半監督SVM分類算法的交通視頻車輛檢測方法

蔣新華，高晟，廖律超，鄒復民

（1．中南大學信息科學與工程學院，湖南長沙410075；2．福建工程學院福建省汽車電子與電驅動技術重點實驗室，福建福州350108；3．中南大學軟件學院，湖南長沙410075）

半監督SVM分類算法的交通視頻車輛檢測方法

蔣新華1，2，高晟3，廖律超1，2，鄒復民2

（1．中南大學信息科學與工程學院，湖南長沙410075；2．福建工程學院福建省汽車電子與電驅動技術重點實驗室，福建福州350108；3．中南大學軟件學院，湖南長沙410075）

針對交通場景運動車輛檢測中車輛數目統計準確率不高、自適應性不強等問題，提出了一種基于半監督支持向量機（SVM）分類算法的交通視頻車輛檢測方法。利用人工標記的少量樣本，分別訓練2個基于方向梯度直方圖（HOG）特征與基于局部二值模式（LBP）特征的不同核函數的SVM分類器；結合半監督算法的思想，構建SVM的半監督分類方法（SEMI?SVM），標記未知樣本并加入到原樣本庫中，該方法支持樣本庫動態更新，避免了繁重的人工標記樣本的工作，提高了自適應性；最后，通過三幀差分法提取運動區域，加載分類器在該區域進行多尺度檢測，標記檢測出來的運動車輛，統計車輛數目。實驗結果表明：該方法在具有一定的自適應性的同時，有較高的車輛檢測準確率，即使在復雜交通情況下，對運動車輛依然有很好的檢測效果。

車輛檢測；HOG特征；LBP特征；SVM分類器；半監督學習；運動區域

交通視頻車輛檢測是一種利用視頻圖像實現對車輛進行檢測的交通檢測技術，它可以檢測多種參數和檢測范圍較大等優點，但如何設計高效的車輛檢測算法，提高檢測準確率和實時性是亟待解決的問題。

目前，通過交通視頻進行車輛檢測的方法主要有：幀間差分法［1］、灰度等級法［2］、背景相減法［3?5］和邊緣檢測法等。幀間差分法是對視頻序列相鄰2幀所對應像素進行差分處理來檢測運動車輛，但該算法對環境噪聲比較敏感，依賴于連續幀的時間間隔以及車輛速度。灰度等級方法則是利用運動車輛及背景來統計灰度閾值以檢測運動目標，但周圍環境和光線變化都會影響該閾值，導致檢測不準確。而背景差分法則是采用當前幀與背景圖像對應的像素作差，實現對運動目標的檢測，但對外界條件引起的變化較敏感，對環境依賴性較強。邊緣檢測法［6?7］是通過目標的邊緣特性進行檢測，能夠克服光照等不利因素的影響，但當所檢測目標邊緣特征不明顯的，會導致檢測錯誤等問題。上述方法都存在計算量較大，對外部環境的依賴性較大，檢測的精確度不高等不足，尤其對于靜止的車輛，這些方法又難以處理，使后續研究變得困難。

為了解決上述問題，并進一步提高檢測的性能，近年來，基于機器學習理論的視頻目標檢測已逐漸成為國內外的研究熱點之一［8］，并取得了一系列研究成果。文獻［9］利用深卷積神經網絡（DNNS）的自動學習功能，實現了在復雜環境下的車輛檢測，提高了目標檢測性能。文獻［10］研究了Gabor小波變換和方向梯度直方圖（HOG）2種特征，利用K近鄰結合隨機森林的方法進行車輛檢測，實驗結果證明該方法能較好地提高車輛檢測率。文獻［11］利用動態貝葉斯網絡對車輛顏色和局部紋理進行綜合分析后實現車輛檢測。文獻［12］結合了離線boost和TLD進行車輛檢測，在視頻環境中取得了較好的檢測效果。文獻［13］則利用Adaboost結合支持向量機（SVM）方法對HOG特征進行處理后對復雜環境的車輛進行檢測。雖然使用機器學習的方法取得了較好的車輛檢測效果，但上述方法都需要準備大量的樣本，檢測準確率與樣本數量有密切關系，而且人工標注樣本是一件非常繁瑣的事情。

因此，本文結合Co?training算法［14］與Tri?train?ing算法［15］的思想，構建了SVM的半監督分類器并基于遺傳算法（GA）進行參數優選，該分類器可支持動態獲取新樣本進行學習，不僅提高了分類精度，而且還大大減輕了采集訓練樣本的工作量。同時，針對車輛檢測的準確率和自適應性的問題，本文提出了基于半監督SVM分類算法的交通視頻車輛檢測方法，提取特定的運動區域后用分類器進行檢測，有效剔除了大量干擾檢測的無用信息，加快了檢測速度。而且，該方法支持樣本庫的動態更新，能有效提高檢測準確率，降低誤檢率，并可用于檢測復雜交通道路的運動車輛。

1 SVM的半監督分類方法（SEMI?SVM）

1．1 交通視頻特征提取

局部二值模式（LBP）特征是機器視覺處理中用于圖像分類的一種特征［16］。提取LBP特征向量的步驟是：1）將交通視頻檢測窗口劃分成16×16的細胞單元（cell），對于每個細胞單元中的一個像素，將其環形鄰域內的若干個點（如圖1所示）進行順時針或者逆時針的比較，若中心點像素值比其鄰點大，則將鄰點標記為1，否則為0。這樣鄰域內每個點都可產生一個8位二進制數，即得到該窗口中心像素點的LBP值。2）計算每個細胞單元的直方圖，即每個數值出現的頻率，再對該直方圖進行歸一化處理。3）將得到的每個細胞單元的統計直方圖進行連接成為一個特征向量，就是該圖像的LBP紋理特征向量。本文從交通視頻中截取的包含車輛與不包含車輛的正、負樣本的圖像用于分類器的訓練，樣本圖像均規整為64×128像素，每個細胞單元大小為8×8像素，每個塊的大小為16×16像素，共可提取出2 830個LBP特征。

圖1 LBP特征Fig．1 LBP features

HOG特征是一種方向梯度直方圖的表示方法，該特征對圖像中局部邊緣信息不明顯和形狀變化很微小的運動物體都能進行特征化，提取這些特征進行分類識別［17］。HOG特征提取的步驟是：1）將交通視頻圖像進行灰度處理，利用Gamma校正法調整圖像對比度，以減小陰影與光線變化對局部圖像造成影響。2）對圖像進行歸一化處理，計算每個像素的梯度（方向與大小），圖像被分為許多細胞單元（cell），將其中若干個細胞單元組成一個塊（block）。3）統計每個塊內像素梯度方向直方圖，將塊以一個單位為步長掃描圖像，串聯所有塊即可得到該圖像的特征。圖像梯度維度的計算方法如下：

式中：cDim為細胞單元的維數，bSize為塊的大小，cSize為細胞單元的大小，bStep為塊的移動步長，h和w為圖像的高度與寬度。

本文中訓練分類器的樣本圖像是從交通視頻中截取包含車輛的正樣本和不包含車輛的負樣本，樣本圖像歸一化為64×128像素，每個細胞單元大小為8×8像素，每個塊的大小為16×16像素，每個像素點的梯度劃分為9個方向，塊的移動步長為8個像素。因此，每個樣本圖像提取的HOG特征有3 780維特征，將該特征用于SVM分類器進行學習與分類。

2．2 SVM學習及其參數優化

SVM分類是通過一個非線性映射將作為學習樣本的交通視頻圖像的各個屬性分量映射到高維特征空間F中，然后利用結構風險最小化原則在F中找到間隔最大的超平面，能將給定的視頻車輛訓練樣本進行正確的分類［18］。其中，超平面和樣本的最大距離即為構造超平面的依據。

交通視頻車輛檢測的訓練集｛（Xk，Yk）｜k＝1，2，…，l｝由2類組成。其中，Xk∈Rd為輸入，Yk∈｛－1，1｝為類別判別輸出，如果Xk∈Rd為有車輛，則標記為（Yk＝1）；如果無車輛，則標記為負（Yk＝－1）。訓練的目標就是構造一個判別函數G（X）＝W·X＋b作為分類面對交通視頻樣本數據能較準確進行分類，并且要求分類間隔最大化，就需使‖W‖或‖W‖2最小；要讓分類面對所有樣本數據進行正確分類，需滿足條件Yi［（W·Xi）＋b］－1≥0，對任意樣本空間的｛Xk，Yk｝。

對于線性可分的樣本，可以引入松弛變量ζi≥0來構造分類超平面，此時目標函數為

式中：C為懲罰因子，當C＝0時，就是線性可分問題。

為了更有效地處理圖像屬性與交通視頻有無車輛的分類問題之間的非線性關系，本文選用徑向基核函數將樣本屬性在低維空間的非線性問題映射成高維特征空間的線性問題，并在新空間中求解最優分類面，即得

式中：αi為拉格朗日乘數，可以得到原優化問題相對應的對偶問題，每個約束條件在原問題中所對應的Lagrange乘子：

式中K（Xi，Xj）為核函數。

研究表明，對SVM分類器而言，核函數的選擇是決定其性能的關鍵因素［19］。選擇不同的核函數將影響分類器的效率與精度。目前應用最廣泛的核函數主要有［20］：

1）Sigmoid核函數，表達式為

2）多項式核函數，表達式為

3）徑向基核函數，表達式為

多項式核函數屬于全局核函數，具有全局特性。徑向基核函數屬于局部核函數，具有局部性。Sig?moid核函數由于參數選擇尤為困難，一般不被采用。由于交通視頻車輛檢測過程存在著強非線性的特點，因此本文采用徑向基核函數與多項式核函數建立車輛檢測模型，并對徑向基核函數處理模型進行調優。

徑向基核函數SVM處理模型具有很好的小樣本學習能力及泛化性能，但需要對模型懲罰參數C和核函數參數σ進行調優，提高分類準確率，得到比較理想的檢測結果。本文采用遺傳算法對分類器模型參數進行優選，實現模型參數的最優化，從而提高分類器檢測的準確率，能夠避免過度學習與欠學習狀態的情況，提高在不同場景下交通視頻的自適應性。模型參數自動尋優算法（GOA?SVM）的基本步驟如下：

1．3 半監督SVM學習算法

本文綜合Co?training算法與Tri?training算法的思想，提出一種半監督SVM學習算法（SEMI?SVM）。該算法在同一個交通視頻樣本庫中提取HOG特征訓練遺傳算法優化后的徑向基核函數GOA?SVM分類器，提取LBP特征訓練多項式核函數SVM分類器。利用這2個分類器分別對未標記的交通視頻樣本進行識別，從中選擇置信度比較高的正、負樣本。比較2個分類器的標記結果，將標記結果一致的樣本重新加入到原樣本庫中，更新樣本庫，重新訓練分類器；如此循環上述步驟，直至視頻結束。選取識別效果好的一個分類器作為最終分類器輸出并進行后續檢測。這樣不僅能讓科研人員從繁重的人工標記樣本的工作中得到解放，而且能夠動態更新樣本庫，大大增加自適應性，提高檢測準確率。

SEMI?SVM學習算法的基本步驟如下：

其中，SEMI?SVM算法要求有2個不同類型的分類器進行協同訓練，若采用相同的分類器就變成了自訓練算法。該算法中雖然采用的2個分類器都是SVM分類器，但由于這里選取不同的核函數，可認為是2個不同分類器進行協同訓練。

由于該學習算法是利用2個不同分類器對同一個未標記樣本視頻進行檢測并標記，若2次標記結果相同，說明正確標記該未知樣本的置信度就比較高，則將該標記作為新的樣本加入到樣本庫中就更有價值。

2 特定運動區域的SEMI?SVM優化方法

本文采用的車輛檢測方法是先對全圖作幀間差分，通過擴展補償得到運動區域，然后選取特定的運動區域利用已訓練好的分類器進行檢測。

1）對圖像進行幀間差分及二值化閾值分割。

設I（m，n，t）為t時刻的圖像序列，（m，n）表示圖像中坐標為（m，n）的像素點，選取視頻序列，連續的3幀I（m，n，t－1），I（m，n，t）和I（m，n，t＋1），利用式（11）、（12）分別對相鄰的幀作幀間差分：

式中D（m，n）為差分圖像。

選取適當的閾值T對得到的差分圖像D（m，n）進行二值化如下：

對所得的2幅二值前景圖做“或”運算，得到二值圖像：

2）利用中指濾波進行圖像平滑處理。

中值濾波能夠很好地抑制脈沖干擾和圖像噪聲，保護圖像的邊緣信息。利用中值濾波進行平滑處理可以保留更多的關于圖像的灰度信息，使圖像輪廓檢測的質量得到保障。

3）對二值圖像形態學去噪。

對B（m，n）進行膨脹然后腐蝕可以去除圖像中的孤立噪點和部分空洞，彌合小裂縫，而總的位置和形狀不變。

4）獲取運動區域并進行多尺度檢測。

對去噪處理后的圖像，尋找運動區域的連通域，在遍歷標記連通域時適當擴展區域，可以完整的得到運動區域如圖2所示。選取特定運動區域，利用分類器進行車輛檢測。

圖2 運動車輛區域Fig．2 Vehicle motion region

3 實驗結果與分析

系統實驗采用福州市五四路冶山路南路段的交通視頻數據（分辨率：1 140×934），系統實驗主機硬件配置為Core i5?3470 CPU（4核，3．2 GHz主頻），4 G內存，Microsoft Windows 7系統，算法基于C＋＋以及OpenCV開發實現。

3．1 初始分類器樣本集

初始樣本的獲取主要以人工方式處理，其中，正樣本為人工截取視頻中車輛尾部（圖3（a））。負樣本則為人工截取視頻中不包括車輛的圖像（圖3（b）），例如非機動車、行人、道路和建筑物等，甚至網上搜索到的不包括車輛的隨意圖像。正、負樣本的尺寸統一截取為64×128像素。通過上述方式，本文提取初始的800個正樣本和2 000個負樣本的HOG特征與LBP特征分別進行徑向基核函數GOA?SVM分類器與多項式核函數SVM分類器的訓練學習。

圖3 原始訓練的部分正、負樣本圖片Fig．3 Part of positive and negative sample pictures for the initial classifier

3．2 初始樣本集SVM分類器實現及實驗結果

在經過交通視頻正、負樣本HOG與LBP特征屬性提取之后，分別對2種核函數SVM分類器進行訓練學習。同時采用遺傳算法對徑向基核函數SVM分類器模型（GOA?SVM）的訓練適應度進行遺傳演化擇優，并對分類器的檢測準確度進行自適應動態調優。

對正、負樣本特征數據進行半交叉驗證測試，利用不同參數數據進行GOA?SVM分類器模型與多項式核函數SVM分類器模型的樣本訓練學習測試，得到基于徑向基核函數與多項式核函數SVM分類器模型較優參數如表1所示。

表1 不同核函數的參數結果Table 1 Parameters of different kernel functions

利用訓練得到的2個初始GOA?SVM分類器與多項式核函數SVM分類器分別對視頻進行車輛檢測。

為了能夠檢測出不同尺寸的車輛，本文采用多尺度檢測方法。按一定的尺寸逐漸擴大檢測窗口，將圖像中的一部分作為分類器的輸入進行多尺度檢測。一般情況下同一輛車會在不同尺寸和相同尺寸下被檢測多次，本文遍歷當前幀所檢測到的運動車輛，并用矩形窗口標記出來，要判斷檢測出的任意2個矩形窗口的重疊率，設置一定的閾值。如果重疊率大于該閾值，則放棄該矩形窗口，一個運動車輛最終只保留一個檢測矩形窗口。

利用初始GOA?SVM分類器與多項式核函數SVM分類器分別對一段時長為5 min的交通視頻（福州市五四路冶山路南路段，2014年4月13日，14：30～14：35）進行檢測，并對單向車道進行車流量統計（如圖4～5所示）。實驗測試表明，2種SVM分類器檢測準確率較低，錯誤檢測的情況比較嚴重。

圖4 GOA?SVM分類器的車輛檢測結果Fig．4 Vehicle detect results of GOA?SVM classification

圖5 多項式核函數SVM分類器的車輛檢測結果Fig．5 Vehicle detect results of the polynomial kernel SVM classification

3．3 SEMI?SVM分類器檢測及實驗結果

將多項式核函數SVM分類器與GOA?SVM分類器分別對同一段時長為1 h的交通視頻（福州市五四路冶山路南路段，2014年4月13日，10：30～11：30）開始半監督學習，將檢測出來的包括車輛的正樣本和不包括車輛的負樣本保存為圖片。比較分類器標記結果，將標記結果相同的樣本加入樣本庫，進行樣本庫更新。通過人工調整后最終共獲得3 000個正樣本和20 000個負樣本，用最終更新的樣本庫訓練多項式核函數SVM分類器與GOA?SVM分類器，在2個分類器中選取檢測結果精度較高的分類器作為最終分類器記為SEMI?SVM分類器，即基于半監督學習的多項式核函數SVM分類器與GOA?SVM分類器協同進行分類的方法。

利用SEMI?SVM分類器對同一段時長為5 min的交通視頻（福州市五四路冶山路南路段，2014年4月13日，14：30～14：35）進行檢測，并對單向車道進行車流量統計（如圖6所示）。實驗測試表明，半監督學習后的SVM分類器檢測準確率有較大的提高，檢測結果得到較好改善，但是還存在較多的錯誤檢測。

3．4 特定運動區域的SEMI?SVM優化方法車輛檢測實驗結果及分析

對交通視頻作幀間差分，通過擴展得到運動區域，然后選取特定的運動區域利用訓練好的SEMI?SVM分類器，對同一段時長為5 min的交通視頻（福州市五四路冶山路南路段，2014年4月13日，14：30～14：35）進行檢測，并對單向車道進行車流量統計（如圖7所示）。

圖6 半監督學習后分類器的車輛檢測結果Fig．6 Vehicle detect results after semi?supervised learning

圖7 特定運動區域的SEMI?SVM車輛檢測結果Fig．7 Vehicle detect results of specific motion region based on SIMI?SVM

圖8 不同算法檢測準確率Fig．8 Detection accuracy of different algorithms

圖9 3種方法檢測準確率Fig．9 Detection accuracy of three algorithms

圖7 和8的實驗結果表明，半監督學習提高了分類器的檢測準確率，基于特定區域的SEMI?SVM優化算法誤檢率大大降低，得到了較好的檢測效果。

在視頻檢測中，基于特定區域的SEMI?SVM車輛檢測，小轎車、面包車以及公交車的檢測準確率能達到90%以上，其他車型復雜的汽車檢測準確率能達到85%以上，能夠保持較低的誤檢率。

本文算法提取交通視頻樣本的HOG特征訓練徑向基核函數GOA?SVM分類器，提取LBP特征訓練多項式核函數SVM分類器，將2種分類器協同訓練作為最終分類器SEMI?SVM在特定區域進行車輛檢測。現采用單一的HOG特征訓練2種分類器進行實驗，其最終分類器記為HOG?SVM；然后采用單一的LBP特征訓練2種分類器進行檢測，其最終分類器記為LBP?SVM。將本文算法、HOG?SVM分類器與LBP?SVM分類器分別對同一段交通視頻（福州市五四路冶山路南路段，2014年4月13日）做單向車道車流量統計，實驗結果如圖9所示。

從圖9可以看出，采用不同特征空間數據（HOG特征與LBP特征）進行分類器的訓練，其檢測準確率較同一特征空間的數據有明顯提升，本文所采用的方法在車輛檢測中取得了較理想的效果與準確率。

將本文算法與平均背景法、幀差法、灰度等級法和邊緣檢測法分別對同一段交通視頻（福州市五四路冶山路南路段，2014年4月13日）做單向車道車流量統計，并進行各方法的檢測準確率測試以及每一幀檢測時間測試，實驗結果如表2所示。

表2 5種檢測方法統計結果Table 2 Statistical results of five algorithms

實驗結果表明，本文方法與其他檢測方法相比，能保持較高的檢測準確率，并且可以有效減少每幀檢測時間。由于背景法、幀差法及灰度等級法對光線、天氣等影響因素十分敏感，邊緣法由于路面及車輛邊緣不明顯容易產生誤檢［21］，并且受非機動車，行人等因素干擾導致錯誤檢測，當發生交通擁堵或者較多車輛并排行駛等復雜的交通情況時，以上方法檢測準確率會大大降低。而本文的方法能很好克服光線、天氣、陰影和車輛行駛特性的干擾，能很好鑒別非機動車及行人，提高車流量統計精確度，而且應對擁堵等復雜的交通情況時，也能很好進行檢測。

為了驗證不同復雜場景下本文方法依然有較好的檢測準確率，選取4個不同場景下時長為5分鐘的交通視頻進行實驗（如圖10所示）。與幀差法、背景法進行比較，系統實驗的檢測結果（表3）表明，即使在不同的復雜交通場景下，本文的算法仍保持較高的檢測準確率。

圖10 復雜交通場景的車輛檢測結果Fig．10 Vehicle detect results of the complex traffic cir?cumstances

表3 不同交通場景的車輛檢測準確率Table 3 Detection accuracy of the different traffic circum?stances%

4 結束語

本文針對復雜交通場景的運動車輛檢測中車輛數目統計準確度不高，自適應性不強等問題，提出了一種基于半監督SVM分類算法的交通視頻車輛檢測方法，利用半監督學習思想進行車輛檢測，能夠動態更新樣本庫，提高了自適應性，同時能大大減少人工進行截圖工作量。在分類器檢測之前提取了特定的運動區域，能大幅度減少干擾區域，很大程度上提高了車輛的檢測準確率，并且有效減少每幀的檢測時間。實驗結果表明，相比傳統方法以及在復雜交通環境下，本文算法都具有較高的檢測準確率。下一步的工作將圍繞如何提高檢測速度及實時性方面做進一步的研究。

［1］XIONG Changzhen，FAN Wuyi，LI Zhengxi．Traffic flow detection algorithm based on intensity curve of high?resolu?tion image［C］／／IEEE Computer Modeling and Simulation．Sanya，China，2010：159?162．

［2］MARIN D，AQUINO A，GEGU＇NDEZ?ARIAS M E，et al．A new supervised method for blood vessel segmentation in reti?nal images by using gray?level and moment invariants?based features［J］．IEEE Transactions on Medical Imaging，2011，30（1）：146?158．

［3］HAN B，DAVIS L S．Density?based multifeature background subtraction with support vector machine［J］．IEEE Transac?tions on Pattern Analysis and Machine Intelligence，2012，34（5）：1017?1023．

［4］CHENG Li，GONG Minglun，SCHUURMANS D，et al．Re?al?time discriminative background subtraction［J］．IEEE Transactions on Image Processing，2011，20（5）：1401?1414．

［5］BARNICH O，VAN DROOGENBROECK M．ViBe：A uni?versal background subtraction algorithm for video sequences［J］．IEEE Transactions on Image Processing，2011，20（6）：1709?1724．

［6］FU Wenlong，JOHNSTON M，ZHANG Mengjie．Genetic programming for edge detection：a global approach［C］／／2011 IEEE Congress on Evolutionary Computation．Welling?ton，New Zealand，2011：254?261．

［7］Al?GHAILI A M，MASHOHOR S，RAMLI A R，et al．Ver?tical?edge?based car?license?plate detection method［J］．IEEE Transactions on Vehicular Technology，2013，62（1）：26?38．

［8］錢志明，楊家寬，段連鑫．基于視頻的車輛檢測與跟蹤研究進展［J］．中南大學學報：自然科學版，2013，44（S2）：222?227．QIAN Zhiming，YANG Jiakuan，DUAN Lianxin．Research advances in video?based vehicle detection and tracking［J］．Journal of Central South University：Science and Technolo?gy，2013，44（S2）：222?227．

［9］CHEN Xueyun，XIANG Shiming，LIU Chenglin，et al．Ve?hicle detection in satellite images by hybrid deep convolu?tional neural networks［J］．IEEE Geoscience and Remote Sensing Letters，2014，11（10）：1797?1801．

［10］ZHANG Bailing．Reliable classification of vehicle types based on cascade classifier ensembles［J］．IEEE Transac?tions on Intelligent Transportation Systems，2013，14（1）：322?332．

［11］CHENG H Y，WENG C C，CHEN Yiying．Vehicle detec?tion in aerial surveillance using dynamic Bayesian networks［J］．IEEE Transactions on Image Processing，2012，21（4）：2152?2159．

［12］CARAFFI C，VOJIR T，TREFNY J，et al．A system for real?time detection and tracking of vehicles from a single car?mounted camera［C］／／2012 15th International IEEE Conference on Intelligent Transportation Systems．Anchor?age，USA，2012：975?982．

［13］CAO Xianbin，WU Changxia，YAN Pingkun，et al．Linear SVM classification using boosting HOG features for vehicle detection in low?altitude airborne videos［C］／／2011 18th IEEE International Conference on Image Processing．Hefei，China，2011：2421?2424．

［14］DARNST?DT M，SIMON H U，SZ?RéNYI B．Supervised learning and co?training［J］．Theoretical Computer Sci?ence，2014，519：68?87．

［15］劉楊磊，梁吉業，高嘉偉，等．基于Tri?training的半監督多標記學習算法［J］．智能系統學報，2013，8（5）：439?445．LIU Yanglei，LIANG Jiye，GAO Jiawei，et al．Semi?super?vised multi?label learning algorithm based on Tri?training［J］．CAAI Transactions on Intelligent Systems，2013，8（5）：439?445．

［16］WANG Xiaoyu，HAN T X，YAN Shuicheng．An HOG?LBP human detector with partial occlusion handling［C］／／2009 IEEE 12th International Conference on Computer Vi? sion．Kyoto，Japan，2009：32?39．

［17］DALAL N，TRIGGS B．Histograms of oriented gradients for human detection［C］／／IEEE Computer Society Conference on Computer Vision and Pattern Recognition．San Diego，USA，2005：886?893．

［18］CHANG C C，LIN C J．LIBSVM：a library for support vec?tor machines［J］．ACM Transactions on Intelligent Systems and Technology（TIST），2011，2（3）：27．

［19］錢曉山，陽春華．基于GEP的最小二乘支持向量機模型參數選擇［J］．智能系統學報，2012，7（3）：225?229．QIAN Xiaoshan，YANG Chunhua．A parameter selection method of a least squares support vector machine based on gene expression programming［J］．CAAI Transactions on Intelligent Systems，2012，7（3）：225?229．

［20］BEN?HUR A，WESTON J．A user’s guide to support vec?tor machines［M］／／Data Mining Techniques for the Life Sciences．Washington，DC：Humana Press，2010：223?239．

［21］胡光龍，秦世引．動態成像條件下基于SURF和Mean

shift的運動目標高精度檢測［J］．智能系統學報，2012，7（1）：61?68．

HU Guanglong，QIN Shiyin．High precision detection of a mobile object under dynamic imaging based on SURF and Mean shift［J］．CAAI Transactions on Intelligent Systems，2012，7（1）：61?68．

Traffic video vehicle detection based on semi?supervised SVM classification algorithm

JIANG Xinhua1，2，GAO Sheng3，LIAO Ljuchao1，2，ZOU Fumin2
（1．School of Information Science and Engineering，Central South University，Changsha 410075，China；2．Fujian Key Laboratory for Automotive Electronics and Electric Drive，Fujian University of Technology，Fuzhou 350108，China；3．School of Software Engineer?ing，Central South University，Changsha 410075，China）

This paper presents a kind of traffic video vehicle detection method based on a semi?supervised support vector machine（SVM）classification algorithm to improve accuracy and enhance adaptability of vehicle counting in the traffic scene．By analyzing a small number of artificially labeled samples，two SVM classifiers with different ker?nels are trained on the basis of histograms of oriented gradients（HOG）features and local binary pattern（LBP）features，respectively．A semi?supervised SVM（SEMI?SVM）for classification is proposed by adopting the thoughts of semi learning．Then the unknown samples are labeled and added into the original sample database．The proposed method supports data update of the dynamic sample database，avoids heavy manual work labeling samples and en?hances adaptability of the algorithm．A motion region is extracted using the three?frame difference rule．The classifi?er is then loaded to make a multi?scale detection in the extracted motion region，and moving vehicles are marked and counted．The results show the algorithm has good response，good adaptability，and the detection accuracy of moving vehicles is much improved，even under the complex traffic circumstances．

vehicle detection；histograms of oriented gradients（HOG）feature；local binary pattern（LBP）fea?ture；support vector machine（SVM）classifier；semi?supervised learning；motion region

蔣新華，男，1956年生，教授，博士生導師，福建工程學院校長，主要研究方向為控制理論應用、電力機車智能故障診斷技術、移動互聯網關鍵技術和車聯網關鍵技術。主持和參加鐵道部、湖南省、福建省等重要科學研究項目30余項，發表學術論文100余篇。

高晟，男，1989年生，碩士研究生，主要研究方向為交通信息分析及圖像處理。參與國家自然科學基金資助項目1項，授權發明專利4項。

廖律超，1980年生，工程師，博士研究生，主要研究方向為海量動態信息數據挖掘分析、交通信息處理關鍵技術。

TP181

A

1673?4785（2015）05?0690?09

10．11992／tis．201406044

http：／／www．cnki．net／kcms／detail／23．1538．tp．20150930．1556．010．html

蔣新華，高晟，廖律超，等．半監督SVM分類算法的交通視頻車輛檢測方法［J］．智能系統學報，2015，10（5）：690?698．

英文引用格式：JIANG Xinhua，GAO Sheng，LIAO Lyuchao，et al．Traffic video vehicle detection based on semi?supervised SVM classification algorithm［J］．CAAI Transactions on Intelligent Systems，2015，10（5）：690?698．

2014?06?22．

日期：2015?09?30．

國家自然科學基金資助項目（61304199，41471333）；福建省高校杰出青年科研人才計劃（JA14209）；福建省自然科學基金資助項目（2013J01214）；福建省科技重大專項專題資助項目（2011HZ0002?1）；福建省交通科技計劃項目（201318），福建省教育廳B類科研項目（JB3213）．

高晟．E?mail：csugaosheng＠163．com．