劉　海，　譚中慧

(中遠(yuǎn)海運科技股份有限公司，上海 200135)

0　引　言

隨著城市車輛保有量的不斷增加，路邊車輛亂停放現(xiàn)象日益嚴(yán)重。近年來為消除該交通陋習(xí)，我國出臺了一系列新的交通管理法規(guī)，支撐了智能交通和電子警察行業(yè)的快速發(fā)展，特別是違法停車自動抓拍系統(tǒng)得以大面積推廣。

目前，違法停車自動抓拍系統(tǒng)在國內(nèi)沿海發(fā)達城市和內(nèi)地部分省會城市推廣度較高，二、三線城市仍有較大缺口。違停自動抓拍系統(tǒng)推廣主要受到以下幾方面因素的制約：

(1) 城市交通較為復(fù)雜，人、機動車及非機動車混行，自動抓拍難度較大；

(2) 傳統(tǒng)的自動抓拍算法一般采用基于灰度和紋理特性的前景、背景比對等傳統(tǒng)檢測手段，對車輛的整體認(rèn)識不夠，且極易受光線和天氣因素影響，漏拍和錯拍問題較多，抓拍率和有效率難以滿足應(yīng)用需要；

(3) 傳統(tǒng)方式兼顧面小，有的甚至采用局部小預(yù)置位輪巡方式，只能一機單用，不能滿足治安及刑偵視頻監(jiān)控復(fù)用需求。

為解決傳統(tǒng)抓拍算法的局限和不足，在傳統(tǒng)前景、背景比對算法的基礎(chǔ)上，引入基于機器學(xué)習(xí)和OpenCV的檢測抓拍算法，建立一種以傳統(tǒng)檢測算法為輔，機器學(xué)習(xí)檢測算法為主的檢測抓拍算法模型，既能很好解決復(fù)雜交通路況下目標(biāo)的鎖定抓拍問題，也能解決單一機器學(xué)習(xí)算法對遠(yuǎn)端目標(biāo)的弱視缺陷。同時，通過正、負(fù)樣本訓(xùn)練得到的多級分類器，受光線、背景和目標(biāo)運動狀態(tài)的影響小，有效提高抓拍數(shù)量和效率。此外，基于機器學(xué)習(xí)的抓拍算法支持多角度及多方向預(yù)置位輪巡抓拍，能夠滿足監(jiān)督及抓拍共用的需求。

1　基于前景、背景差分比對的傳統(tǒng)抓拍建模

基于前景、背景比對的抓拍方式需將彩色視頻圖像灰度化，再進行背景圖像提取、背景圖片自動更新、視頻序列二值化和目標(biāo)判定等步驟完成抓拍。

采用局部背景提取和自動更新算法獲取目標(biāo)區(qū)域背景圖像。設(shè)視頻圖像分辨率為M×N，違法停車抓拍區(qū)域分別為R1、R2、…、Rn，分別計算每個區(qū)域內(nèi)單位像素的時間波動曲線σi(t)(見圖1)，當(dāng)σi(t)<某一特定常數(shù)σ時，表示該像素灰度值穩(wěn)定，可提取或更新當(dāng)前背景。背景提取和更新的公式為

σi(t)=|yi(t)-yi(t-1)|

(1)

(2)

式(1)和式(2)中:yi(t)和yi(t-1)分別為某像素相鄰兩時刻的灰度值;Bn(t)和Bn(t-1)分別為某一抓拍區(qū)域n相鄰時刻的背景圖像;yn(t)為抓拍區(qū)域n當(dāng)前時刻的灰度圖像。

a) 違法停車抓拍區(qū)域

b) 單位像素灰度值時間特性

前景圖像與背景圖像相減后得到模型，并按照某一特定閾值d對幀差結(jié)果進行歸一化，獲取目標(biāo)像素的二值數(shù)據(jù)，設(shè)前景圖像像素點i的灰度值為Yi，背景圖像對應(yīng)位置像素點的灰度值為Bi，則圖像二值化函數(shù)f(i)為

(3)

視頻圖像二值化結(jié)果見圖2。

將二值化結(jié)果按照M×N大小為單位分成若干小塊，并以每小塊為單位，統(tǒng)計小塊內(nèi)二值化為1的點數(shù)，以判定小塊內(nèi)是否有目標(biāo)。小塊內(nèi)出現(xiàn)目標(biāo)，小塊計數(shù)器加1；沒有目標(biāo)，小塊計數(shù)器減1。一段時間內(nèi)小塊計數(shù)器累加超過某一閾值，則表明該方格內(nèi)有目標(biāo)滯留。設(shè)第n小塊計數(shù)器為C(n)，則其函數(shù)關(guān)系為

(4)

a) 實時視頻圖像

b) 視頻圖像二值化

a) 目標(biāo)分塊累加計數(shù)

b) 目標(biāo)提取

基于前景、背景圖像和二值化的傳統(tǒng)抓拍手段在背景圖像提取、實時更新等關(guān)鍵環(huán)節(jié)仍存在較多的技術(shù)瓶頸，在城市復(fù)雜交通流條件下很難達到實用要求。同時，城市道路人車混行，任何移動目標(biāo)都可能對目標(biāo)二值化處理及目標(biāo)分割造成影響，嚴(yán)重制約檢測效果。因此，傳統(tǒng)違法停車檢測算法不適合多方向及大流量城市交通違法停車的抓拍。

2　機器學(xué)習(xí)抓拍建模

為解決傳統(tǒng)算法的缺陷，在傳統(tǒng)目標(biāo)檢測的基礎(chǔ)上引入機器學(xué)習(xí)算法對車輛目標(biāo)進行檢測，基本思想是通過機器學(xué)習(xí)的方式，模仿人類大腦認(rèn)知事物的過程，通過海量的正、負(fù)目標(biāo)樣本，并通過選擇適當(dāng)?shù)奶卣鲄?shù)，建立機器學(xué)習(xí)訓(xùn)練模型，訓(xùn)練出具有明顯特征的多級分類器，并將該分類器運用到實際檢測中，通過計算實時視頻圖像的特征參數(shù)，與串聯(lián)的各級分類器進行比對搜索，進而進行目標(biāo)識別。該過程能以整體為單位對目標(biāo)進行識別，不需進行背景圖像提取及自動更新，也無需視頻圖像二值化和目標(biāo)分割，能很好的解決傳統(tǒng)圖像處理技術(shù)瓶頸。

2.1　特征選取

Haar特征可反映圖像的灰度變化和像素分模塊的求差值，分為邊緣特征、線性特征、中心和對角線特征等，組合成特征模板見圖4。

車輛目標(biāo)相對于道路交通中其他目標(biāo)具有清晰的輪廓、線條和對稱性，因此，選用Haar特性進行分類器訓(xùn)練。

2.2　分類器訓(xùn)練算法

a) 邊緣特征

b) 線性特征

c) 中心對角特征

采用Adaboost算法進行分類器訓(xùn)練，Adaboost是一種迭代算法，該算法的核心思想是針對同一個訓(xùn)練集中不同的分類器(弱分類器)，然后把這些弱分類器集合起來，構(gòu)成一個更強的最終分類器(強分類器)。該算法本身是通過改變數(shù)據(jù)分布來實現(xiàn)的，根據(jù)每次訓(xùn)練集中每個樣本的分類是否正確及上次的總體分類的準(zhǔn)確率，來確定每個樣本的權(quán)值。將修改過權(quán)值的新數(shù)據(jù)集送給下層分類器進行訓(xùn)練，再將每次訓(xùn)練得到的分類器進行融合，作為最后的決策分類器。

3　基于OpenCV的Adaboost分類器訓(xùn)練及調(diào)用實現(xiàn)

OpenCV是Intel資助的開源計算機視覺庫。它由一系列C函數(shù)和少量C++類構(gòu)成，實現(xiàn)了視頻圖像處理和計算機視覺方面的很多通用算法。OpenCV包含300多個C/C++函數(shù)的跨平臺的中、高層API，不依賴于其他外部庫，可獨立于操作系統(tǒng)、硬件和圖形管理器。

分類器訓(xùn)練及調(diào)用分為樣本收集：預(yù)處理、樣本數(shù)據(jù)生成、分類器訓(xùn)練及檢測抓拍等關(guān)鍵幾步。OpenCV集成了用于Haar特征提取和Adaboost算法的全套系統(tǒng)函數(shù)及解決方案，提供用于支撐樣本數(shù)據(jù)的生成、分類器訓(xùn)練和機器視覺目標(biāo)檢測的所有接口。

3.1　樣本收集及預(yù)處理

Adaboost訓(xùn)練算法需輸入大量的正、負(fù)樣本圖片，車輛檢測中正樣本為各種車輛局部或整體圖片，負(fù)樣本為除車輛以外的其他圖片。

由于車輛頭部和尾部都由擋風(fēng)玻璃及車燈等具有明顯特征的結(jié)構(gòu)組成，Haar特征明顯，故選取車頭和車尾圖片作為正樣本。分別調(diào)用OpenCV中cvLoadImage、cvResize和cvSaveImage函數(shù)，將正樣本圖片尺寸全部歸一化為25×25像素大小。

負(fù)樣本的選取多以路、路標(biāo)、行人、非機動車、行道樹及交通設(shè)施等交通相關(guān)目標(biāo)為主，尺寸不等。樣本集S計算公式為

S=P∪N

(5)

式(5)中：P為正樣本集；N為負(fù)樣本集。P和N的計算公式為

P=?(p1,p2,…,pn),pi.size=25×25

(6)

N=?(n1,n2,…,nm),ni.size=x×y

(7)

式(6)和式(7)中：pi為正樣本圖片；ni為負(fù)樣本圖片。25×25表示固定圖像分辨率，x×y表示任意圖像分辨率。樣本庫中部分訓(xùn)練樣本見圖5。

3.2　樣本數(shù)據(jù)生成

訓(xùn)練器不能直接處理采集的正、負(fù)樣本數(shù)據(jù)，需根據(jù)圖片先行生成樣本數(shù)據(jù)。

負(fù)樣本相對簡單，只需要先建立負(fù)樣本文件夾(Neg)，將負(fù)樣本全部存放其中，并創(chuàng)建Neg.dat描述文件，將負(fù)樣本圖片名稱分別填入Neg.dat的每一行中(見圖6a)。

正樣本放置于文件夾Pos中，建立正本描述文件Pos.dat見圖6b)，調(diào)用OpenCV中的createsamples方法即可生成正樣本數(shù)據(jù)Pos.vec。

3.3　分類器訓(xùn)練

準(zhǔn)備好正、負(fù)樣本和各樣本數(shù)據(jù)后，調(diào)用OpenCV提供的分類器訓(xùn)練方法haartraining，輸入正、負(fù)樣本數(shù)據(jù)路徑、數(shù)量及尺寸，規(guī)定分類器層數(shù)等要求，進行分類器訓(xùn)練。訓(xùn)練過程以命令形式啟動，其命令格式見圖7。

a) 正樣本

b) 負(fù)樣本

a) 負(fù)樣本描述文件

b) 正樣本描述文件

圖7　分類器訓(xùn)練過程啟動命令

圖7中，“opencv_haartraining.exe”為OpenCV訓(xùn)練函數(shù);“-data data”為訓(xùn)練完后的生成文件，最終生成data.xml分類器文件;“pos.vec”和“neg.dat”分別表示正、負(fù)樣本描述文件;270和125分別表示正、負(fù)樣本圖片數(shù)量;22表示分類器最大級聯(lián)層數(shù);“-w 25”和“-h 25”表示正樣本大小尺寸;“minHitRate”為命中率，表示正樣本通過能力，該數(shù)值越逼近1越好;“minHitRate”為“虛警率”，表示負(fù)樣本通過率，越逼近0越好;“-mode ALL”表示級聯(lián)器支持類型，默認(rèn)即可;“-mem 1000”聲明訓(xùn)練過程需申請1 000 MB內(nèi)存空間。分類器訓(xùn)練過程時間由樣本集的圖片數(shù)量決定,訓(xùn)練完成后，生成.xml文件即為最終的分類器。

3.4　停車檢測

OpenCV提供了基于xml分類器的機器學(xué)習(xí)檢測方法全套接口函數(shù)，將xml分類器及目標(biāo)尺寸等參數(shù)一同輸入cvHaarDetectObjects函數(shù)，即可實現(xiàn)對車輛目標(biāo)的檢測。根據(jù)函數(shù)輸出的目標(biāo)車輛數(shù)量及位置等信息，結(jié)合時間及空間特性，可實現(xiàn)違法停車檢測及抓拍。

OpenCV機器學(xué)習(xí)過程為

F(&n,&rect)=f(img,xml,*s,w,h)

(8)

式(8)中:&n為檢測輸出目標(biāo)個數(shù);&rect為目標(biāo)位置，以矩形坐標(biāo)形式輸出;輸入?yún)?shù)中img為圖像數(shù)據(jù);xml為分類器;*s為一片預(yù)分配的內(nèi)存區(qū)域，用于存儲檢測出的目標(biāo)信息;w和h分別為檢測結(jié)果中目標(biāo)的最小寬度和高度尺寸。

對檢測出的目標(biāo)車輛在時間序列上進行時間、空間關(guān)系計算和跟蹤，判斷目標(biāo)是否具有時間連續(xù)性和空間不變性，以實現(xiàn)停車檢測。停車檢測算法公式為

(9)

3.5　對傳統(tǒng)算法的改進

基于OpenCV和機器學(xué)習(xí)的停車檢測算法對傳統(tǒng)算法的改進主要體現(xiàn)在算法思想、算法實現(xiàn)難易層度、算法抗干擾性和代碼的執(zhí)行效率等方面(見表1)。

表1　OpenCV及機器學(xué)習(xí)算法對傳統(tǒng)算法的改進

傳統(tǒng)檢測算法主要分析視頻圖像的灰度變化和紋理差異，具體細(xì)分到每一個像素點的灰度特性，為微觀圖像處理算法，缺乏對檢測目標(biāo)的整體認(rèn)識，是一個存在非辨別性的檢測。OpenCV和機器學(xué)習(xí)的停車檢測算法則以目標(biāo)整體為檢測對象，針對目標(biāo)整體的線性特征、以角特征和邊緣特征為研究對象，通過計算圖像內(nèi)物體的特征值，并與分類器做比對，進而區(qū)分目標(biāo)種類，實現(xiàn)可見、可辨的算法效果。

在算法實現(xiàn)過程中，傳統(tǒng)算法需要實現(xiàn)背景圖像提取及自動更新等關(guān)鍵算法，目前對于復(fù)雜交通流仍存在技術(shù)瓶頸。機器學(xué)習(xí)算法可繞開以上技術(shù)瓶頸，只需建立合適的機器學(xué)習(xí)框架機制，采集適當(dāng)數(shù)量的正、負(fù)樣本，即可訓(xùn)練準(zhǔn)確的分類器，實現(xiàn)精準(zhǔn)檢測。

基于OpenCV和機器學(xué)習(xí)的停車檢測算法能在大流量交通環(huán)境下正確識別目標(biāo)，可有效解決車輛排隊及粘連等問題，同時能有效排除非機動車及行人等對目標(biāo)檢測的影響?；贠penCV的視頻圖像處理算法采用了成熟的開源接口函數(shù)，不僅加速了代碼開發(fā)速度，同時受益于OpenCV的高效性，能最大程度提高算法的執(zhí)行效率。

4　算法實驗

以Visual C++ studio為開發(fā)環(huán)境，采用MFC程序開發(fā)框架，分別用720×576標(biāo)清視頻和1920×1080高清視頻對算法進行了測試，測試效果見圖8。

a) 標(biāo)清視頻檢測效果

b) 高清視頻檢測效果

在上海市浦東新區(qū)沈家弄路近民生路口進行幾種算法違法停車自動抓拍比對測試，測試環(huán)境相同，測試時長8小時，測試數(shù)據(jù)見表2。

表2　違停抓拍測試數(shù)據(jù)

由測試對比可知，基于OpenCV和機器學(xué)習(xí)的違法停車檢測算法具有較好的抓拍效果和響應(yīng)速度，算法不受預(yù)置位限制，可實現(xiàn)多方位檢測，復(fù)雜路況下仍能實現(xiàn)有效的目標(biāo)分割。

5　結(jié)　語

對基于OpenCV和機器學(xué)習(xí)的車輛目標(biāo)檢測和抓拍算法進行研究，用機器學(xué)習(xí)的方式模擬人工智能，做到目標(biāo)整體特征計算。實現(xiàn)多級分類快速識別，從根本上區(qū)別于傳統(tǒng)前景、背景比對的檢測方式，較傳統(tǒng)方式具有更好的車輛感知能力和辨別能力，具有更好的抗干擾性能。