·694 智能系统学报 第10卷 对所得的2幅二值前景图做“或”运算，得到二 本则为人工截取视频中不包括车辆的图像（图3 值图像： (b)),例如非机动车、行人、道路和建筑物等，甚至 255,b.-1(m,n)Ub+1(m,n)=255 网上搜索到的不包括车辆的随意图像。正、负样本 B(m,n)= 0,b-(m,n)Ub4(m,n)=0 的尺寸统一截取为64×128像素。通过上述方式， (15) 本文提取初始的800个正样本和2000个负样本的 2)利用中指滤波进行图像平滑处理。 HOG特征与LBP特征分别进行径向基核函数GOA- 中值滤波能够很好地抑制脉冲干扰和图像噪 SVM分类器与多项式核函数SVM分类器的训练 声，保护图像的边缘信息。利用中值滤波进行平滑 学习。 处理可以保留更多的关于图像的灰度信息，使图像 轮廓检测的质量得到保障。 3)对二值图像形态学去噪。 对B(m,n)进行膨胀然后腐蚀可以去除图像中 的孤立噪点和部分空洞，弥合小裂缝，而总的位置和 形状不变。 4)获取运动区域并进行多尺度检测。 对去噪处理后的图像，寻找运动区域的连通域， 在遍历标记连通域时适当扩展区域，可以完整的得 (a)正样本 到运动区域如图2所示。选取特定运动区域，利用 分类器进行车辆检测。 (b)负样本 图3原始训练的部分正、负样本图片 图2运动车辆区域 Fig.3 Part of positive and negative sample pictures for Fig.2 Vehicle motion region the initial classifier 3实验结果与分析 3.2初始样本集SVM分类器实现及实验结果 系统实验采用福州市五四路冶山路南路段的交 在经过交通视频正、负样本HOG与LBP特征 通视频数据（分辨率：1140×934），系统实验主机硬 属性提取之后，分别对2种核函数SVM分类器进行 件配置为Core i5-3470CPU(4核，3.2GHz主频)， 训练学习。同时采用遗传算法对径向基核函数 4G内存，Microsoft Windows7系统，算法基于C+以 SVM分类器模型(GOA-SVM)的训练适应度进行遗 及OpenCV开发实现。 传演化择优，并对分类器的检测准确度进行自适应 3.1初始分类器样本集 动态调优。 初始样本的获取主要以人工方式处理，其中，正 对正、负样本特征数据进行半交叉验证测试，利 样本为人工截取视频中车辆尾部（图3(a))。负样 用不同参数数据进行GOA-SVM分类器模型与多项对所得的 ２ 幅二值前景图做“或”运算，得到二 值图像： Ｂ（ｍ，ｎ） ＝ ２５５，ｂｔ，ｔ－１（ｍ，ｎ） ∪ ｂｔ＋１，ｔ（ｍ，ｎ） ＝ ２５５ ０，ｂｔ，ｔ－１（ｍ，ｎ） ∪ ｂ { ｔ＋１，ｔ（ｍ，ｎ） ＝ ０ （１５） ２）利用中指滤波进行图像平滑处理。 中值滤波能够很好地抑制脉冲干扰和图像噪 声，保护图像的边缘信息。 利用中值滤波进行平滑 处理可以保留更多的关于图像的灰度信息，使图像 轮廓检测的质量得到保障。 ３）对二值图像形态学去噪。 对 Ｂ（ｍ，ｎ）进行膨胀然后腐蚀可以去除图像中 的孤立噪点和部分空洞，弥合小裂缝，而总的位置和 形状不变。 ４）获取运动区域并进行多尺度检测。 对去噪处理后的图像，寻找运动区域的连通域， 在遍历标记连通域时适当扩展区域，可以完整的得 到运动区域如图 ２ 所示。 选取特定运动区域，利用 分类器进行车辆检测。 图 ２ 运动车辆区域 Ｆｉｇ．２ Ｖｅｈｉｃｌｅ ｍｏｔｉｏｎ ｒｅｇｉｏｎ ３ 实验结果与分析 系统实验采用福州市五四路冶山路南路段的交 通视频数据（分辨率：１ １４０×９３４），系统实验主机硬 件配置为 Ｃｏｒｅ ｉ５⁃３４７０ ＣＰＵ（４ 核，３．２ ＧＨｚ 主频）， ４ Ｇ内存，Ｍｉｃｒｏｓｏｆｔ Ｗｉｎｄｏｗｓ ７ 系统，算法基于 Ｃ＋＋以 及 ＯｐｅｎＣＶ 开发实现。 ３．１ 初始分类器样本集 初始样本的获取主要以人工方式处理，其中，正 样本为人工截取视频中车辆尾部（图 ３（ａ））。 负样 本则为人工截取视频中不包括车辆的图像（ 图 ３ （ｂ）），例如非机动车、行人、道路和建筑物等，甚至 网上搜索到的不包括车辆的随意图像。 正、负样本 的尺寸统一截取为 ６４×１２８ 像素。 通过上述方式， 本文提取初始的 ８００ 个正样本和 ２ ０００ 个负样本的 ＨＯＧ 特征与 ＬＢＰ 特征分别进行径向基核函数 ＧＯＡ⁃ ＳＶＭ 分类器与多项式核函数 ＳＶＭ 分类器的训练 学习。 （ａ）正样本 （ｂ）负样本 图 ３ 原始训练的部分正、负样本图片 Ｆｉｇ．３ Ｐａｒｔ ｏｆ ｐｏｓｉｔｉｖｅ ａｎｄ ｎｅｇａｔｉｖｅ ｓａｍｐｌｅ ｐｉｃｔｕｒｅｓ ｆｏｒ ｔｈｅ ｉｎｉｔｉａｌ ｃｌａｓｓｉｆｉｅｒ ３．２ 初始样本集 ＳＶＭ 分类器实现及实验结果 在经过交通视频正、负样本 ＨＯＧ 与 ＬＢＰ 特征 属性提取之后，分别对 ２ 种核函数 ＳＶＭ 分类器进行 训练学习。 同时采用遗传算法对径向基核函数 ＳＶＭ 分类器模型（ＧＯＡ⁃ＳＶＭ）的训练适应度进行遗 传演化择优，并对分类器的检测准确度进行自适应 动态调优。 对正、负样本特征数据进行半交叉验证测试，利 用不同参数数据进行 ＧＯＡ⁃ＳＶＭ 分类器模型与多项 ·６９４· 智 能 系 统 学 报 第 １０ 卷