視頻檢測(cè)方法在行人闖紅燈中的應(yīng)用研究

李仲恒 李睿 張楚鈺 周青 肖萬(wàn)達(dá)

【關(guān)鍵詞】視頻檢測(cè)方法;行人闖紅燈;應(yīng)用研究

隨著我國(guó)城市化發(fā)展進(jìn)程不斷加快，城市交通堵塞問(wèn)題已經(jīng)逐漸成為很多研究學(xué)者所關(guān)注重點(diǎn)，而其中如何解決行人亂闖紅燈問(wèn)題就成為重點(diǎn)。行人亂闖紅燈輕則造成交通堵塞，機(jī)動(dòng)車(chē)行駛緩慢，嚴(yán)重還會(huì)導(dǎo)致交通安全事故發(fā)生。給機(jī)動(dòng)車(chē)駕駛員、行人都會(huì)造成影響。雖然我國(guó)交通部門(mén)也相繼實(shí)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(dāng)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(xué)者提出應(yīng)當(dāng)將行人闖紅燈行為納入個(gè)人征信系統(tǒng)當(dāng)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(gè)重點(diǎn)問(wèn)題。傳統(tǒng)通過(guò)所安裝的單目攝像機(jī)拍攝圖模式雖然背景不會(huì)發(fā)生改變，但是由于受到室外環(huán)境因素影響，導(dǎo)致拍攝效果不良，也很難能夠發(fā)揮自身價(jià)值，必須要采用全新的自適應(yīng)背景建模方法。本文在研究過(guò)程中就選擇混合高斯背景建模方法對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行提取，綜合運(yùn)用相關(guān)方法保證最終拍攝質(zhì)量滿足實(shí)際要求。

在對(duì)行人闖紅燈行為進(jìn)行檢測(cè)過(guò)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(guò)形態(tài)學(xué)處理對(duì)各個(gè)運(yùn)動(dòng)目標(biāo)及其HOG特征進(jìn)行識(shí)別，實(shí)現(xiàn)對(duì)行人的識(shí)別，最終得到顏色直方圖、位置、軌跡，對(duì)行人目標(biāo)進(jìn)行匹配跟蹤，結(jié)合當(dāng)時(shí)交通信號(hào)情況、可行區(qū)域設(shè)定等判定行人是否構(gòu)成闖紅燈行為，完成后續(xù)操作。

（一）運(yùn)動(dòng)目標(biāo)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(yīng)構(gòu)建背景模型?；旌细咚贡尘澳Ｐ偷膶?duì)象是目標(biāo)圖像當(dāng)中的所有像素點(diǎn)，只有K個(gè)混合高斯分布進(jìn)行模擬，當(dāng)從視頻中當(dāng)中全新一幀圖像后，對(duì)其所有像素點(diǎn)與之前所構(gòu)建的混合高斯模型進(jìn)行匹配，如果匹配成功，那么就可以認(rèn)為該像素點(diǎn)是背景，否則為前景，借助于該像素點(diǎn)對(duì)模型加以合理更新。在建模過(guò)程中首先要對(duì)混合高斯模型進(jìn)行初始化處理，之后對(duì)高斯分布模型背景進(jìn)行匹配，最后對(duì)模型進(jìn)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(guò)匹配，將背景設(shè)置為0，將前景設(shè)置為1，最終可以獲得二值化圖像。此時(shí)需要對(duì)該圖像進(jìn)行去噪化處理，之后在對(duì)圖像前景加以形態(tài)化處理，最終就可以得到目標(biāo)所處前景區(qū)域?qū)嶋H情況。

（二）行人識(shí)別

在對(duì)行人進(jìn)行識(shí)別過(guò)程中可以使用的方法有很多種，而如果能夠?qū)⑻荻确较蛑狈綀D（HOG）與SVM分類器有機(jī)結(jié)合在一起，那么對(duì)于提高識(shí)別效果能夠起到積極幫助作用。例如對(duì)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(gè)cell可以組成一個(gè)block，其每次滑動(dòng)一個(gè)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(gè)方向（bin），對(duì)每個(gè)cell當(dāng)中梯度方向直方圖可以最終得到一個(gè)9維的特征向量，而對(duì)于block而言，在每次向旁邊滑動(dòng)一個(gè)cell，那么就最終就可以最終得到112個(gè)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(duì)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(duì)其進(jìn)行歸一化處理。

（三）支持向量機(jī)分類

支持向量機(jī)方法（SuppoR Vecor Machine，SVM），其主要指的就是將監(jiān)督學(xué)習(xí)方式作為主要的模擬途徑，對(duì)數(shù)據(jù)進(jìn)行二元分類，是一種本質(zhì)上的廣義線性分類器。從其決策邊界上看，就是希望能夠?qū)φ麄€(gè)學(xué)習(xí)樣本進(jìn)行求解。并最終獲得最大邊距超平面。與此同時(shí)，在應(yīng)用SVM方法的過(guò)程當(dāng)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(duì)于其而言，最為典型的學(xué)習(xí)策略就是間隔的最大化，最終將其轉(zhuǎn)化成為對(duì)凸二次規(guī)劃進(jìn)行求解的問(wèn)題。在對(duì)該方法進(jìn)行使用的過(guò)程當(dāng)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(shí)尋找到幾何間的最大的分離超平面。從統(tǒng)計(jì)學(xué)角度看，支持向量機(jī)是一種比較常用的方法，在實(shí)際應(yīng)用過(guò)程中可以對(duì)所采集的圖片中的各個(gè)主體進(jìn)行合理劃分，主要包括行人以及車(chē)輛，選擇該方法的主要原因就是支持向量機(jī)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(biāo)之后。最為關(guān)鍵的環(huán)節(jié)就是對(duì)其行為進(jìn)行跟蹤，綜合確定行人運(yùn)動(dòng)的位置以及其運(yùn)動(dòng)方向等，最終判斷行人在過(guò)馬路過(guò)程中是否存在闖紅燈問(wèn)題。由于行人在過(guò)馬路時(shí)穿著顏色不會(huì)發(fā)生變化，這也為使用顏色直方圖提供了基礎(chǔ)，能夠利用這種方法對(duì)不同目標(biāo)進(jìn)行合理區(qū)分。在對(duì)位置信息進(jìn)行確定過(guò)程中關(guān)鍵就是確定運(yùn)動(dòng)中心點(diǎn)坐標(biāo)在圖像當(dāng)中所處的位置，采用橫、縱坐標(biāo)方式進(jìn)行定位。而對(duì)于目標(biāo)行為軌跡而言，所選擇的是軌跡平滑度進(jìn)行描述。對(duì)于平滑度而言，第一項(xiàng)為方向平滑度。而第二項(xiàng)則是速度平滑度，在進(jìn)行研究過(guò)程中則認(rèn)為無(wú)論是對(duì)于方向平滑度還是對(duì)于速度平滑度而言，最終平滑度的貢獻(xiàn)度是完全相同的，因此可以進(jìn)行直接相加。僅對(duì)緊鄰的兩幀當(dāng)中的平滑度進(jìn)行匹配，保證最終結(jié)果滿足實(shí)際要求。

在對(duì)目標(biāo)行為軌跡以及位置信息進(jìn)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(biāo)作為矩陣行，而下一幀全新圖像行人目標(biāo)所處的位置作為矩陣列，最終就可以通過(guò)這種方法得到距離矩陣以及與之能夠相適應(yīng)的匹配矩陣。對(duì)于該矩陣當(dāng)中元素為2的值，那么就說(shuō)明其所對(duì)應(yīng)的行與列所代表的已知行人和新目標(biāo)順利匹配，表明追蹤行為成功，而對(duì)于沒(méi)有追蹤成功的目標(biāo)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(cè)并追蹤到運(yùn)動(dòng)的行人目標(biāo)以后，還需要對(duì)目標(biāo)圖像當(dāng)中所出現(xiàn)的所有行人進(jìn)行編號(hào)。在系統(tǒng)設(shè)置過(guò)程中首先設(shè)置紅燈目標(biāo)區(qū)域，當(dāng)紅燈信號(hào)輸入到系統(tǒng)以后，開(kāi)始對(duì)行人行為進(jìn)行判斷，如果此時(shí)有行人進(jìn)入到事先設(shè)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(píng)教育提示，讓行人注意安全，不要闖紅燈。

在本文研究過(guò)程中借助于視頻監(jiān)測(cè)方法對(duì)行人闖紅燈行為進(jìn)行研究，從整個(gè)流程上看，主要包括運(yùn)動(dòng)目標(biāo)提取、行人識(shí)別、支持向量機(jī)分類、行人跟蹤與行為判斷以及行人闖紅燈判斷。本方法識(shí)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(duì)行人闖紅燈行為進(jìn)行判斷與處罰。但是本方法與發(fā)達(dá)國(guó)家所采用的紅外線識(shí)別方法精準(zhǔn)度有差距，在今后可以將兩種方法結(jié)合在一起加以研究。