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 ·697. 流量统计，并进行各方法的检测准确率测试以及每 表3不同交通场景的车辆检测准确率 一帧检测时间测试，实验结果如表2所示。 Table 3 Detection accuracy of the different traffic circum 表25种检测方法统计结果 stances % Table 2 Statistical results of five algorithms 帧差法 背景法 本文方法 场景 实际车数/算法统计 检测准确率/检测时间/ 准确率 准确率 准确率 方法 辆 结果/辆 名 傍晚 70.24 66.36 90.83 帧差法 165 130 78.79 14.563 雨天 75.35 79.45 91.22 阴天 71.76 74.67 92.46 背景法 165 134 81.21 16.127 夜晚 68.93 61.79 90.47 灰度法 165 139 84.24 21.974 4 边缘法 127 结束语 165 76.96 19.381 本文方法 165 154 93.33 12.426 本文针对复杂交通场景的运动车辆检测中车辆 数目统计准确度不高，自适应性不强等问题，提出了 实验结果表明，本文方法与其他检测方法相比， 一种基于半监督SVM分类算法的交通视频车辆检 能保持较高的检测准确率，并且可以有效减少每帧 测方法，利用半监督学习思想进行车辆检测，能够动 检测时间。由于背景法、帧差法及灰度等级法对光 态更新样本库，提高了自适应性，同时能大大减少人 线、天气等影响因素十分敏感，边缘法由于路面及车 工进行截图工作量。在分类器检测之前提取了特定 辆边缘不明显容易产生误检2]，并且受非机动车， 的运动区域，能大幅度减少干扰区域，很大程度上提 行人等因素干扰导致错误检测，当发生交通拥堵或 高了车辆的检测准确率，并且有效减少每帧的检测 者较多车辆并排行驶等复杂的交通情况时，以上方 时间。实验结果表明，相比传统方法以及在复杂交 法检测准确率会大大降低。而本文的方法能很好克 通环境下，本文算法都具有较高的检测准确率。下 服光线、天气、阴影和车辆行驶特性的干扰，能很好 一步的工作将围绕如何提高检测速度及实时性方面 鉴别非机动车及行人，提高车流量统计精确度，而且 做进一步的研究。 应对拥堵等复杂的交通情况时，也能很好进行检测。 为了验证不同复杂场景下本文方法依然有较好 参考文献： 的检测准确率，选取4个不同场景下时长为5分钟 [1]XIONG Changzhen,FAN Wuyi,LI Zhengxi.Traffic flow 的交通视频进行实验（如图10所示）。与帧差法、 detection algorithm based on intensity curve of high-resolu- 背景法进行比较，系统实验的检测结果（表3）表明， tion image[C]//IEEE Computer Modeling and Simulation. 即使在不同的复杂交通场景下，本文的算法仍保持 Sanya,China,2010:159-162. 较高的检测准确率。 2]MARIN D,AQUINO A,GEGUNDEZ-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- 图10复杂交通场景的车辆检测结果 versal background subtraction algorithm for video sequences Fig.10 Vehicle detect results of the complex traffic cir- [J].IEEE Transactions on Image Processing,2011,20 cumstances (6):1709-1724流量统计，并进行各方法的检测准确率测试以及每 一帧检测时间测试，实验结果如表 ２ 所示。 表 ２ ５ 种检测方法统计结果 Ｔａｂｌｅ ２ Ｓｔａｔｉｓｔｉｃａｌ ｒｅｓｕｌｔｓ ｏｆ ｆｉｖｅ ａｌｇｏｒｉｔｈｍｓ 方法 实际车数／ 辆 算法统计 结果／ 辆 检测准确率／ ％ 检测时间／ ｓ 帧差法 １６５ １３０ ７８．７９ １４．５６３ 背景法 １６５ １３４ ８１．２１ １６．１２７ 灰度法 １６５ １３９ ８４．２４ ２１．９７４ 边缘法 １６５ １２７ ７６．９６ １９．３８１ 本文方法 １６５ １５４ ９３．３３ １２．４２６ 实验结果表明，本文方法与其他检测方法相比， 能保持较高的检测准确率，并且可以有效减少每帧 检测时间。 由于背景法、帧差法及灰度等级法对光 线、天气等影响因素十分敏感，边缘法由于路面及车 辆边缘不明显容易产生误检［２１］ ，并且受非机动车， 行人等因素干扰导致错误检测，当发生交通拥堵或 者较多车辆并排行驶等复杂的交通情况时，以上方 法检测准确率会大大降低。 而本文的方法能很好克 服光线、天气、阴影和车辆行驶特性的干扰，能很好 鉴别非机动车及行人，提高车流量统计精确度，而且 应对拥堵等复杂的交通情况时，也能很好进行检测。 为了验证不同复杂场景下本文方法依然有较好 的检测准确率，选取 ４ 个不同场景下时长为 ５ 分钟 的交通视频进行实验（如图 １０ 所示）。 与帧差法、 背景法进行比较，系统实验的检测结果（表 ３）表明， 即使在不同的复杂交通场景下，本文的算法仍保持 较高的检测准确率。 图 １０ 复杂交通场景的车辆检测结果 Ｆｉｇ．１０ Ｖｅｈｉｃｌｅ ｄｅｔｅｃｔ ｒｅｓｕｌｔｓ ｏｆ ｔｈｅ ｃｏｍｐｌｅｘ ｔｒａｆｆｉｃ ｃｉｒ⁃ ｃｕｍｓｔａｎｃｅｓ 表 ３ 不同交通场景的车辆检测准确率 Ｔａｂｌｅ ３ Ｄｅｔｅｃｔｉｏｎ ａｃｃｕｒａｃｙ ｏｆ ｔｈｅ ｄｉｆｆｅｒｅｎｔ ｔｒａｆｆｉｃ ｃｉｒｃｕｍ⁃ ｓｔａｎｃｅｓ ％ 场景 帧差法 准确率 背景法 准确率 本文方法 准确率 傍晚 ７０．２４ ６６．３６ ９０．８３ 雨天 ７５．３５ ７９．４５ ９１．２２ 阴天 ７１．７６ ７４．６７ ９２．４６ 夜晚 ６８．９３ ６１．７９ ９０．４７ ４ 结束语 本文针对复杂交通场景的运动车辆检测中车辆 数目统计准确度不高，自适应性不强等问题，提出了 一种基于半监督 ＳＶＭ 分类算法的交通视频车辆检 测方法，利用半监督学习思想进行车辆检测，能够动 态更新样本库，提高了自适应性，同时能大大减少人 工进行截图工作量。 在分类器检测之前提取了特定 的运动区域，能大幅度减少干扰区域，很大程度上提 高了车辆的检测准确率，并且有效减少每帧的检测 时间。 实验结果表明，相比传统方法以及在复杂交 通环境下，本文算法都具有较高的检测准确率。 下 一步的工作将围绕如何提高检测速度及实时性方面 做进一步的研究。 参考文献： ［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． 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 ·６９７·