嵌入式高速公路異物侵限的檢測與跟蹤研究

楊杰超,許江淳,陸萬榮,曾德斌

(昆明理工大學信息工程與自動化學院,云南 昆明 650500)

0 引言

高速公路異物侵限是一個威脅行車安全的隱患。由于高速公路事故嚴重程度逐年增加，且高速公路上行車具有速度快的特點，一旦有事故發(fā)生，會造成嚴重的交通事故[1]。目前,我國在高速公路的異物檢測上大多采用人工檢測的方法，不僅容易產(chǎn)生漏檢，而且需要大量的人力、物力，并且有周期限制，導致效率嚴重低下。

本文提出了一種按適當距離間隔安裝在高速公路沿線的、基于機器視覺技術(shù)的嵌入式異物侵限報警系統(tǒng)。系統(tǒng)采用嵌入式微處理器ARM作為檢測硬件平臺核心，結(jié)合一套基于支持向量機(support vector machine，SVM)與粒子濾波的異物分類及跟蹤算法，在區(qū)分異物的同時，將其運動趨勢與侵限異物判別相結(jié)合，可有效提高具有侵限趨勢異物的正確報警率，降低無侵限趨勢異物的誤報率。

1 系統(tǒng)整體工作原理及結(jié)構(gòu)

該系統(tǒng)由基于ARM的嵌入式硬件平臺、攝像機、遠程控制終端等組成，系統(tǒng)基本結(jié)構(gòu)如圖1所示。

圖1 系統(tǒng)基本結(jié)構(gòu)圖

每隔適當距離安裝一個攝像機，每個攝像機對應一個嵌入式異物檢測平臺,組成一個節(jié)點。當某個節(jié)點檢測到具有侵限趨勢的異物時，通過以太網(wǎng)遠程傳輸信息到控制終端進行報警，并可通過節(jié)點所在位置判斷出異物所處路段，以盡快排除安全隱患。

嵌入式檢測硬件平臺以ARM作為主控制中心，與現(xiàn)場可編輯門陣列(field programmable gate array,FPGA)實現(xiàn)圖像的采集、局部背景差分以及特征向量的提取。而ARM作為主芯片,利用異物分類、跟蹤算法完成整個系統(tǒng)實現(xiàn)異物侵限報警。

2 基于SVM與粒子濾波的異物分類及跟蹤算法

在粒子濾波算法的框架下，采用局部背景加權(quán)直方圖表征目標。此方法可以增強背景和前景的區(qū)分性，凸顯目標區(qū)域內(nèi)的前景信息，并利用SVM及一組特征向量對其進行分類，以區(qū)別異物和汽車。算法流程如圖2所示。

圖2 算法流程圖

系統(tǒng)核心目標是檢測區(qū)域內(nèi)具有侵限趨勢的異物并進行報警，以提示工作人員盡快排除安全隱患，所以系統(tǒng)必須具有較好的準確性和魯棒性。首先，對采集到的每一幀圖像進行預處理，通過局部背景加權(quán)直方圖表征目標，提取出目標的多個特征值組成特征向量，作為SVM的樣本數(shù)據(jù)輸入并進行目標分類；然后，利用粒子濾波跟蹤器對分類為異物的目標進行軌跡跟蹤，并分析異物是否具有侵限趨勢、是否需要報警。

2.1 表征目標及分類

試驗通過局部背景加權(quán)直方圖[2]來表征目標。相對于常用的加權(quán)顏色直方圖[3]，其更加穩(wěn)定、更能準確地找出目標。加權(quán)顏色直方圖表征算法會因其目標與其背景顏色相似而失效。而局部背景加權(quán)直方圖相對于背景差分法，更能適應光照變化頻繁,且實時性更高。

在當前幀搜索區(qū)域定位目標。搜索區(qū)域通常由上一幀目標位置決定，跟蹤目標由前景和目標內(nèi)背景組成。

在眾多模式識別分類器中，SVM是Vapnik等人根據(jù)統(tǒng)計學習理論提出的、建立在結(jié)構(gòu)風險最小原則上的一種新型機器學習方法。該方法具有針對小樣本數(shù)據(jù)學習優(yōu)勢，以及預測算法簡單、易于移植、魯棒性較好等特點[4-5]。因此，本文選取SVM作為目標分類器進行目標的分類，重點區(qū)分行進中的汽車及異物。目標特征向量的選取對分類器的效果至關(guān)重要。本文選取了以下幾個特征值，形成了一組效果較好的特征向量。

①目標背景高寬比。

(1)

式中：B為目標的基本形態(tài)；G為目標背景矩形高度；K為目標背景矩形寬度。

②目標占空比。

(2)

式中：D為目標的基本狀態(tài)；A為目標實際包含像素總數(shù)；S為目標背景矩形面積。

③目標形狀參數(shù)。

(3)

式中：C為目標的外形的復雜及緊湊程度；L為目標實際輪廓周長。

為驗證各個特征的分類表現(xiàn)，本文提取了一段試驗視頻中不同位置的行人、汽車及一些其他干擾物體的相關(guān)特征值進行對比，特征值對比如表1所示。正常情況下，所選用的高寬比、占空比、形狀參數(shù)均具有較明顯的穩(wěn)定性及與其他類型目標的區(qū)分性。但由于人很少出現(xiàn)在高速公路，通過這三個特征值的對比，其他干擾物體和汽車的區(qū)分性更大，更能滿足本文對于區(qū)分異物和汽車的要求；此外，根據(jù)這三個特征值的分類表現(xiàn)，人的出現(xiàn)也不會影響其區(qū)分性。

表1 特征值對比

為最終驗證分類準確性，通過樣本測試試驗，提取原始數(shù)據(jù)集中的500個新樣本作為訓練集，并在同樣場景下提取300個新樣本作為測試集。試驗準確性達到了92.33%。根據(jù)準確性，最終確定高寬比、占空比、形狀參數(shù)這三個特征值組成特征向量。

2.2 異物目標跟蹤

粒子濾波通過序列蒙特卡羅算法，能夠較好地處理非線性、非高斯問題。該方法基于大量測量，通過一組加權(quán)粒子的演化與傳播來遞推近似狀態(tài)的后驗概率密度函數(shù)，從而獲得狀態(tài)的統(tǒng)計量。其核心是通過一組隨機樣本及其重要性權(quán)值離散，表示所求解問題的后驗概率分布[6-13]。

跟蹤目標的運動趨勢，是通過一些特定的特征來估計整個過程目標的狀態(tài)。這些目標與跟蹤的真實狀態(tài)不斷進行對比和匹配。這個匹配過程一直都是參數(shù)修改以及模型的更新。這種預測更新時貫徹整個視頻目標跟蹤，所以可以用一個動態(tài)系統(tǒng)來表示運動模型[8-9]。

動態(tài)系統(tǒng)的建立有兩個關(guān)鍵的方程：一是狀態(tài)轉(zhuǎn)移方程，二是測量方程。

xt=ft(xt-1,vt-1)

(4)

zt=ht(xt,nt)

(5)

式中：f(·)、h(·)非線性函數(shù)分別為系統(tǒng)模型和觀測模型；xt為t時刻的狀態(tài);vt-1為系統(tǒng)噪聲；zt為t時刻下的觀測值;nt為觀測噪聲。

在實際場景中，目標狀態(tài)往往是高峰、多峰、非高斯、非線性的，因而很難直接從狀態(tài)的概率密度函數(shù)中采樣。采用重要性采樣，通過采樣點進行加權(quán)求和來近似概率函數(shù)p(x0∶t|z1∶t):

(6)

(7)

(8)

為了便于權(quán)值遞推的計算，經(jīng)過假設(shè)，狀態(tài)的后驗分布可近似為：

(9)

3 算法實現(xiàn)流程

在粒子濾波的框架下，對基于SVM的異物分類及跟蹤算法總結(jié)如下。

①確定目標初始狀態(tài)，計算模板的局部背景加權(quán)直方圖，并提取目標特征值組成特征向量。

由FPGA完成圖像的采集和預處理，發(fā)現(xiàn)目標后，目標所處的局部背景信息可以作為目標在運動過程中的上下文信息，引入局部背景加權(quán)直方圖來表征目標。

給定目標x:

(10)

②將特征向量投入已經(jīng)訓練好的SVM中進行分類判別，取消跟蹤高速公路正規(guī)汽車，提高實時性、穩(wěn)定性。

③確定為高速公路異物時，跟蹤此異物目標。

④在比上一幀大兩倍的目標區(qū)域內(nèi)再次計算局部背景加權(quán)直方圖。

⑤計算出觀測概率并更新權(quán)值。

使用常用方法Bhattacharyya距離[13]來度量兩直方圖形似度ρ：

(11)

式中：w為直方圖維度；Q為目標區(qū)域的背景加權(quán)直方圖;Qm為目標模板的背景加權(quán)直方圖。

觀測概率p如下：

(12)

⑥更新模板。

⑦運動趨勢分析，報警。

為了提高系統(tǒng)的實時性、準確性，對異物運動趨勢進行分析。為判別是否具有侵限趨勢，劃分高速公路區(qū)域，將高速行車道劃分為報警區(qū)、非行車道劃分為安全區(qū)。

報警判斷流程如圖3所示。

圖3 報警判斷流程圖

對于是否具有侵限趨勢，是否取消跟蹤的判斷，分為兩種情況。

①異物處于報警區(qū)。對高速公路上異物跟蹤進行15幀運動趨勢判斷。若異物仍處于報警區(qū)，判斷為具有侵限趨勢，并進行報警；若異物趨于安全區(qū)，則可取消跟蹤。

②異物處于安全區(qū)。對高速公路上異物跟蹤進行15幀運動趨勢判斷。若異物仍處于安全區(qū)，取消跟蹤；若異物趨于報警區(qū)，則判斷為具有侵限趨勢，并進行報警。

4 試驗與結(jié)果分析

本文采用了多段高速公路監(jiān)控視頻作為試驗樣本，得出異物的檢測與跟蹤以及報警準確率的試驗結(jié)果。

在測試視頻樣本選取中，大多選用包含靜止異物和移動異物的樣本。包含靜止異物樣本的選取是為了測試異物檢測與分類的準確性；包含移動異物樣本是為了測試目標跟蹤及其運動趨勢是否對侵限判斷的準確性造成威脅。侵限物檢測試驗結(jié)果如表2所示。

表2 侵限物檢測試驗結(jié)果

由試驗可知，本文算法不僅能較好地區(qū)分汽車和異物，而且通過區(qū)分跟蹤，降低了對沒有侵限趨勢的異物誤判率。該算法對移動的有侵限趨勢的異物正確報警率達到了93.35%，對靜止的侵限異物正確報警率也達到了95.34%，漏檢率為1.46%，誤檢率為2.62%。根據(jù)統(tǒng)計，各不同目標檢測中出現(xiàn)的漏檢數(shù)中大部分是由于異物目標距離攝像機太遠，像素總和低于濾波閾值被濾除掉而導致的漏檢；而誤檢數(shù)大多由于劇烈光照反復無常情況下，以及被汽車遮擋后，目標跟蹤時軌跡判斷出現(xiàn)檢漏及微小誤差，對移動侵限異物的報警準確性產(chǎn)生影響。

在有侵限趨勢移動異物的檢測中，分別出現(xiàn)了11次誤檢、6次漏檢。6次漏檢皆為鏡頭距離和環(huán)境因素所造成的；11次誤檢由于在檢測幀數(shù)之內(nèi)將目標異物誤檢為有侵限趨勢的移動異物，包括6次噪聲樣本、5次無侵限趨勢的移動異物。綜合分析，雖然試驗中針對單幅圖像統(tǒng)計出現(xiàn)了漏檢和誤檢，但對于系統(tǒng)整體而言，仍能夠區(qū)別汽車和異物，對侵限異物具有較高的報警準確率，可以在實際情況中運用。

將算法最終移植到ARM芯片中的嵌入式硬件平臺，同時將檢測區(qū)域劃分模板和訓練好的SVM存儲到硬件平臺中，可隨時讀取，提高了系統(tǒng)的實時性。

5 結(jié)束語

本文提出了一種基于SVM與粒子濾波的異物分類及跟蹤算法，在局部加權(quán)直方圖的目標表征下，提取目標特征值為分類器提供特征向量以區(qū)分汽車和異物，根據(jù)運動趨勢判斷出是否具有侵限趨勢，對具有侵限趨勢的異物進行報警。試驗表明，該系統(tǒng)不僅能準確區(qū)分出異物，有效去除了無侵限趨勢的異物的誤報率，而且具有相當高的報警準確率。