交通场景中动目标的行为分析

吴永武　李俊　吴娅婷　甘松

【摘要】动目标的行为分析是智能监控的关键一步.首先利用均值算法创建交通场景的背景图像，并对其进行图像预处理；利用Sobel提取边界线；利用Hough算法检测警戒线，并将警戒线参数化后保存；在实现动目标的检测后，达到实时、有效地对动目标行为进行分析的目的.实验显示，算法是有效的.

【关键词】Hough变换；运动检测；行为分析

【基金项目】贵州省教育厅自然科学研究项目，黔教合KY字（2014）272号.

随着社会的高速发展，交通工具也与日俱增，交通场景中动目标的安全问题备受关注.如何快速、准确地检测出动目标的异常行为[1-4]已成为人们研究的重要课题之一[5].近年来已有不少学者在此方面做出贡献，提出了许多算法.如，文献[1]提出一种新的基于OGHM（Orthogonal Gaussian-Hermite Moments）的动目标检测算法，最终利用轨迹、速度、加速度等信息来实现动目标的行为分析；文献[2]为了克服传统创建固定背景图像时出现的两个难题（一是慢动目标离开背景时会出现明显的痕迹；二是光照度随时间的变化而变化，从而不能得到合适的背景图像），而提出一种多重的背景模型算法.文献[4]通过SOM（Self-Organizing feature Map）神经网络来研究人的正、异常行为等.本文主要是从场景知识的角度来实现公路交通场景中动目标的行为分析.重点在针对公路交通视频中的固定目标边缘提取（即提取警戒线）、拟合并参数化；动目标的检测及跟踪，最终实现对动目标的行为分析.

一、场景知识的提取

针对特定的公路场景，有些场景知识是可以忽略的，有些场景知识是必须获知的，这就需要对场景知识进行提取.

（一）均值算法创建背景

一幅好的背景图像，对动目标的检测是非常重要的.因为这将严重影响检测的效果，继而影响后续的处理过程，由于均值算法本身所具有的优良性质，故将用其来实现背景图像的创建.背景图像B中一个点（x，y）的值是由所有图像的对应点灰度的平均值构成，公式为[5]

B（x，y）=1N∑Nt=1I（x，y，t），（1）

其中，N为图像序列中的图像数，I（x，y，t）为输入图像，t表示时间.

用均值算法建立背景，静止目标的灰度保持不变，动目标的灰度点将被弱化，因此，可建立背景.如图1所示是利用200帧图像创建的背景模型图像.

（二）滤波

以上创建的背景图像含有大量噪声，这给后续的图像处理带来极大的不便，造成这些噪声的主要原因是由于天气（阴天、雨天）和周围环境引起的.故需对背景图像进行滤波，尽可能地去除噪声，这样在提取场景知识时才更加准确.而高斯滤波器具有突出的性能，故选取其对1.1中创建的背景图像（即图1）进行滤波.

高斯滤波器的程为：ga（t）=12πaexp-t24a.

已证明，均值滤波器大于或等于三次逼近就可近似于高斯滤波器[6].所以，可利用均值滤波器来代替高斯滤波器.

∵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表示采样点的序号，N表示窗口的宽度.如果取窗口的宽度为N=2k，在（2）式中，两边同乘N有：

Nf（n+1）-Nf（n）+fn+1-N2-fn-N2.（3）

为了避免（2）式中的除法，于是用累加代替，得到结果以后除以N[7].利用此算法可对背景图像（图1）进行滤波，从而获得噪声较少的滤波图像.

（三）Sobel算子提取警戒线

Sobel算子的原理是：因为边缘上的点变化较为明显，故可把亮度值变化大于阈值T1的那些点视为边缘上的点.该算子包含的横向模板为：H=[-1-2-1；0 0 0；1 2 1]，纵向模板为：H=[-1 0 1；-2 0 2；-1 0 1].在计算时，将这两个模板与检测的图像分别做卷积.

Sobel算法具有如下优点：（1）计算比较简单；（2）计算的速度较快.但如果图像中的纹理比较复杂时，其边缘检测效果欠佳.而针对我们的道路场景纹理并不复杂，且Sobel具有速度快的特点.故选择了Sobel算法来提取道路的两条边界线.图2是利用Sobel检测背景图像中边界线的效果图.

（四）除噪和警戒线的提取

在提取边界线之前，要将部分噪音去除.否则，这些噪音会给后续的边缘提取带来很大的麻烦，利用MATLAB中函数BW=bwareaopen（BW，P，CONN）就可实现此目的.其中，BW表示二值图像，P表示点数，CONN在默认的情况下表示8领域.其次，利用先验知识将不关注的部分去除，如图2所示中远离摄像头的部分是不关注的，故将远离摄像头的部分去除.

在去除大量的噪聲后，余下的是我们感兴趣的目标——道路的边界线，且边界线具有较长的特点，利用此特点可将两条边界线提取出来.图3是提取的道路边界线效果图.

二、目标检测

（一）警戒线的检测

判断一个动目标是否发生异常行为的依据是：动目标是否越过警戒线.故，公路边界的检测和参数提取是非常关键的（下称警戒线）.由于Hough变换在检测直线方面的优良性，故将引用它来检测警戒线.

Hough变换[8]于1962年由Paul Hough提出，并在美国作为专利被发表.其原理是利用点与线的对偶性，将原图像给定的曲线通过曲线表达形式变为参数空间的一个点[9].

因此，在获得初始背景图像（见图2含警戒线）后，按以下步骤进行.

（1）提取二值化边界图；

（2）扫描（1）中图像，并记录边界上各点的坐标（xi，yi）；

（3）利用参数方程ρ=xcosθ+ysinθ，将每个边界点对应到参数ρ-θ平面上，这样在ρ-θ平面上就得到了多条曲线；

（4）在ρ-θ平面上找出这些曲线的交点（ρi，θi）并计数；

（5）寻找聚点：每个聚点对应一条直线[10]，故最大点和次大点对应两条警戒线.因此，就获得了两警戒线的参数.

这就利用Hough算法获取了警戒线的参数.图4是将x-y平面上的点变换到ρ-θ平面上出现聚点的情况；图5是利用Hough变换检测出来的两条警戒线.

由图5可以看到，用Hough变换检测出的两条警戒线，只要将警戒线保存下来，以后只需检测是否有动目标越过警戒线，就能立刻知道是否发生了异常行为.那么，该如何保存警戒线呢？由于直线上有许多点，如果保存所有的点即费时又占空间.故，将直线用截距式的方式来表示（即y=kx+b），这样只需保存两个参数k和b，这也节省了大量存储空间.

（二）动目标的检测

在动目标检测中，有背景差技术；帧差技术及基于光流的方法[10].结合各技术方法的优、缺点，本文将采用自适应背景差技术来检测动目标[11].通过实验，此技术在动目标检测方面是有效的（见图6），其原理如下.

此算法是在背景差分算法的基础上改进而来的，先建立一幅背景图像（即1.1中创建的背景图像）.当出现动目标时，在对应区域的灰度发生了明显的变化.运用此变化信息，就能检测和定位出动目标的位置.其公式描述如下：

|I（x，y，t）-B（x，y，t）|>T2.（4）

即将t时刻的输入图像减去t时刻的背景图像就得到t时刻的差图像，当差图像内对应点上灰度值大于给定的门限值T2，则这个点被认为是一个运动点.那么，怎样创建一幅可靠的、好的背景图像？创建此背景图像的算法应该能自适应场景的逐渐变化，这就是自适应背景差技术的基本思想，其算法如下：

B（x，y，t）=αB（x，y，t-1）+（1-α）I（x，y，t），（x，y）∈禁止区域，B（x，y，t-1），（x，y）∈运动区域，（5）

其中，I（x，y，t）是t时刻的输入图像，当t=0时，B（x，y，0）即为1.1中创建的背景图.背景图像是自适应的，其可根据光线的变化及时调整下一时刻的背景.α是调节因子，调节t-1时刻的背景图和t时刻的输入图像在t时刻的背景图中的比例.应用式（5），就能检测出运动的点和静态的点.在检测到动目标以后我们还将提取其质心（xcentroid，ycentroid），以便后面对动目标进行行为分析.

如图6所示就是利用自适应的背景差技术检测出的动目标（汽车）.图7是安全监测系统示意图，图7中还显示了动目标的质心在安全监测系统图中的位置.

三、动目标的行为分析

在2.1节中，将两条警戒线保存下来后，就获得两直线的方程：直线1为y-y1=k1（x-x1）；直线2為y-y2=k2（x-x2）.要检测某点（即质心（xcentroid，ycentroid））与警戒线的位置关系，只要将该点代入方程1和方程2即可.如果（y-y1）-k1（x-x1）<0和（y-y2）-k2（x-x2）<0，说明该质心点在两直线的下方，即图7中的安全区；如果y-y1≥k1（x-x1）和y-y2≥k2（x-x2），说明该质心点在两直线上或上方，即图7中的报警区.在图6中检测到的动目标（图6中的车）的质心所在区域是安全区，系统没有报警，并且显示了正确的信息.图8是系统反馈的信息.

综上所述，当系统检测到动目标后，通过以上算法系统就马上知道此动目标是否发生了异常行为[10].系统达到实时、有效检测异常行为的目的.实验显示，本文的算法是有效的.

【参考文献】

[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]吴永武，钱淑渠，王海英，等.公共场景中运动目标的行为分析[J].计算机仿真，2014（6）：179-183.

[6]张亚群.造波机的控制及其实现[D].武汉：武汉理工大学，2007.

[7]崔东海.高斯滤波器在实时系统中的快速处理[J].油气田地面工程，2005（8）：9.

[8]赵颖，王书茂，陈兵旗.基于改进Hough变换的公路车道线快速检测算法[J].中国农业大学报，2006（3）：104-108.

[9]朱德正.复杂环境下多目标图像分割算法研究[D].长沙：长沙理工大学，2012.

[10]吴永武.公共场景中运动目标的行为分析[D].贵阳：贵州民族学院，2013.