背景模型實(shí)現車(chē)輛檢測設計

　摘 要：為解決基于背景差分的車(chē)輛檢測辦法易受交通狀況影響的問(wèn)題，首先建立基于區間分布的自適應背景模型，然后利用改進(jìn)的背景更新算法對建立的背景模型選擇性更新。實(shí)驗結果表明，該算法在交通堵塞或臨時(shí)停車(chē)等復雜交通環(huán)境中有很好的背景提取和更新效果。與經(jīng)典的算法相比，該車(chē)輛檢測算法在實(shí)時(shí)性和準確性方面都有所提高。

　　隨著(zhù)智能交通技術(shù)的發(fā)展，智能交通系統中交通檢測已經(jīng)成為計算機視覺(jué)技術(shù)應用的一項重要課題。序列圖像中車(chē)輛檢測與跟蹤在智能交通領(lǐng)域中起著(zhù)關(guān)鍵作用。車(chē)輛檢測常用的方法有基于幀間的差分辦法、光流法和基于背景的差分辦法?；诒尘暗牟罘洲k法能解決基于幀間差分辦法和光流法中的問(wèn)題，并且計算簡(jiǎn)單，但是背景容易受到交通環(huán)境和光強度的影響，理想的背景不容易獲得，所以，自適應環(huán)境變化的背景模型對運動(dòng)車(chē)輛檢測的精確性起著(zhù)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(zhù)用系統的方法描述解決問(wèn)題的策略機制。也就是說(shuō)，能夠對一定規范的輸入，在有限時(shí)間內獲得所要求的輸出。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)劣可以用空間復雜度與時(shí)間復雜度來(lái)衡量。

　　智能交通系統是目前世界和各國交通運輸領(lǐng)域競先研究和開(kāi)發(fā)的熱點(diǎn)，基于背景差分的辦法是從視頻流中檢測運動(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(chē)輛行動(dòng)緩慢或者臨時(shí)停車(chē)等情況下，背景更新率低。

　　圖1為車(chē)輛檢測流程圖。首先，建立基于區間分布的快速自適應背景模型，然后利用改進(jìn)的基于ε-δ的背景更新算法對建立的背景模型進(jìn)行選擇性更新，結合閾值分割和形態(tài)學(xué)操作實(shí)現運動(dòng)車(chē)輛的提取。實(shí)驗結果表明，本文提出的算法對于復雜交通環(huán)境（交通堵塞、車(chē)流量非常大、車(chē)流緩慢、交通堵塞或臨時(shí)停車(chē)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)性和準確性方面都有所提高。

　　2 自適應背景模型

　　為了解決車(chē)輛檢測精確度問(wèn)題，國內外學(xué)者在背景建模方面做了大量的研究。參考文獻[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)運動(dòng)目標或者運動(dòng)目標行動(dòng)緩慢時(shí)，對于頻繁變化的像素，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)有運動(dòng)車(chē)輛并且建立背景模型的時(shí)間較長(cháng)，不能滿(mǎn)足實(shí)際應用的需要。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，可以統計出每個(gè)坐標點(diǎn)像素值的分布，并設定出現頻率高的像素值作為背景模型中對應點(diǎn)的像素值。但是這種方法計算量比較大，并且對光線(xiàn)和背景的逐漸改變適應性差。