融合多特征的禁停區(qū)域車輛檢測方法

穆春陽 馬 行 張盼盼

（北方民族大學信息與通信研究所，寧夏 銀川750021）

0 引言

消防通道在突發(fā)事件發(fā)生時具有重要的疏散或補救作用，是生命通道，雖然法令禁止私人占用這些區(qū)域，但是由于突發(fā)事件發(fā)生的概率較低，因此平時這些區(qū)域處于閑置狀態(tài)，其重要性常常被忽視?？v觀我國重大火災事故現場，由于消防通道亂停亂放的現象，造成消防車不能及時到達，從而引發(fā)嚴重火災事故的情況屢見不鮮。針對類似問題，本文設計一種用于禁停區(qū)域車輛違章停車的檢測算法，以提高消防通道的疏散作用。

常用的運動目標檢測方法有光流法、幀間差法和背景差分法。光流法雖然能夠提供物體運動和三維場景信息，但是計算量較大，實時性能較差。幀間差法容易實現，但是檢測的目標對象內部容易出現空洞，如果不對行人和其他非機動車輛等目標進行濾除，將會干擾檢測的效果。背景差分法與幀間差法也常與高斯模型相結合才能達到較好的效果。

1 算法總體設計

本文設計的禁停區(qū)域違章車輛實時檢測算法從整體上可以分為以下幾個部分：

（1）建立背景。為了提高算法的運算速度和檢測效率，在視頻圖像上選取確定的區(qū)域作為檢測的范圍，然后利用高斯混合模型(GMM)建立場景的背景。

（2）背景差分法檢測運動目標。采用背景差分法檢測出運動對象，其中包括進入檢測范圍內的行人、自行車等運動對象。

（3）多特征篩選。對檢測到的運動目標進行Hough變換，利用車輛的團塊特征及車輪的圓形度，將干擾目標排除。

（4）目標跟蹤。根據運動目標的質心坐標運動軌跡實現跟蹤。（1）初始化高斯模型。選取視頻的前n幀初始化高斯模型。

2 算法實現

2.1 混合高斯模型建立背景

由于監(jiān)控區(qū)域可能有樹的晃動，人員走動或者其他物體的進入，所以需要對各個高斯分布進行不斷地更新?；旌细咚鼓Ｐ?GMM)可分為以下幾部分：

（1）初始化高斯模型。選取視頻的前n幀初始化高斯模型，方差應盡可能大一些，這樣可以融合更多的圖像，使得到的數值更接近真實。

（2）輸入視頻序列圖像。新輸入的圖像每個像素值都經過匹配，以判斷哪些像素屬于背景，哪些屬于前景。像素點判為背景的概率計算如公式（1）所示：

式中，p（Xt）表示Xt的概率是該像素分別屬于k個高斯分布的概率加權和；

k為高斯模型的數量，一般取3～5個；

（3）參數更新。每個新的像素點都要與這k個高斯模型進行匹配，如果匹配成功，則加入該模型；如果匹配失敗，就以該像素的值作為均值建立一個新的高斯分布，并且代替高斯背景模型中權值最小的那個背景模型（即 ω（k，t）/δ（k，t）最?。?。

（4）更新背景。將得到的 k 個高斯分布按照 ω（k，t）/δ（k，t）的降序排列，取前H個高斯分布作為新背景。

2.2 背景差分法檢測運動目標

基于混合高斯模型與背景差分法可以檢測到運動目標，利用形態(tài)學算法對提取到的結果作進一步的處理，可以得到相對完整的運動目標，結果如圖1所示：

圖1 基于GMM與形態(tài)學處理的運動目標檢測結果

圖1(a)為GMM直接輸出的目標圖像，目標的外輪廓不夠完整。圖1（b）為經過處理后的圖像，可以看到車輛外輪廓明顯比圖1(a)要完整，這對進一步的車輛提取有很大幫助。

2.3 多特征篩選

可以利用車輛所在區(qū)域相對緊湊的特點，以及車輪具有明顯的圓形特征，設置多特征篩選原則，剔除干擾。

（1）緊湊性檢測

a計算目標的外輪廓線總長L。由于車的材質特性、環(huán)境光照條件等因素，使GMM輸出的車輛并不是完全連通的。為了解決該問題，在提取輪廓前先進行形態(tài)學濾波處理，然后用該結構元素去腐蝕原圖像，可得到目標的外輪廓線。

b采用形狀描述符的思想計算面積S。將輪廓的像素點匹配到能夠最大程度描述物體外輪廓的橢圓上。在標注的所有橢圓中選擇最大的橢圓進行面積計算，如圖2所示：

圖2 描述目標面積圖

在圖3中標注的大橢圓即為車輛外輪廓線匹配到的邊界，按照橢圓的面積計算公式（3）：

其中a為長軸長，b為短軸長。

c計算緊湊比例

按照公式（4）計算緊湊比例：

（2）Hough 變換檢測圓形

首先將圖像空間的像素點轉換為特征空間中的參數值，然后根據點與線的對應性，將表征同一個圓的點在特征空間里進行累加，最后尋找累加值最大的點即為對應圖像空間中的圓。根據經驗值，設置尋找半徑為13到100，檢測并繪制出所有找到的圓形。

（3）基于緊湊性和Hough變換的判斷準則

由于車輪可能因為拍著角度的問題，造成檢測不到，因此將緊湊性作為第一判斷標準，權重比例設為0.6，車輪代表的特性權重設為0.4。

2.4 目標跟蹤

（1）首先計算目標的質心坐標；

（2）當該坐標進入到ROI的邊界線內時觸發(fā)提示信息，警示有目標進入ROI區(qū)域；如果坐標沒有進入ROI區(qū)域就不做任何操作。

（3）當目標進入ROI后，繼續(xù)跟蹤其運動軌跡判斷是否出界，如果目標一直沒有出界，就啟動目標識別應用程序，分析是車輛還是非車輛；如果目標離開了ROI區(qū)域，則不做任何操作。

3 實驗結果與分析

本文以兩廂和三廂轎車為例進行研究，轎車的尺寸參數來源于汽車論壇。兩廂轎車的緊湊比例最小值為0.589，最大值為0.782。三廂轎車的緊湊比例最小值為0.553，最大值為0.782。因此，將緊湊比例的閾值范圍設定為0.4～0.8。

以正側面為例展示車輛測試結果，如圖3所示。

圖3 車輛正側面測試圖(緊湊性0.3521)

在車輪的檢測過程中，檢測圓的半徑等參數需要提前設置，因此參數的設置直接影響檢測的結果。因此，自適應的圓形檢測是需要進一步研究的內容。

4 結論

本文針對消防通道等重要通道存在亂停亂放的現象，設計了一種用于禁停區(qū)域車輛違章停車的檢測算法。首先確定需要監(jiān)控的區(qū)域，利用GMM背景模型和背景差分法檢測出感興趣區(qū)域內的運動對象。經過形態(tài)濾波器進一步處理，可以得到較完整的目標圖像。然后綜合考慮車輛的緊湊性和車輪的圓形度兩個方面的特征，進行干擾對象的篩除。最后設計目標跟蹤算法，為目標識別和語音報警做準備。實驗表明，該算法具有良好的監(jiān)測效果。

［1］盧章平,孔德飛.背景差分與三幀差分結合的運動目標檢測算法[J].計算機測量與控制,2013,21(12):3315-3318.

［2］Stauffer C,Grimson W.Learning Patterns of Activity Using RealtimeTracking[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2000,22(8):747-757.

［3］Stauffer C,Grimson W E L.Learning patterns of activity using real-time tracking[J].IEEE Transactions on Pattern Analysis&Machine Intelligence,2000,22(8):747-757.

［4］王殿海,胡宏宇.李志慧,等.違章停車檢測與識別算法[J].吉林大學學報:工學版,2010,40(1):42-46.

［5］Panpan Zhang,Chunyang Mu,Xing Ma and Fulu Xu.Algorithm of Moving Vehicle Detection by Improved Gaussian Mixture Model Based on ROI[Z].Applied Mechanics and Materials,2015.