李仲恒 李睿 張楚鈺 周青 肖萬達

【關鍵詞】視頻檢測方法;行人闖紅燈;應用研究

隨著我國城市化發(fā)展進程不斷加快，城市交通堵塞問題已經(jīng)逐漸成為很多研究學者所關注重點，而其中如何解決行人亂闖紅燈問題就成為重點。行人亂闖紅燈輕則造成交通堵塞，機動車行駛緩慢，嚴重還會導致交通安全事故發(fā)生。給機動車駕駛員、行人都會造成影響。雖然我國交通部門也相繼實施了一系列的處罰措施例如罰款、口頭教育等等，但是最終效果都不明顯，在很多大城市當中依然存在行人亂闖紅燈現(xiàn)象。也正是在這樣背景下，一些研究學者提出應當將行人闖紅燈行為納入個人征信系統(tǒng)當中，但是如何能夠捕捉到行人闖紅燈瞬間就成為所需要解決的一個重點問題。傳統(tǒng)通過所安裝的單目攝像機拍攝圖模式雖然背景不會發(fā)生改變，但是由于受到室外環(huán)境因素影響，導致拍攝效果不良，也很難能夠發(fā)揮自身價值，必須要采用全新的自適應背景建模方法。本文在研究過程中就選擇混合高斯背景建模方法對運動目標進行提取，綜合運用相關方法保證最終拍攝質量滿足實際要求。

在對行人闖紅燈行為進行檢測過程中借助于混合高斯背景建模方法，提起前景圖像，之后經(jīng)過形態(tài)學處理對各個運動目標及其HOG特征進行識別，實現(xiàn)對行人的識別，最終得到顏色直方圖、位置、軌跡，對行人目標進行匹配跟蹤，結合當時交通信號情況、可行區(qū)域設定等判定行人是否構成闖紅燈行為，完成后續(xù)操作。

（一）運動目標提取

本文選取混合高斯背景建模，其能夠合理降低外部環(huán)境所產(chǎn)生的影響，自適應構建背景模型?；旌细咚贡尘澳Ｐ偷膶ο笫悄繕藞D像當中的所有像素點，只有K個混合高斯分布進行模擬，當從視頻中當中全新一幀圖像后，對其所有像素點與之前所構建的混合高斯模型進行匹配，如果匹配成功，那么就可以認為該像素點是背景，否則為前景，借助于該像素點對模型加以合理更新。在建模過程中首先要對混合高斯模型進行初始化處理，之后對高斯分布模型背景進行匹配，最后對模型進行更新并生成背景模型。

借助于混合高斯背景所建立的模型，通過匹配，將背景設置為0，將前景設置為1，最終可以獲得二值化圖像。此時需要對該圖像進行去噪化處理，之后在對圖像前景加以形態(tài)化處理，最終就可以得到目標所處前景區(qū)域實際情況。

（二）行人識別

在對行人進行識別過程中可以使用的方法有很多種，而如果能夠將梯度方向直方圖（HOG）與SVM分類器有機結合在一起，那么對于提高識別效果能夠起到積極幫助作用。例如對于64×128像素大小照片而言，可以將其劃分成為8×8的像素單元，相鄰的4個cell可以組成一個block，其每次滑動一個cell，最終能夠提取得到所選擇圖像的HOG特征。緊接著沿著梯度方向180°平均劃分成為9個方向（bin），對每個cell當中梯度方向直方圖可以最終得到一個9維的特征向量，而對于block而言，在每次向旁邊滑動一個cell，那么就最終就可以最終得到112個block，將其串聯(lián)在一起，最終就可以得到112×36維的HOG特征描述子。為了能夠最大程度上降低外在環(huán)境對最終所得到的圖像情緒度，可以在串聯(lián)所有Block特征向量以外，對其進行歸一化處理。

（三）支持向量機分類

支持向量機方法（SuppoR Vecor Machine，SVM），其主要指的就是將監(jiān)督學習方式作為主要的模擬途徑，對數(shù)據(jù)進行二元分類，是一種本質上的廣義線性分類器。從其決策邊界上看，就是希望能夠對整個學習樣本進行求解。并最終獲得最大邊距超平面。與此同時，在應用SVM方法的過程當中還具有核技巧，這也使它成為一種目前比較常用的非線性分離器，對于其而言，最為典型的學習策略就是間隔的最大化，最終將其轉化成為對凸二次規(guī)劃進行求解的問題。在對該方法進行使用的過程當中，最為根本的思想就是希望能夠求解出不同的數(shù)據(jù)集，同時尋找到幾何間的最大的分離超平面。從統(tǒng)計學角度看，支持向量機是一種比較常用的方法，在實際應用過程中可以對所采集的圖片中的各個主體進行合理劃分，主要包括行人以及車輛，選擇該方法的主要原因就是支持向量機分類方法精確度較高，而且便于操作。

（四）行人跟蹤與行為判斷

在確定了行人目標之后。最為關鍵的環(huán)節(jié)就是對其行為進行跟蹤，綜合確定行人運動的位置以及其運動方向等，最終判斷行人在過馬路過程中是否存在闖紅燈問題。由于行人在過馬路時穿著顏色不會發(fā)生變化，這也為使用顏色直方圖提供了基礎，能夠利用這種方法對不同目標進行合理區(qū)分。在對位置信息進行確定過程中關鍵就是確定運動中心點坐標在圖像當中所處的位置，采用橫、縱坐標方式進行定位。而對于目標行為軌跡而言，所選擇的是軌跡平滑度進行描述。對于平滑度而言，第一項為方向平滑度。而第二項則是速度平滑度，在進行研究過程中則認為無論是對于方向平滑度還是對于速度平滑度而言，最終平滑度的貢獻度是完全相同的，因此可以進行直接相加。僅對緊鄰的兩幀當中的平滑度進行匹配，保證最終結果滿足實際要求。

在對目標行為軌跡以及位置信息進行確定之后。還需要確定出合適的跟蹤匹配方法。將已經(jīng)跟蹤到的行人目標作為矩陣行，而下一幀全新圖像行人目標所處的位置作為矩陣列，最終就可以通過這種方法得到距離矩陣以及與之能夠相適應的匹配矩陣。對于該矩陣當中元素為2的值，那么就說明其所對應的行與列所代表的已知行人和新目標順利匹配，表明追蹤行為成功，而對于沒有追蹤成功的目標則需要建立全新的追蹤。

（五）行人闖紅燈判斷

在最終成功檢測并追蹤到運動的行人目標以后，還需要對目標圖像當中所出現(xiàn)的所有行人進行編號。在系統(tǒng)設置過程中首先設置紅燈目標區(qū)域，當紅燈信號輸入到系統(tǒng)以后，開始對行人行為進行判斷，如果此時有行人進入到事先設置好的紅燈區(qū)域，那么就可以判斷此行人為闖紅燈行人。并拍攝圖片，發(fā)出警告信息，由專業(yè)人員阻止其行為并給予批評教育提示，讓行人注意安全，不要闖紅燈。

在本文研究過程中借助于視頻監(jiān)測方法對行人闖紅燈行為進行研究，從整個流程上看，主要包括運動目標提取、行人識別、支持向量機分類、行人跟蹤與行為判斷以及行人闖紅燈判斷。本方法識別率高，且能夠降低外界影響降低到最低限度，便于今后更好地對行人闖紅燈行為進行判斷與處罰。但是本方法與發(fā)達國家所采用的紅外線識別方法精準度有差距，在今后可以將兩種方法結合在一起加以研究。