基于像素分析的軌跡異常車輛的識別法

成春晟

（南京郵電大學 自動化學院 ， 江蘇 南京）

0 引言

20世紀90年代末以來，圖像監控系統由傳統的模擬方式步入了數字式的網絡時代。數字監控系統以計算機為處理核心，除了能夠實現多媒體信息處理如壓縮、傳輸、存儲和播放等基本功能外，還能夠實現自動異常識別、智能存儲和快速檢索等高級功能。目前監控系統被廣泛應用于交通路口，公共場所，大型會議。用于拍攝違規行為，發現異常現象。監控系統已經成為了我們正常生活必不可少的保障。

本文介紹一種用于交通系統的異常車輛識別方法，通過基于像素點的背景法，對軌跡異常的物體進行判斷，并通過車輛識別的方法，最終提取軌跡異常車輛。

1 軌跡追蹤法

軌跡追蹤法是目前應用范圍最為廣泛的物車輛軌跡異常識別方法

該方法首先是對視頻中的所有動態物體進行提取，然后通過物體識別方法，對目標物體（車輛）進行提取。通過對正常的目標物體（車輛）的軌跡分析。基于上述軌跡構造隱馬爾可夫模型（Hidden-Markov Model）或者貝葉斯模型（Bayesian-model）作為正常軌跡模板。

測試視頻同樣經過動態物體提取，目標物體（車輛）識別，之后對目標物體（車輛）軌跡進行建模，通過與正常軌跡模板的比較，從而判別此目標物體（車輛）的軌跡是否正常。

具體步驟如圖1所示。

圖1 軌跡法步驟

2 背景法

由于最終的目標對象是車輛，所以軌跡法必須對動態提取后所有的物體進行車輛識別，從而找出目標物體（車輛），這是一個復雜而又耗時的過程。

與軌跡法不同，背景法的研究對象不單單只是一個物體，此方法的研究對象基于圖像中的一個個像素點，通過像素點的移動矢量或者移動標簽，從而描述畫面中的具體運動場景。背景方法的核心與軌跡法完全不同，其以像素點的位置作為統計的參數進行模板建立。

背景方法免去了軌跡法開始對所有動態物體進行目標識別的復雜繁瑣的過程，在對基于像素點的物體進行異常識別后，對出現在異常畫面中的少量動態物體進行目標物體識別，從而節省了計算量。

具體過程如圖2所示。

圖2 背景法步驟

2.1 隱馬爾可夫模型(Hidden Markov Model )

隱馬爾可夫模型（Hidden Markov Model，HMM）是統計模型，它用來描述一個含有隱含未知參數的馬爾可夫過程。其難點是從可觀察的參數中確定該過程的隱含參數。然后利用這些參數來作進一步的分析。在正常的馬爾可夫模型中，狀態對于觀察者來說是直接可見的。這樣狀態的轉換概率便是全部的參數。而在隱馬爾可夫模型中,狀態并不是直接可見的，但受狀態影響的某些變量則是可見的。

我們在這里對于視頻圖像中同一像素點，在不同運動時刻的狀態構造馬爾可夫鏈模型。得出以像素點灰度值為特征L的函數式（1）：

2.2 共發模型（Co-occurences model）

與隱馬爾可夫模型是基于對與目標像素點不同時間，相同位置的其余動態像素點為參數，從而對目標像素點進行建模不同，共發模型考慮的是基于目標像素點不同位置，不同時間的像素點為參數，從而對目標像素點構造模型。

其核心將物體空間和時間上的因素相綜合，取不同幀，不同位置的像素點，灰度特征L，構成特征函數式（2）：

其中 ：當X,Y點同時為動點的時候有：

2.3 兩種模型結合進行異常判斷

由于隱馬爾可夫模型（Hidden Markov Model）側重于通過時間上的差別，檢測物體的異常軌跡。共發模型（Co-occurences model）則更加側重于通過空間上的差別，檢測物體的異常軌跡。可以通過兩種模型的結合，利用時空交匯的手段，從而更加精確地檢測出物體的異常行為軌跡。

首先利用馬爾可夫模型（Hidden Markov Model）計算實驗階段正常像素點的概率P，構造出異常事件模型式（3）：

其中N0為實驗像素點總個數，N1為正常像素點的個數。之后利用共發模型（Co-occurences model），構造出正常事件模型式（4）：

最后將探測階段得到的正常模型和異常模型通過與閾值的比較，從而判斷出異常像素式（5）：

3 目標物體（車輛）識別

以上我們通過背景法，完成了對視頻中異常物體的提取工作。由于背景法的研究對象不是基于目標物體，而是基于動態像素點，所以在一幅包含了行人和各種車輛的視頻中，通過背景法最終得出的異常畫面往往也包含了行人和各種車輛。由于應用于交通系統中的視頻監控，其最終的檢測目標物體是機動車輛（汽車），所以接下來我們從得出的異常物體視頻中，完成對目標物體（車輛）的識別。

首先對做過動態處理的視頻中（見圖3）的車輛進行提取，設置為ROI區域（圖3中框所示）。

圖3 將車輛作為ROI（感興趣區域）提取

提取后的ROI圖像如圖4所示。

圖4 ROI（感興趣區域）圖像放大

然后對提取的ROI圖像進行仿三維坐標的分析。設X,Y,Z三個軸。其中Z軸為與車輛行駛路面水平的方向，計算車輛在每個方向的投影值，取出各個方向上投影值中最大的值。找出X,Y,Z最大值對應的坐標，構成一個三角形，計算三角形的面積，作為模板值。

之后對測試階段的視頻，進行ROI區域掃描，計算區域投影的三角形面積，當所得值與模板值相近時，即可認為此區域中含有目標物體（車輛）。

4 實驗結果

采用一段有固定攝像頭拍攝的交通視頻進行檢測。如圖5所示，為經過動態提取和二值化處理后的正常視頻圖像，該視頻中包含了目標物體（車輛）和行人。

取該視頻的前50禎作為正常模板的測試視頻然后通過背景法，進行異常檢測，結果如圖7所示，其中圖6為相對應的正常視頻。

圖5 原始視頻通過二值化處理

圖6 通過二值化后的正常視頻

圖7 進行背景法異常提取后的視頻

不同于軌跡法是先通過識別具體目標（車輛），然后再對具體目標（車輛）進行軌跡判斷。背景方法是基于對整幅畫面像素點的判斷，所以在得出的異常視頻中，正常軌跡的車輛有可能沒有被完全的掩蓋，會顯示出少許的像素點，同時畫面中還存在著路邊的行人。因此下面我們通過仿三維空間的車輛識別對真正的軌跡異常的目標物體（車輛）進行識別。

車輛識別后的畫面如圖8所示。

圖8 對異常視頻畫面進行車輛識別

通過使用仿三維的車輛識別方法，對圖7中的異常檢測畫面中的物體進行車輛識別，方框標出了最終檢測到的異常目標物體（車輛）。

5 結論

本文介紹了一種新型的異常檢測方法，通過對像素點的判斷提取視頻中的異常物體，然后通過車輛識別的方法，找出最終的軌跡異常目標物體（車輛）。與傳統的軌跡法判別異常物體相比，此方法不需要對動態檢測后視頻畫面中的所有物體進行目標物體（車輛）的識別，只需要對異常檢測后視頻中的少量物體進行目標物體（車輛）識別，提高了計算的運行效率。

[1] E. Ermis, V. Saligrama, P.-M. Jodoin,J. Konrad.Motion segmentation and abnormal behavior detection via behavior clustering[J].in Proc. IEEE Int. Conf. Image Processing,2008,10:769-772.

[2] Y. Benezeth, P.-M. Jodoin, V. Saligrama,C. Rosenberger.Abnormal events detection based on spatio-temporal co-occurrences[J]. in Proc. IEEE Conf. Computer Vision Pattern Recognition, 2009:2458-2465.

[3] P.-M. Jodoin, V. Saligrama,J. Konrad.Behavior subtraction. CoRR.abs/0910.2917 [Online]. Available: http://arxiv.org/abs/0910.2917.

[4] V. Poor.An Introduction to Signal Detection and Estimation[M].2nd ed. New York: Springer-Verlag, 1994.

[5] C.-H. Chuang, J.-W. Hiseh, L.-W. Tsai, S.-Y. Chen, K.-C. Fan. Carried object detection using ratio histogram and its application to suspicious event analysis[J].IEEE Trans. Circuits Syst. Video Technol.,2009,19(6):911-916.

[6] K. Smith, P. Quelhas, D. Gatica-Perez.Detecting abandoned luggage items in a public space[J]. in Proc. IEEE Performance Evaluation of Tracking and Surveillance Workshop (PETS), 2006:75-82.

[7] C. Piciarelli, C. Micheloni, G. Foresti. Trajectory-based anomalous event detection[J]. IEEE Trans. Circuits Syst. Video Technol., 2008,18(11):1544-1554.

[8] T. Chen, H. Haussecker, A. Bovyrin, R. Belenov, K. Rodyushkin, A. Kuranov, V. Eruhimov.Computer vision workload analysis: Case study of video surveillance systems[J]. Intell. Technol. J., 2005,9(2):109-118.

[9] C. Stauffer, E. Grimson.Learning patterns of activity using real-timetracking[J].IEEE Trans. Pattern Anal. Machine Intell., 2000,22(8):747-757.

[10] I. Pruteanu-Malinici, L. Carin.Infinite hidden Markov models for unusual- event detection in video[J].IEEE Trans. Image Processing, 2008,17(5):811-821.

[11] T. Xiang,S. Gong.Video behavior profiling for anomaly detection[J].IEEE Trans. Pattern Anal. Machine Intell., 2008,30(5):893-908.

[12] J. McHugh, J. Konrad, V. Saligrama, and P.-M. Jodoin.Foreground-adaptive background subtraction[J].IEEE Signal Process. Lett., 2009,16(5):390-393.

[13] G D Sullivan, K D Baker, A D Worrall, C I Attwood and P R Remagnino Department of Computer Science.Model-based vehicle detection and classification using orthographic approximations*[R]. The University of Reading, Reading, UK. RG6 6AY.

[14] 曹潔,王偉.基于立方體模型和EKF的運動汽車跟蹤算法研究[J].計算機工程與應用,2010,46(22):236-238,241.