郭家輝 張運(yùn)昌 杜鑫 高雨虹

【關(guān)鍵詞】道路交通 無(wú)人機(jī) 異常情況檢測(cè) 圖像處理 SVM分類器

將無(wú)人機(jī)航拍技術(shù)運(yùn)用到道路異常情況的檢測(cè)，屬于無(wú)人機(jī)在交通領(lǐng)域的應(yīng)用。此論文介紹的這款檢測(cè)軟件，目的在于用無(wú)人機(jī)自動(dòng)檢測(cè)代替?zhèn)鹘y(tǒng)的人力檢測(cè)。此軟件的制作思路如下：首先，針對(duì)道路交通情況進(jìn)行采集樣本，建立數(shù)據(jù)庫(kù)，樣本分為兩大類，一類是正樣本：無(wú)道路異常情況圖像，另一類是負(fù)樣本：有道路異常情況圖像；然后將所有樣本圖像進(jìn)行hog算法的特征提取，得到的hog特征作為SVM分類器的原始數(shù)據(jù)源；接下來(lái)通過(guò)SVM的訓(xùn)練和測(cè)試原理制成分類器；最終再通過(guò)滑動(dòng)窗口檢測(cè)法針對(duì)航拍視頻中的每一幀圖像進(jìn)行檢測(cè)，找出視頻中存在異常情況的路段。

1 用hog算法進(jìn)行特征提取的原理及優(yōu)點(diǎn)

方向梯度直方圖（Histogram of Oriented Gradient， HOG）特征是一種在計(jì)算機(jī)視覺(jué)和圖像處理中用來(lái)進(jìn)行物體檢測(cè)的特征描述子。它通過(guò)計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方向直方圖來(lái)構(gòu)成特征，其主要思想是在一副圖像中，局部目標(biāo)的表象和形狀能夠被梯度或邊緣的方向密度分布很好地描述。具體的實(shí)現(xiàn)方法是：首先將圖像分成小的連通區(qū)域，我們把它叫細(xì)胞單元。然后采集細(xì)胞單元中各像素點(diǎn)的梯度的或邊緣的方向直方圖。最后把這些直方圖組合起來(lái)就可以構(gòu)成特征描述器。

與其他的特征描述方法相比hog算法有以下優(yōu)點(diǎn)：首先，由于HOG是在圖像的局部方格單元上操作，所以它對(duì)圖像幾何的和光學(xué)的形變都能保持很好的不變性，這兩種形變只會(huì)出現(xiàn)在更大的空間領(lǐng)域上。其次，在粗的空域抽樣、精細(xì)的方向抽樣以及較強(qiáng)的局部光學(xué)歸一化等條件下，只要觀測(cè)物體大體上能夠保持直立的姿勢(shì)，可以容許有一些細(xì)微的動(dòng)作，這些細(xì)微的動(dòng)作可以被忽略而不影響檢測(cè)效果。

2 SVM分類器原理

數(shù)據(jù)分類是指在已有分類的訓(xùn)練數(shù)據(jù)的基礎(chǔ)上，根據(jù)某種原理，經(jīng)過(guò)訓(xùn)練形成一個(gè)分類器，然后使用分類器判斷沒(méi)有分類的數(shù)據(jù)的類別。支持向量機(jī)（SVM）是一種基于分類邊界的方法。它的基本原理是（以二維數(shù)據(jù)為例）：如果訓(xùn)練數(shù)據(jù)分布在二維平面上的點(diǎn)，它們按照其分類聚集在不同的區(qū)域。基于分類邊界的分類算法的目標(biāo)是，通過(guò)訓(xùn)練，找到這些分類之間的邊界（直線的――稱為線性劃分，曲線的――稱為非線性劃分）。對(duì)于多維數(shù)據(jù)（如N維），可以將它們視為N維空間中的點(diǎn)，而分類邊界就是N維空間中的面，稱為超面（超面比N維空間少一維）。線性分類器使用超平面類型的邊界，非線性分類器使用超曲面。

3 滑動(dòng)窗口檢測(cè)框架

滑動(dòng)窗口檢測(cè)是采用固定大小窗口對(duì)所給圖像的縮放進(jìn)行掃描的方式。其流程結(jié)構(gòu)如圖1所示。

4 以“道路裂縫”為例具體介紹本款軟件的制作及檢測(cè)過(guò)程

4.1 圖像數(shù)據(jù)庫(kù)建立階段

總樣本數(shù)量1913張，分為正樣本和負(fù)樣本。正樣本選擇沒(méi)有裂縫的正常道路圖像，數(shù)量1334張；負(fù)樣本選擇道路裂縫圖像，負(fù)樣本必須覆蓋裂縫的全部類型，樣本數(shù)量579張。所有樣本圖像要求“大小128X128 ；同一裂縫需要進(jìn)行角度變換，每10°采樣一次；每個(gè)樣本做灰度處理”。

4.2 hog算法進(jìn)行圖像特征提取

取579張正樣本與1334張負(fù)樣本，從1～1913排序，將1913張樣本通過(guò)matlab進(jìn)行hog算法提取圖像特征，形成hogtraindata.mat文件。另外建立一個(gè)mat文件，取正樣本為1，負(fù)樣本為-1，令前579個(gè)數(shù)為1，后1334個(gè)數(shù)為-1，形成hogtrainlabel.mat文件。

4.3 SVM數(shù)據(jù)訓(xùn)練

結(jié)合hogtraindata.mat文件和hogtrainlabel.mat文件，用SVM進(jìn)行訓(xùn)練：

完成訓(xùn)練過(guò)程。

4.4 SVM數(shù)據(jù)測(cè)試

4.4.1 為驗(yàn)證SVM訓(xùn)練后的效果，進(jìn)行SVM數(shù)據(jù)測(cè)試

另找不同的156張正樣本和278張負(fù)樣本，按照步驟（二），形成hogtestdata.mat和hogtestlabel.mat兩個(gè)文件，用SVM進(jìn)行測(cè)試：

SVM測(cè)試完成。

4.4.2 SVM訓(xùn)練后效果分析

由SVM數(shù)據(jù)測(cè)試所得準(zhǔn)確率為93%，此訓(xùn)練效果一般。

4.5 滑動(dòng)窗口檢測(cè)及其成果

輸入一段無(wú)人機(jī)航拍視頻，進(jìn)行隔幀滑動(dòng)窗口算法檢測(cè)，縱步距為50，橫步距為50，窗口大小為128*128，從檢測(cè)結(jié)果中選取兩張異常圖像（圖2，圖3）。

5 總結(jié)

此軟件制作思路及過(guò)程仍存在以下缺點(diǎn)：

（1）由于時(shí)間有限及實(shí)驗(yàn)儀器的使用受限，數(shù)據(jù)庫(kù)中樣本圖像的數(shù)量太少，還需要繼續(xù)豐富。

（2）特征提取算法太過(guò)單一，制作過(guò)程中未將hog算法與其他算法進(jìn)行效果的比較分析，尋找檢測(cè)效果更佳的特征提取算法。

（3）滑動(dòng)窗口檢測(cè)涉及的運(yùn)算量很大，并且道路異常情況分很多種，每一種異常情況都采用SVM二分類的思想來(lái)進(jìn)行分類，涉及的運(yùn)算量對(duì)于系統(tǒng)的運(yùn)算速度要求十分高。

總之，若想要實(shí)現(xiàn)無(wú)人機(jī)自動(dòng)檢測(cè)道路異常情況，必須要提高檢測(cè)的準(zhǔn)確率，目前本軟件的檢測(cè)準(zhǔn)確率低于95%，究其原因，在于此軟件需要一個(gè)強(qiáng)大的數(shù)據(jù)庫(kù)支持，而本項(xiàng)目所建立的數(shù)據(jù)庫(kù)還遠(yuǎn)遠(yuǎn)沒(méi)有達(dá)到目標(biāo)。因此，此論文更側(cè)重于檢測(cè)軟件制作思路的介紹，而此軟件的實(shí)用性與有效性，還需要進(jìn)一步提高。

參考文獻(xiàn)

[1]傅志勇.HOG+SVM行人檢測(cè)算法在DM6437上的實(shí)現(xiàn)與優(yōu)化[D].華南理工大學(xué)， 2012.

[2]張虎.基于滑動(dòng)窗口的行人檢測(cè)技術(shù)研究[D].安徽大學(xué)，2012.

[3]劉軍.靜態(tài)圖像中的行人檢測(cè)[D].華南理工大學(xué)，2010.

[4]邵奇可，李路，周宇，顏世航.一種基于滑動(dòng)窗口優(yōu)化算法的行人檢測(cè)算法[J].浙江工業(yè)大學(xué)學(xué)報(bào)，2015.