基于机器视觉的校车异常监测系统

马燚博 严忱君 俞宝福

摘 要：近年来，全国各地校车事故常有报道，接二连三的车毁人亡校车交通惨剧引起了全社会对校车安全的高度关注。本论文针对校车行驶途中车内安全无人监管的问题，提出了基于机器视觉的校车异常监测系统的设计思路和实现方法，当出现异常情况时能自动报警，为校车行驶安全增加了一重保障。

关键词：机器视觉、校车、异常监测、行为识别

中图分类号：Tp391 文献标识码：A 文章编号：1672-3791（2016）06（b）-0000-00

一、校车异常监测系统的设计背景

近年来，全国各地校车事故常有报道，接二连三的车毁人亡校车交通惨剧引起了全社会对校车安全的高度关注。通过对校车事故的分析，超载是其主要原因；同时我们也发现，由于校车乘客的特殊性，学生在校车上任意走动、打闹等行为导致乘车的不安全情况，也是造成校车事故的重大诱因。

针对这些现象，有关部门也纷纷提出了解决方案。如果每辆校车都配备随车老师，其人力成本是很高的；依靠驾驶员对车内行为进行规范，又会导致驾驶员的注意力分散从而导致行车的危险性；不少校车上也开始安装了监控摄像头，但如果监控系统只能作为事后责任分析与追查用，还是无法落实到实时报警的作用。因此，让视频监控系统能自动识别异常情况并进行报警是非常关键的。

本论文针对这一问题，提出了基于机器视觉的校车异常监测系统的设计思路和实现方法，当出现车内异常情况时能自动报警，为校车行驶安全增加了一重保障。如校车行驶中持续发现过道上有人在走动，那么这辆校车就有可能是超载的；另外，如果在视频中观察到多人在车内站立且长时间聚集在一起时，很有可能发生了打闹行为，也应该及时报警。

二、校车异常监测算法设计

要实现校车异常行为监测，实际上已经转化为人体异常行为监测目标，故需要采用机器视觉技术来进行特征提取和行为识别。总体来说，异常行为检测系统要解决的问题主要包括：①如何进行前景提取，即提取出场景中的运动目标；②如何区分各种人体行为；③如何判断异常行为；④当处于拥挤环境或运动目标受到遮挡时，如何保证检测的可靠性。目前，针对每一个问题，都有相应的一系列理论和实验基础。

根据以上待解决的问题，不难得出人体异常行为检测系统的一般步骤。视频序列的某一帧输入后，首先要对它进行前景提取，即找到运动目标；接着，要对运动目标进行特征提取，即用一些量化的、可以被比较的特征参数来表征该运动目标当前的运动状态；然后，根据提取到的特征参数对运动目标进行行为识别；最后，就能够根据识别出的行为来判断是否异常，如此循环就能依次检测出整个视频序列的异常情况。

1、前景提取方法的选择

目前，对于视频中的运动目标提取，应用较多的主要有三种方法：光流法、帧差法和背景减除法。本文采用背景减除法作为前景提取的方法，其基本思想是首先建立背景图像的参数模型，接着将当前帧图像与背景图像进行差分比较，其中将区别较大的像素区域视为运动物体，将区别较小的像素区域视为背景区域。

2、背景建模方法的选择

背景建模主要有三个要素：第一，如何初始化背景模型；第二，如何判断前景点；第三，如何更新背景模型。根据解决这些问题使用策略的不同，背景建模可分为多种方法，如平均背景模型、单高斯模型、混合高斯模型和VIBE等。通过对比实验，本文采用的VIBE背景建模法得到的前景图像与之前的平均背景法和混合高斯建模得到的前景图像相比，轮廓更加清晰、线条更细腻，对前景目标的区域检测也更为准确。

3、人体特征的提取

可用于检测的人体特征包括外观形状特征和运动特征。外观形状特征指人体轮廓、姿态以及区域颜色等信息。运动特征指光流信息、运动方向、轨迹、速度等。形状特征比较稳定，但运动特征在能见度较低时依然可以分辨，因此，将这两种方法结合是一种不错的选择。本文采用了特征+分类的方法来进行人体异常行为检测，因此选择使用最广泛、且效果较好、速度较快的HOG特征作为前景目标的特征。

4、行为识别方法选取

本文将采用支持向量机分类器来对人体行为进行分类。支持向量机的思想主要可以概括为两点：①对于线性可分情况，它基于结构风险最小化理论在特征空间中建立最优分割超平面。②对于线性不可分的情况，它使用非线性映射算法将低维输入空间中线性不可分的样本映射到高维特征空间令其线性可分。

二、校车异常监测系统设计

本系统主要针对校车内人体的异常行为检测，主要完成的功能是①完成基于视频的监控和采集；②完成基于人体行为状态的标准库设计；③对校车行驶过程中的异常事件进行分类，并抽象出若干类异常行为状态，如异常走动、乘客聚集、异常站立等；④基于人体行为状态标准库的匹配，自动分析出校车内的异常状态；⑤完成异常事件的归类与整理，并能够自动报警。

系统的总体设计，程序读入视频序列以后，首先对其背景进行建模，通过背景减除法得到前景图像；接着提取出前景图像的Hog特征，采用事先训练好的HMM分类器来进行识别是否发生异常行为，若是则自动报警，否则继续读入下一段视频。

1、HOG特征提取

HOG特征，即方向梯度直方图的提取是从局部到整体的一个过程，其计算流程如下：

① 归一化图像：本文采用平方根计算对RGB色彩空间的输入图像进行伽马矫正，实现彩色图像到灰度图的转换，同时减少色彩信息对后续操作的影响，提高了检测的准确率。

② 梯度计算：梯度的实质是图像的一阶微分，在实际应用中，一般通过图像与梯度算子的卷积来实现梯度计算。目前，常用的梯度算子有Perwitt算子、Roberts算子、Sobel算子等。梯度算子将对结果产生很大影响，综合考虑计算的复杂度与算子的有效性，本文选用Sobel算子与图像卷积来实现梯度计算。

③ HOG特征维数计算：在HOG的构造函数中，计算得到的HOG特征维数是7200维。

2、SVM分类器

在本文中，要实现三种异常行为的检测，而SVM是一个二元分类器，这里可以采用一个简单的方法来解决，即“一类对其余”的方法，每次仍然解决一个二类分类问题。例如：有三个类别，第一次把类别1定为正样本，其余两类定为负样本；第二次将类别2定为正样本，其余为负样本；第三次把类别3定为正样本。也就是说，分为几类就有几个二元的SVM分类器。

实际应用时，可以预先训练好分类器，直接调用，而不需要重新训练。因此，本文只需要采用异常站立、异常走动和异常聚集三个训练好的SVM分类器即可实现分类。

四、结语

本论文对基于机器视觉的人体异常行为检测算法进行了研究，基于VIBE背景建模的前景提取、HOG特征+SVM训练的方法，成功实现了校车内人体异常站立、异常走动和异常聚集的检测。但真实校车内可能发生更多更复杂的异常行为，因此在异常行为的类别上要进一步细化。

参考文献

[1]杜鉴豪，监控视频中的人体异常行为检测研究[D]，杭州，浙江大学，2010，12-40

[2]刘高文，基于隐马尔可夫模型的视觉行为分析和异常检测研究[D]，南京，南京理工大学，2008， 31-56

[3]程远航，基于光流和Gabor小波的人脸特征点跟踪[J]，计算机仿真，2011， 28（5）： 287-290

[4]谢之宇，蒋晓瑜，汪熙等，改进的帧差法在目标匹配中的应用[J]，计算机工程与应用，2011， 47（34）： 208-211

[5]李娟，邵春福，基于混合高斯模型的行人检测方法[J]，吉林大学学报，2011，41（1）：41-45