付 洋，宋煥生，2，陳 艷，朱小平

(1.長安大學(xué) 信息工程學(xué)院，陜西 西安710064;2.陜西省道路交通智能檢測與裝備工程技術(shù)研究中心，陜西 西安710064)

混合交通是中國交通的主要特點，其中行人交通占有很大一部分比例，特別是在城市交通環(huán)境中，而且這種現(xiàn)象也將維持相當(dāng)長一段時間。因此，保障行人安全和減少其對機動車輛正常行駛的干擾是交通建設(shè)的重要目標(biāo)。近年來，隨著圖像處理技術(shù)的快速發(fā)展，基于視頻的行人檢測技術(shù)被廣泛用于智能交通管理，成為研究的熱點。

麻省理工學(xué)院(MIT)人工智能實驗室的Miacheal Oren等人提出的基于小波變換的模板匹配檢測算法［1］，首先對大量樣本圖片做Haar小波變換得到這些圖片的特征參數(shù)，其次對這些特征參數(shù)求取平均值并以此建立模板庫，最后對輸入圖像做小波變換后，將得到的參數(shù)與模板庫匹配，可以準(zhǔn)確地識別行人。但該算法計算量太大，雖然，HaliElzein等人對此方法做了一定的改進［2］，通過選取一部分有代表性的樣本建立模板，使得計算復(fù)雜度有一定的提高，仍然不能滿足實時性要求。於建生等人提出了一種基于視頻的新型行人識別方法［3］。該方法通過背景差法得到視頻圖像中的前景物體，結(jié)合行人的形狀、非剛體性等特征對前景目標(biāo)采用Kalman濾波器進行匹配跟蹤，實現(xiàn)行人識別。姚亞夫等通過背景差分得到有行人運動目標(biāo)二值圖像，引入水平融合值、垂直融合值將滿足融合要求的非連通區(qū)域外接矩形融合得到一個新矩形，以該矩形的中心作為行人位置特征，以此對行人檢測和跟蹤［4］。后兩者提出的方法能準(zhǔn)確地檢測行人，但都是針對于近場景中出現(xiàn)的行人目標(biāo)，當(dāng)有遮擋和光照等影響時會導(dǎo)致目標(biāo)跟蹤丟失，嚴(yán)重影響檢測效率，無法滿足實際交通場景中行人檢測的要求。這兩種算法效率較前面方法有一定的提高，但對圖像的處理都以像素為基本單位，如果圖像分辨力較大時仍然不能滿足系統(tǒng)的實時性要求。

本文提出了一種基于背景差法提取運動目標(biāo)的方法，依據(jù)行人的輪廓、行人的像素高度與實際距離的線性變化關(guān)系和行人位置特征，對行人目標(biāo)做連續(xù)多幀匹配跟蹤求得其平均速度，最后結(jié)合行人速度特征，從而實現(xiàn)行人目標(biāo)檢測。該方法具有識別準(zhǔn)確度高、實時性強，并能有效地解決遮擋和光照干擾等特性。同時，將圖像分為大小相同的塊，以塊為單位處理圖像數(shù)據(jù)，有效地降低了算法復(fù)雜度，具有良好的實時性。

1 目標(biāo)提取

本文采用背景差法提取運動目標(biāo)，根據(jù)李璄等人提出的道路背景提取更新算法［5］提取背景模板并加以實時更新。對于連續(xù)輸入的圖像序列，通過背景差法做二值化處理即可得出運動目標(biāo)，同時使用形態(tài)學(xué)濾波消除噪聲的干擾。實時灰度圖像如圖1所示。

圖1 實時灰度圖像

在實際的交通場景中因光照影響使得背景差得到的二值化目標(biāo)常帶有影子，嚴(yán)重影響運動目標(biāo)的檢測。為了提高算法效率，本文將二值化圖像分割成相等大小的塊，以塊為單位對二值化圖像進行處理，像素二值化圖像如圖2所示。假設(shè)輸入圖像大小為H×W(H表示圖像高度，W表示圖像寬度)，將圖像分割為R×C(R為塊高度，C為塊寬度)。如果每個塊中白色像素的個數(shù)大于該塊像素總和的一半，就將該塊賦為白色，否則賦為黑色，該過程稱為塊二值化過程，如圖3所示。后文提到坐標(biāo)均指塊坐標(biāo)，每個塊坐標(biāo)用其左下角像素點的坐標(biāo)表示。

如圖3所示，二值化圖像上行人的高度明顯比影子要高，本文利用這一特點來實現(xiàn)陰影消除。首先，對二值化圖像做連通域標(biāo)記，獲得每個目標(biāo)的高度和寬度信息。如圖3中所示的目標(biāo)外接矩形。假設(shè)一個二值化目標(biāo)的外接矩形內(nèi)每個塊的狀態(tài)用B(i，j)表示，那么有

圖4 消影處理后的圖像

2 行人檢測算法

在預(yù)處理的基礎(chǔ)上，依據(jù)提取目標(biāo)的輪廓特征，結(jié)合目標(biāo)實際距離與像素高度的線性變化關(guān)系，初步判定行人目標(biāo)，結(jié)合目標(biāo)的運動位置特征對同一目標(biāo)做連續(xù)多幀匹配跟蹤，最后，通過計算目標(biāo)的平均速度，實現(xiàn)行人目標(biāo)檢測。

2.1 行人輪廓檢測算法

交通場景中一般出現(xiàn)較多的是車和行人，而車和人的輪廓形狀有很大差異，行人一般保持著豎立行走，即便是有負重、攜帶物品等影響，在圖像上滿足高度大于寬度。

通過連通域標(biāo)記可以獲得運動目標(biāo)在圖像中的高度和寬度，假設(shè)分別為Hy和Wx，則高寬比為Rt=Hy/Wx。如果Rt≤2，則該目標(biāo)為非人;如果Rt＞2，則對該目標(biāo)做后續(xù)檢測。對圖3中每個目標(biāo)按照輪廓檢測算法處理后，結(jié)果如圖4，得到滿足該條件的行人目標(biāo)。

2.2 像素高度與實際距離的線性變化關(guān)系檢測算法

根據(jù)攝像機成像原理和文獻［6］可以得到攝像機、圖像平面、人和實際路面有如圖5的成像關(guān)系。

圖5 相機、圖像平面、人和實際路面幾何成像關(guān)系圖

圖5 中，P為圖像平面的最底行，RS和UT分別為人在圖像上不同位置處的像素高度，AB和EF為行人的實際高度。D，A，C，E，G分別為圖像平面的點P，S，R，T，U映射到實際路面的點。OV為相機距離路面的實際高度。BH和FI分別垂直于VA和VE。

在實際的交通場景中，攝像機距離地面的距離一般在5 m左右，攝像機拍攝的視角一般都在幾十米至幾百米之間，可以忽略O(shè)V，近似有OA=VA，OE=VE，∠AVB=∠EVF，BH=AB=FI=FE，VP=VS=VR=VT=VU。那么有△AVB和△EVF均為等腰三角形，且△SVT和△TVU分別與△AVB和△EVF相似。則有如下關(guān)系式

通過文獻［7］和文獻［8］中提到圖像平面每個像素到實際路面距離的映射關(guān)系可以建立圖像上像素點到實際距離的映射表，映射表所對應(yīng)的實際距離為以D點為參考點，但在實際的交通場景中，OD是未知的。首先，在圖像上標(biāo)定同一行人在不同位置處像素坐標(biāo)R，S，U，T，如圖6所示。

圖6 行人像素高度標(biāo)定

對同一行人則有

由連通域標(biāo)記可得每個目標(biāo)在圖像上S點和T點的對應(yīng)的像素高度RS和UT，通過查找映射表，可得S點和T點對應(yīng)的實際距離DA和DE，通過方程(3)和方程(4)可以解得OD值。

由公式(3)與式(4)相比可得

且當(dāng)0.7＜βk＜1.4時，就認為該目標(biāo)為行人目標(biāo)，繼續(xù)做位置匹配跟蹤;否則為非行人目標(biāo)，不再處理。

2.3 行人匹配跟蹤與速度檢測算法

據(jù)統(tǒng)計，成人的速度一般在1.4 m/s左右，且通常保持基本相同的低速前進或者靜止?fàn)顟B(tài)。本文以相鄰幀之間的運動目標(biāo)的質(zhì)心位移小于某一閾值L作為匹配準(zhǔn)則，實現(xiàn)連續(xù)多幀跟蹤，最后計算得到行人速度。

對于第k幀圖像中某一運動目標(biāo)，其質(zhì)心計算如下

式中:NB為當(dāng)前運動目標(biāo)標(biāo)記區(qū)域白塊的個數(shù)。

在滿足2.1節(jié)和2.2節(jié)條件的運動目標(biāo)第一次出現(xiàn)的圖像中，記錄當(dāng)前幀圖像位置信息(xk，yk)。則第k幀和第k+1幀的位移變化量為

對于同一目標(biāo)在相鄰兩幀滿足式(8)時，認為該目標(biāo)實現(xiàn)匹配跟蹤。當(dāng)匹配跟蹤達到N次時，計算N幀內(nèi)的平均速度。首先，查映射表找到圖像上點(xk，yk)和(xk+N，yk+N)所對應(yīng)的實際的距離Lk和Lk+N，則該目標(biāo)的平均速度為

式中:N-1為相鄰兩幀匹配次數(shù);t為相鄰幀時間間隔。

取一個閾值VT，當(dāng)V＜VT時，就認為該目標(biāo)為行人;否則，判定為非行人。

當(dāng)行人在攝像機的遠視角區(qū)域時，會出現(xiàn)背景更新不均勻的現(xiàn)象;有時，也會出現(xiàn)運動車輛對行人短時間、部分區(qū)域遮擋的現(xiàn)象。以上兩種現(xiàn)象都會造成二值化目標(biāo)提取失敗，無法匹配跟蹤。當(dāng)?shù)趉幀的目標(biāo)在第k+i幀重新出現(xiàn)時，如果幀差i滿足i＜T，且式(10)成立時，就認為第k幀的目標(biāo)在第k+i幀能夠匹配，實現(xiàn)跟蹤匹配。當(dāng)總的匹配次數(shù)為N時，采用式(11)計算該目標(biāo)的平均速度V'，當(dāng)V'＜VT時，就認為該目標(biāo)為行人;否則，目標(biāo)判定為非行人。公式為

式中:N-1為相鄰兩幀匹配次數(shù);t為相鄰幀時間間隔;i為匹配丟失幀數(shù)。

3 實驗結(jié)果

利用本文提出的算法對幀頻為25 f/s(幀/秒)，分辨力為720×288的視頻序列做行人檢測實驗。在TMS320DM6437 DSP嵌入式系統(tǒng)、內(nèi)存128 Mbyte、主頻600 MHz的環(huán)境下測試，該算法具有良好的實時性。

圖7是針對高速公路場景進行的行人檢測。該場景的車流量密度小，干擾信息少，從圖7c可以看出，該算法能夠通過對行人目標(biāo)的多次匹配跟蹤準(zhǔn)確地檢測行人目標(biāo)。其中陰影部分為過去每幀行人目標(biāo)標(biāo)記，白色為當(dāng)前幀中行人目標(biāo)標(biāo)記。

圖7 高速公路場景行人檢測

圖8 為城市交通場景遠景區(qū)域行人的檢測。由于車流量密度大和綠化帶等干擾因素，遠景區(qū)域背景更新不均勻造成的運動目標(biāo)提取失敗。圖8c中第3 046幀為目標(biāo)丟失前一幀匹配跟蹤圖，第3 051幀為行人目標(biāo)丟失，當(dāng)前幀中無法實現(xiàn)匹配跟蹤，第3 054幀為行人目標(biāo)再次出現(xiàn)，從其匹配跟蹤框軌跡可以看出，行人目標(biāo)在丟失9幀后再次實現(xiàn)匹配跟蹤，準(zhǔn)確地檢測出行人目標(biāo)。

圖8 城市交通場景遠景行人檢測

圖9 是城市交通場景中運動車輛對行人的部分遮擋問題。圖9c中第5 395幀為行人目標(biāo)丟失前一幀匹配跟蹤軌跡圖，第5 400幀為行人目標(biāo)被遮擋，在當(dāng)前幀中丟失匹配跟蹤目標(biāo)，第5 410幀為行人再次出現(xiàn)，從其匹配跟蹤軌跡可以看出，行人目標(biāo)在丟失15幀后能再次實現(xiàn)匹配跟蹤，將行人目標(biāo)準(zhǔn)確地檢測出來。

圖9 城市交通場景車輛遮擋行人檢測

4 結(jié)束語

本文提出的行人圖像像素高度和實際距離的線性關(guān)系，結(jié)合行人位置特征，通過多幀匹配跟蹤，能有效地解決遮擋、遠景背景更新不均勻等造成行人目標(biāo)丟失的情況。同時，本文中提出投影法能有效地消除光照產(chǎn)生的陰影，以塊為單位處理圖像有效地降低了算法復(fù)雜度，提高系統(tǒng)的實時性。

［1］OREN M，PAPAGEORGIOU C，SINHA P，et al.Pedestrian detection using wavelet templates［C］//Proc.IEEE Computer Vision and Pattern Recognition，1997.Washington，DC，USA:IEEE Press，1997:193-199.

［2］ELZEIN H，LAKSHMANAN S，WATTA P.A motion and shape-based pedestrian detection algorithm［C］//Proc.IEEE Computer Vision and Pattern Recognition，2003.［S.l］:IEEE Press，2003:500-504.

［3］於健生，汪宏，顧晶.一種基于視頻的新型行人識別方法［J］.信息化研究，2010，36(3):19-21.

［4］姚亞夫，劉佰昂.基于位置特征的運動行人檢測與跟蹤方法［J］.廣西大學(xué)學(xué)報，2009，34(6):769-773.

［5］李璟，劉懷愚，洪留榮.改進的道路北京提取和更新算法［J］.計算機應(yīng)用，2010，30(6):1266-1267.

［6］羅珍茜，薛雷，孫峰杰，等.基于HALCON的攝像機標(biāo)定［J］.電視技術(shù)，2010，34(4):100-102.

［7］于艷玲.視頻檢測技術(shù)中車速檢測研究［D］.西安:長安大學(xué)，2009.

［8］王子亨，穆森，邱桂蘋.攝像機非線性標(biāo)定方法［J］.計算機工程與設(shè)計，2010，31(15):3526-3529.