基于像素分析的軌跡異常車輛的識別法

成春晟

（南京郵電大學(xué) 自動化學(xué)院 ， 江蘇 南京）

0 引言

20世紀90年代末以來，圖像監(jiān)控系統(tǒng)由傳統(tǒng)的模擬方式步入了數(shù)字式的網(wǎng)絡(luò)時代。數(shù)字監(jiān)控系統(tǒng)以計算機為處理核心，除了能夠?qū)崿F(xiàn)多媒體信息處理如壓縮、傳輸、存儲和播放等基本功能外，還能夠?qū)崿F(xiàn)自動異常識別、智能存儲和快速檢索等高級功能。目前監(jiān)控系統(tǒng)被廣泛應(yīng)用于交通路口，公共場所，大型會議。用于拍攝違規(guī)行為，發(fā)現(xiàn)異?，F(xiàn)象。監(jiān)控系統(tǒng)已經(jīng)成為了我們正常生活必不可少的保障。

本文介紹一種用于交通系統(tǒng)的異常車輛識別方法，通過基于像素點的背景法，對軌跡異常的物體進行判斷，并通過車輛識別的方法，最終提取軌跡異常車輛。

1 軌跡追蹤法

軌跡追蹤法是目前應(yīng)用范圍最為廣泛的物車輛軌跡異常識別方法

該方法首先是對視頻中的所有動態(tài)物體進行提取，然后通過物體識別方法，對目標(biāo)物體（車輛）進行提取。通過對正常的目標(biāo)物體（車輛）的軌跡分析?；谏鲜鲕壽E構(gòu)造隱馬爾可夫模型（Hidden-Markov Model）或者貝葉斯模型（Bayesian-model）作為正常軌跡模板。

測試視頻同樣經(jīng)過動態(tài)物體提取，目標(biāo)物體（車輛）識別，之后對目標(biāo)物體（車輛）軌跡進行建模，通過與正常軌跡模板的比較，從而判別此目標(biāo)物體（車輛）的軌跡是否正常。

具體步驟如圖1所示。

圖1 軌跡法步驟

2 背景法

由于最終的目標(biāo)對象是車輛，所以軌跡法必須對動態(tài)提取后所有的物體進行車輛識別，從而找出目標(biāo)物體（車輛），這是一個復(fù)雜而又耗時的過程。

與軌跡法不同，背景法的研究對象不單單只是一個物體，此方法的研究對象基于圖像中的一個個像素點，通過像素點的移動矢量或者移動標(biāo)簽，從而描述畫面中的具體運動場景。背景方法的核心與軌跡法完全不同，其以像素點的位置作為統(tǒng)計的參數(shù)進行模板建立。

背景方法免去了軌跡法開始對所有動態(tài)物體進行目標(biāo)識別的復(fù)雜繁瑣的過程，在對基于像素點的物體進行異常識別后，對出現(xiàn)在異常畫面中的少量動態(tài)物體進行目標(biāo)物體識別，從而節(jié)省了計算量。

具體過程如圖2所示。

圖2 背景法步驟

2.1 隱馬爾可夫模型(Hidden Markov Model )

隱馬爾可夫模型（Hidden Markov Model，HMM）是統(tǒng)計模型，它用來描述一個含有隱含未知參數(shù)的馬爾可夫過程。其難點是從可觀察的參數(shù)中確定該過程的隱含參數(shù)。然后利用這些參數(shù)來作進一步的分析。在正常的馬爾可夫模型中，狀態(tài)對于觀察者來說是直接可見的。這樣狀態(tài)的轉(zhuǎn)換概率便是全部的參數(shù)。而在隱馬爾可夫模型中,狀態(tài)并不是直接可見的，但受狀態(tài)影響的某些變量則是可見的。

我們在這里對于視頻圖像中同一像素點，在不同運動時刻的狀態(tài)構(gòu)造馬爾可夫鏈模型。得出以像素點灰度值為特征L的函數(shù)式（1）：

2.2 共發(fā)模型（Co-occurences model）

與隱馬爾可夫模型是基于對與目標(biāo)像素點不同時間，相同位置的其余動態(tài)像素點為參數(shù)，從而對目標(biāo)像素點進行建模不同，共發(fā)模型考慮的是基于目標(biāo)像素點不同位置，不同時間的像素點為參數(shù)，從而對目標(biāo)像素點構(gòu)造模型。

其核心將物體空間和時間上的因素相綜合，取不同幀，不同位置的像素點，灰度特征L，構(gòu)成特征函數(shù)式（2）：

其中 ：當(dāng)X,Y點同時為動點的時候有：

2.3 兩種模型結(jié)合進行異常判斷

由于隱馬爾可夫模型（Hidden Markov Model）側(cè)重于通過時間上的差別，檢測物體的異常軌跡。共發(fā)模型（Co-occurences model）則更加側(cè)重于通過空間上的差別，檢測物體的異常軌跡?？梢酝ㄟ^兩種模型的結(jié)合，利用時空交匯的手段，從而更加精確地檢測出物體的異常行為軌跡。

首先利用馬爾可夫模型（Hidden Markov Model）計算實驗階段正常像素點的概率P，構(gòu)造出異常事件模型式（3）：

其中N0為實驗像素點總個數(shù)，N1為正常像素點的個數(shù)。之后利用共發(fā)模型（Co-occurences model），構(gòu)造出正常事件模型式（4）：

最后將探測階段得到的正常模型和異常模型通過與閾值的比較，從而判斷出異常像素式（5）：

3 目標(biāo)物體（車輛）識別

以上我們通過背景法，完成了對視頻中異常物體的提取工作。由于背景法的研究對象不是基于目標(biāo)物體，而是基于動態(tài)像素點，所以在一幅包含了行人和各種車輛的視頻中，通過背景法最終得出的異常畫面往往也包含了行人和各種車輛。由于應(yīng)用于交通系統(tǒng)中的視頻監(jiān)控，其最終的檢測目標(biāo)物體是機動車輛（汽車），所以接下來我們從得出的異常物體視頻中，完成對目標(biāo)物體（車輛）的識別。

首先對做過動態(tài)處理的視頻中（見圖3）的車輛進行提取，設(shè)置為ROI區(qū)域（圖3中框所示）。

圖3 將車輛作為ROI（感興趣區(qū)域）提取

提取后的ROI圖像如圖4所示。

圖4 ROI（感興趣區(qū)域）圖像放大

然后對提取的ROI圖像進行仿三維坐標(biāo)的分析。設(shè)X,Y,Z三個軸。其中Z軸為與車輛行駛路面水平的方向，計算車輛在每個方向的投影值，取出各個方向上投影值中最大的值。找出X,Y,Z最大值對應(yīng)的坐標(biāo)，構(gòu)成一個三角形，計算三角形的面積，作為模板值。

之后對測試階段的視頻，進行ROI區(qū)域掃描，計算區(qū)域投影的三角形面積，當(dāng)所得值與模板值相近時，即可認為此區(qū)域中含有目標(biāo)物體（車輛）。

4 實驗結(jié)果

采用一段有固定攝像頭拍攝的交通視頻進行檢測。如圖5所示，為經(jīng)過動態(tài)提取和二值化處理后的正常視頻圖像，該視頻中包含了目標(biāo)物體（車輛）和行人。

取該視頻的前50禎作為正常模板的測試視頻然后通過背景法，進行異常檢測，結(jié)果如圖7所示，其中圖6為相對應(yīng)的正常視頻。

圖5 原始視頻通過二值化處理

圖6 通過二值化后的正常視頻

圖7 進行背景法異常提取后的視頻

不同于軌跡法是先通過識別具體目標(biāo)（車輛），然后再對具體目標(biāo)（車輛）進行軌跡判斷。背景方法是基于對整幅畫面像素點的判斷，所以在得出的異常視頻中，正常軌跡的車輛有可能沒有被完全的掩蓋，會顯示出少許的像素點，同時畫面中還存在著路邊的行人。因此下面我們通過仿三維空間的車輛識別對真正的軌跡異常的目標(biāo)物體（車輛）進行識別。

車輛識別后的畫面如圖8所示。

圖8 對異常視頻畫面進行車輛識別

通過使用仿三維的車輛識別方法，對圖7中的異常檢測畫面中的物體進行車輛識別，方框標(biāo)出了最終檢測到的異常目標(biāo)物體（車輛）。

5 結(jié)論

本文介紹了一種新型的異常檢測方法，通過對像素點的判斷提取視頻中的異常物體，然后通過車輛識別的方法，找出最終的軌跡異常目標(biāo)物體（車輛）。與傳統(tǒng)的軌跡法判別異常物體相比，此方法不需要對動態(tài)檢測后視頻畫面中的所有物體進行目標(biāo)物體（車輛）的識別，只需要對異常檢測后視頻中的少量物體進行目標(biāo)物體（車輛）識別，提高了計算的運行效率。

[1] E. Ermis, V. Saligrama, P.-M. Jodoin,J. Konrad.Motion segmentation and abnormal behavior detection via behavior clustering[J].in Proc. IEEE Int. Conf. Image Processing,2008,10:769-772.

[2] Y. Benezeth, P.-M. Jodoin, V. Saligrama,C. Rosenberger.Abnormal events detection based on spatio-temporal co-occurrences[J]. in Proc. IEEE Conf. Computer Vision Pattern Recognition, 2009:2458-2465.

[3] P.-M. Jodoin, V. Saligrama,J. Konrad.Behavior subtraction. CoRR.abs/0910.2917 [Online]. Available: http://arxiv.org/abs/0910.2917.

[4] V. Poor.An Introduction to Signal Detection and Estimation[M].2nd ed. New York: Springer-Verlag, 1994.

[5] C.-H. Chuang, J.-W. Hiseh, L.-W. Tsai, S.-Y. Chen, K.-C. Fan. Carried object detection using ratio histogram and its application to suspicious event analysis[J].IEEE Trans. Circuits Syst. Video Technol.,2009,19(6):911-916.

[6] K. Smith, P. Quelhas, D. Gatica-Perez.Detecting abandoned luggage items in a public space[J]. in Proc. IEEE Performance Evaluation of Tracking and Surveillance Workshop (PETS), 2006:75-82.

[7] C. Piciarelli, C. Micheloni, G. Foresti. Trajectory-based anomalous event detection[J]. IEEE Trans. Circuits Syst. Video Technol., 2008,18(11):1544-1554.

[8] T. Chen, H. Haussecker, A. Bovyrin, R. Belenov, K. Rodyushkin, A. Kuranov, V. Eruhimov.Computer vision workload analysis: Case study of video surveillance systems[J]. Intell. Technol. J., 2005,9(2):109-118.

[9] C. Stauffer, E. Grimson.Learning patterns of activity using real-timetracking[J].IEEE Trans. Pattern Anal. Machine Intell., 2000,22(8):747-757.

[10] I. Pruteanu-Malinici, L. Carin.Infinite hidden Markov models for unusual- event detection in video[J].IEEE Trans. Image Processing, 2008,17(5):811-821.

[11] T. Xiang,S. Gong.Video behavior profiling for anomaly detection[J].IEEE Trans. Pattern Anal. Machine Intell., 2008,30(5):893-908.

[12] J. McHugh, J. Konrad, V. Saligrama, and P.-M. Jodoin.Foreground-adaptive background subtraction[J].IEEE Signal Process. Lett., 2009,16(5):390-393.

[13] G D Sullivan, K D Baker, A D Worrall, C I Attwood and P R Remagnino Department of Computer Science.Model-based vehicle detection and classification using orthographic approximations*[R]. The University of Reading, Reading, UK. RG6 6AY.

[14] 曹潔,王偉.基于立方體模型和EKF的運動汽車跟蹤算法研究[J].計算機工程與應(yīng)用,2010,46(22):236-238,241.