背景模型實(shí)現(xiàn)車輛檢測設(shè)計(jì)

　摘  要：為解決基于背景差分的車輛檢測辦法易受交通狀況影響的問題，首先建立基于區(qū)間分布的自適應(yīng)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(yàn)結(jié)果表明，該算法在交通堵塞或臨時(shí)停車等復(fù)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，該車輛檢測算法在實(shí)時(shí)性和準(zhǔn)確性方面都有所提高。

　　隨著智能交通技術(shù)的發(fā)展，智能交通系統(tǒng)中交通檢測已經(jīng)成為計(jì)算機(jī)視覺技術(shù)應(yīng)用的一項(xiàng)重要課題。序列圖像中車輛檢測與跟蹤在智能交通領(lǐng)域中起著關(guān)鍵作用。車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題，并且計(jì)算簡單，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運(yùn)動(dòng)車輛檢測的精確性起著非常重要的作用。

　　1 算法描述

　　算法（Algorithm）是一系列解決問題的清晰指令，算法代表著用系統(tǒng)的方法描述解決問題的策略機(jī)制。也就是說，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)問題，執(zhí)行這個(gè)算法將不會(huì)解決這個(gè)問題。不同的算法可能用不同的時(shí)間、空間或效率來完成同樣的任務(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)雜度來衡量。

　　智能交通系統(tǒng)是目前世界和各國交通運(yùn)輸領(lǐng)域競先研究和開發(fā)的熱點(diǎn)，基于背景差分的辦法是從視頻流中檢測運(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

　　為了解決車輛檢測精確度問題，國內(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程中沒有運(yùn)動(dòng)車輛并且建立背景模型的時(shí)間較長，不能滿足實(shí)際應(yīng)用的需要。本文提出簡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應(yīng)點(diǎn)的像素值。但是這種方法計(jì)算量比較大，并且對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：

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

　?。?）計(jì)算ui（x,y）和Ci（x,y）。

　?。?）根據(jù)Ci（x,y）把區(qū)間從小到大分類。

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

　?。?）對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中閾值分割的處理算法。取閾值將物體從背景中分離出來，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)的問題。為了使檢測到的運(yùn)動(dòng)目標(biāo)完整而連續(xù)，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(yàn)證明，經(jīng)過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，左上角為檢測出的運(yùn)動(dòng)物體，右上角為標(biāo)定檢測出的運(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)確地檢測出運(yùn)動(dòng)車輛。

　　從圖4中可以看出在城市交通場景中運(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。

　　從圖5可以看到臨時(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。說明該算法能夠在提高計(jì)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(chǔ)實(shí)現(xiàn)車輛檢測。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。仿真實(shí)驗(yàn)證明，提出的算法在像素水平上建立自適應(yīng)光強(qiáng)度等環(huán)境變化背景模型，同時(shí)估計(jì)交通流量的大小，通過對交通流量的估計(jì)判斷是否更新背景模型。本文提出的算法對于復(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，并且能實(shí)時(shí)精確地提取出運(yùn)動(dòng)車輛的完整信息。