人车分类方法在交通事件检测中的应用

【安防在线 www.anfang.cn】
　　1、引言

　　目前，交通事故是导致行人死亡的一个主要因素之一，由于自行车骑车人和行人在交通事故中常常处于弱势地位，一旦与机动车发生交通事故，很容易受到伤害。因此，行人检测技术成为近年来智能分析领域研究中备受关注的研究方向，尤其对于智能交通视频分析领域，对目标的分类和检测，对道路的管理和交通安全有至关重要的作用，本文提出了一种简单有效的人车分类方法，通过对目标边缘方向分布进行分析，对目标进行分类，并能达到较好的分类效果。

　　目前目标分类的主要方法有基于形状模型匹配的方法、基于分类器的方法和利用梯度方向直方图的方法。

　　其中，基于背景提取和形状模型匹配的方法，该方法主要是通过对当前图像与参考背景的像素进行逐个做差来得到运动目标，通过运动目标与相应已知目标的形状模型进行匹配来进行判别。这种方法的缺陷在于：行人具有的多态性和车辆的多样性决定了通过模型匹配不能达到较理想的结果。

　　应用Harr型特征的方法，该方法通过从大量训练样本中提取Haar型特征，对这些特征进行训练得到强分类器，最后通过强分类器来进行目标的识别和分类。Harr型特征检测方法成功的应用在人脸检测，速度很快，精度较高，已经广泛应用，但是行人检测不同于人脸检测，Harr特征主要是基于灰度分布的区域特征，人脸在这方面非常稳定，所以有很高的检测精度，但应用于户外公路行人和车辆时，由于色彩多样，光线、天气变化等因素影响，行人和车辆图像在灰度分布的区域上并没有明显的特征，因此利用Harr特征进行分类也不能达到很好的效果。

　　利用梯度方向直方图特征的方法，它提取了图像中局部区域的梯度方向直方图特征，通过对样本中该特征进行训练，然后用模式识别中的方法形成分类器，从而实现目标检测和分类。利用梯度直方图的方法，它提取了图像中局部区域的梯度方向直方图特征，通过对样本中该特征进行训练，然后用模式识别中的方法形成分类器，从而实现行人检测。它的独特之处在于，HOG特征描述了图像局部区域的梯度强度和梯度方向的分布情况，该分布情况能对局部对象外观和形状进行很好的表征，事实证明能够很好的应用在行人检测中，已经成为目前主流的方法。但在实际应用中，根据不同的场景，不同的相机架设的高度、角度，往往需要训练相应的训练器；在实际监控中需要实时对视频序列进行处理，并且需要对目标进行跟踪，利用分类器并不能很好的满足实时的要求，并且不同视频场景不同，无法确定统一的检测区域，在使用上带来不便。

　　正式基于目前人车分类技术的现状，本文提出一种结合图像分割和目标边缘方向直方图的人车分类方法，有效减小了算法计算量并提升了分类的准确性。

　　2、基于边缘方向直方图的分类方法的实现方式和工作原理

　　2.1整体概述

　　一种基于目标边缘方向的目标分类方法的实现主要包括运动目标检测，运动目标跟踪，运动目标边缘分析三个模块，如下图所示。

　　其中，运动目标检测模块根据输入的连续视频序列建立稳定的背景图像，并利用图像差等方法提取出当前帧中的运动目标。利用Kalman滤波，粒子滤波等方法对运动目标进行跟踪，获取当前图像中存在的运动目标区域。在目标分类模块，通过分析运动目标的边缘方向分布进行目标分类。

　　2.2运动目标检测及跟踪模块工作原理

　　在本方法中利用高斯混合模型进行背景提取和运动目标检测。

　　高斯模型就是用高斯概率密度函数(正态分布曲线)精确地量化事物，将一个事物分解为若干的基于高斯概率密度函数(正态分布曲线)形成的模型。

　　其原理和过程是：图像灰度直方图反映的是图像中某个灰度值出现的频次，也可以以为是图像灰度概率密度的估计。如果图像所包含的目标区域和背景区域相比比较大，且背景区域和目标区域在灰度上有一定的差异，那么该图像的灰度直方图呈现双峰-谷形状，其中一个峰对应于目标，另一个峰对应于背景的中心灰度。

　　在检测到运动目标后，我们需要对运动目标进行跟踪，在研究中，采用了Kalman滤波与均值漂移相结合的跟踪方法。均值漂移算法(Mean-shift)[2]是一种非参数概率密度估计算法，可以通过迭代快速地收敛于概率密度函数的局部最大值，因此在目标实时跟踪领域有着很高的应用价值。Mean-shift算法本身是通过对目标原始区域的不断迭代去寻找最佳匹配候选目标，当目标运动速度较大时，很容易发生冗余迭代或局部收敛，针对此种情况，我们采用Kalman滤波[3]对每个目标运动过程进行建模，通过Kalman预测缩小迭代范围，减少计算量，同时降低噪声影响，得到目标的最优估计。目标检测和跟踪效果如图二所示：

　　2.3分类模块

　　行人的形状与相机安装角度，安装高度有很大关系，由于行人为非刚体，因此，很难建立适应性强的行人模型。同时，使用建模识别的方法计算量较大，在实时的视频处理中存在一定局限性。

　　由图三可以看出，行人目标与车辆目标在边缘纹理上有较大差异：

　　1.行人具有较丰富的垂直方向的纹理，即水平方向的梯度；

　　2.车辆除了垂直方向的纹理，在水平方向的纹理更为丰富，即垂直方向的梯度要明显多于行人水平方向的梯度。

　　因此，我们可以采用如下简单的分类方式将人车进行分类。

　　步骤1 计算目标区域内当前帧灰度图像的边缘梯度，可以使用sobel算子，Roberts算子等

　　步骤2 根据计算的梯度计算像素点的梯度方向，并统计目标区域内的梯度方向直方图

　　步骤3 利用经验信息分析直方图的分布情况，从而达到人车分类的目的。

　　3、人车分类在交通事件检测中的应用

　　在面向交通的智能监控系统中，人车分类具有重要的意义，尤其在高速公路，城市快速路等封闭式道路中，行人的违规进入对行车带来严重的安全隐患。当行人进入监控区域时必须能及时提醒监控人员，并触发高速公路上的报警装置对过往车辆进行提醒，同时通知巡逻人员。系统组成如图四所示。

　　其中事件检测器完成视频分析，人车分类的功能，当发现行人进入监控区域后进行报警，报警信号分别发往客户端和前端的报警装置。

　　同时，这种技术提高了在基于视频的智能监控系统中对车辆的辨别能力，辅以一定的跟踪技术，可以有效的对道路上的违章停车，违章逆行等车辆异常行为进行准确的判断。

　　4、结论

　　本方法首先通过背景提取的方法标记出运动目标，再获取运动目标所在的区域；对目标区域内的灰度图像计算边缘方向，并统计方向直方图，最后通过分析边缘方向直方图确定运动目标的类型。本发明根据目标边缘方向分布的特征区别行人和车辆，计算复杂度低，易实现，能很好满足实时监控的需求；同时，由于高速公路场景，视频受相机架设高度，角度以及天气因素影响较大，基于模型匹配的方法适应性较差；该方法是对目前比较流行的梯度方向直方图(HOG)特征识别的方法的改进，本方法具有计算量小，适应性更强的优点，能更好的应用于高速公路视频监控中目标分类，有效帮助高速公路管理部门对高速公路进行管理。