基于HOG特征與SVM的視頻車輛檢測系統設計

譚光興 孫才茗 王俊輝

摘? 要：為增強車輛預警，解決行車狀態下前方車輛實時檢測問題，構建了一種基于方向梯度直方圖（HOG）特征與支持向量機（SVM）的視頻車輛檢測系統.首先對提取HOG特征的步驟及SVM算法基本原理進行研究，用拍攝的實際道路視頻對系統進行測試;分別提取出正、負樣本集的HOG特征，用于SVM分類器模板的訓練;再計算待測視頻圖像HOG特征，送入分類器中與訓練好的模板比對;最后用矩形框標注出檢測到的車輛目標.測試結果表明：該算法能夠適應復雜的行駛環境，實現高效、精準的視頻車檢.

關鍵詞：車輛預警;方向梯度直方圖;支持向量機;車輛分類器;車輛檢測

中圖分類號：TP391.41? ? ? ? ? DOI：10.16375/j.cnki.cn45-1395/t.2021.01.003

0? ? 引言

城市的發展日新月異，道路交通早已是民生的重要組成部分，智能化交通系統亟待實現[1].視頻車輛檢測系統是智能交通系統的關鍵環節之一[2]，應用于交通領域的視頻車輛檢測主要分為基于運動信息與基于特征信息兩種方式[3].其中，基于運動信息的車輛檢測方法有光流法[4]、幀間差分法[5]、背景差分法[6]和高斯混合模型法[7]等.這些方法難以避免的缺陷是當攝像機身處抖動狀況、道路環境的光照發生變化時會使檢測結果產生誤差，并且較難排除檢測目標所處環境的背景.基于特征信息的車輛檢測的方法是現階段視頻目標檢測領域研究的熱點和重點，各種車輛特征中，方向梯度直方圖（HOG）特征和Haar-like特征在車檢中效果穩定，因此使用頻率較高[8-9].

基于Haar-like特征與Adaboost算法相結合來實現視頻車輛檢測[10]，在簡單場景下檢測效果較好，場景中的車輛幾乎都能較準確地檢測出來;但在光照和背景較復雜的行駛環境下，檢測效果較差，誤檢率較高.而與其他的目標檢測方法相比，HOG特征對于圖像光強變化具備良好的抗干擾能力，對于目標的描述具有較強的魯棒性[11]，再加上向量機（SVM）算法表現出系統結構簡單、全局最優、訓練時間短等優勢[12].因此，本文設計一種基于HOG特征與SVM的車輛檢測系統，對待測樣本中本車前方車輛進行識別.

1? ?HOG特征的提取

HOG特征的主旨思想即利用梯度或邊緣方向分布將待測圖像局部目標的輪廓特征完整地表現出來.由于HOG是從圖像局部區域的cell單元上提取各像素點梯度，因此，沒有嚴格的清晰度限制，降低了對拍攝視頻工具的要求，節約了成本[13].

HOG特征提取算法實現過程主要分為以下4步：

1）顏色空間的標準化

首先將整個圖像進行Gamma標準化處理，gamma表示壓縮系數，通常取值為0.5.這種壓縮處理能夠有效地降低算法對于光照的敏感性，提升算法對光照變化的穩定性[14].Gamma壓縮公式為：

2）計算圖像梯度信息

圖像橫縱坐標方向的梯度值分別求解出后，各個像素點的梯度方向值也相繼得出;求導操作不但可以得知形狀和部分紋理信息，還能再次削弱光照帶來的干擾.梯度在水平方向[[-1，? 0，? 1]]和垂直方向[[-1，? 0，? 1]T]算子下的定義為：

3）細胞（cell）的梯度方向直方圖

將圖像劃分為多個大小一致的細胞單元cell，cell又由更小的單位像素組成. 收集一個cell內像素的梯度信息采用的是9個bin的直方圖，如圖1所示，每個方向塊為20°.在直方圖中cell內所有像素點乘以梯度幅值進行梯度方向的投影;再將它們的投影進行求和，即得到一個cell的梯度方向直方圖.

4）塊（block）內歸一化梯度直方圖

塊單元block是由每幾個cell組成的區塊，不同block之間可以存在重疊，圖像局部區域的HOG特征由它所包含的所有區塊構成.進行塊內歸一化是必要的，主要為避免局部的曝光度等因素導致梯度值變化差距過大.歸一化過程如式（6）所示，[v]表示某block未歸一化的特征向量;[f]表示歸一化結果：

其中：[μ]為引入參數，數值非常小，為了避免分母為0的情況.

2? ?SVM算法的分類原理

2.1? ?超平面選擇

SVM學習的核心思想是求解同時滿足兩個條件的分離超平面，一是能夠對訓練樣本集進行準確劃分;二是分類后的正、負樣本點與該面間隔最大，這樣的分離超平面存在是唯一的.N維空間中線性判別函數可用[fx=w?x+b]來表示，分離超平面線性方程為 [wT?x+b=0]，如圖2所示.

先以線性可分的情況為例，給出特征空間上的一組訓練樣本集：

將[f（x）=w?x+b]進行歸一化，令全部正、負樣本都滿足[f（x）≥1]，距離分離超平面最近的樣本有[f（x）=1]，這樣分離幾何間距就為[2w]，最大化分類幾何間距相當于最大化[1w]，也就相當于最小化[12w2]，因此，SVM模型的最大分離超平面求解問題也可轉化為以下約束最優化問題：

2.2? ?超平面求解

凸二次規劃問題可利用拉格朗日對偶性來解決.原始目標函數含有不等式約束，首先設法將其轉變為無約束，新組出拉格朗日目標函數（見? ? ? 式（10）），[αi]為引入拉格朗日乘子，且[αi≥0].[Lw，? b，? α=12w2-i=1NαiyiwTxi+b-1]

等價于約束問題：

3? ? 測試結果討論

3.1? ?實驗環境

1）硬件環境：Intel Core i5-9400F CPU @2.9GHz 4.1GHz，8.0 GB運行內存，NVIDIA GeForce GT? 730入門級獨立顯卡.

2）軟件環境：操作系統為64位Win10系統，在OpenCV開發環境下利用Python3.6實現.

3.2? ?實驗數據

實驗中用于SVM分類器模板訓練的樣本均為手工制作，利用拍攝的實際道路視頻采集出大量車輛樣本與非車輛樣本.其中，車輛樣本包含不同車型，如小型轎車、面包車、廂車與大型貨車等，顏色包括白色、紅色、藍色、黑色等;非車輛樣本來源于行駛環境中的植被、交通標志物、欄桿、車道線及樓房等.正樣本數量為1 223張，負樣本數量為1 700張.部分正、負樣本如圖3所示.

3.3? ?車輛檢測流程

對HOG特征與SVM結合的檢測算法進行有效性驗證，測試過程可分為兩個模塊：1）訓練模塊，主要包括分別提取正、負樣本的HOG特征，該過程中細胞單元取8×8個像素組成，塊單元取2×2個細胞組成，梯度方向角度劃分為9，一個塊的特征數為2×2×9;將得到的HOG特征用于分類器模板的訓練.2）檢測模塊，先計算出待測樣本的HOG特征，將其送入的SVM分類器與檢測所用模板進行對比，當檢測出目標車輛時便用矩形框進行標注.車檢流程如圖4所示.

3.4? ? 結果與分析

對算法的檢測性能進行驗證，圖5（a）—圖5（d）為隨機抽取的視頻檢測結果中的不同幀圖像.

從檢測結果中可以看出，車輛在城市道路上行駛時，周圍環境復雜，同時還出現前方多輛車輛粘連等情況，增加了前方車輛識別負擔與難度.但基于HOG特征與SVM分類器模板結合進行分類識別，排除各種非車輛物體的干擾，該算法仍有效檢測出前方車輛目標.

1）車輛檢測速率

對本文算法與其他基于圖像處理的車輛檢測方法進行車檢速率的統計，結果如表1所示.平均每幀耗時的計算方法為：先去掉選取的200幀中每幀耗時的最高值和最低值，再求剩余198幀視頻圖像的每幀耗時均值.由表1可得出，Haar與Adaboost結合的方式最慢，但3種方法的每幀耗時均值差別不大，都基本滿足實時檢測的要求.

2）車輛檢測準確率

檢測率為正確檢測樣本數量與總測試樣本數量之比，誤檢率為錯誤檢測樣本數量與總測試樣本數量之比.將本文算法與其他基于圖像處理的車輛檢測方法的準確率進行比較，結果如表2所示.

由表2可看出：本文算法較之其他傳統的車輛檢測方法提高了檢測率，降低了誤檢率;再結合表1的速率統計結果可以直觀地得出：本文的視頻車輛檢測方法在滿足基本的實時性情況下提高了車輛檢測的準確率，具備較為理想的目標檢測效果.同時與圖像識別領域中的深度學習算法相比，對硬件的計算能力要求不高，考慮成本因素，更容易實現大規模應用.

4? ? 結語

本文提出的一種基于HOG特征與SVM算法相結合的視頻車輛檢測方法，能夠消除行駛環境中樹木、交通標識、建筑物以及一些路面的影響，能有效地對視頻圖像中的目標車輛進行檢測和標注;由于加強了前方車輛預警，在一定程度上使駕駛輔助系統的安全性能得到了保障.此算法在視頻車輛檢測率方面有一定的創新，與傳統的車輛檢測方法相比，在不犧牲檢測速率的情況下提升了車輛檢測的準確率.在未來的研究中將對算法的實時性進行更進一步的優化，以便推廣到實際的視頻車檢系統中.

參考文獻

[1]? ? ?王綱，李月榮，賈冬艷.大數據在城市智能交通中的應用研究[J].辦公自動化，2017，22（20）：24-25.

[2]? ? ?張凱，李華文.一種基于SVM和HOG特征的視頻車輛識別算法[J].電子世界，2019（7）：74-75.

[3]? ? ?NAVID N-V，BORGES P V K，ROBERTS J M，et al. On the use of optical flow for scene change detection and description[J]. Journal of Intelligent and Robotic Systems，2014，74（3-4）：817-846.

[4]? ? ?耿慶田. 基于圖像識別理論的智能交通系統關鍵技術研究[D].長春：吉林大學，2016.

[5]? ? ?張延麗，李春貴.視頻車輛檢測中改進的閾值分割算法研究[J].廣西科技大學學報，2017，28（2）：61-66，78.

[6]? ? ?MAO T Q，REN L R，YUAN F Q，et al. Defect recognition method based on HOG and SVM for drone inspection images of power transmission line[C]//2019 International Conference on High Performance Big Data and Intelligent Systems （HPBD&IS），Shenzhen，China，2019.DOI：10.1109/HPBDIS.2019.8735466.

[7]? ? ?薛圣利，蔡啟仲，楊海林，等.基于OpenCV的火車票識別算法[J].廣西科技大學學報，2016，27（2）：46-51.

[8]? ? ?崔春輝.基于單目視覺的車輛檢測算法研究[D].沈陽：東北大學，2017.

[9]? ? ?MO W Y，GAO Y，ZHAO Q Y. Confusable vehicle feature extraction and recognition based on cascaded SVM[C]//2017 3rd IEEE International Conference on Computer and Communications （ICCC），Chengdu，2017.DOI：10.1109/CompComm.2017.8322918.

[10]? ?朱志明，喬潔.基于Haar-like特征與Adaboost算法的前方車輛辨識技術研究[J].電子測量技術，2017，40（5）：180-184.

[11]? ?HAN S J，HAN Y J，HAHN H. Vehicle detection method using haar-like feature on real time system[J].Chemistry， 2009，15（37）：9521-9529.

[12]? ?周越.基于視覺的車道線識別研究[D].錦州：遼寧工業大學，2019.

[13]? ?郭明瑋，趙宇宙，項俊平，等.基于支持向量機的目標檢測算法綜述[J].控制與決策，2014，29（2）：193-200.

[14]? ?王娜. 基于SVM算法的前方車輛視頻檢測[D].濟南：山東師范大學，2016.