基于特征點光流聚類的復雜背景中運動車輛檢測

李忠海，李建偉

（沈陽航空航天大學自動化學院，沈陽　110136）

基于特征點光流聚類的復雜背景中運動車輛檢測

李忠海，李建偉

（沈陽航空航天大學自動化學院，沈陽110136）

為了準確、快速的在動態(tài)場景中對運動車輛進行檢測，提出一種基于特征點光流聚類的車輛檢測方法；該方法取Harris角點為車輛特征量，通過特征點匹配來剔除一些沒有運動的干擾角點，然后對剩余的特征點做光流提取并利用模糊U鄰域（FUNN）聚類算法實現光流的聚類，從而剔除噪音、孤立點和不感興趣樣本實現前景和背景的分離，最后通過設定閾值判斷前景目標是否是車輛；實驗結果證明在復雜的動態(tài)場景中該算法對遮擋、光照變化、陰影處理等有很好的魯棒性，相較于其他算法具有更高的車輛識別率。

特征提??；光流法；FUNN聚類；車輛檢測

0　引言

目前，關于車輛檢測的算法有很多，常用的算法主要有幀差法、背景減法和光流法［13］。上述幾種算法在理想情況下都能成功檢測到運動車輛，但是在實際生活中，由于目標車輛所處環(huán)境復雜、背景多變，使的車輛的檢測變的比較復雜，主要表現在以下幾點：目標遮擋、光照變化、陰影等。本文中提出的特征點光流聚類算法在復雜的場景下能有效的抑制遮擋、光照變化、陰影等干擾因素帶來的影響，提高車輛檢測的準確率和效率，非常適用于交通監(jiān)控中的車輛檢測。

1　算法流程

1.1Harris角點提取

為了避免遮擋、光照變化等干擾因素的影響，我們需要在視頻序列中提取車輛不變特征量來實現車輛的檢測。由于選擇特征的可靠性直接影響算法的準確率和效率，因此選擇合適的特征量是非常有必要的。通常，我們會選擇提取圖像序列中的直線或點作為特征量。提取直線的常用方法是隨機Hough變換，而提取點的常用方法有邊緣檢測、角點檢測等。本文針對交通監(jiān)控視頻的特點選擇Harris角點作為特征量［45］。

Harris角點的檢測算法如下：

式（1）和式（2）為Harris角點檢測的像素相關函數。其中I為圖像的像素矩陣，w為減少噪聲的平滑窗口函數，（x，y）為相應圖像的像素坐標。I（x，y）為（x，y）點像素值，IxIy分別為圖像中像素在水平方向和垂直方向上的一階偏微分，I2xIy2分別為圖像中像素在水平和垂直方向上的二階偏微分，（u，v）為圖像中像素偏移坐標。最后，計算角點響應函數R，從而得到圖像角點。

R=λ1λ2-k（λ1+λ2）2（k∈［0，0.06］）（3）λ1，λ2為矩陣M的特征值。k為經驗值。

Harris角點檢測運用于車輛檢測中起到了很好的效果，并且Harris角點對于光照變化和遮擋等干擾因素有很好的魯棒性。圖1為對視頻序列中第89、90幀圖像提取Harris角點后的圖像。

1.2角點匹配去干擾

由圖1可以看出，Harris角點能很好的反映車輛的特征信息，但是也有很多與車輛無關的角點被檢測出來，在對車輛進行識別時有很大的干擾作用。為了去除那些與車輛無關的角點，利用相鄰視頻幀的相關性來去除一些無運動的角點。

首先，從視頻序列中提取兩幀視頻，分別對兩幀圖像做角點檢測（如圖1），將圖（a）中角點集合記為E1，圖（b）中角點集合記為E2。然后對E 1中角點進行判斷，看其在E 2中是否依然存在，若存在則說明是無運動的角點，將其刪掉。若在E 2中不存在，則保留。同樣，對以后的視頻幀進行相同的處理。對圖1中 （a）圖做去除無運動角點處理后的圖片如圖2所示。

圖1　第89、90幀圖像做Harris角點提取結果

圖2　圖1（a）去除無運動角點結果圖

1.3特征點光流提取

本文采用金字塔Lucas-Kanade光流法對圖2中特征點進行光流提取［610］。

算法流程如下：首先，對金字塔最上層圖像的光流做出計算，根據計算結果求出次上層光流的初始值，然后再估算次上層光流的實際值。最后，再用次上層的光流結果估算其下一層的光流初始值，估算其實際值后再利用其值計算下一層的光流值，直至金字塔的最底層。光流提取結果如圖2所示。

圖3　圖2中角點的光流場

1.4光流聚類

通過計算Harris角點的光流場，可以得到光流鏈和角點鏈，由于同一個目標角點的光流近似相同，不同目標的角點光流都不相同，可以先對光流鏈進行一次聚類，然后再根據同一目標上的角點分布規(guī)律再對角點進行一次空間聚類［1112］。

本文采取模糊U鄰域聚類算法（FUNN）對角點光流進行聚類分析，在通過對聚類的面積大小設定閾值來判斷聚類類別是否為車輛。

模糊U鄰域聚類算法（FUNN）是基于數據集特征的模糊特征軟性聚類，具體的算法步驟如下：

首先給控制參數賦值并初始化聚類的中心和個數。設定聚類的中心個數為C、類中最小的隸屬度閾值為θU、類中最小的特征點個數百分比為θN、最大迭代次數為I、模糊權重系數m=2.0、當前的迭代次數l=0。參數設定完畢后計算隸屬度矩陣U和聚類中心V。

然后通過下面兩式來計算特征點的隸屬度矩陣和聚類中心。上式中，，若dij=0，則使uij=1，且當i≠j時，uij=0。

上式中K為特征點總個數，uij為隸屬度系數，xi為第i個特征點。

若uij＞uik，k=1，2，3，.....，C且j≠k，則xi∈Sj。并且當某個類中的特征點數目不大于θN，則把此類除掉，并把類中的特征點重新分類。將其與剩下的一些未進行分類的特征點，重新組建一個新的集合。將新的集合送入基于統(tǒng)計信息的聚類算法模型中，設置初始聚類數C=1，輸出結果為新類的類中心vnew。如果對新類的隸屬度不小于θU的特征點數不少于θN，則增加新類。

該算法采用FCM算法更新聚類中心和隸屬度矩陣，保證了分類的準確性。采用U鄰域思想對隸屬度系數進行約束，可以剔除噪音和孤立點；對類內樣本數目進行約束，可以控制類的規(guī)模；通過建立補充新類模型，可以避免初始聚類中心的個數不能完整表述特征點類別的可能。

對上文中特征點光流場利用該聚類算法進行分類后，用最小的且包含類中所用特征點的矩形將類標記出來，然后計算矩形的面積，設定面積閾值，通過矩形面積與設定的面積閾值相比較去掉一些不是車輛的類。得到結果圖如圖4所示。

圖4　車輛檢測結果

由圖4可以看出，一些噪音、孤立點和不感興趣的特征點可以被有效的剔除掉。當設定的面積閾值太小時，算法可能把行人也判斷成車輛，從而造成誤檢。而如果把閾值設的太大，也可能造成遠處的車輛無法識別。因此閾值的設定是算法中關鍵的環(huán)節(jié)。但是總體來說，算法的分類準確性、穩(wěn)定性和自適應能力還是比較強的，對于目標遮擋、陰影、光照變化等產生的影響具有很好的魯棒性。

2　實驗和數據分析

本文中采用三段經典的運動車輛視頻對本文算法進行實驗驗證。視頻（a）中車輛的種類不同，大小不一，路邊樹木等干擾因素較少。視頻（b）中車道是橫向的，是從高空俯拍的視頻，車輛較小且車輛行駛緩慢，識別難度較大。視頻（c）中車輛的個數比較少，視頻中也幾乎沒有什么干擾因素。視頻的數據參數如表一所示，視頻截圖及視頻數據如圖5所示。

圖5　實驗視頻截圖及視頻數據

對三段視頻進行車輛識別分析，本文比較混合高斯背景建模［13］、改進的幀間差分算法［14］以及本文算法幾種算法的檢測結果如表2所示。

表2　實驗視頻車輛檢測結果

由上述的實驗結果可知，對于視頻（c），3種算法的車輛識別率差不多，但在復雜的背景環(huán)境下（視頻（a）和視頻（b）），本文算法具有更高的車輛識別率。

3　結束語

本文中提到的基于特征點光流聚類的運動車輛檢測算法，利用對Harris角點做光流提取，并利用FUNN聚類算法對特征點光流做聚類分析，有效避免了遮擋和光照變化對車輛檢測帶來的影響，并且提高了在動態(tài)背景下對運動車輛的識別率，非常適用于交通監(jiān)控中的車輛檢測。但是由于算法沒有考慮視頻圖像的尺度變化，使得算法在對較遠車輛或在視頻圖像中較小的車輛目標進行檢測時有可能出現漏判或誤判。

［1］Y Fan.A real-time algorithm of dynamic background extraction in image sequence［A］.Proc.4th IEEE Int.Conf.on Machine Learning and Cybernetics［C］，Guangzhou：IEEE，2005，4997 5000.

［2］Takatoo M，Kitamura T，Okuyama Y，et al.Traffic flow measuring system using image processing［A］.Proc.SPIE 1197，Automated Inspection and High-Speed Vision Architectures III［C］，Philadelphia：SPIE Digital Library，1989，172-180.

［3］Hsieh J W，Yu S H，Chen Y S，et al.Automatic traffic surveillance system for vehicle tracking and classification［J］.IEEE Transactions on Intelligent Transportation Systems，2006，7（2）：175- 187.

［4］龔平，劉相濱，周鵬.一種改進的Harris角點檢測算法［J］.計算機工程與應用，2010，46（11）：173-175.

［5］徐偉，王朔中.基于視頻圖像Harris角點檢測的車輛測速 ［J］.中國圖像圖形學報，2006，11（11）：1650-652.

［6］胡金金.基于光流法的運動目標快速跟蹤算法研究［D］.西安：西安電子科技大學，2014.

［7］李喜來，李艾華，白向峰.智能交通系統(tǒng)運動車輛的光流法檢測［J］.光電技術應用，2010，25（2）：75-78.

［8］胡覺暉，李一民，潘曉露.改進的光流法用于車輛識別與跟蹤［J］.科學技術與工程，2010，10（23）：5814-5817.

［9］陳聰，朱煜，肖玉玲，等.一種有效的車輛跟蹤算法與異常車輛檢測［J］.華東理工大學學報（自然科學版），2015，41（2）：205-209.

［10］高磊.基于光流的動態(tài)場景中運動車輛檢測與跟蹤算法研究［D］.合肥：中國科學技術大學，2014.

［11］裴巧娜.基于光流法的運動目標檢測與跟蹤技術［D］.北京：北方工業(yè)大學，2009.

［12］孫季豐，王成清.基于特征點光流和卡爾曼濾波的運動車輛跟蹤［J］.2005，33（10）：19-23.

［13］韓明，劉教民，孟軍英，等.一種自適應調整K-r的混合高斯背景建模和目標檢測算法［J］.電子與信息學報，2014，36（8）：2023-2027.

［14］王振亞，曾黃麟.一種基于幀間差分和光流技術結合的運動車輛檢測和跟蹤新算法［J］.計算機應用與軟件，2012，29（5）：117-129.

Moving Vehicle Detection in Complicated Background Based on Optical Flow of Feature Points

Li Zhonghai，Li Jianwei
（School of Automation，Shenyang Aerospace University，Shenyang110136，China）

In order to detecting the moving vehicles accurately and fast in dynamic scene，this paper proposes a vehicle detection method based on optical flow clustering of feature points.Harris corner points are chosen to form a feature vector of vehicles in this method.We remove the interference corner points that are not moving based on feature matching.Then we extract the optical flow of the feature points. we remove the acnode noise and non-interesting samples and realize the separation of foreground and background by the Fuzzy U Nearest neighbor Adaptive Clustering of the optical flow.Finally，we determine whether the foreground is a vehicle by setting the threshold.The experimental results show that this algorithm is good to cover，illumination and shadow.It has a high recognition rate to vehicles in complex dynamic scene.

feature extraction；optical flow；FUNN clustering；vehicle detection

1671-4598（2016）05-0234-03

10.16526/j.cnki.11-4762/tp.2016.05.066

TP391

A

2015-11-19；

2015-12-22。

李忠海（1962-），男，遼寧沈陽人，教授，碩士生導師，主要從事圖像處理、計算機視覺方向的研究。