基于機器視覺的校車異常監測系統

馬燚博 嚴忱君 俞寶福

摘 要：近年來，全國各地校車事故常有報道，接二連三的車毀人亡校車交通慘劇引起了全社會對校車安全的高度關注。本論文針對校車行駛途中車內安全無人監管的問題，提出了基于機器視覺的校車異常監測系統的設計思路和實現方法，當出現異常情況時能自動報警，為校車行駛安全增加了一重保障。

關鍵詞：機器視覺、校車、異常監測、行為識別

中圖分類號：Tp391 文獻標識碼：A 文章編號：1672-3791（2016）06（b）-0000-00

一、校車異常監測系統的設計背景

近年來，全國各地校車事故常有報道，接二連三的車毀人亡校車交通慘劇引起了全社會對校車安全的高度關注。通過對校車事故的分析，超載是其主要原因；同時我們也發現，由于校車乘客的特殊性，學生在校車上任意走動、打鬧等行為導致乘車的不安全情況，也是造成校車事故的重大誘因。

針對這些現象，有關部門也紛紛提出了解決方案。如果每輛校車都配備隨車老師，其人力成本是很高的；依靠駕駛員對車內行為進行規范，又會導致駕駛員的注意力分散從而導致行車的危險性；不少校車上也開始安裝了監控攝像頭，但如果監控系統只能作為事后責任分析與追查用，還是無法落實到實時報警的作用。因此，讓視頻監控系統能自動識別異常情況并進行報警是非常關鍵的。

本論文針對這一問題，提出了基于機器視覺的校車異常監測系統的設計思路和實現方法，當出現車內異常情況時能自動報警，為校車行駛安全增加了一重保障。如校車行駛中持續發現過道上有人在走動，那么這輛校車就有可能是超載的；另外，如果在視頻中觀察到多人在車內站立且長時間聚集在一起時，很有可能發生了打鬧行為，也應該及時報警。

二、校車異常監測算法設計

要實現校車異常行為監測，實際上已經轉化為人體異常行為監測目標，故需要采用機器視覺技術來進行特征提取和行為識別。總體來說，異常行為檢測系統要解決的問題主要包括：①如何進行前景提取，即提取出場景中的運動目標；②如何區分各種人體行為；③如何判斷異常行為；④當處于擁擠環境或運動目標受到遮擋時，如何保證檢測的可靠性。目前，針對每一個問題，都有相應的一系列理論和實驗基礎。

根據以上待解決的問題，不難得出人體異常行為檢測系統的一般步驟。視頻序列的某一幀輸入后，首先要對它進行前景提取，即找到運動目標；接著，要對運動目標進行特征提取，即用一些量化的、可以被比較的特征參數來表征該運動目標當前的運動狀態；然后，根據提取到的特征參數對運動目標進行行為識別；最后，就能夠根據識別出的行為來判斷是否異常，如此循環就能依次檢測出整個視頻序列的異常情況。

1、前景提取方法的選擇

目前，對于視頻中的運動目標提取，應用較多的主要有三種方法：光流法、幀差法和背景減除法。本文采用背景減除法作為前景提取的方法，其基本思想是首先建立背景圖像的參數模型，接著將當前幀圖像與背景圖像進行差分比較，其中將區別較大的像素區域視為運動物體，將區別較小的像素區域視為背景區域。

2、背景建模方法的選擇

背景建模主要有三個要素：第一，如何初始化背景模型；第二，如何判斷前景點；第三，如何更新背景模型。根據解決這些問題使用策略的不同，背景建模可分為多種方法，如平均背景模型、單高斯模型、混合高斯模型和VIBE等。通過對比實驗，本文采用的VIBE背景建模法得到的前景圖像與之前的平均背景法和混合高斯建模得到的前景圖像相比，輪廓更加清晰、線條更細膩，對前景目標的區域檢測也更為準確。

3、人體特征的提取

可用于檢測的人體特征包括外觀形狀特征和運動特征。外觀形狀特征指人體輪廓、姿態以及區域顏色等信息。運動特征指光流信息、運動方向、軌跡、速度等。形狀特征比較穩定，但運動特征在能見度較低時依然可以分辨，因此，將這兩種方法結合是一種不錯的選擇。本文采用了特征+分類的方法來進行人體異常行為檢測，因此選擇使用最廣泛、且效果較好、速度較快的HOG特征作為前景目標的特征。

4、行為識別方法選取

本文將采用支持向量機分類器來對人體行為進行分類。支持向量機的思想主要可以概括為兩點：①對于線性可分情況，它基于結構風險最小化理論在特征空間中建立最優分割超平面。②對于線性不可分的情況，它使用非線性映射算法將低維輸入空間中線性不可分的樣本映射到高維特征空間令其線性可分。

二、校車異常監測系統設計

本系統主要針對校車內人體的異常行為檢測，主要完成的功能是①完成基于視頻的監控和采集；②完成基于人體行為狀態的標準庫設計；③對校車行駛過程中的異常事件進行分類，并抽象出若干類異常行為狀態，如異常走動、乘客聚集、異常站立等；④基于人體行為狀態標準庫的匹配，自動分析出校車內的異常狀態；⑤完成異常事件的歸類與整理，并能夠自動報警。

系統的總體設計，程序讀入視頻序列以后，首先對其背景進行建模，通過背景減除法得到前景圖像；接著提取出前景圖像的Hog特征，采用事先訓練好的HMM分類器來進行識別是否發生異常行為，若是則自動報警，否則繼續讀入下一段視頻。

1、HOG特征提取

HOG特征，即方向梯度直方圖的提取是從局部到整體的一個過程，其計算流程如下：

① 歸一化圖像：本文采用平方根計算對RGB色彩空間的輸入圖像進行伽馬矯正，實現彩色圖像到灰度圖的轉換，同時減少色彩信息對后續操作的影響，提高了檢測的準確率。

② 梯度計算：梯度的實質是圖像的一階微分，在實際應用中，一般通過圖像與梯度算子的卷積來實現梯度計算。目前，常用的梯度算子有Perwitt算子、Roberts算子、Sobel算子等。梯度算子將對結果產生很大影響，綜合考慮計算的復雜度與算子的有效性，本文選用Sobel算子與圖像卷積來實現梯度計算。

③ HOG特征維數計算：在HOG的構造函數中，計算得到的HOG特征維數是7200維。

2、SVM分類器

在本文中，要實現三種異常行為的檢測，而SVM是一個二元分類器，這里可以采用一個簡單的方法來解決，即“一類對其余”的方法，每次仍然解決一個二類分類問題。例如：有三個類別，第一次把類別1定為正樣本，其余兩類定為負樣本；第二次將類別2定為正樣本，其余為負樣本；第三次把類別3定為正樣本。也就是說，分為幾類就有幾個二元的SVM分類器。

實際應用時，可以預先訓練好分類器，直接調用，而不需要重新訓練。因此，本文只需要采用異常站立、異常走動和異常聚集三個訓練好的SVM分類器即可實現分類。

四、結語

本論文對基于機器視覺的人體異常行為檢測算法進行了研究，基于VIBE背景建模的前景提取、HOG特征+SVM訓練的方法，成功實現了校車內人體異常站立、異常走動和異常聚集的檢測。但真實校車內可能發生更多更復雜的異常行為，因此在異常行為的類別上要進一步細化。

參考文獻

[1]杜鑒豪，監控視頻中的人體異常行為檢測研究[D]，杭州，浙江大學，2010，12-40

[2]劉高文，基于隱馬爾可夫模型的視覺行為分析和異常檢測研究[D]，南京，南京理工大學，2008， 31-56

[3]程遠航，基于光流和Gabor小波的人臉特征點跟蹤[J]，計算機仿真，2011， 28（5）： 287-290

[4]謝之宇，蔣曉瑜，汪熙等，改進的幀差法在目標匹配中的應用[J]，計算機工程與應用，2011， 47（34）： 208-211

[5]李娟，邵春福，基于混合高斯模型的行人檢測方法[J]，吉林大學學報，2011，41（1）：41-45