矿区智能监控中违法车辆检测算法的设计与实现 指导老师：蒲宝明（研究员） 答 辩 人：张全发 答辩日期：2013-03-26　　　　

主要内容 1 2 3 4 5 LOGO 课题概述 训练分类器 基于Hough变换的区域提取 区域内的违法车辆检测 实验与总结 www.themegallery.com

课题概述 课题背景 ： 课题意义： 主要内容： 智能监控的应用，为矿区监管中的问题提供了良好的解决方案 课题是矿区智能监控系统项目的一部分 通过智能监控中违法车辆识别算法，实现矿区车辆监管的信息化、实时化、自动化 主要内容： 智能监控中违法车辆检测算法的设计与实现 LOGO www.themegallery.com

课题概述 图2-1 矿区智能监控系统总体结构图 LOGO www.themegallery.com

课题概述 违法车辆检测算法 LOGO 违法车辆：在不允许开采的区域进行作业的工程车辆 图2-2 违法车辆检测框图 www.themegallery.com

主要内容 1 2 3 4 5 LOGO 课题概述 训练分类器 基于Hough变换的区域提取 区域内的违法车辆检测 实验与总结 www.themegallery.com

分类器的训练 目的 训练流程 根据样本信息，训练分类器，得到检测目标的“模型” 1.建立样本库 2.提取样本特征 3.根据特征信息集训练分类器 LOGO www.themegallery.com

分类器的训练 1.建立样本库 LOGO 样本的选择 为平衡数量和准确度的关系，选用现场图片作为样本 样本库包括正样本和负样本： 正样本：包含工程车辆的图片 负样本：不包含工程车辆的图片 正样本210张 负样本290张 LOGO www.themegallery.com

分类器的训练 2.提取样本特征 LOGO 采用梯度方向直方图(HOG)作为描述样本的特征 HOG的参数设置： winSize(80,80) blockSize(16,16) blockStride(8,8) nbins(9) 得到一个2916维的向量 图3-3 行人HOG特征计算原理图 LOGO www.themegallery.com

对于线性可分的问题SVM是采用固定间隔的大小求解最小化的 分类器的训练 3.根据样本训练分类器 采用线性支持向量机(SVM)的方法训练分类器 分类器对应分类函数 （1） 分类器的衡量标准分类间隔，分类间隔越大分类器精度越高 （2） 对于线性可分的问题SVM是采用固定间隔的大小求解最小化的 对于线性不可分问题 SVM的求解引入了核函数，松弛变量和惩罚因子等技术，通过核函数技术可以将低维的非线性问题转换到高维空间变成线性问题。 LOGO www.themegallery.com

分类器的训练 图3-5样本分类器训练流程图 LOGO www.themegallery.com

主要内容 1 2 3 4 5 LOGO 课题概述 训练分类器 基于Hough变换的区域提取 区域内的违法车辆检测 实验与总结 www.themegallery.com

基于Hough变换的区域提取 选择理由： LOGO HOG特征检测需要较大的运算量。 工程车辆在图像中具有比较明显的边缘特征，并且边缘主要以直线为主 。 通过联通检测出的直线段，并用矩形区域分割，可得到包含目标的区域。 Hough变换直线检测方法对于二值化图像有较好的效果。 LOGO www.themegallery.com

基于Hough变换的区域提取 Hough变换原理 LOGO 图像中的一点变换到参数空间中的一条曲线或一个曲面，而具有同一参数特征的点经过变换后在参数空间中相交 原坐标空间 参数坐标空间 针对直角坐标系斜率为无穷大的情况采用极坐标系 LOGO www.themegallery.com

基于Hough变换的区域提取 图4-2 ROI提取流程图 LOGO www.themegallery.com

主要内容 1 2 3 4 5 LOGO 课题概述 训练分类器 基于Hough变换的区域提取 区域内的违法车辆检测 实验与总结 www.themegallery.com

区域内的违法车辆检测 1.工程车辆检测： 2.违法行为判断： LOGO 根据分类器，采用HOG特征描述，在区域内检测出工程车辆。 在检测出工程车辆之后，依据判断条件，判定是否为违法行为。 LOGO www.themegallery.com

区域内的违法车辆检测 1.工程车辆检测 多尺度滑窗检测 窗口融合 跟踪检测 LOGO www.themegallery.com

区域内的违法车辆检测 多尺度滑窗检测 LOGO 参数设置： 窗口大小样本图像相同 窗口的移动步长与cell相同 缩放比例1.05 图5-5多尺度滑窗检测的流程图 LOGO www.themegallery.com

区域内的违法车辆检测 窗口融合 跟踪检测 LOGO 通过多尺度滑窗检测得到的结果会是一组窗口，即同一个对象会出现多次被检测出来。对属于同一目标的窗口进行融合 跟踪检测 将目标存入目标列表，进行多次检测 跟踪检测可以提高准确率，降低漏检率 图5-6工程车辆跟踪检测的流程图 LOGO www.themegallery.com

区域内的违法车辆检测 2.违法车辆判断 两种情况： LOGO 一种是没有规划，不允许开采的野矿，在此范围内的开采行为都是违法的。 另一种是规划开采的矿区，这里可以在划定范围内开采，不允许越界开采。 图5-7违法车辆判断流程图 LOGO www.themegallery.com

主要内容 1 2 3 4 5 LOGO 课题概述 训练分类器 基于Hough变换的区域提取 区域内的违法车辆检测 实验与总结 www.themegallery.com

实验分析 实验目的 实验环境： 实验数据 LOGO 验证算法对于实际环境的检测效果和性能。 硬件采用AMD Athlon X2 主频2.81GHz的处理器，2GB内存。软件平台使用的是微软Windows XP操作系统，开发平台为Mcrosoft Visual Studio2008；同时程序在实现的过程中调用了Opencv2.3图像库中的函数。 实验数据 挖掘机工作现场的视频图像， 选取两个场景，多段视频，视频像素为640×480 LOGO www.themegallery.com

实验分析 实验结果截图 场景一 场景二 图4-3不同场景中的直线和区域检测结果 LOGO www.themegallery.com

实验分析 实验结果截图 a b c d LOGO 目标区域提取 跟踪检测结果 图5-8检测结果示意图 www.themegallery.com

表5-1本文算法对违法工程车辆的检测结果统计 实验分析 实验结果统计 实验对一段时间内的检测结果进行分析，根据检测出挖掘机的帧数与总帧数的对比，得出统计结果。 表5-1本文算法对违法工程车辆的检测结果统计 算法已经作为辅助手段，应用在实际的矿区监管中 LOGO www.themegallery.com

总结 完成的工作 LOGO 分析矿区监管和智能监控的现状，提出违法工程车辆的检测算法。 论文选择HOG特征结合线性SVM作为算法主要的检测方式 。 论文提出了一种基于Hough变换直线检测的兴趣区域提取算法，弥补了HOG特征检测计算量大的的不足。 论文在算法的最后加入了跟踪检测的算法；进一步提高准确率，减小漏检率和误检率。 LOGO www.themegallery.com

总结 后续工作的展望 LOGO 用于训练分类器的样本较少，造成算法的通用性较差；后续需要增加样本的数量，提升算法的通用性 课题中对于违法行为的判断是通过检测地貌特征的变化实现的，此种方法对于小范围的变化不敏感，后续工作将研究工程车辆本身行为，提高判断的精准度。 LOGO www.themegallery.com

发表文章 LOGO [1] 张全发,蒲宝明,李天然,孙宏国. 基于HOG特征和机 器学习的工程车辆检测. 计算机系统应用. 已录用 . [2] 邵宇,张全发,蒲宝明. 智能监控中的工程车辆识别算法. 小型微型计算机系统. 已录用 . LOGO www.themegallery.com

参考文献 [1] 梁建新. 远程监控技术在苍山县矿产资源开发管理中的应用 [J]. 山东国土资源, 25(11).2009:41-44. [2] InSu Kim,Hong Seok Choi,Kwang Moo Yi,Jin YoungChoi&SeongG.Kong. intelligent visual surveillance a survey[J].International Journal of Control Automation,and Systems,8(5).2010:926-935. [3] R.Collins,et.al. A system for video surveillance and monitoring[R].VSAM final report. Carnegie Mellon University:Technical Report Cmu.2000. [4] 杨建全,梁华,王成友. 视频监控技术的发展与现状[J]. 现代电子技术. 2006,21:84-89. [5] T. Matsuyama. Cooperative distributed vision[C], In Proceedings of DARPA Image Understanding Workshop. 1998:365-384. [6] 李赢韬. 智能视频监控技术及其应用研究[D]. 武汉:武汉科技大学,2011. [7] 黄灿. 基于局部特征的车辆识别[D]. 上海:上海交通大学,2010. [8] 李波. 基于图像分析的车辆识别与跟踪若干关键技术研究[D]. 武汉:华中科技大学,2011. [9] 文学志,方巍,郑钰辉. 一种基于类Haar特征和改进AdaBoost分类器的车辆识别算法[J]. 电子学报,2011,39(5)1121-1126. [10]Dlagnekow L. Video-based car sureilance:license plate,make,and model recognition[D]. San Diego:university of California at San Diego,2005. [11]李修志,吴健,催志明,陈建明. 复杂交通场景中采用稀疏表示的车辆识别方法[J]. 中国图像图形学报.2012,17(3):387-392. [12]王蕾. 基于视频图像处理的车辆识别技术研究[D]. 青岛:中国海洋大学,2009. [13]冯佳明. 基于特征的车辆分类研究[D]. 昆明:云南大学,2011. [14]CHUNG-Cheng Chiu,Min-Yu Ku,Chun-Yi Wang. Automatic Traffic Surveillance System for Vision-Based Vehicle Recognition Tracking and Tracking[J]. Journal of Information Science and Engineering,2010,26(2):611-629. [15]Yen-Lin Chen,Bing-Fei Wu,Chung-Jui Fan. Real-time Vision-based Multiple Vehicle Detection and Tracking for Nighttime Traffic Surveillance[J]. IEEE International Conference on Systems,Man,and Cybemetics,2009,10. [16]张国宣. 基于统计学习理论的支持向量机分类器方法研究[J]. 合肥:中国科学技术大学,2004. [17]宋枫溪,高秀梅,刘树海,杨静宇. 统计模式识别中的维数消减与低损降维[J]. 计算机学报,2005,28(11):1915-1922. [18]Richard O.Duda,Peter E.Hart,David G..Stork,李宏东,姚天翔 译. 模式分类(第二版)[M]. 北京:机械工业出版社，2003. [19]刘丽,匡纲要. 图像纹理特征提取方法综述[J]. 中国图像图形学报,2009,14(4):622-635. [20]VAPNIK V. Statistical learning theory[M]. New York:Wiley,1998. [21]曹翼. 基于支持向量机理论的车辆监控技术研究与应用[D]. 上海:上海交通大学,2010. [22]Vapnik,张学工 译. 统计学习理论的本质[M]. 北京:清华大学出版社,2000. [23]车志富. 基于支持向量机的行人检测[D]. 北京:北京交通大学,2010. [24]刘华煜. 基于支持向量机的机器学习研究. 黑龙江:大庆石油学院,2005. [25]Lowe D G. Distinctive image features from scale invarian keyPoints[J]. International Journal of Computer Vision,2004(6):90-110. [26]Dalal,Triggs. Histogram of oriented gradient for human detection[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2005:886-893. [27]Felzenszwalb P, Girshick R, McAllester D, Ramanan D. Object detection with discriminatively trained part-based models[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 32(9): 1627-1645. [28]胡仕玲,顾爽,陈启军. 基于HOG的物体分类方法[J]. 华中科技大学学报,2011,39(增刊二):124-126. LOGO www.themegallery.com

参考文献 LOGO [29]于仕琪,刘瑞祯. 学习OpenCV[M]. 北京:清华大学出版社,2009. [30]P.V.C. Hough.Method and means for Recognizing Complex Patterns. U.S.Patent. NO.3069654,1962.2. [31]杨全银. 基于Hough变换的图像形状特征检测[D]. 济南:山东大学,2009. [32]Duda R O,Hart P E. Use of Hough Transform to Detect Lines and Curves in Pictures. Graphics and Image Processing.Comm.ACM,1972,15:11-15. [33]闫青. 监控视频中的车辆及行人检测[D]. 上海:上海交通大学,2009. [34]樊万梅. 监控图像中ROI提取及目标检测技术研究[D]. 重庆:重庆大学,2011. [35]林玉池,崔彦平,黄银国. 复杂背景下边缘提取与目标识别方法研究[J]. 光学精密工程,2006,14(3):509-514. [36]刘东升,刘鹏鹏,王刚. 一种基于HOG的快速人体检测算法.[J]. 电子设计工程,2012,20(11):190-192. [37]Navneet Dalal. Finding People in Images and Video[D]. France: institut National polytechnique de Grenoble,2006. [36]吴伟. 智能视频监控中目标跟踪算法研究及应用[D]. 合肥:中国科学技术大学,2011. [37]Zhang Changjun,Chen Yuzong. The Research of Vehicle Classification Using SVM and KNN in a ramp[C]. International Forum on Computer Science-Technology and Application,2009:391-394. [38]Forsyth,Ponce,林学訚译. 计算机视觉-一种现代方法[M]. 北京:电子工业出版社,2004. [39]朱胜利. Mean Shift及相关算法在视频跟踪中的研究[D]. 杭州:浙江大学，2006. [40]Bishop,Christopher M.Pattern Recognition and Machine Learning. Berlin: springer verlag.2005. LOGO www.themegallery.com

致谢 感谢蒲老师对我的指导、信任与关怀。 感谢课题组一起工作过的同事。 感谢研究生部的邹铁坚老师、丁健老师、卢威老师、何淑云老师、冷淼老师、王淑玲老师三年来对我的关怀。 感谢同学和朋友对我的帮助。 感谢父母和家人对我的支持。 LOGO www.themegallery.com

Thank You !