1、引言
　　
　　目前，交通事故是導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，一旦與機動車發生交通事故，很容易受到傷害。因此，行人檢測技術成為近年來智能分析領域研究中備受關注的研究方向，尤其對于智能交通視頻分析領域，對目標的分類和檢測，對道路的管理和交通安全有至關重要的作用，本文提出了一種簡單有效的人車分類方法，通過對目標邊緣方向分布進行分析，對目標進行分類，并能達到較好的分類效果。
　　
　　目前目標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前圖像與參考背景的像素進行逐個做差來得到運動目標，通過運動目標與相應已知目標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果。
　　
　　應用Harr型特征的方法，該方法通過從大量訓練樣本中提取Haar型特征，對這些特征進行訓練得到強分類器，zui后通過強分類器來進行目標的識別和分類。Harr型特征檢測方法成功的應用在人臉檢測，速度很快，精度較高，已經廣泛應用，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域特征，人臉在這方面非常穩定，所以有很高的檢測精度，但應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域的梯度方向直方圖特征，通過對樣本中該特征進行訓練，然后用模式識別中的方法形成分類器，從而實現目標檢測和分類。利用梯度直方圖的方法，它提取了圖像中局部區域的梯度方向直方圖特征，通過對樣本中該特征進行訓練，然后用模式識別中的方法形成分類器，從而實現行人檢測。它的*之處在于，HOG特征描述了圖像局部區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用在行人檢測中，已經成為目前主流的方法。但在實際應用中，根據不同的場景，不同的相機架設的高度、角度，往往需要訓練相應的訓練器；在實際監控中需要實時對視頻序列進行處理，并且需要對目標進行跟蹤，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，無法確定統一的檢測區域，在使用上帶來不便。
　　
　　正式基于目前人車分類技術的現狀，本文提出一種結合圖像分割和目標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確性。
　　
　　2、基于邊緣方向直方圖的分類方法的實現方式和工作原理
　　
　　2.1整體概述
　　
　　一種基于目標邊緣方向的目標分類方法的實現主要包括運動目標檢測，運動目標跟蹤，運動目標邊緣分析三個模塊，如下圖所示。
　　
　　其中，運動目標檢測模塊根據輸入的連續視頻序列建立穩定的背景圖像，并利用圖像差等方法提取出當前幀中的運動目標。利用Kalman濾波，粒子濾波等方法對運動目標進行跟蹤，獲取當前圖像中存在的運動目標區域。在目標分類模塊，通過分析運動目標的邊緣方向分布進行目標分類。
　　
　　2.2運動目標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檢測。
　　
　　高斯模型就是用高斯概率密度函數（正態分布曲線）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（正態分布曲線）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區域和背景區域相比比較大，且背景區域和目標區域在灰度上有一定的差異，那么該圖像的灰度直方圖呈現雙峰-谷形狀，其中一個峰對應于目標，另一個峰對應于背景的中心灰度。
　　
　　在檢測到運動目標后，我們需要對運動目標進行跟蹤，在研究中，采用了Kalman濾波與均值漂移相結合的跟蹤方法。均值漂移算法（Mean-shift）[2]是一種非參數概率密度估計算法，可以通過迭代快速地收斂于概率密度函數的局部zui大值，因此在目標實時跟蹤領域有著很高的應用價值。Mean-shift算法本身是通過對目標原始區域的不斷迭代去尋找*匹配候選目標，當目標運動速度較大時，很容易發生冗余迭代或局部收斂，針對此種情況，我們采用Kalman濾波[3]對每個目標運動過程進行建模，通過Kalman預測縮小迭代范圍，減少計算量，同時降低噪聲影響，得到目標的*估計。目標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，安裝高度有很大關系，由于行人為非剛體，因此，很難建立適應性強的行人模型。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，行人目標與車輛目標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：計算目標區域內當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：根據計算的梯度計算像素點的梯度方向，并統計目標區域內的梯度方向直方圖
　　
　　步驟3：利用經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用
　　
　　在面向交通的智能監控系統中，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，行人的違規進入對行車帶來嚴重的安全隱患。當行人進入監控區域時必須能及時提醒監控人員，并觸發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，當發現行人進入監控區域后進行報警，報警信號分別發往客戶端和前端的報警裝置。
　　
　　同時，這種技術提高了在基于視頻的智能監控系統中對車輛的辨別能力，輔以一定的跟蹤技術，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確的判斷。
　　
　　4、結論
　　
　　本方法首先通過背景提取的方法標記出運動目標，再獲取運動目標所在的區域；對目標區域內的灰度圖像計算邊緣方向，并統計方向直方圖，zui后通過分析邊緣方向直方圖確定運動目標的類型。本發明根據目標邊緣方向分布的特征區別行人和車輛，計算復雜度低，易實現，能很好滿足實時監控的需求；同時，由于高速公路場景，視頻受相機架設高度，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，適應性更強的優點，能更好的應用于高速公路視頻監控中目標分類，有效幫助高速公路管理部門對高速公路進行管理。