車(chē)輛檢測中背景模型的實(shí)現

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。

在定義了ui（x,y）和Ci（x,y）后，建立背景模型的細節步驟如下：

（1）確定當前像素屬于哪個(gè)區間，設定為i。

（2）計算ui（x,y）和Ci（x,y）。

（3）根據Ci（x,y）把區間從小到大分類(lèi)。

（4）設定Ci（x,y）最大的區間的ui（x,y）作為背景模型Mt中對應點(diǎn)的像素值。

（5）對視頻流各幀所有像素點(diǎn)重復步驟（1）~（4）。

2.2 背景模型更新

經(jīng)過(guò)上述幾個(gè)步驟，得到能自適應光強度變化的背景模型。但在車(chē)輛擁擠、臨時(shí)停車(chē)或者車(chē)輛運動(dòng)緩慢的情況下，背景模型容易出錯，導致車(chē)輛檢測準確性降低。為了在復雜交通狀況下也能得到理想的背景模型，論文在傳統σ-δ背景更新方法基礎上提出了一個(gè)是否更新背景模型的判斷尺度。


3 運動(dòng)目標提取

在獲得重建的背景之后，可以根據當前圖像和背景圖像的差值求得運動(dòng)目標。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動(dòng)目標。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域的圖像分割技術(shù)，其基本原理是：通過(guò)設定不同的特征閾值，把圖像象素點(diǎn)分為若干類(lèi)。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。設原始圖像為f（x，y），按照一定的準則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(chē)輛檢測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，或屬于物體像素，或屬于背景像素。由概率論中的理論得知，若使待分割的2組數據方差最大，則得到2組數據的錯分概率最小。

經(jīng)過(guò)閾值分割已經(jīng)能夠成功地分割出運動(dòng)車(chē)輛。大津法分割得到的二值圖像仍然在車(chē)輛內部存在黑色像素點(diǎn)的問(wèn)題。為了使檢測到的運動(dòng)目標完整而連續，對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)驗證明，經(jīng)過(guò)三次膨脹與腐蝕之后的圖像，可以基本填補運動(dòng)目標的空洞。

4 實(shí)驗結果

本文以智能交通中車(chē)輛自動(dòng)監視系統為應用背景，通過(guò)實(shí)驗證明提出方法的正確性。使用固定在三腳架上的攝像機在室外攝取不同場(chǎng)景的視頻進(jìn)行實(shí)驗。實(shí)驗平臺為PC機Matlab7.0仿真。

圖3為自適應背景模型的提取。選取特殊的臨時(shí)停車(chē)情況，本文提出的算法能夠自適應提取出背景模型。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。所以該算法比傳統的算法在計算速度上有所提高，能夠實(shí)時(shí)性地檢測出運動(dòng)車(chē)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(chē)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，左上角為檢測出的運動(dòng)物體，右上角為標定檢測出的運動(dòng)車(chē)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確地檢測出運動(dòng)車(chē)輛。

圖4中可以看出在城市交通場(chǎng)景中運動(dòng)車(chē)輛能夠實(shí)時(shí)地提取出理想的背景模型。通過(guò)背景差分辦法并結合閾值分割和形態(tài)學(xué)操作，精確地得到了運動(dòng)區域。

臨時(shí)停車(chē)時(shí)，能夠準確提取出背景模型。當車(chē)輛經(jīng)過(guò)短暫的停車(chē)又并入車(chē)流時(shí)，背景中這個(gè)車(chē)輛慢慢變得模糊，而且在運動(dòng)目標提取時(shí)提取了該車(chē)輛。說(shuō)明該算法能夠在提高計算速度的同時(shí)保證檢測精確度。

本文以背景模型的建立和選擇性更新為基礎實(shí)現車(chē)輛檢測。為了適應快速改變的交通環(huán)境，本文提出一個(gè)自適應的背景模型算法。在建立自適應背景模型后，利用灰度圖像與背景模型差分實(shí)現運動(dòng)目標提取。