第5期 蒋新华，等：半监督SVM分类算法的交通视频车辆检测方法 ·691. 和边缘检测法等。帧间差分法是对视频序列相邻2 道路的运动车辆。 帧所对应像素进行差分处理来检测运动车辆，但该 1 SVM的半监督分类方法(SEMI 算法对环境噪声比较敏感，依赖于连续帧的时间间 隔以及车辆速度。灰度等级方法则是利用运动车辆 SVM) 及背景来统计灰度阈值以检侧运动目标，但周围环 1.1交通视频特征提取 境和光线变化都会影响该阈值，导致检测不准确。 局部二值模式(LBP)特征是机器视觉处理中用 而背景差分法则是采用当前帧与背景图像对应的像 于图像分类的一种特征16。提取LBP特征向量的 素作差，实现对运动目标的检测，但对外界条件引起 步骤是：1)将交通视频检测窗口划分成16×16的细 的变化较敏感，对环境依赖性较强。边缘检测 胞单元(cll),对于每个细胞单元中的一个像素，将 法[6是通过目标的边缘特性进行检测，能够克服 其环形邻域内的若干个点（如图1所示）进行顺时 光照等不利因素的影响，但当所检测目标边缘特征 针或者逆时针的比较，若中心点像素值比其邻点大， 不明显的，会导致检测错误等问题。上述方法都存 则将邻点标记为1，否则为0。这样邻域内每个点都 在计算量较大，对外部环境的依赖性较大，检测的精 可产生一个8位二进制数，即得到该窗口中心像素 确度不高等不足，尤其对于静止的车辆，这些方法又 点的LBP值。2)计算每个细胞单元的直方图，即每 难以处理，使后续研究变得困难。 个数值出现的频率，再对该直方图进行归一化处理。 为了解决上述问题，并进一步提高检测的性能， 3)将得到的每个细胞单元的统计直方图进行连接 近年来，基于机器学习理论的视频目标检测已逐渐 成为一个特征向量，就是该图像的LBP纹理特征向 成为国内外的研究热点之一【]，并取得了一系列研 量。本文从交通视频中截取的包含车辆与不包含车 究成果。文献[9]利用深卷积神经网络(DNNS)的 辆的正、负样本的图像用于分类器的训练，样本图像 自动学习功能，实现了在复杂环境下的车辆检测，提 均规整为64×128像素，每个细胞单元大小为8×8 高了目标检测性能。文献[l0]研究了Gabor小波变 像素，每个块的大小为16×16像素，共可提取出 换和方向梯度直方图(HOG)2种特征，利用K近邻 2830个LBP特征。 结合随机森林的方法进行车辆检测，实验结果证明 该方法能较好地提高车辆检测率。文献[11]利用 动态贝叶斯网络对车辆颜色和局部纹理进行综合分 析后实现车辆检测。文献[12]结合了离线boost和 TLD进行车辆检测，在视频环境中取得了较好的检 测效果。文献[13]则利用Adaboost结合支持向量 LBP LBP LBP 机(SVM)方法对HOG特征进行处理后对复杂环境 图1LBP特征 的车辆进行检测。虽然使用机器学习的方法取得了 Fig.1 LBP features 较好的车辆检测效果，但上述方法都需要准备大量 HOG特征是一种方向梯度直方图的表示方法， 的样本，检测准确率与样本数量有密切关系，而且人 该特征对图像中局部边缘信息不明显和形状变化很 工标注样本是一件非常繁琐的事情。 微小的运动物体都能进行特征化，提取这些特征进 因此，本文结合Co-training算法[与Tri-train- 行分类识别)。H0G特征提取的步骤是：1)将交 img算法的思想，构建了SVM的半监督分类器并 通视频图像进行灰度处理，利用Gamma校正法调整 基于遗传算法(GA)进行参数优选，该分类器可支持 图像对比度，以减小阴影与光线变化对局部图像造 动态获取新样本进行学习，不仅提高了分类精度，而 成影响。2)对图像进行归一化处理，计算每个像素 且还大大减轻了采集训练样本的工作量。同时，针 的梯度（方向与大小），图像被分为许多细胞单元 对车辆检测的准确率和自适应性的问题，本文提出 (cell),将其中若干个细胞单元组成一个块(block)。 了基于半监督SVM分类算法的交通视频车辆检测 3)统计每个块内像素梯度方向直方图，将块以一个 方法，提取特定的运动区域后用分类器进行检测，有 单位为步长扫描图像，串联所有块即可得到该图像 效剔除了大量干扰检测的无用信息，加快了检测速 的特征。图像梯度维度的计算方法如下： 度。而且，该方法支持样本库的动态更新，能有效提 DimNum=g(h)×g(k) (1) 高检测准确率，降低误检率，并可用于检测复杂交通和边缘检测法等。 帧间差分法是对视频序列相邻 ２ 帧所对应像素进行差分处理来检测运动车辆，但该 算法对环境噪声比较敏感，依赖于连续帧的时间间 隔以及车辆速度。 灰度等级方法则是利用运动车辆 及背景来统计灰度阈值以检测运动目标，但周围环 境和光线变化都会影响该阈值，导致检测不准确。 而背景差分法则是采用当前帧与背景图像对应的像 素作差，实现对运动目标的检测，但对外界条件引起 的变 化 较 敏 感， 对 环 境 依 赖 性 较 强。 边 缘 检 测 法［６⁃７］是通过目标的边缘特性进行检测，能够克服 光照等不利因素的影响，但当所检测目标边缘特征 不明显的，会导致检测错误等问题。 上述方法都存 在计算量较大，对外部环境的依赖性较大，检测的精 确度不高等不足，尤其对于静止的车辆，这些方法又 难以处理，使后续研究变得困难。 为了解决上述问题，并进一步提高检测的性能， 近年来，基于机器学习理论的视频目标检测已逐渐 成为国内外的研究热点之一［８］ ，并取得了一系列研 究成果。 文献［９］利用深卷积神经网络（ＤＮＮＳ）的 自动学习功能，实现了在复杂环境下的车辆检测，提 高了目标检测性能。 文献［１０］研究了 Ｇａｂｏｒ 小波变 换和方向梯度直方图（ＨＯＧ）２ 种特征，利用 Ｋ 近邻 结合随机森林的方法进行车辆检测，实验结果证明 该方法能较好地提高车辆检测率。 文献［１１］ 利用 动态贝叶斯网络对车辆颜色和局部纹理进行综合分 析后实现车辆检测。 文献［１２］结合了离线 ｂｏｏｓｔ 和 ＴＬＤ 进行车辆检测，在视频环境中取得了较好的检 测效果。 文献［１３］ 则利用 Ａｄａｂｏｏｓｔ 结合支持向量 机（ＳＶＭ）方法对 ＨＯＧ 特征进行处理后对复杂环境 的车辆进行检测。 虽然使用机器学习的方法取得了 较好的车辆检测效果，但上述方法都需要准备大量 的样本，检测准确率与样本数量有密切关系，而且人 工标注样本是一件非常繁琐的事情。 因此，本文结合 Ｃｏ⁃ｔｒａｉｎｉｎｇ 算法［１４］ 与 Ｔｒｉ⁃ｔｒａｉｎ⁃ ｉｎｇ 算法［１５］的思想，构建了 ＳＶＭ 的半监督分类器并 基于遗传算法（ＧＡ）进行参数优选，该分类器可支持 动态获取新样本进行学习，不仅提高了分类精度，而 且还大大减轻了采集训练样本的工作量。 同时，针 对车辆检测的准确率和自适应性的问题，本文提出 了基于半监督 ＳＶＭ 分类算法的交通视频车辆检测 方法，提取特定的运动区域后用分类器进行检测，有 效剔除了大量干扰检测的无用信息，加快了检测速 度。 而且，该方法支持样本库的动态更新，能有效提 高检测准确率，降低误检率，并可用于检测复杂交通 道路的运动车辆。 １ ＳＶＭ 的半监督分类 方 法 （ ＳＥＭＩ⁃ ＳＶＭ） １．１ 交通视频特征提取 局部二值模式（ＬＢＰ）特征是机器视觉处理中用 于图像分类的一种特征［１６］ 。 提取 ＬＢＰ 特征向量的 步骤是：１）将交通视频检测窗口划分成 １６×１６ 的细 胞单元（ｃｅｌｌ），对于每个细胞单元中的一个像素，将 其环形邻域内的若干个点（如图 １ 所示） 进行顺时 针或者逆时针的比较，若中心点像素值比其邻点大， 则将邻点标记为 １，否则为 ０。 这样邻域内每个点都 可产生一个 ８ 位二进制数，即得到该窗口中心像素 点的 ＬＢＰ 值。 ２）计算每个细胞单元的直方图，即每 个数值出现的频率，再对该直方图进行归一化处理。 ３）将得到的每个细胞单元的统计直方图进行连接 成为一个特征向量，就是该图像的 ＬＢＰ 纹理特征向 量。 本文从交通视频中截取的包含车辆与不包含车 辆的正、负样本的图像用于分类器的训练，样本图像 均规整为 ６４×１２８ 像素，每个细胞单元大小为 ８×８ 像素，每个块的大小为 １６ × １６ 像素，共可提取出 ２ ８３０个 ＬＢＰ 特征。 图 １ ＬＢＰ 特征 Ｆｉｇ．１ ＬＢＰ ｆｅａｔｕｒｅｓ ＨＯＧ 特征是一种方向梯度直方图的表示方法， 该特征对图像中局部边缘信息不明显和形状变化很 微小的运动物体都能进行特征化，提取这些特征进 行分类识别［１７］ 。 ＨＯＧ 特征提取的步骤是：１） 将交 通视频图像进行灰度处理，利用 Ｇａｍｍａ 校正法调整 图像对比度，以减小阴影与光线变化对局部图像造 成影响。 ２）对图像进行归一化处理，计算每个像素 的梯度（方向与大小），图像被分为许多细胞单元 （ｃｅｌｌ），将其中若干个细胞单元组成一个块（ｂｌｏｃｋ）。 ３）统计每个块内像素梯度方向直方图，将块以一个 单位为步长扫描图像，串联所有块即可得到该图像 的特征。 图像梯度维度的计算方法如下： ＤｉｍＮｕｍ ＝ ｇ（ｈ）×ｇ（ｋ） （１） 第 ５ 期 蒋新华，等：半监督 ＳＶＭ 分类算法的交通视频车辆检测方法 ·６９１·