基于航拍技术的道路异常情况的检测.docVIP

基于航拍技术的道路异常情况的检测 　　【关键词】道路交通 无人机 异常情况检测 图像处理 SVM分类器 　　将无人机航拍技术运用到道路异常情况的检测，属于无人机在交通领域的应用。此论文介绍的这款检测软件，目的在于用无人机自动检测代替传统的人力检测。此软件的制作思路如下：首先，针对道路交通情况进行采集样本，建立数据库，样本分为两大类，一类是正样本：无道路异常情况图像，另一类是负样本：有道路异常情况图像；然后将所有样本图像进行hog算法的特征提取，得到的hog特征作为SVM分类器的原始数据源；接下来通过SVM的训练和测试原理制成分类器；最终再通过滑动窗口检测法针对航拍视频中的每一帧图像进行检测，找出视频中存在异常情况的路段。 　　1 用hog算法进行特征提取的原理及优点 　　方向梯度直方图（Histogram of Oriented Gradient， HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征，其主要思想是在一副图像中，局部目标的表象和形状能够被梯度或边缘的方向密度分布很好地描述。具体的实现方法是：首先将图像分成小的连通区域，我们把它叫细胞单元。然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来就可以构成特征描述器。 　　与其他的特征描述方法相比hog算法有以下优点：首先，由于HOG是在图像的局部方格单元上操作，所以它对图像几何的和光学的形变都能保持很好的不变性，这两种形变只会出现在更大的空间领域上。其次，在粗的空域抽样、精细的方向抽样以及较强的局部光学归一化等条件下，只要观测物体大体上能够保持直立的姿势，可以容许有一些细微的动作，这些细微的动作可以被忽略而不影响检测效果。 　　2 SVM分类器原理 　　数据分类是指在已有分类的训练数据的基础上，根据某种原理，经过训练形成一个分类器，然后使用分类器判断没有分类的数据的类别。支持向量机（SVM）是一种基于分类边界的方法。它的基本原理是（以二维数据为例）：如果训练数据分布在二维平面上的点，它们按照其分类聚集在不同的区域。基于分类边界的分类算法的目标是，通过训练，找到这些分类之间的边界（直线的?D?D称为线性划分，曲线的?D?D称为非线性划分）。对于多维数据（如N维），可以将它们视为N维空间中的点，而分类边界就是N维空间中的面，称为超面（超面比N维空间少一维）。线性分类器使用超平面类型的边界，非线性分类器使用超曲面。 　　3 滑动窗口检测框架 　　滑动窗口检测是采用固定大小窗口对所给图像的缩放进行扫描的方式。其流程结构如图1所示。 　　4 以“道路裂缝”为例具体介绍本款软件的制作及检测过程 　　4.1 图像数据库建立阶段 　　总样本数量1913张，分为正样本和负样本。正样本选择没有裂缝的正常道路图像，数量1334张；负样本选择道路裂缝图像，负样本必须覆盖裂缝的全部类型，样本数量579张。所有样本图像要求“大小128X128 ；同一裂缝需要进行角度变换，每10°采样一次；每个样本做灰度处理”。 　　4.2 hog算法进行图像特征提取 　　取579张正样本与1334张负样本，从1～1913排序，将1913张样本通过matlab进行hog算法提取图像特征，形成hogtraindata.mat文件。另外建立一个mat文件，取正样本为1，负样本为-1，令前579个数为1，后1334个数为-1，形成hogtrainlabel.mat文件。 　　4.3 SVM数据训练 　　结合hogtraindata.mat文件和hogtrainlabel.mat文件，用SVM进行训练： 　　完成训练过程。 　　4.4 SVM数据测试 　　4.4.1 为验证SVM训练后的效果，进行SVM数据测试 　　另找不同的156张正样本和278张负样本，按照步骤（二），形成hogtestdata.mat和hogtestlabel.mat两个文件，用SVM进行测试： 　　SVM测试完成。 　　4.4.2 SVM训练后效果分析 　　由SVM数据测试所得准确率为93%，此训练效果一般。 　　4.5 滑动窗口检测及其成果 　　输入一段无人机航拍视频，进行隔帧滑动窗口算法检测，纵步距为50，横步距为50，窗口大小为128*128，从检测结果中选取两张异常图像（图2，图3）。 　　5 总结 　　此软件制作思路及过程仍存在以下缺点： 　　（1）由于时间有限及实验仪器的使用受限，数据库中样本图像的数量太少，还需要继续丰富。 　　（2）特征提取算法太过单一，制作过程中未将hog算法与其他算法进行效果的比较分析，寻找检测效果更佳的特征提取算法。 　　（3）滑动窗口检测涉