视频检测方法在行人闯红灯中的应用研究

李仲恒 李睿 张楚钰 周青 肖万达

【关键词】视频检测方法;行人闯红灯;应用研究

随着我国城市化发展进程不断加快，城市交通堵塞问题已经逐渐成为很多研究学者所关注重点，而其中如何解决行人乱闯红灯问题就成为重点。行人乱闯红灯轻则造成交通堵塞，机动车行驶缓慢，严重还会导致交通安全事故发生。给机动车驾驶员、行人都会造成影响。虽然我国交通部门也相继实施了一系列的处罚措施例如罚款、口头教育等等，但是最终效果都不明显，在很多大城市当中依然存在行人乱闯红灯现象。也正是在这样背景下，一些研究学者提出应当将行人闯红灯行为纳入个人征信系统当中，但是如何能够捕捉到行人闯红灯瞬间就成为所需要解决的一个重点问题。传统通过所安装的单目摄像机拍摄图模式虽然背景不会发生改变，但是由于受到室外环境因素影响，导致拍摄效果不良，也很难能够发挥自身价值，必须要采用全新的自适应背景建模方法。本文在研究过程中就选择混合高斯背景建模方法对运动目标进行提取，综合运用相关方法保证最终拍摄质量满足实际要求。

在对行人闯红灯行为进行检测过程中借助于混合高斯背景建模方法，提起前景图像，之后经过形态学处理对各个运动目标及其HOG特征进行识别，实现对行人的识别，最终得到颜色直方图、位置、轨迹，对行人目标进行匹配跟踪，结合当时交通信号情况、可行区域设定等判定行人是否构成闯红灯行为，完成后续操作。

（一）运动目标提取

本文选取混合高斯背景建模，其能够合理降低外部环境所产生的影响，自适应构建背景模型。混合高斯背景模型的对象是目标图像当中的所有像素点，只有K个混合高斯分布进行模拟，当从视频中当中全新一帧图像后，对其所有像素点与之前所构建的混合高斯模型进行匹配，如果匹配成功，那么就可以认为该像素点是背景，否则为前景，借助于该像素点对模型加以合理更新。在建模过程中首先要对混合高斯模型进行初始化处理，之后对高斯分布模型背景进行匹配，最后对模型进行更新并生成背景模型。

借助于混合高斯背景所建立的模型，通過匹配，将背景设置为0，将前景设置为1，最终可以获得二值化图像。此时需要对该图像进行去噪化处理，之后在对图像前景加以形态化处理，最终就可以得到目标所处前景区域实际情况。

（二）行人识别

在对行人进行识别过程中可以使用的方法有很多种，而如果能够将梯度方向直方图（HOG）与SVM分类器有机结合在一起，那么对于提高识别效果能够起到积极帮助作用。例如对于64×128像素大小照片而言，可以将其划分成为8×8的像素单元，相邻的4个cell可以组成一个block，其每次滑动一个cell，最终能够提取得到所选择图像的HOG特征。紧接着沿着梯度方向180°平均划分成为9个方向（bin），对每个cell当中梯度方向直方图可以最终得到一个9维的特征向量，而对于block而言，在每次向旁边滑动一个cell，那么就最终就可以最终得到112个block，将其串联在一起，最终就可以得到112×36维的HOG特征描述子。为了能够最大程度上降低外在环境对最终所得到的图像情绪度，可以在串联所有Block特征向量以外，对其进行归一化处理。

（三）支持向量机分类

支持向量机方法（SuppoR Vecor Machine，SVM），其主要指的就是将监督学习方式作为主要的模拟途径，对数据进行二元分类，是一种本质上的广义线性分类器。从其决策边界上看，就是希望能够对整个学习样本进行求解。并最终获得最大边距超平面。与此同时，在应用SVM方法的过程当中还具有核技巧，这也使它成为一种目前比较常用的非线性分离器，对于其而言，最为典型的学习策略就是间隔的最大化，最终将其转化成为对凸二次规划进行求解的问题。在对该方法进行使用的过程当中，最为根本的思想就是希望能够求解出不同的数据集，同时寻找到几何间的最大的分离超平面。从统计学角度看，支持向量机是一种比较常用的方法，在实际应用过程中可以对所采集的图片中的各个主体进行合理划分，主要包括行人以及车辆，选择该方法的主要原因就是支持向量机分类方法精确度较高，而且便于操作。

（四）行人跟踪与行为判断

在确定了行人目标之后。最为关键的环节就是对其行为进行跟踪，综合确定行人运动的位置以及其运动方向等，最终判断行人在过马路过程中是否存在闯红灯问题。由于行人在过马路时穿着颜色不会发生变化，这也为使用颜色直方图提供了基础，能够利用这种方法对不同目标进行合理区分。在对位置信息进行确定过程中关键就是确定运动中心点坐标在图像当中所处的位置，采用横、纵坐标方式进行定位。而对于目标行为轨迹而言，所选择的是轨迹平滑度进行描述。对于平滑度而言，第一项为方向平滑度。而第二项则是速度平滑度，在进行研究过程中则认为无论是对于方向平滑度还是对于速度平滑度而言，最终平滑度的贡献度是完全相同的，因此可以进行直接相加。仅对紧邻的两帧当中的平滑度进行匹配，保证最终结果满足实际要求。

在对目标行为轨迹以及位置信息进行确定之后。还需要确定出合适的跟踪匹配方法。将已经跟踪到的行人目标作为矩阵行，而下一帧全新图像行人目标所处的位置作为矩阵列，最终就可以通过这种方法得到距离矩阵以及与之能够相适应的匹配矩阵。对于该矩阵当中元素为2的值，那么就说明其所对应的行与列所代表的已知行人和新目标顺利匹配，表明追踪行为成功，而对于没有追踪成功的目标则需要建立全新的追踪。

（五）行人闯红灯判断

在最终成功检测并追踪到运动的行人目标以后，还需要对目标图像当中所出现的所有行人进行编号。在系统设置过程中首先设置红灯目标区域，当红灯信号输入到系统以后，开始对行人行为进行判断，如果此时有行人进入到事先设置好的红灯区域，那么就可以判断此行人为闯红灯行人。并拍摄图片，发出警告信息，由专业人员阻止其行为并给予批评教育提示，让行人注意安全，不要闯红灯。

在本文研究过程中借助于视频监测方法对行人闯红灯行为进行研究，从整个流程上看，主要包括运动目标提取、行人识别、支持向量机分类、行人跟踪与行为判断以及行人闯红灯判断。本方法识别率高，且能够降低外界影响降低到最低限度，便于今后更好地对行人闯红灯行为进行判断与处罚。但是本方法与发达国家所采用的红外线识别方法精准度有差距，在今后可以将两种方法结合在一起加以研究。