車輛檢測(cè)中背景模型的實(shí)現(xiàn)

基于背景的差分辦法能解決基于幀間差分辦法和光流法中的問(wèn)題，并且計(jì)算簡(jiǎn)單，但是背景容易受到交通環(huán)境和光強(qiáng)度的影響，理想的背景不容易獲得，所以，自適應(yīng)環(huán)境變化的背景模型對(duì)運(yùn)動(dòng)車輛檢測(cè)的精確性起著非常重要的作用。

1 算法描述

算法（Algorithm）是一系列解決問(wèn)題的清晰指令，算法代表著用系統(tǒng)的方法描述解決問(wèn)題的策略機(jī)制。也就是說(shuō)，能夠?qū)σ欢ㄒ?guī)范的輸入，在有限時(shí)間內(nèi)獲得所要求的輸出。如果一個(gè)算法有缺陷，或不適合于某個(gè)問(wèn)題，執(zhí)行這個(gè)算法將不會(huì)解決這個(gè)問(wèn)題。不同的算法可能用不同的時(shí)間、空間或效率來(lái)完成同樣的任務(wù)。一個(gè)算法的優(yōu)劣可以用空間復(fù)雜度與時(shí)間復(fù)雜度來(lái)衡量。

智能交通系統(tǒng)是目前世界和各國(guó)交通運(yùn)輸領(lǐng)域競(jìng)先研究和開(kāi)發(fā)的熱點(diǎn)，基于背景差分的辦法是從視頻流中檢測(cè)運(yùn)動(dòng)物體常用的方法，是目前研究的重點(diǎn)。由于受到交通狀況、天氣和光強(qiáng)度等因素的影響，不容易獲得理想的背景，尤其在交通堵塞、車輛行動(dòng)緩慢或者臨時(shí)停車等情況下，背景更新率低。

圖1為車輛檢測(cè)流程圖。首先，建立基于區(qū)間分布的快速自適應(yīng)背景模型，然后利用改進(jìn)的基于ε-δ的背景更新算法對(duì)建立的背景模型進(jìn)行選擇性更新，結(jié)合閾值分割和形態(tài)學(xué)操作實(shí)現(xiàn)運(yùn)動(dòng)車輛的提取。實(shí)驗(yàn)結(jié)果表明，本文提出的算法對(duì)于復(fù)雜交通環(huán)境（交通堵塞、車流量非常大、車流緩慢、交通堵塞或臨時(shí)停車等情況）有很好的背景提取和更新效果，與經(jīng)典的算法相比，在實(shí)時(shí)性和準(zhǔn)確性方面都有所提高。

2 自適應(yīng)背景模型

為了解決車輛檢測(cè)精確度問(wèn)題，國(guó)內(nèi)外學(xué)者在背景建模方面做了大量的研究。參考文獻(xiàn)[4]利用視頻圖像中最近N幀的像素點(diǎn)的平均值的作為背景模型，這種方法在多個(gè)運(yùn)動(dòng)目標(biāo)或者運(yùn)動(dòng)目標(biāo)行動(dòng)緩慢時(shí)，對(duì)于頻繁變化的像素，需要多個(gè)高斯混合分布才能反映背景像素的變化。這些方法要求在背景模型的建立過(guò)程中沒(méi)有運(yùn)動(dòng)車輛并且建立背景模型的時(shí)間較長(zhǎng)，不能滿足實(shí)際應(yīng)用的需要。本文提出簡(jiǎn)單有效的背景模型和更新的方法。

2.1 背景模型的建立

在視頻圖像序列中，可以統(tǒng)計(jì)出每個(gè)坐標(biāo)點(diǎn)像素值的分布，并設(shè)定出現(xiàn)頻率高的像素值作為背景模型中對(duì)應(yīng)點(diǎn)的像素值。但是這種方法計(jì)算量比較大，并且對(duì)光線和背景的逐漸改變適應(yīng)性差。

在定義了ui（x,y）和Ci（x,y）后，建立背景模型的細(xì)節(jié)步驟如下：

（1）確定當(dāng)前像素屬于哪個(gè)區(qū)間，設(shè)定為i。

（2）計(jì)算ui（x,y）和Ci（x,y）。

（3）根據(jù)Ci（x,y）把區(qū)間從小到大分類。

（4）設(shè)定Ci（x,y）最大的區(qū)間的ui（x,y）作為背景模型Mt中對(duì)應(yīng)點(diǎn)的像素值。

（5）對(duì)視頻流各幀所有像素點(diǎn)重復(fù)步驟（1）~（4）。

2.2 背景模型更新

經(jīng)過(guò)上述幾個(gè)步驟，得到能自適應(yīng)光強(qiáng)度變化的背景模型。但在車輛擁擠、臨時(shí)停車或者車輛運(yùn)動(dòng)緩慢的情況下，背景模型容易出錯(cuò)，導(dǎo)致車輛檢測(cè)準(zhǔn)確性降低。為了在復(fù)雜交通狀況下也能得到理想的背景模型，論文在傳統(tǒng)σ-δ背景更新方法基礎(chǔ)上提出了一個(gè)是否更新背景模型的判斷尺度。


3 運(yùn)動(dòng)目標(biāo)提取

在獲得重建的背景之后，可以根據(jù)當(dāng)前圖像和背景圖像的差值求得運(yùn)動(dòng)目標(biāo)。背景差圖像為D（x,y）=I（x,y）-B（x,y）。圖像中所有低于這一閾值的像素集將被定義為背景，而高于這一閾值的像素集定義為運(yùn)動(dòng)目標(biāo)。采用歸一化的方法，即低于閾值的賦0值， 高于閾值的賦1值。不論以何種方式選取閾值， 取單閾值分割后的圖像可定義為：

閾值分割法是一種基于區(qū)域的圖像分割技術(shù)，其基本原理是：通過(guò)設(shè)定不同的特征閾值，把圖像象素點(diǎn)分為若干類。常用的特征包括：直接來(lái)自原始圖像的灰度或彩色特征；由原始灰度或彩色值變換得到的特征。設(shè)原始圖像為f（x，y），按照一定的準(zhǔn)則f（x，y）中找到特征值T，將圖像分割為兩個(gè)部分，分割后的圖像為：若?。篵0=0（黑），b1=1（白），即為我們通常所說(shuō)的圖像二值化。

本文選取基于最大方差理論的大津法作為視頻車輛檢測(cè)中閾值分割的處理算法。取閾值將物體從背景中分離出來(lái)，實(shí)際上就是將圖像中的所有像素分為2組，或?qū)儆谖矬w像素，或?qū)儆诒尘跋袼?。由概率論中的理論得知，若使待分割?組數(shù)據(jù)方差最大，則得到2組數(shù)據(jù)的錯(cuò)分概率最小。

經(jīng)過(guò)閾值分割已經(jīng)能夠成功地分割出運(yùn)動(dòng)車輛。大津法分割得到的二值圖像仍然在車輛內(nèi)部存在黑色像素點(diǎn)的問(wèn)題。為了使檢測(cè)到的運(yùn)動(dòng)目標(biāo)完整而連續(xù)，對(duì)背景幀差法得到的二值圖像進(jìn)行形態(tài)學(xué)膨脹與腐蝕。實(shí)驗(yàn)證明，經(jīng)過(guò)三次膨脹與腐蝕之后的圖像，可以基本填補(bǔ)運(yùn)動(dòng)目標(biāo)的空洞。

4 實(shí)驗(yàn)結(jié)果

本文以智能交通中車輛自動(dòng)監(jiān)視系統(tǒng)為應(yīng)用背景，通過(guò)實(shí)驗(yàn)證明提出方法的正確性。使用固定在三腳架上的攝像機(jī)在室外攝取不同場(chǎng)景的視頻進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)平臺(tái)為PC機(jī)Matlab7.0仿真。

圖3為自適應(yīng)背景模型的提取。選取特殊的臨時(shí)停車情況，本文提出的算法能夠自適應(yīng)提取出背景模型。本文提出的算法在第621幀時(shí)能夠得到理想的背景模型，如圖3所示；而利用高斯分布提取背景模型的方法則在1 460幀時(shí)才能獲得如圖所示的理想的背景模型。所以該算法比傳統(tǒng)的算法在計(jì)算速度上有所提高，能夠?qū)崟r(shí)性地檢測(cè)出運(yùn)動(dòng)車輛。

圖4為一段城市交通視頻，圖5為城市交通視頻中臨時(shí)停車情況，其中左下角為原始視頻，右下角為本文算法提取的背景模型，左上角為檢測(cè)出的運(yùn)動(dòng)物體，右上角為標(biāo)定檢測(cè)出的運(yùn)動(dòng)車輛。圖4分別取了城市交通視頻的第59幀和第114幀，圖5選取了第618幀和第673幀，可以看出在繁忙的城市交通中，本文提出的算法能夠準(zhǔn)確地檢測(cè)出運(yùn)動(dòng)車輛。

圖4中可以看出在城市交通場(chǎng)景中運(yùn)動(dòng)車輛能夠?qū)崟r(shí)地提取出理想的背景模型。通過(guò)背景差分辦法并結(jié)合閾值分割和形態(tài)學(xué)操作，精確地得到了運(yùn)動(dòng)區(qū)域。

臨時(shí)停車時(shí)，能夠準(zhǔn)確提取出背景模型。當(dāng)車輛經(jīng)過(guò)短暫的停車又并入車流時(shí)，背景中這個(gè)車輛慢慢變得模糊，而且在運(yùn)動(dòng)目標(biāo)提取時(shí)提取了該車輛。說(shuō)明該算法能夠在提高計(jì)算速度的同時(shí)保證檢測(cè)精確度。

本文以背景模型的建立和選擇性更新為基礎(chǔ)實(shí)現(xiàn)車輛檢測(cè)。為了適應(yīng)快速改變的交通環(huán)境，本文提出一個(gè)自適應(yīng)的背景模型算法。在建立自適應(yīng)背景模型后，利用灰度圖像與背景模型差分實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)提取。