交通場景中動目標的行為分析

吳永武　李俊　吳婭婷　甘松

【摘要】動目標的行為分析是智能監控的關鍵一步.首先利用均值算法創建交通場景的背景圖像，并對其進行圖像預處理；利用Sobel提取邊界線；利用Hough算法檢測警戒線，并將警戒線參數化后保存；在實現動目標的檢測后，達到實時、有效地對動目標行為進行分析的目的.實驗顯示，算法是有效的.

【關鍵詞】Hough變換；運動檢測；行為分析

【基金項目】貴州省教育廳自然科學研究項目，黔教合KY字（2014）272號.

隨著社會的高速發展，交通工具也與日俱增，交通場景中動目標的安全問題備受關注.如何快速、準確地檢測出動目標的異常行為[1-4]已成為人們研究的重要課題之一[5].近年來已有不少學者在此方面做出貢獻，提出了許多算法.如，文獻[1]提出一種新的基于OGHM（Orthogonal Gaussian-Hermite Moments）的動目標檢測算法，最終利用軌跡、速度、加速度等信息來實現動目標的行為分析；文獻[2]為了克服傳統創建固定背景圖像時出現的兩個難題（一是慢動目標離開背景時會出現明顯的痕跡；二是光照度隨時間的變化而變化，從而不能得到合適的背景圖像），而提出一種多重的背景模型算法.文獻[4]通過SOM（Self-Organizing feature Map）神經網絡來研究人的正、異常行為等.本文主要是從場景知識的角度來實現公路交通場景中動目標的行為分析.重點在針對公路交通視頻中的固定目標邊緣提取（即提取警戒線）、擬合并參數化；動目標的檢測及跟蹤，最終實現對動目標的行為分析.

一、場景知識的提取

針對特定的公路場景，有些場景知識是可以忽略的，有些場景知識是必須獲知的，這就需要對場景知識進行提取.

（一）均值算法創建背景

一幅好的背景圖像，對動目標的檢測是非常重要的.因為這將嚴重影響檢測的效果，繼而影響后續的處理過程，由于均值算法本身所具有的優良性質，故將用其來實現背景圖像的創建.背景圖像B中一個點（x，y）的值是由所有圖像的對應點灰度的平均值構成，公式為[5]

B（x，y）=1N∑Nt=1I（x，y，t），（1）

其中，N為圖像序列中的圖像數，I（x，y，t）為輸入圖像，t表示時間.

用均值算法建立背景，靜止目標的灰度保持不變，動目標的灰度點將被弱化，因此，可建立背景.如圖1所示是利用200幀圖像創建的背景模型圖像.

（二）濾波

以上創建的背景圖像含有大量噪聲，這給后續的圖像處理帶來極大的不便，造成這些噪聲的主要原因是由于天氣（陰天、雨天）和周圍環境引起的.故需對背景圖像進行濾波，盡可能地去除噪聲，這樣在提取場景知識時才更加準確.而高斯濾波器具有突出的性能，故選取其對1.1中創建的背景圖像（即圖1）進行濾波.

高斯濾波器的程為：ga（t）=12πaexp-t24a.

已證明，均值濾波器大于或等于三次逼近就可近似于高斯濾波器[6].所以，可利用均值濾波器來代替高斯濾波器.

∵f（n）=1N∑n+n2j=n-n2f（j），

f（n+1）=1N∑a+1+N2j=a+1-N2f（j）

=f（n）+1Nfn+1+N2-fn-N2

or fN2+1=fN2+1N[f（N+1）-f（0）]，（2）

其中，n表示采樣點的序號，N表示窗口的寬度.如果取窗口的寬度為N=2k，在（2）式中，兩邊同乘N有：

Nf（n+1）-Nf（n）+fn+1-N2-fn-N2.（3）

為了避免（2）式中的除法，于是用累加代替，得到結果以后除以N[7].利用此算法可對背景圖像（圖1）進行濾波，從而獲得噪聲較少的濾波圖像.

（三）Sobel算子提取警戒線

Sobel算子的原理是：因為邊緣上的點變化較為明顯，故可把亮度值變化大于閾值T1的那些點視為邊緣上的點.該算子包含的橫向模板為：H=[-1-2-1；0 0 0；1 2 1]，縱向模板為：H=[-1 0 1；-2 0 2；-1 0 1].在計算時，將這兩個模板與檢測的圖像分別做卷積.

Sobel算法具有如下優點：（1）計算比較簡單；（2）計算的速度較快.但如果圖像中的紋理比較復雜時，其邊緣檢測效果欠佳.而針對我們的道路場景紋理并不復雜，且Sobel具有速度快的特點.故選擇了Sobel算法來提取道路的兩條邊界線.圖2是利用Sobel檢測背景圖像中邊界線的效果圖.

（四）除噪和警戒線的提取

在提取邊界線之前，要將部分噪音去除.否則，這些噪音會給后續的邊緣提取帶來很大的麻煩，利用MATLAB中函數BW=bwareaopen（BW，P，CONN）就可實現此目的.其中，BW表示二值圖像，P表示點數，CONN在默認的情況下表示8領域.其次，利用先驗知識將不關注的部分去除，如圖2所示中遠離攝像頭的部分是不關注的，故將遠離攝像頭的部分去除.

在去除大量的噪聲后，余下的是我們感興趣的目標——道路的邊界線，且邊界線具有較長的特點，利用此特點可將兩條邊界線提取出來.圖3是提取的道路邊界線效果圖.

二、目標檢測

（一）警戒線的檢測

判斷一個動目標是否發生異常行為的依據是：動目標是否越過警戒線.故，公路邊界的檢測和參數提取是非常關鍵的（下稱警戒線）.由于Hough變換在檢測直線方面的優良性，故將引用它來檢測警戒線.

Hough變換[8]于1962年由Paul Hough提出，并在美國作為專利被發表.其原理是利用點與線的對偶性，將原圖像給定的曲線通過曲線表達形式變為參數空間的一個點[9].

因此，在獲得初始背景圖像（見圖2含警戒線）后，按以下步驟進行.

（1）提取二值化邊界圖；

（2）掃描（1）中圖像，并記錄邊界上各點的坐標（xi，yi）；

（3）利用參數方程ρ=xcosθ+ysinθ，將每個邊界點對應到參數ρ-θ平面上，這樣在ρ-θ平面上就得到了多條曲線；

（4）在ρ-θ平面上找出這些曲線的交點（ρi，θi）并計數；

（5）尋找聚點：每個聚點對應一條直線[10]，故最大點和次大點對應兩條警戒線.因此，就獲得了兩警戒線的參數.

這就利用Hough算法獲取了警戒線的參數.圖4是將x-y平面上的點變換到ρ-θ平面上出現聚點的情況；圖5是利用Hough變換檢測出來的兩條警戒線.

由圖5可以看到，用Hough變換檢測出的兩條警戒線，只要將警戒線保存下來，以后只需檢測是否有動目標越過警戒線，就能立刻知道是否發生了異常行為.那么，該如何保存警戒線呢？由于直線上有許多點，如果保存所有的點即費時又占空間.故，將直線用截距式的方式來表示（即y=kx+b），這樣只需保存兩個參數k和b，這也節省了大量存儲空間.

（二）動目標的檢測

在動目標檢測中，有背景差技術；幀差技術及基于光流的方法[10].結合各技術方法的優、缺點，本文將采用自適應背景差技術來檢測動目標[11].通過實驗，此技術在動目標檢測方面是有效的（見圖6），其原理如下.

此算法是在背景差分算法的基礎上改進而來的，先建立一幅背景圖像（即1.1中創建的背景圖像）.當出現動目標時，在對應區域的灰度發生了明顯的變化.運用此變化信息，就能檢測和定位出動目標的位置.其公式描述如下：

|I（x，y，t）-B（x，y，t）|>T2.（4）

即將t時刻的輸入圖像減去t時刻的背景圖像就得到t時刻的差圖像，當差圖像內對應點上灰度值大于給定的門限值T2，則這個點被認為是一個運動點.那么，怎樣創建一幅可靠的、好的背景圖像？創建此背景圖像的算法應該能自適應場景的逐漸變化，這就是自適應背景差技術的基本思想，其算法如下：

B（x，y，t）=αB（x，y，t-1）+（1-α）I（x，y，t），（x，y）∈禁止區域，B（x，y，t-1），（x，y）∈運動區域，（5）

其中，I（x，y，t）是t時刻的輸入圖像，當t=0時，B（x，y，0）即為1.1中創建的背景圖.背景圖像是自適應的，其可根據光線的變化及時調整下一時刻的背景.α是調節因子，調節t-1時刻的背景圖和t時刻的輸入圖像在t時刻的背景圖中的比例.應用式（5），就能檢測出運動的點和靜態的點.在檢測到動目標以后我們還將提取其質心（xcentroid，ycentroid），以便后面對動目標進行行為分析.

如圖6所示就是利用自適應的背景差技術檢測出的動目標（汽車）.圖7是安全監測系統示意圖，圖7中還顯示了動目標的質心在安全監測系統圖中的位置.

三、動目標的行為分析

在2.1節中，將兩條警戒線保存下來后，就獲得兩直線的方程：直線1為y-y1=k1（x-x1）；直線2為y-y2=k2（x-x2）.要檢測某點（即質心（xcentroid，ycentroid））與警戒線的位置關系，只要將該點代入方程1和方程2即可.如果（y-y1）-k1（x-x1）<0和（y-y2）-k2（x-x2）<0，說明該質心點在兩直線的下方，即圖7中的安全區；如果y-y1≥k1（x-x1）和y-y2≥k2（x-x2），說明該質心點在兩直線上或上方，即圖7中的報警區.在圖6中檢測到的動目標（圖6中的車）的質心所在區域是安全區，系統沒有報警，并且顯示了正確的信息.圖8是系統反饋的信息.

綜上所述，當系統檢測到動目標后，通過以上算法系統就馬上知道此動目標是否發生了異常行為[10].系統達到實時、有效檢測異常行為的目的.實驗顯示，本文的算法是有效的.

【參考文獻】

[1]Y Wu，J Shen，M Dai.Traffic object detections and its action analysis[J].International journal of pattern recognition letter，2005（26）：1963-1984.

[2]Y Wu，M Dai.Detection and analysis of moving objects for video surveillance[J].International journal of information acquisition （IJIA），2005（3）：227-239.

[3]Y Wu，J Shen.Detecting the moving objects using orthogonal moment and its action analyses[A].ACCV2-004，2004：85-90.

[4]G Zhou，Y Wu.Anomalous Event Detection Based on Self-Organizing Map for Supermarket Monitoring[A].International Conference on Information Engineering and Computer Science，2009：1-4.

[5]吳永武，錢淑渠，王海英，等.公共場景中運動目標的行為分析[J].計算機仿真，2014（6）：179-183.

[6]張亞群.造波機的控制及其實現[D].武漢：武漢理工大學，2007.

[7]崔東海.高斯濾波器在實時系統中的快速處理[J].油氣田地面工程，2005（8）：9.

[8]趙穎，王書茂，陳兵旗.基于改進Hough變換的公路車道線快速檢測算法[J].中國農業大學報，2006（3）：104-108.

[9]朱德正.復雜環境下多目標圖像分割算法研究[D].長沙：長沙理工大學，2012.

[10]吳永武.公共場景中運動目標的行為分析[D].貴陽：貴州民族學院，2013.