1、引言
　　
　　目前，交通事故是導(dǎo)致行人死亡的一個主要因素之一，由于自行車騎車人和行人在交通事故中常常處于弱勢地位，一旦與機動車發(fā)生交通事故，很容易受到傷害。因此，行人檢測技術(shù)成為近年來智能分析領(lǐng)域研究中備受關(guān)注的研究方向，尤其對于智能交通視頻分析領(lǐng)域，對目標(biāo)的分類和檢測，對道路的管理和交通安全有至關(guān)重要的作用，本文提出了一種簡單有效的人車分類方法，通過對目標(biāo)邊緣方向分布進行分析，對目標(biāo)進行分類，并能達到較好的分類效果。
　　
　　目前目標(biāo)分類的主要方法有基于形狀模型匹配的方法、基于分類器的方法和利用梯度方向直方圖的方法。
　　
　　其中，基于背景提取和形狀模型匹配的方法，該方法主要是通過對當(dāng)前圖像與參考背景的像素進行逐個做差來得到運動目標(biāo)，通過運動目標(biāo)與相應(yīng)已知目標(biāo)的形狀模型進行匹配來進行判別。這種方法的缺陷在于：行人具有的多態(tài)性和車輛的多樣性決定了通過模型匹配不能達到較理想的結(jié)果。
　　
　　應(yīng)用Harr型特征的方法，該方法通過從大量訓(xùn)練樣本中提取Haar型特征，對這些特征進行訓(xùn)練得到強分類器，zui后通過強分類器來進行目標(biāo)的識別和分類。Harr型特征檢測方法成功的應(yīng)用在人臉檢測，速度很快，精度較高，已經(jīng)廣泛應(yīng)用，但是行人檢測不同于人臉檢測，Harr特征主要是基于灰度分布的區(qū)域特征，人臉在這方面非常穩(wěn)定，所以有很高的檢測精度，但應(yīng)用于戶外公路行人和車輛時，由于色彩多樣，光線、天氣變化等因素影響，行人和車輛圖像在灰度分布的區(qū)域上并沒有明顯的特征，因此利用Harr特征進行分類也不能達到很好的效果。
　　
　　利用梯度方向直方圖特征的方法，它提取了圖像中局部區(qū)域的梯度方向直方圖特征，通過對樣本中該特征進行訓(xùn)練，然后用模式識別中的方法形成分類器，從而實現(xiàn)目標(biāo)檢測和分類。利用梯度直方圖的方法，它提取了圖像中局部區(qū)域的梯度方向直方圖特征，通過對樣本中該特征進行訓(xùn)練，然后用模式識別中的方法形成分類器，從而實現(xiàn)行人檢測。它的*之處在于，HOG特征描述了圖像局部區(qū)域的梯度強度和梯度方向的分布情況，該分布情況能對局部對象外觀和形狀進行很好的表征，事實證明能夠很好的應(yīng)用在行人檢測中，已經(jīng)成為目前主流的方法。但在實際應(yīng)用中，根據(jù)不同的場景，不同的相機架設(shè)的高度、角度，往往需要訓(xùn)練相應(yīng)的訓(xùn)練器；在實際監(jiān)控中需要實時對視頻序列進行處理，并且需要對目標(biāo)進行跟蹤，利用分類器并不能很好的滿足實時的要求，并且不同視頻場景不同，無法確定統(tǒng)一的檢測區(qū)域，在使用上帶來不便。
　　
　　正式基于目前人車分類技術(shù)的現(xiàn)狀，本文提出一種結(jié)合圖像分割和目標(biāo)邊緣方向直方圖的人車分類方法，有效減小了算法計算量并提升了分類的準(zhǔn)確性。
　　
　　2、基于邊緣方向直方圖的分類方法的實現(xiàn)方式和工作原理
　　
　　2.1整體概述
　　
　　一種基于目標(biāo)邊緣方向的目標(biāo)分類方法的實現(xiàn)主要包括運動目標(biāo)檢測，運動目標(biāo)跟蹤，運動目標(biāo)邊緣分析三個模塊，如下圖所示。
　　
　　其中，運動目標(biāo)檢測模塊根據(jù)輸入的連續(xù)視頻序列建立穩(wěn)定的背景圖像，并利用圖像差等方法提取出當(dāng)前幀中的運動目標(biāo)。利用Kalman濾波，粒子濾波等方法對運動目標(biāo)進行跟蹤，獲取當(dāng)前圖像中存在的運動目標(biāo)區(qū)域。在目標(biāo)分類模塊，通過分析運動目標(biāo)的邊緣方向分布進行目標(biāo)分類。
　　
　　2.2運動目標(biāo)檢測及跟蹤模塊工作原理
　　
　　在本方法中利用高斯混合模型進行背景提取和運動目標(biāo)檢測。
　　
　　高斯模型就是用高斯概率密度函數(shù)（正態(tài)分布曲線）地量化事物，將一個事物分解為若干的基于高斯概率密度函數(shù)（正態(tài)分布曲線）形成的模型。
　　
　　其原理和過程是：圖像灰度直方圖反映的是圖像中某個灰度值出現(xiàn)的頻次，也可以以為是圖像灰度概率密度的估計。如果圖像所包含的目標(biāo)區(qū)域和背景區(qū)域相比比較大，且背景區(qū)域和目標(biāo)區(qū)域在灰度上有一定的差異，那么該圖像的灰度直方圖呈現(xiàn)雙峰-谷形狀，其中一個峰對應(yīng)于目標(biāo)，另一個峰對應(yīng)于背景的中心灰度。
　　
　　在檢測到運動目標(biāo)后，我們需要對運動目標(biāo)進行跟蹤，在研究中，采用了Kalman濾波與均值漂移相結(jié)合的跟蹤方法。均值漂移算法（Mean-shift）[2]是一種非參數(shù)概率密度估計算法，可以通過迭代快速地收斂于概率密度函數(shù)的局部zui大值，因此在目標(biāo)實時跟蹤領(lǐng)域有著很高的應(yīng)用價值。Mean-shift算法本身是通過對目標(biāo)原始區(qū)域的不斷迭代去尋找*匹配候選目標(biāo)，當(dāng)目標(biāo)運動速度較大時，很容易發(fā)生冗余迭代或局部收斂，針對此種情況，我們采用Kalman濾波[3]對每個目標(biāo)運動過程進行建模，通過Kalman預(yù)測縮小迭代范圍，減少計算量，同時降低噪聲影響，得到目標(biāo)的*估計。目標(biāo)檢測和跟蹤效果如圖二所示：
　　
　　2.3分類模塊
　　
　　行人的形狀與相機安裝角度，安裝高度有很大關(guān)系，由于行人為非剛體，因此，很難建立適應(yīng)性強的行人模型。同時，使用建模識別的方法計算量較大，在實時的視頻處理中存在一定局限性。
　　
　　由圖三可以看出，行人目標(biāo)與車輛目標(biāo)在邊緣紋理上有較大差異：
　　
　　1.行人具有較豐富的垂直方向的紋理，即水平方向的梯度；
　　
　　2.車輛除了垂直方向的紋理，在水平方向的紋理更為豐富，即垂直方向的梯度要明顯多于行人水平方向的梯度。
　　
　　因此，我們可以采用如下簡單的分類方式將人車進行分類。
　　
　　步驟1：計算目標(biāo)區(qū)域內(nèi)當(dāng)前幀灰度圖像的邊緣梯度，可以使用sobel算子，Roberts算子等
　　
　　步驟2：根據(jù)計算的梯度計算像素點的梯度方向，并統(tǒng)計目標(biāo)區(qū)域內(nèi)的梯度方向直方圖
　　
　　步驟3：利用經(jīng)驗信息分析直方圖的分布情況，從而達到人車分類的目的。
　　
　　3、人車分類在交通事件檢測中的應(yīng)用
　　
　　在面向交通的智能監(jiān)控系統(tǒng)中，人車分類具有重要的意義，尤其在高速公路，城市快速路等封閉式道路中，行人的違規(guī)進入對行車帶來嚴(yán)重的安全隱患。當(dāng)行人進入監(jiān)控區(qū)域時必須能及時提醒監(jiān)控人員，并觸發(fā)高速公路上的報警裝置對過往車輛進行提醒，同時通知巡邏人員。系統(tǒng)組成如圖四所示。
　　
　　其中事件檢測器完成視頻分析，人車分類的功能，當(dāng)發(fā)現(xiàn)行人進入監(jiān)控區(qū)域后進行報警，報警信號分別發(fā)往客戶端和前端的報警裝置。
　　
　　同時，這種技術(shù)提高了在基于視頻的智能監(jiān)控系統(tǒng)中對車輛的辨別能力，輔以一定的跟蹤技術(shù)，可以有效的對道路上的違章停車，違章逆行等車輛異常行為進行準(zhǔn)確的判斷。
　　
　　4、結(jié)論
　　
　　本方法首先通過背景提取的方法標(biāo)記出運動目標(biāo)，再獲取運動目標(biāo)所在的區(qū)域；對目標(biāo)區(qū)域內(nèi)的灰度圖像計算邊緣方向，并統(tǒng)計方向直方圖，zui后通過分析邊緣方向直方圖確定運動目標(biāo)的類型。本發(fā)明根據(jù)目標(biāo)邊緣方向分布的特征區(qū)別行人和車輛，計算復(fù)雜度低，易實現(xiàn)，能很好滿足實時監(jiān)控的需求；同時，由于高速公路場景，視頻受相機架設(shè)高度，角度以及天氣因素影響較大，基于模型匹配的方法適應(yīng)性較差；該方法是對目前比較流行的梯度方向直方圖（HOG）特征識別的方法的改進，本方法具有計算量小，適應(yīng)性更強的優(yōu)點，能更好的應(yīng)用于高速公路視頻監(jiān)控中目標(biāo)分類，有效幫助高速公路管理部門對高速公路進行管理。