是從交通部門收集大量的車輛樣本，組成一個龐大的正樣本集(即訓(xùn)練數(shù)據(jù)集)，同時通過網(wǎng)絡(luò)抓取大量的負(fù)樣本，組成負(fù)樣本集；然后提取每一個正、負(fù)樣本的HOG特征向量；最后形成檢測時使用的SVM分類器模板.

檢測階段主要分為3個部分：首先對視頻中的每幀圖像進(jìn)行HOG特征提??；然后將提取出的特征向量送到訓(xùn)練好的分類器中，與模板作對比，對每幀圖像進(jìn)行車輛檢測；最后用矩形框標(biāo)注檢測出的車輛目標(biāo).

1.2 正負(fù)樣本收集

一般情況的道路交通檢測，攝像頭的位置和角度是固定的.隨著監(jiān)控視頻中車輛目標(biāo)的移動，車輛的形狀、角度和大小都會發(fā)生變化，所以要收集大量的不同角度、不同大小的車輛樣本(圖2a).另一方面，車型種類眾多，因此需要收集大客車、小客車、卡車和轎車等不同車型的樣本(圖2b).

圖2 車輛樣本示例Fig. 2 Samples of Vehicles of Different Types

為了檢測的準(zhǔn)確性，要求正、負(fù)樣本要達(dá)到一定的數(shù)量，且負(fù)樣本的數(shù)量要大于正樣本.本研究中用到正樣本10萬余張，負(fù)樣本25萬余張，部分樣本如圖3所示.

圖3 部分正、負(fù)樣本示例Fig. 3 Examples of Positive and Negative Samples

2 車輛檢測算法及原理

2.1 HOG特征的提取

2.1.1 HOG特征 HOG特征是通過對圖像的邊緣特性和局部特性進(jìn)行檢測而得到的[15]，主要是計算方向梯度直方圖.將視頻中的每幀圖像劃分為大小統(tǒng)一的小區(qū)域，每個小區(qū)域稱為細(xì)胞(cell)，然后利用多個cell組成的塊(block)對梯度向量進(jìn)行歸一化處理，如圖4所示.歸一化可使結(jié)果擁有更好的魯棒性，得到一個能夠應(yīng)對不同的路況和環(huán)境的車輛檢測特征集.

圖4 HOG特征Fig. 4 HOG Feature

該向量模型還可以表示為

‖

通過許多一階微分的模板來計算梯度的近似值，計算結(jié)果表明模[-1，0，1]的效果最好.以該模板為例，計算實驗圖像中像素的梯度值和方向：

Gh(x,y)=f(x+1,y)-f(x-1,y) ?x,y，

Gv(x,y)=f(x,y+1)-f(x,y-1) ?x,y，

其中Gh(x,y)和Gv(x,y)分別為像素點(diǎn)的水平和垂直梯度值.再計算像素點(diǎn)的梯度值和梯度方向：

θ(x,y)=arctan (Gh(x,y)/Gv(x,y)).

在梯度方向范圍限定的情況下，采用無符號范圍，梯度方向可以表示為

2.1.3 特征提取 計算過每一個像素的梯度值后，需要計算cell.在每一個單元中，將其中包含的像素點(diǎn)的一維梯度在一定方向上進(jìn)行投影，cell的角度分成9個區(qū)域，可以獲得最優(yōu)的結(jié)果.得到9個方向的投影大小后，對一個cell里面所有像素點(diǎn)的投影結(jié)果進(jìn)行累加，得出一個cell單元，即一個cell在這9個方向上的9個特征值.

由于每個cell計算出的方向梯度直方圖會受到復(fù)雜環(huán)境下的光照和陰影的影響，使得相鄰的cell單元之間呈現(xiàn)較大的差異，因此需要進(jìn)行歸一化處理[16]，即將cell組合為block.具體的單元格歸一化過程如下：

(ⅰ)根據(jù)小的cell的特征值，先求出大的區(qū)塊的特征值的和，得到的結(jié)果應(yīng)是9個方向塊的9個特征值.

(ⅱ)一個block內(nèi)的每一個cell的9個特征值都除以block的總特征值.當(dāng)檢測窗口對圖像進(jìn)行檢測時，block之間存有重疊，因此每一個cell被不同的block重疊使用.但是，歸一化處理是對不同的block而言的，由相同的cell計算出的歸一化后的值是不同的.

(ⅲ)將所有block的HOG特征結(jié)合為一個向量的形式，即HOG特征的結(jié)果，特征的維度為9*block*cell.

2.2 SVM

圖5 超平面的選擇Fig. 5 Superplane Selection

2.2.1 SVM介紹 在車輛檢測過程中需要找到一條超平面將正負(fù)樣本分開.能夠?qū)?種樣本分割開的超平面有無數(shù)條，如圖5所示.SVM分類器的功能是找到一個平面使得正、負(fù)樣本點(diǎn)到超平面的距離最大.本研究中SVM分類器采用的是軟間隔線性SVM分類器[17].

2.2.2 超平面選擇 一個特征空間上的訓(xùn)練數(shù)據(jù)集

T={(x1,y1),(x2,y2)…(xn,yn)},

其中xi為樣本，yi為樣本的標(biāo)記.當(dāng)xi是正樣本時，yi=1；當(dāng)xi是負(fù)樣本時，yi=-1.

對于給定的線性可分的訓(xùn)練數(shù)據(jù)集，通過間隔最大化得到的分離超平面為y(x)=wTφ(x)+b,相應(yīng)的分類決策函數(shù)為f(x)=sign(wTφ(x)+b).其中:w為法向量，它決定了超平面的方向；φ(x)為某個確定的特征空間轉(zhuǎn)換函數(shù)，維度為n.n為樣本的數(shù)量，其作用是將x映射到更高的維度.

2.2.3 超平面求解 求解分離超平面，即求解如下凸二次規(guī)劃的問題：y(x)=wTφ(x)+b.其中b為位移項，決定了超平面與原點(diǎn)之間的距離.給定訓(xùn)練樣本集D={(x1,y1),(x2,y2),…(xi,yi)},yi∈{-1，+1}.假設(shè)超平面能將訓(xùn)練樣本正確分類，即對于(xi,yi)∈D，若yi=+1,則wTxi+b>0，若yi=-1，則wTxi+b>0.令

則yiy(xi)>0.

將樣本點(diǎn)到直線的距離和w及b等比例縮放，即

圖6 函數(shù)間隔與幾何間隔Fig. 6 Function Interval and Geometric Spacing

(1)

則目標(biāo)函數(shù)為

一般總是可以對(1)式的w通過等比例縮放，使得正負(fù)樣本點(diǎn)的函數(shù)值都滿足|y|≥1，如圖6所示.

(2)

(2)式是有n個約束條件的最值問題，可利用拉格朗日乘子法進(jìn)行求解：

(3)

(4)

將(3)式代入(4)式，求得最優(yōu)解

利用a*求解，得到

于是可求得分離超平面w*φ(x)+b*=0，及決策函數(shù)f(x)=sign(w*φ(x)+b*).

由以上的求解過程可以看出，線性SVM的原理就是要尋找一個有最大間隔長度的分界面.這個問題是一個凸二次規(guī)劃問題，利用拉格朗日函數(shù)可以解決[18].計算時，運(yùn)用對偶理論將這個問題變?yōu)榍蠼庾钚≈迪碌淖畲笾祮栴}，但是該問題仍然是一個有約束條件的最優(yōu)化問題.

3 測試結(jié)果與討論

為了驗證車輛檢測系統(tǒng)的可行性、準(zhǔn)確性和有效性，筆者利用實際道路監(jiān)控視頻進(jìn)行車輛檢測系統(tǒng)測試.選用的道路為高速公路，采集的工況包括密集車流和稀疏車流，車輛類型包括轎車、面包車、公交車和卡車等，視頻分辨率為640*360，幀率為25幀/s.

3.1 實驗環(huán)境

(1)硬件環(huán)境.本系統(tǒng)采用的主機(jī)配置為英特爾 Core i7-6700HQ @ 2．60 GHz四核處理器，顯卡為Nvidia GeForce GTX 960M (4 GB).

(2)軟件環(huán)境.使用64位的Window10操作系統(tǒng)，開發(fā)工具為Visual Studio 2013和OpenCV計算機(jī)視覺庫，開發(fā)語言為C++.

3.2 測試結(jié)果

3.2.1 檢測流程 車輛檢測系統(tǒng)的測試流程如圖7所示，檢測結(jié)果如圖8所示.由圖8可見，視頻中每幀圖像的車輛目標(biāo)會通過矩形框標(biāo)注出來.

圖7 車輛檢測流程Fig. 7 Vehicle Detection Process

圖8 車輛檢測結(jié)果Fig. 8 Vehicle Detection Result

3.2.2 檢測正確率測試 選取監(jiān)控攝像機(jī)正對道路的場景，對檢測準(zhǔn)確率在不同時段進(jìn)行重復(fù)測試并取平均值，統(tǒng)計結(jié)果見表1.由表1可以看出，在準(zhǔn)確率上，本車輛檢測系統(tǒng)對真實場景下的檢測效果較理想，平均準(zhǔn)確率為99%.

表1 車輛檢測準(zhǔn)確率統(tǒng)計

3.2.3 檢測速率測試 利用3段不同路況的測試視頻進(jìn)行車輛檢測系統(tǒng)檢測速率的測試，統(tǒng)計結(jié)果見表2.其中平均每幀耗時是通過100幀的每幀耗時計算出的平均值，而不是通過最高每幀耗時和最低每幀耗時計算出的.由表2可以看出，每幀耗時在143 ms左右，可以達(dá)到實時檢測的效果.

表2 車輛檢測速率統(tǒng)計

4 結(jié)語

通過分析SVM和HOG算法的原理，了解了HOG+SVM車輛檢測系統(tǒng)的優(yōu)勢.經(jīng)過代碼編寫和長時間的參數(shù)調(diào)試后，該檢測系統(tǒng)能完成真實路況中車輛的檢測，實現(xiàn)實時、高準(zhǔn)確率的檢測效果.以本檢測框架為主體，可以進(jìn)一步開展車型識別、行人與車輛的混合目標(biāo)識別等工作，這也是筆者下一步研究的方向.