基于支持向量机的交通视频人车识别研究

张建飞，陈树越，刘会明，胡 楠

（中北大学 信息与通信工程学院，山西 太原 030051）

0 引言

智能交通系统（Intelligent Transportation System，ITS）是未来交通系统的发展方向，是将先进的计算机技术、通信技术、机器视觉、模式识别等集成运用于交通管理系统，从而建立的一种实时、准确、高效的综合交通管理系统。人车识别是智能交通系统的一个重要组成部分，在某种方面识别分类的好坏直接影响了智能交通系统能否正常运作，因此这个课题的研究就显得尤为重要[1]。

支持向量机（Support Vector Machines，SVM）是近来引起人们广泛重视的一种优秀模式分类方法，它是根据统计学习理论（Statistical Learning Theory，SLT）建立起来的，最早是由Vapnik等人于1995年提出的一类新型机器学习方法，能够较好地解决小样本、非线性以及高维数等模式识别问题[2]。

SVM在智能交通系统领域得到了广泛的应用。文献[3]提出了一种基于SVM的车型图像识别算法，采用灰度极值提取边界候选图像，并提取了具有RST不变性的轮廓特征向量进行训练，能够将不同类型的汽车识别出来。文献[4]通过一类支持向量机将二值分类问题推广到多值分类情况，并将其应用于车辆识别中。但是在现实交通中人车同行是普遍存在的，尤其在一些特殊的场合（如军事禁地）仅仅对车的识别还远远不够。

本文以背景差分法和数学形态学为核心，通过对采集到的人车视频图像序列的处理，提取一些有效的几何特征，特别是对高度、宽度和高宽比等特征量的选取，设计相应的SVM分类器从而进行人车分类识别。实验结果表明，这种方法分类效果较好、识别精度高，并且具有实现简单的优点，适用于背景较复杂的交通系统。

1 运动目标检测算法

1.1 运动目标检测的一般方法

视频图像中运动目标的提取主要有帧间差分、光流法和背景差分等方法。由于前两种方法存在提取的目标不精确、实时性差和抗噪性弱等缺点，对后期的分类识别不利，因此本文采用背景差分法实现对运动目标的提取[5]。

1.2 基于背景差分的目标检测

背景差分法是采用当前图像与背景参考图像作差分再取阈值来检测运动区域的一种方法。与传统的阈值选取不同，本文采用了大律算法进行全局图像阈值选取。最基本的背景差分法的原理比较简单，主要工作过程如图1所示。首先，利用式（1）计算背景图像bk(x,y)与当前图像fk(x,y)的差，然后根据式（2）对差分图像Dk(x,y)按照事先得出的阈值进行二值化，若差分图像中像素绝对值大于该阈值T，则判断此像素点属于运动目标区域，否则属于背景区域。阈值后的图像Rk(x,y)往往存在一些噪声，进行中值滤波和形态学处理等算法可以得到较好的结果[6]。

图1给出了使用背景差分法来检测提取运动目标的基本原理。

在数学形态学处理中采用了闭运算、开运算和孔洞填充等操作[7]，定义形式如下：

1）A被B的形态学闭运算记作A⋅B，是先膨胀再腐蚀的结果，用数学公式表示为

2）A被B的形态学开运算记作A∘B，是先腐蚀再膨胀的结果，用数学公式表示为

3）假设一幅标记图像fm，该图像的边缘部分的值为1-f，其余部分的值为0。

则填充图像f中的孔洞的公式为

实验结果如图2所示，通过背景差分法可以检测到场景中的变化，并提取出运动目标。

从实验过程来看背景差分法简单易于实现，一般能够提供较好的特征数据，适用于背景已知的情况。

2 基于SVM的人车识别

2.1 SVM原理

SVM是在统计学习理论上发展起来的一种新的基于机器学习和模式识别的方法，根据有限的样本信息在模型的复杂性和学习能力之间寻求折中，从而获得较好的泛化能力[8-9]。

SVM方法是由线性可分情况下的最优分类面发展而来的。二维线性可分情况如图3所示，图中空心点和实心点代表了两类样本，H为分类线，H1和H2分别为过各类样本即离分类线最近又平行于该分类线的直线，它们之间的距离称为分裂间隔。最优分类线不但能够将两类样本正确分开，而且分裂间隔也是最大。

设分类线方程为w⋅x+b=0，进行归一化后可使线性可分的样本集满足

对于线性不可分的情况，利用内积函数的非线性映射可将输入向量映射到较高维的空间，即通过构造新的特征向量将问题转换为新的空间，SVM能在这个新建空间中给出最佳分类超平面。

构造内积函数为K(xi,xj)的SVM可转化为求解二次函数的极值问题

式中：约束条件为0≤ai≤C，C为指定的常数，为Lagrange系数，式（8）的非零解及其对应的xi构成支持向量集，使得构成的支持向量机为

式中：b*是分类阈值，可以由任一支持向量按式（7）求得。

根据统计学习理论中的Hilbert_Schmidt原理，只要视频应用与工程一种运算满足Mercer条件，就可以作为内积使用。本文采用了径向基内积核函数，表达如下

2.2 车辆和行人的识别

根据前文提出的运动目标检测算法，提取一些车辆和行人图像。由于车辆和行人的轮廓存在明显的不同，采用几何特征进行分类识别比较有效。为此运用星形向量表示法[10]来提取运动目标的特征向量，如图4所示。

具体方法为：以r1（水平0°方向）为起始端，从图像的重心点按逆时针（或顺时针）方向每隔45°取到图像边界的距离作为一个特征分量rk(k=1,2,…,8)，共8个特征量。然后将运动目标的高度、宽度和高宽比作为另外3个特征量r9，r10，r11，从而构成了分类识别的特征向量集。

把已建好的图像集进行分类：一类为行人，一类为车辆，利用提取的几何特征对支持向量机进行训练，得到SVM分类器。最后通过该分类器对视频中的运动目标测试和分类。

3 实验结果和分析

实验中使用固定在三角架的摄像机在室外摄取了若干视频序列进行试验，视频图像帧为大小320×240的真彩色格式。在普通的PC机上进行了实验操作。

首先采集了160幅行人和104幅车辆的图像，一半用来训练，一半用来对支持向量机的测试。图5是第95帧时检测的实验效果，其中图5a为当前时刻背景图像，图5b为当前帧图像，图5c为检测到的2个运动目标图像，图5d为人车被分别识别的图像。

随机抽取4个样本，所提取的11个特征量如表1所示，识别结果如表2所示。

表1 提取的特征量 像素

表2 识别结果

在Matlab环境下对拍摄到的一段交通视频进行了仿真，实验结果比较理想，且行人和车辆的平均识别准确率达到96.97%。

4 小结

在计算机视觉邻域，运动目标的检测与识别具有广泛的应用前景。本文提出了一种静止摄像机条件下基于背景模型的人车检测识别算法。首先，通过背景差分法、中值滤波法、形态学处理法等对视频中的运动目标进行了较好的检测。然后，通过11个特征量的提取，用SVM分类器进行人车分类，从实验上证明了该分类方法的效果较好，也验证了本文提出的特征量的有效性。

[1]MESSLODI S，MODEN C M.Vision-based bicycle and motorcycle classification[J].Pattern Recognition Letters，2007（28）：1719-1726.

[2]GUPT S，MASOUND O，MARTIN R，et al.Detection and classification for vehicles[J].IEEE Transaction on Intelligent Transportation Systems，2002，3（1）：37-47.

[3]尹玉梅，胡中华，湛金辉.基于支持向量机（SVM）的汽车车型识别[EB/OL].[2010-11-20].http：//d.wanfangdata.com.cn/Periodical_dzcljs 200807006.aspx.

[4]孙德山，吴今培.一类支持向量机在车辆识别中的应用[J].交通运输系统工程与信息，2003，3（4）：34-37.

[5]曹治锦，唐慧明.视频图像中的车辆检测跟踪和分类[J].电视技术，2004，28（3）：85-87.

[6]崔江.行驶车辆图像检索技术研究[D].南京：南京航空航天大学，2003.

[7]李波，曾致远，付祥胜.基于数学形态学和边缘特征的车牌定位算法[J].电视技术，2005，29（7）：94-96.

[8]OSUNA E，FREUND R，GIROSI F，et al.Training support vector machines：an application to face detection[EB/OL].[2010-11-20].http：//ieeexplore.ieee.org/xpl/freeabs_all.jsp?arnumber=609310.

[9]冀振元，李晨雷，唐文彦.支持向量机在车辆目标识别中的应用[J].系统工程与电子技术，2010，32（2）：284-286.

[10]RIVTIN E，RUDZSKY M，GOLDENBERG R，et al.A real-time system for classification of moving objects[EB/OL].[2010-11-20].http：//citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.12.1718.