基于支持向量機的交通視頻人車識別研究

張建飛，陳樹越，劉會明，胡 楠

（中北大學(xué) 信息與通信工程學(xué)院，山西 太原 030051）

0 引言

智能交通系統(tǒng)（Intelligent Transportation System，ITS）是未來交通系統(tǒng)的發(fā)展方向，是將先進的計算機技術(shù)、通信技術(shù)、機器視覺、模式識別等集成運用于交通管理系統(tǒng)，從而建立的一種實時、準確、高效的綜合交通管理系統(tǒng)。人車識別是智能交通系統(tǒng)的一個重要組成部分，在某種方面識別分類的好壞直接影響了智能交通系統(tǒng)能否正常運作，因此這個課題的研究就顯得尤為重要[1]。

支持向量機（Support Vector Machines，SVM）是近來引起人們廣泛重視的一種優(yōu)秀模式分類方法，它是根據(jù)統(tǒng)計學(xué)習(xí)理論（Statistical Learning Theory，SLT）建立起來的，最早是由Vapnik等人于1995年提出的一類新型機器學(xué)習(xí)方法，能夠較好地解決小樣本、非線性以及高維數(shù)等模式識別問題[2]。

SVM在智能交通系統(tǒng)領(lǐng)域得到了廣泛的應(yīng)用。文獻[3]提出了一種基于SVM的車型圖像識別算法，采用灰度極值提取邊界候選圖像，并提取了具有RST不變性的輪廓特征向量進行訓(xùn)練，能夠?qū)⒉煌愋偷钠囎R別出來。文獻[4]通過一類支持向量機將二值分類問題推廣到多值分類情況，并將其應(yīng)用于車輛識別中。但是在現(xiàn)實交通中人車同行是普遍存在的，尤其在一些特殊的場合（如軍事禁地）僅僅對車的識別還遠遠不夠。

本文以背景差分法和數(shù)學(xué)形態(tài)學(xué)為核心，通過對采集到的人車視頻圖像序列的處理，提取一些有效的幾何特征，特別是對高度、寬度和高寬比等特征量的選取，設(shè)計相應(yīng)的SVM分類器從而進行人車分類識別。實驗結(jié)果表明，這種方法分類效果較好、識別精度高，并且具有實現(xiàn)簡單的優(yōu)點，適用于背景較復(fù)雜的交通系統(tǒng)。

1 運動目標檢測算法

1.1 運動目標檢測的一般方法

視頻圖像中運動目標的提取主要有幀間差分、光流法和背景差分等方法。由于前兩種方法存在提取的目標不精確、實時性差和抗噪性弱等缺點，對后期的分類識別不利，因此本文采用背景差分法實現(xiàn)對運動目標的提取[5]。

1.2 基于背景差分的目標檢測

背景差分法是采用當(dāng)前圖像與背景參考圖像作差分再取閾值來檢測運動區(qū)域的一種方法。與傳統(tǒng)的閾值選取不同，本文采用了大律算法進行全局圖像閾值選取。最基本的背景差分法的原理比較簡單，主要工作過程如圖1所示。首先，利用式（1）計算背景圖像bk(x,y)與當(dāng)前圖像fk(x,y)的差，然后根據(jù)式（2）對差分圖像Dk(x,y)按照事先得出的閾值進行二值化，若差分圖像中像素絕對值大于該閾值T，則判斷此像素點屬于運動目標區(qū)域，否則屬于背景區(qū)域。閾值后的圖像Rk(x,y)往往存在一些噪聲，進行中值濾波和形態(tài)學(xué)處理等算法可以得到較好的結(jié)果[6]。

圖1給出了使用背景差分法來檢測提取運動目標的基本原理。

在數(shù)學(xué)形態(tài)學(xué)處理中采用了閉運算、開運算和孔洞填充等操作[7]，定義形式如下：

1）A被B的形態(tài)學(xué)閉運算記作A?B，是先膨脹再腐蝕的結(jié)果，用數(shù)學(xué)公式表示為

2）A被B的形態(tài)學(xué)開運算記作A°B，是先腐蝕再膨脹的結(jié)果，用數(shù)學(xué)公式表示為

3）假設(shè)一幅標記圖像fm，該圖像的邊緣部分的值為1-f，其余部分的值為0。

則填充圖像f中的孔洞的公式為

實驗結(jié)果如圖2所示，通過背景差分法可以檢測到場景中的變化，并提取出運動目標。

從實驗過程來看背景差分法簡單易于實現(xiàn)，一般能夠提供較好的特征數(shù)據(jù)，適用于背景已知的情況。

2 基于SVM的人車識別

2.1 SVM原理

SVM是在統(tǒng)計學(xué)習(xí)理論上發(fā)展起來的一種新的基于機器學(xué)習(xí)和模式識別的方法，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求折中，從而獲得較好的泛化能力[8-9]。

SVM方法是由線性可分情況下的最優(yōu)分類面發(fā)展而來的。二維線性可分情況如圖3所示，圖中空心點和實心點代表了兩類樣本，H為分類線，H1和H2分別為過各類樣本即離分類線最近又平行于該分類線的直線，它們之間的距離稱為分裂間隔。最優(yōu)分類線不但能夠?qū)深悩颖菊_分開，而且分裂間隔也是最大。

設(shè)分類線方程為w?x+b=0，進行歸一化后可使線性可分的樣本集滿足

對于線性不可分的情況，利用內(nèi)積函數(shù)的非線性映射可將輸入向量映射到較高維的空間，即通過構(gòu)造新的特征向量將問題轉(zhuǎn)換為新的空間，SVM能在這個新建空間中給出最佳分類超平面。

構(gòu)造內(nèi)積函數(shù)為K(xi,xj)的SVM可轉(zhuǎn)化為求解二次函數(shù)的極值問題

式中：約束條件為0≤ai≤C，C為指定的常數(shù)，為Lagrange系數(shù)，式（8）的非零解及其對應(yīng)的xi構(gòu)成支持向量集，使得構(gòu)成的支持向量機為

式中：b*是分類閾值，可以由任一支持向量按式（7）求得。

根據(jù)統(tǒng)計學(xué)習(xí)理論中的Hilbert_Schmidt原理，只要視頻應(yīng)用與工程一種運算滿足Mercer條件，就可以作為內(nèi)積使用。本文采用了徑向基內(nèi)積核函數(shù)，表達如下

2.2 車輛和行人的識別

根據(jù)前文提出的運動目標檢測算法，提取一些車輛和行人圖像。由于車輛和行人的輪廓存在明顯的不同，采用幾何特征進行分類識別比較有效。為此運用星形向量表示法[10]來提取運動目標的特征向量，如圖4所示。

具體方法為：以r1（水平0°方向）為起始端，從圖像的重心點按逆時針（或順時針）方向每隔45°取到圖像邊界的距離作為一個特征分量rk(k=1,2,…,8)，共8個特征量。然后將運動目標的高度、寬度和高寬比作為另外3個特征量r9，r10，r11，從而構(gòu)成了分類識別的特征向量集。

把已建好的圖像集進行分類：一類為行人，一類為車輛，利用提取的幾何特征對支持向量機進行訓(xùn)練，得到SVM分類器。最后通過該分類器對視頻中的運動目標測試和分類。

3 實驗結(jié)果和分析

實驗中使用固定在三角架的攝像機在室外攝取了若干視頻序列進行試驗，視頻圖像幀為大小320×240的真彩色格式。在普通的PC機上進行了實驗操作。

首先采集了160幅行人和104幅車輛的圖像，一半用來訓(xùn)練，一半用來對支持向量機的測試。圖5是第95幀時檢測的實驗效果，其中圖5a為當(dāng)前時刻背景圖像，圖5b為當(dāng)前幀圖像，圖5c為檢測到的2個運動目標圖像，圖5d為人車被分別識別的圖像。

隨機抽取4個樣本，所提取的11個特征量如表1所示，識別結(jié)果如表2所示。

表1 提取的特征量 像素

表2 識別結(jié)果

在Matlab環(huán)境下對拍攝到的一段交通視頻進行了仿真，實驗結(jié)果比較理想，且行人和車輛的平均識別準確率達到96.97%。

4 小結(jié)

在計算機視覺鄰域，運動目標的檢測與識別具有廣泛的應(yīng)用前景。本文提出了一種靜止攝像機條件下基于背景模型的人車檢測識別算法。首先，通過背景差分法、中值濾波法、形態(tài)學(xué)處理法等對視頻中的運動目標進行了較好的檢測。然后，通過11個特征量的提取，用SVM分類器進行人車分類，從實驗上證明了該分類方法的效果較好，也驗證了本文提出的特征量的有效性。

[1]MESSLODI S，MODEN C M.Vision-based bicycle and motorcycle classification[J].Pattern Recognition Letters，2007（28）：1719-1726.

[2]GUPT S，MASOUND O，MARTIN R，et al.Detection and classification for vehicles[J].IEEE Transaction on Intelligent Transportation Systems，2002，3（1）：37-47.

[3]尹玉梅，胡中華，湛金輝.基于支持向量機（SVM）的汽車車型識別[EB/OL].[2010-11-20].http：//d.wanfangdata.com.cn/Periodical_dzcljs 200807006.aspx.

[4]孫德山，吳今培.一類支持向量機在車輛識別中的應(yīng)用[J].交通運輸系統(tǒng)工程與信息，2003，3（4）：34-37.

[5]曹治錦，唐慧明.視頻圖像中的車輛檢測跟蹤和分類[J].電視技術(shù)，2004，28（3）：85-87.

[6]崔江.行駛車輛圖像檢索技術(shù)研究[D].南京：南京航空航天大學(xué)，2003.

[7]李波，曾致遠，付祥勝.基于數(shù)學(xué)形態(tài)學(xué)和邊緣特征的車牌定位算法[J].電視技術(shù)，2005，29（7）：94-96.

[8]OSUNA E，F(xiàn)REUND R，GIROSI F，et al.Training support vector machines：an application to face detection[EB/OL].[2010-11-20].http：//ieeexplore.ieee.org/xpl/freeabs_all.jsp?arnumber=609310.

[9]冀振元，李晨雷，唐文彥.支持向量機在車輛目標識別中的應(yīng)用[J].系統(tǒng)工程與電子技術(shù)，2010，32（2）：284-286.

[10]RIVTIN E，RUDZSKY M，GOLDENBERG R，et al.A real-time system for classification of moving objects[EB/OL].[2010-11-20].http：//citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.12.1718.