国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于SVM的回歸模型路口車輛計數(shù)方法?

2019-02-27 08:32:14孫耀航
計算機與數(shù)字工程 2019年2期
關鍵詞:紋理邊緣計數(shù)

孫耀航 劉 萍

(中國人民解放軍陸軍軍官學院基礎部計算中心 合肥 230031)

今年“兩會”的政府工作報告中,再一次提到“加快推進新型城鎮(zhèn)化”的重要課題。隨著我國城鎮(zhèn)化建設不斷推進,私家車數(shù)量以及車輛里程數(shù)的不斷提高,交通擁堵愈發(fā)嚴重;嚴重的擁堵增加了車輛能耗,會造成嚴重的資源浪費和環(huán)境污染[1]。為了提升對現(xiàn)有交通設施的利用效率,緩解交通壓力,提高能源使用效率,降低環(huán)境污染,從20世紀60年代開始,以智能交通管理系統(tǒng)為代表的智能交通系統(tǒng)(ITS)[2]得到了廣泛關注。在智能交通管理系統(tǒng)中,人們有望對路口車輛的數(shù)量進行實時監(jiān)控,并且根據(jù)當前各方向車輛數(shù)量,對紅綠燈的轉換時間進行即時調整。這一改進無疑可以減少車輛的等待時間,從而降低擁堵,減少污染。而相比于需要在地下放置傳感器(比如地磁線圈)的智能交通燈,基于路口交通視頻處理的交通燈更能有效利用現(xiàn)有的資源(路口監(jiān)控攝像頭),成本更低,也易于修理維護。

在傳統(tǒng)的交通系統(tǒng)中,終端(紅綠燈、攝像頭等)采集到的左右信息都傳回控制中心,由控制中心對終端統(tǒng)一“發(fā)號施令”。但是,如果所有視頻流都傳輸回中心進行處理,不僅會浪費網絡帶寬,并且傳輸過程中的丟幀也會使視頻分析變得非常困難。所以,在終端對視頻進行分析就變得十分有必要。而因為終端處理器的性能有限,這就要求我們的算法復雜度低,并且高效。

總體來說,對物體進行計數(shù)的算法可以分為以下三類:基于邊緣檢測,基于聚類,或者基于回歸的算法[3]。邊緣檢測算法需要對每個物體進行分割,或者尋找每個物體的特征點。所以,邊緣檢測算法不適用于遮擋嚴重的路口車輛計數(shù);而聚類算法雖然在克服遮擋上優(yōu)于邊緣檢測算法,但是其對靜止物體的識別相對較差。而路口車輛由于需要等待綠燈而常常處于靜止狀態(tài),所以聚類算法在此情況下表現(xiàn)較差。而基于回歸的算法直接提取圖像的整體信息,對車流的密度進行整體估計。這種方法非常適用路口密集、緩慢的車流。所以,回歸模型更適合在此環(huán)境下進行計數(shù)。

2 相關工作

如上所述,對物體進行計數(shù)的算法可以分為邊緣檢測、聚類檢測以及回歸模型三類。而過去的研究主要將目光聚焦于邊緣檢測和聚類檢測上。浙江工業(yè)大學的阮體洪[4]提出了一種Haar-like和HOG特征結合的車輛識別算法;吉林大學的楊寧[5]則提出了基于邊緣特征的前方車輛識別算法,設想以霍夫變換對前方車輛的頂部進行識別;中國海洋大學的王蕾[6]提出了一種基于Harris角點檢測的車輛識別技術。對于本文所設想的環(huán)境來說,這些方法的共同缺陷,在于對遮擋情況沒有進行處理,進行實驗的視頻中,車輛密度很低,便于提取特征點,所以顯然缺乏實用性。

同時我們注意到,在之前的研究中,回歸模型大多用于對擁擠場景下的人數(shù)進行檢測。比如Davies等[7]首先提出了一個線性回歸模型,用于從照片中抓取整體特征,估計人群中的人數(shù)。Chan等[8]提出了一個視角歸一化的方法,同時采取多種互補的特征進行特征提取,有效提高了計數(shù)精度。謝輝等提出了基于半監(jiān)督學習的計數(shù)方法,通過交互學習,可以發(fā)現(xiàn)更多的未標記數(shù)據(jù)。這一方法在視頻視角復雜,不便于標記的情況下表現(xiàn)較為良好。近幾年,卷積神經網絡(CNN)[9]在跨視角人群計數(shù)上得到了廣泛的應用。CNN的原理是通過給定的數(shù)據(jù)集訓練神經網絡,然后使用訓練完善的特征模板,可以對陌生場景進行識別。

然而,現(xiàn)有的利用回歸模型對車輛進行計數(shù)的方法非常稀少,因為相比于人,車輛的特點更加多元化。根據(jù)我們的研究,只有一個三級級聯(lián)回歸模型和一個基于兩層分類的回歸模型被用于車輛計數(shù)[10],而此研究關注高速公路上的車輛計數(shù),與路口車輛密度不可同日而語。而更多的研究則關注一些粗略的交通參數(shù),例如擁堵狀況、車輛速度等。

3 本文提出的方法

3.1 概述

在本論文中,我們嘗試解決利用交通視頻對路口車輛數(shù)量進行計數(shù)的問題。問題的主要困難在于:

1)車輛的外形特征多樣,提取適用性強的特征有困難;

2)路口車輛密度變化較大,使用單一的回歸模型易造成統(tǒng)計結果不準確。

以上兩個問題,是造成路口車輛計數(shù)困難的主要原因。在本次研究中,提取多種特征對場景進行描述,以此解決單一特征有可能造成計數(shù)不準確的問題;針對路口車輛密度變化較大的問題,提出一種新的計數(shù)模型——密度敏感的回歸模型,根據(jù)路面上車輛密度的不同,靈活地采取對應的子模型。

圖1 路口車輛計數(shù)方法框架

圖1展示了本文方法的框架??梢钥吹?,本方法主要有兩個步驟:1)特征提??;2)車輛數(shù)目統(tǒng)計。在特征提取階段,提取視頻圖像ROI的邊緣特征和紋理特征;之后利用SVM分類器對車輛密度進行辨別。最后,根據(jù)路口車輛密度的估計,對低密度情況利用線性回歸模型進行計數(shù),對高密度情況利用高斯過程回歸模型進行計數(shù)。

圖2 回歸模型計數(shù)原理

3.2 回歸模型計數(shù)

在介紹本文提出方法的細節(jié)之前,有必要對回歸模型進行簡要的說明。通過回歸模型進行計數(shù)避免了對場景中的每一個對象進行分割,轉而從被計數(shù)對象組成的集群中提取整體性特征。因為其過程中不包含分割對象或者追蹤單一對象的運動軌跡,所以回歸模型計數(shù)非常適用于在擁擠的環(huán)境中進行計數(shù),因為在此環(huán)境下,邊緣檢測或者運動軌跡檢測的性能被極大地限制了。

Davies等最早對使用回歸模型計數(shù)進行了探索。他們首先截取視頻圖像的幾個幀,然后從每個幀中抓取粗糙的特征,比如前景像素、邊緣特征等。之后,再從粗糙特征中抓取前景區(qū)域、邊緣總數(shù)等整體特征。然后,利用一個線性回歸模型在整體特征和場景人數(shù)之間建立一個映射。對回歸模型計數(shù)的改進主要聚焦在如何選取整體特征,以及使用哪種回歸模型,而回歸模型計數(shù)的原理基本沒有變化。圖2比較形象地展示了回歸模型計數(shù)的原理。

3.3 特征提取

3.3.1 邊緣特征

邊緣特征可以較為清楚地展示圖像的局部特征,同時對密度的變化比較敏感??梢灾庇^地認為,低密度情況下可以得到較為粗糙的邊緣特征,而高密度情況則得到比較精細的邊緣特征。由于高密度遮擋比較嚴重,邊緣特征在此情況下準確性有所下降。本文使用Canny算子進行邊緣檢測,利用高斯平滑濾波器進行降噪,我們使用的高斯內核如式(1)所示:

由于需要記錄邊緣的像素值和梯度,用以下公式計算梯度幅值和方向:

3.3.2 紋理特征

紋理特征對交通場景中車輛的密度非常敏感,在高密度情況下紋理特征對場景的描繪遠優(yōu)于邊緣特征。所以在車輛密度較高的情況下,我們選用紋理特征進行統(tǒng)計。有兩種紋理特征廣泛用于物體數(shù)量統(tǒng)計——GLCM算子和LBP算子。因為LBP算子較為簡單有效,在本文中使用LBP算子。因為對MPEG格式的視頻進行處理,MPEG格式視頻圖像的基本單位為宏塊(MB),每個MB對應的LBP算子由其鄰接的8個MB算出。將需計算的MB定義為Bij,其LBP的計算公式為

其中Nij代表Bij的鄰接MB的集合,Bk表示N中的每個MB,k=0,1,…,7。d()是用于比較兩個運動向量(MV)間相似程度的函數(shù),d的定義是

s()是一個符號函數(shù):

在這里Ts是一個臨界值。在實驗期間,我們令Ts=0.9。

3.4 計數(shù)方法

我們采用回歸作為車輛計數(shù)的模型。為了使實驗結果真實可靠,從合肥徽州大道與望江路路口實時采集了視頻圖像(此路口為主干道路口,車流繁忙擁擠,符合真實狀況)??梢钥吹皆诟叻迤?,距離、視角與車輛密度的關系比較復雜,并非簡單的線性關系。造成這種復雜條件的原因有:1)車輛前部的視覺特征、尺寸差異較大;2)監(jiān)控攝像頭視域較寬。同時需要注意的是,路口車輛密度隨時間(紅綠燈交替、高峰期低谷期交替)變化很大,而密度較低的情況和密度較高的情況適用的回歸模型不同,所以采用單一回歸模型是行不通的。

基于以上情況,提出基于SVM的回歸模型,其原理在圖1進行了展示。首先利用SVM將交通場景分為高密度和低密度兩種情況。在本實驗中,SVM采用RBF核函數(shù)。在場景分為兩種情況后,對低密度情況使用計算量小的線性回歸模型計數(shù),對遮擋嚴重、不適用線性回歸模型高密度情況使用高斯過程回歸模型進行計數(shù)。本實驗中,高斯回歸模型的協(xié)方差函數(shù)如下:

本式中δij是一個符號函數(shù),我們規(guī)定當i=j時δij=0,其他情況δij=1。規(guī)定參數(shù)組θ=(a0,a1,a2,a3,a4,a5)為參數(shù)組,其中a0,a1為線性趨勢,a2捕捉局部非線性情況,后面幾個參數(shù)對圖像噪聲進行處理。

4 實驗環(huán)境

我們使用WSC-7R1W戶外監(jiān)控攝像頭對徽州大道-望江路口進行實地拍攝,圖像處理硬件平臺為聯(lián)想T420S筆記本,搭載英特爾i5 2.50GHz處理器,4GB RAM,軟件平臺為Microsoft Visual Studio 2013。

5 實驗結果

為了保證實驗符合實際情況,實地拍攝了徽州大道與望江路十字路口的車流視頻用于實驗。圖3反映了路口車輛狀況。我們以16為臨界值,路口車輛數(shù)目大于16為密集情況。

圖3 前景分割

表1 各基于回歸模型的計數(shù)方法標準偏差

使用監(jiān)控視頻圖像對各方法進行測試,視頻分辨率為640×480,25fps,分別以200,600和800張截圖為測試集。為了保證實驗客觀,分別對使用邊緣+紋理特征的高斯過程回歸(GPR)模型和線性回歸(LR)模型,使用邊緣特征的LR模型、紋理特征的GPR模型以及本文方法,利用SVM對低密度情況使用LR模型,對高密度情況使用GPR模型進行了比較??梢钥吹?,隨著測試集擴大,抓取單一特征的回歸模型標準偏差較高(LR模型1.822,GPR模型1.247),而本文方法和使用邊緣+紋理特征的GPR模型標準偏差較為相近,低于0.5。但是根據(jù)進程開銷,LR開銷僅為GPR的39.6%,所以在車流較稀疏的交通低谷期本文方法的開銷大大低于使用邊緣+紋理特征的GPR回歸模型。由于交通路口的計算設備性能較為有限,所以本文方法比參考方法更加適用。

6 結語

針對車輛外觀多樣、路口車流密度變化較大、視頻處理受網絡帶寬限制等問題,我們提出了基于SVM回歸模型的路口車輛計數(shù)方法。首先提取視頻圖像ROI中車輛的邊緣特征和紋理特征,利用SVM對車輛密度進行辨別,最后對低密度情況使用線性回歸模型進行計數(shù),對高密度情況使用高斯過程回歸模型(GPR)進行計數(shù)。實驗證明,本方法對路口車輛數(shù)量統(tǒng)計比較精確,同時算法開銷較小,速度較快,有效地說明了本文方法的優(yōu)越性。

猜你喜歡
紋理邊緣計數(shù)
古人計數(shù)
遞歸計數(shù)的六種方式
古代的計數(shù)方法
基于BM3D的復雜紋理區(qū)域圖像去噪
軟件(2020年3期)2020-04-20 01:45:18
使用紋理疊加添加藝術畫特效
這樣“計數(shù)”不惱人
TEXTURE ON TEXTURE質地上的紋理
Coco薇(2017年8期)2017-08-03 15:23:38
一張圖看懂邊緣計算
消除凹凸紋理有妙招!
Coco薇(2015年5期)2016-03-29 23:22:15
在邊緣尋找自我
雕塑(1999年2期)1999-06-28 05:01:42
徐闻县| 岳西县| 江津市| 东平县| 洞口县| 内黄县| 兰西县| 玛纳斯县| 元谋县| 北海市| 开封市| 资阳市| 依安县| 凌云县| 柞水县| 板桥市| 惠安县| 贵溪市| 安仁县| 天门市| 南澳县| 北海市| 钟祥市| 六安市| 浦北县| 衢州市| 南皮县| 康平县| 大同市| 贵溪市| 贵港市| 巴马| 武汉市| 格尔木市| 屯昌县| 武邑县| 明水县| 宁晋县| 灵璧县| 北京市| 宜宾市|