基于航拍技術的道路異常情況的檢測

郭家輝 張運昌 杜鑫 高雨虹

【關鍵詞】道路交通 無人機 異常情況檢測 圖像處理 SVM分類器

將無人機航拍技術運用到道路異常情況的檢測，屬于無人機在交通領域的應用。此論文介紹的這款檢測軟件，目的在于用無人機自動檢測代替傳統的人力檢測。此軟件的制作思路如下：首先，針對道路交通情況進行采集樣本，建立數據庫，樣本分為兩大類，一類是正樣本：無道路異常情況圖像，另一類是負樣本：有道路異常情況圖像；然后將所有樣本圖像進行hog算法的特征提取，得到的hog特征作為SVM分類器的原始數據源；接下來通過SVM的訓練和測試原理制成分類器；最終再通過滑動窗口檢測法針對航拍視頻中的每一幀圖像進行檢測，找出視頻中存在異常情況的路段。

1 用hog算法進行特征提取的原理及優點

方向梯度直方圖（Histogram of Oriented Gradient， HOG）特征是一種在計算機視覺和圖像處理中用來進行物體檢測的特征描述子。它通過計算和統計圖像局部區域的梯度方向直方圖來構成特征，其主要思想是在一副圖像中，局部目標的表象和形狀能夠被梯度或邊緣的方向密度分布很好地描述。具體的實現方法是：首先將圖像分成小的連通區域，我們把它叫細胞單元。然后采集細胞單元中各像素點的梯度的或邊緣的方向直方圖。最后把這些直方圖組合起來就可以構成特征描述器。

與其他的特征描述方法相比hog算法有以下優點：首先，由于HOG是在圖像的局部方格單元上操作，所以它對圖像幾何的和光學的形變都能保持很好的不變性，這兩種形變只會出現在更大的空間領域上。其次，在粗的空域抽樣、精細的方向抽樣以及較強的局部光學歸一化等條件下，只要觀測物體大體上能夠保持直立的姿勢，可以容許有一些細微的動作，這些細微的動作可以被忽略而不影響檢測效果。

2 SVM分類器原理

數據分類是指在已有分類的訓練數據的基礎上，根據某種原理，經過訓練形成一個分類器，然后使用分類器判斷沒有分類的數據的類別。支持向量機（SVM）是一種基于分類邊界的方法。它的基本原理是（以二維數據為例）：如果訓練數據分布在二維平面上的點，它們按照其分類聚集在不同的區域。基于分類邊界的分類算法的目標是，通過訓練，找到這些分類之間的邊界（直線的――稱為線性劃分，曲線的――稱為非線性劃分）。對于多維數據（如N維），可以將它們視為N維空間中的點，而分類邊界就是N維空間中的面，稱為超面（超面比N維空間少一維）。線性分類器使用超平面類型的邊界，非線性分類器使用超曲面。

3 滑動窗口檢測框架

滑動窗口檢測是采用固定大小窗口對所給圖像的縮放進行掃描的方式。其流程結構如圖1所示。

4 以“道路裂縫”為例具體介紹本款軟件的制作及檢測過程

4.1 圖像數據庫建立階段

總樣本數量1913張，分為正樣本和負樣本。正樣本選擇沒有裂縫的正常道路圖像，數量1334張；負樣本選擇道路裂縫圖像，負樣本必須覆蓋裂縫的全部類型，樣本數量579張。所有樣本圖像要求“大小128X128 ；同一裂縫需要進行角度變換，每10°采樣一次；每個樣本做灰度處理”。

4.2 hog算法進行圖像特征提取

取579張正樣本與1334張負樣本，從1～1913排序，將1913張樣本通過matlab進行hog算法提取圖像特征，形成hogtraindata.mat文件。另外建立一個mat文件，取正樣本為1，負樣本為-1，令前579個數為1，后1334個數為-1，形成hogtrainlabel.mat文件。

4.3 SVM數據訓練

結合hogtraindata.mat文件和hogtrainlabel.mat文件，用SVM進行訓練：

完成訓練過程。

4.4 SVM數據測試

4.4.1 為驗證SVM訓練后的效果，進行SVM數據測試

另找不同的156張正樣本和278張負樣本，按照步驟（二），形成hogtestdata.mat和hogtestlabel.mat兩個文件，用SVM進行測試：

SVM測試完成。

4.4.2 SVM訓練后效果分析

由SVM數據測試所得準確率為93%，此訓練效果一般。

4.5 滑動窗口檢測及其成果

輸入一段無人機航拍視頻，進行隔幀滑動窗口算法檢測，縱步距為50，橫步距為50，窗口大小為128*128，從檢測結果中選取兩張異常圖像（圖2，圖3）。

5 總結

此軟件制作思路及過程仍存在以下缺點：

（1）由于時間有限及實驗儀器的使用受限，數據庫中樣本圖像的數量太少，還需要繼續豐富。

（2）特征提取算法太過單一，制作過程中未將hog算法與其他算法進行效果的比較分析，尋找檢測效果更佳的特征提取算法。

（3）滑動窗口檢測涉及的運算量很大，并且道路異常情況分很多種，每一種異常情況都采用SVM二分類的思想來進行分類，涉及的運算量對于系統的運算速度要求十分高。

總之，若想要實現無人機自動檢測道路異常情況，必須要提高檢測的準確率，目前本軟件的檢測準確率低于95%，究其原因，在于此軟件需要一個強大的數據庫支持，而本項目所建立的數據庫還遠遠沒有達到目標。因此，此論文更側重于檢測軟件制作思路的介紹，而此軟件的實用性與有效性，還需要進一步提高。

參考文獻

[1]傅志勇.HOG+SVM行人檢測算法在DM6437上的實現與優化[D].華南理工大學， 2012.

[2]張虎.基于滑動窗口的行人檢測技術研究[D].安徽大學，2012.

[3]劉軍.靜態圖像中的行人檢測[D].華南理工大學，2010.

[4]邵奇可，李路，周宇，顏世航.一種基于滑動窗口優化算法的行人檢測算法[J].浙江工業大學學報，2015.