交通場景中動目標的行為分析

吳永武　李俊　吳婭婷　甘松

【摘要】動目標的行為分析是智能監(jiān)控的關(guān)鍵一步.首先利用均值算法創(chuàng)建交通場景的背景圖像，并對其進行圖像預處理；利用Sobel提取邊界線；利用Hough算法檢測警戒線，并將警戒線參數(shù)化后保存；在實現(xiàn)動目標的檢測后，達到實時、有效地對動目標行為進行分析的目的.實驗顯示，算法是有效的.

【關(guān)鍵詞】Hough變換；運動檢測；行為分析

【基金項目】貴州省教育廳自然科學研究項目，黔教合KY字（2014）272號.

隨著社會的高速發(fā)展，交通工具也與日俱增，交通場景中動目標的安全問題備受關(guān)注.如何快速、準確地檢測出動目標的異常行為[1-4]已成為人們研究的重要課題之一[5].近年來已有不少學者在此方面做出貢獻，提出了許多算法.如，文獻[1]提出一種新的基于OGHM（Orthogonal Gaussian-Hermite Moments）的動目標檢測算法，最終利用軌跡、速度、加速度等信息來實現(xiàn)動目標的行為分析；文獻[2]為了克服傳統(tǒng)創(chuàng)建固定背景圖像時出現(xiàn)的兩個難題（一是慢動目標離開背景時會出現(xiàn)明顯的痕跡；二是光照度隨時間的變化而變化，從而不能得到合適的背景圖像），而提出一種多重的背景模型算法.文獻[4]通過SOM（Self-Organizing feature Map）神經(jīng)網(wǎng)絡(luò)來研究人的正、異常行為等.本文主要是從場景知識的角度來實現(xiàn)公路交通場景中動目標的行為分析.重點在針對公路交通視頻中的固定目標邊緣提?。刺崛【渚€）、擬合并參數(shù)化；動目標的檢測及跟蹤，最終實現(xiàn)對動目標的行為分析.

一、場景知識的提取

針對特定的公路場景，有些場景知識是可以忽略的，有些場景知識是必須獲知的，這就需要對場景知識進行提取.

（一）均值算法創(chuàng)建背景

一幅好的背景圖像，對動目標的檢測是非常重要的.因為這將嚴重影響檢測的效果，繼而影響后續(xù)的處理過程，由于均值算法本身所具有的優(yōu)良性質(zhì)，故將用其來實現(xiàn)背景圖像的創(chuàng)建.背景圖像B中一個點（x，y）的值是由所有圖像的對應點灰度的平均值構(gòu)成，公式為[5]

B（x，y）=1N∑Nt=1I（x，y，t），（1）

其中，N為圖像序列中的圖像數(shù)，I（x，y，t）為輸入圖像，t表示時間.

用均值算法建立背景，靜止目標的灰度保持不變，動目標的灰度點將被弱化，因此，可建立背景.如圖1所示是利用200幀圖像創(chuàng)建的背景模型圖像.

（二）濾波

以上創(chuàng)建的背景圖像含有大量噪聲，這給后續(xù)的圖像處理帶來極大的不便，造成這些噪聲的主要原因是由于天氣（陰天、雨天）和周圍環(huán)境引起的.故需對背景圖像進行濾波，盡可能地去除噪聲，這樣在提取場景知識時才更加準確.而高斯濾波器具有突出的性能，故選取其對1.1中創(chuàng)建的背景圖像（即圖1）進行濾波.

高斯濾波器的程為：ga（t）=12πaexp-t24a.

已證明，均值濾波器大于或等于三次逼近就可近似于高斯濾波器[6].所以，可利用均值濾波器來代替高斯濾波器.

∵f（n）=1N∑n+n2j=n-n2f（j），

f（n+1）=1N∑a+1+N2j=a+1-N2f（j）

=f（n）+1Nfn+1+N2-fn-N2

or fN2+1=fN2+1N[f（N+1）-f（0）]，（2）

其中，n表示采樣點的序號，N表示窗口的寬度.如果取窗口的寬度為N=2k，在（2）式中，兩邊同乘N有：

Nf（n+1）-Nf（n）+fn+1-N2-fn-N2.（3）

為了避免（2）式中的除法，于是用累加代替，得到結(jié)果以后除以N[7].利用此算法可對背景圖像（圖1）進行濾波，從而獲得噪聲較少的濾波圖像.

（三）Sobel算子提取警戒線

Sobel算子的原理是：因為邊緣上的點變化較為明顯，故可把亮度值變化大于閾值T1的那些點視為邊緣上的點.該算子包含的橫向模板為：H=[-1-2-1；0 0 0；1 2 1]，縱向模板為：H=[-1 0 1；-2 0 2；-1 0 1].在計算時，將這兩個模板與檢測的圖像分別做卷積.

Sobel算法具有如下優(yōu)點：（1）計算比較簡單；（2）計算的速度較快.但如果圖像中的紋理比較復雜時，其邊緣檢測效果欠佳.而針對我們的道路場景紋理并不復雜，且Sobel具有速度快的特點.故選擇了Sobel算法來提取道路的兩條邊界線.圖2是利用Sobel檢測背景圖像中邊界線的效果圖.

（四）除噪和警戒線的提取

在提取邊界線之前，要將部分噪音去除.否則，這些噪音會給后續(xù)的邊緣提取帶來很大的麻煩，利用MATLAB中函數(shù)BW=bwareaopen（BW，P，CONN）就可實現(xiàn)此目的.其中，BW表示二值圖像，P表示點數(shù)，CONN在默認的情況下表示8領(lǐng)域.其次，利用先驗知識將不關(guān)注的部分去除，如圖2所示中遠離攝像頭的部分是不關(guān)注的，故將遠離攝像頭的部分去除.

在去除大量的噪聲后，余下的是我們感興趣的目標——道路的邊界線，且邊界線具有較長的特點，利用此特點可將兩條邊界線提取出來.圖3是提取的道路邊界線效果圖.

二、目標檢測

（一）警戒線的檢測

判斷一個動目標是否發(fā)生異常行為的依據(jù)是：動目標是否越過警戒線.故，公路邊界的檢測和參數(shù)提取是非常關(guān)鍵的（下稱警戒線）.由于Hough變換在檢測直線方面的優(yōu)良性，故將引用它來檢測警戒線.

Hough變換[8]于1962年由Paul Hough提出，并在美國作為專利被發(fā)表.其原理是利用點與線的對偶性，將原圖像給定的曲線通過曲線表達形式變?yōu)閰?shù)空間的一個點[9].

因此，在獲得初始背景圖像（見圖2含警戒線）后，按以下步驟進行.

（1）提取二值化邊界圖；

（2）掃描（1）中圖像，并記錄邊界上各點的坐標（xi，yi）；

（3）利用參數(shù)方程ρ=xcosθ+ysinθ，將每個邊界點對應到參數(shù)ρ-θ平面上，這樣在ρ-θ平面上就得到了多條曲線；

（4）在ρ-θ平面上找出這些曲線的交點（ρi，θi）并計數(shù)；

（5）尋找聚點：每個聚點對應一條直線[10]，故最大點和次大點對應兩條警戒線.因此，就獲得了兩警戒線的參數(shù).

這就利用Hough算法獲取了警戒線的參數(shù).圖4是將x-y平面上的點變換到ρ-θ平面上出現(xiàn)聚點的情況；圖5是利用Hough變換檢測出來的兩條警戒線.

由圖5可以看到，用Hough變換檢測出的兩條警戒線，只要將警戒線保存下來，以后只需檢測是否有動目標越過警戒線，就能立刻知道是否發(fā)生了異常行為.那么，該如何保存警戒線呢？由于直線上有許多點，如果保存所有的點即費時又占空間.故，將直線用截距式的方式來表示（即y=kx+b），這樣只需保存兩個參數(shù)k和b，這也節(jié)省了大量存儲空間.

（二）動目標的檢測

在動目標檢測中，有背景差技術(shù)；幀差技術(shù)及基于光流的方法[10].結(jié)合各技術(shù)方法的優(yōu)、缺點，本文將采用自適應背景差技術(shù)來檢測動目標[11].通過實驗，此技術(shù)在動目標檢測方面是有效的（見圖6），其原理如下.

此算法是在背景差分算法的基礎(chǔ)上改進而來的，先建立一幅背景圖像（即1.1中創(chuàng)建的背景圖像）.當出現(xiàn)動目標時，在對應區(qū)域的灰度發(fā)生了明顯的變化.運用此變化信息，就能檢測和定位出動目標的位置.其公式描述如下：

|I（x，y，t）-B（x，y，t）|>T2.（4）

即將t時刻的輸入圖像減去t時刻的背景圖像就得到t時刻的差圖像，當差圖像內(nèi)對應點上灰度值大于給定的門限值T2，則這個點被認為是一個運動點.那么，怎樣創(chuàng)建一幅可靠的、好的背景圖像？創(chuàng)建此背景圖像的算法應該能自適應場景的逐漸變化，這就是自適應背景差技術(shù)的基本思想，其算法如下：

B（x，y，t）=αB（x，y，t-1）+（1-α）I（x，y，t），（x，y）∈禁止區(qū)域，B（x，y，t-1），（x，y）∈運動區(qū)域，（5）

其中，I（x，y，t）是t時刻的輸入圖像，當t=0時，B（x，y，0）即為1.1中創(chuàng)建的背景圖.背景圖像是自適應的，其可根據(jù)光線的變化及時調(diào)整下一時刻的背景.α是調(diào)節(jié)因子，調(diào)節(jié)t-1時刻的背景圖和t時刻的輸入圖像在t時刻的背景圖中的比例.應用式（5），就能檢測出運動的點和靜態(tài)的點.在檢測到動目標以后我們還將提取其質(zhì)心（xcentroid，ycentroid），以便后面對動目標進行行為分析.

如圖6所示就是利用自適應的背景差技術(shù)檢測出的動目標（汽車）.圖7是安全監(jiān)測系統(tǒng)示意圖，圖7中還顯示了動目標的質(zhì)心在安全監(jiān)測系統(tǒng)圖中的位置.

三、動目標的行為分析

在2.1節(jié)中，將兩條警戒線保存下來后，就獲得兩直線的方程：直線1為y-y1=k1（x-x1）；直線2為y-y2=k2（x-x2）.要檢測某點（即質(zhì)心（xcentroid，ycentroid））與警戒線的位置關(guān)系，只要將該點代入方程1和方程2即可.如果（y-y1）-k1（x-x1）<0和（y-y2）-k2（x-x2）<0，說明該質(zhì)心點在兩直線的下方，即圖7中的安全區(qū)；如果y-y1≥k1（x-x1）和y-y2≥k2（x-x2），說明該質(zhì)心點在兩直線上或上方，即圖7中的報警區(qū).在圖6中檢測到的動目標（圖6中的車）的質(zhì)心所在區(qū)域是安全區(qū)，系統(tǒng)沒有報警，并且顯示了正確的信息.圖8是系統(tǒng)反饋的信息.

綜上所述，當系統(tǒng)檢測到動目標后，通過以上算法系統(tǒng)就馬上知道此動目標是否發(fā)生了異常行為[10].系統(tǒng)達到實時、有效檢測異常行為的目的.實驗顯示，本文的算法是有效的.

【參考文獻】

[1]Y Wu，J Shen，M Dai.Traffic object detections and its action analysis[J].International journal of pattern recognition letter，2005（26）：1963-1984.

[2]Y Wu，M Dai.Detection and analysis of moving objects for video surveillance[J].International journal of information acquisition （IJIA），2005（3）：227-239.

[3]Y Wu，J Shen.Detecting the moving objects using orthogonal moment and its action analyses[A].ACCV2-004，2004：85-90.

[4]G Zhou，Y Wu.Anomalous Event Detection Based on Self-Organizing Map for Supermarket Monitoring[A].International Conference on Information Engineering and Computer Science，2009：1-4.

[5]吳永武，錢淑渠，王海英，等.公共場景中運動目標的行為分析[J].計算機仿真，2014（6）：179-183.

[6]張亞群.造波機的控制及其實現(xiàn)[D].武漢：武漢理工大學，2007.

[7]崔東海.高斯濾波器在實時系統(tǒng)中的快速處理[J].油氣田地面工程，2005（8）：9.

[8]趙穎，王書茂，陳兵旗.基于改進Hough變換的公路車道線快速檢測算法[J].中國農(nóng)業(yè)大學報，2006（3）：104-108.

[9]朱德正.復雜環(huán)境下多目標圖像分割算法研究[D].長沙：長沙理工大學，2012.

[10]吳永武.公共場景中運動目標的行為分析[D].貴陽：貴州民族學院，2013.