電子警察系統(tǒng)中背景更新算法的研究

摘 要：車輛跟蹤檢測是基于視頻的電子警察系統(tǒng)的基礎，車輛跟蹤的典型方法是背景差影法。為了提高檢測的準確性，文章提出了一種基于車輛位置信息和幀差法相結合的分塊區(qū)域動態(tài)背景更新算法。該算法將背景更新和車輛檢測結合起來，能準確地分割圖像，具有很好的魯棒性和準確性，容易實現，實時性高。

關鍵詞：電子警察；分割圖像；背景更新；車輛檢測

0 引言

隨著城市的發(fā)展，交通越來越成為人們關注的問題，“電子警察”以其實時性、正確性和有效性也越來越受到交通部門的青睞。“電子警察”系統(tǒng)中對于車輛的跟蹤是系統(tǒng)后續(xù)進行車輛違規(guī)檢測的基礎。固定攝像機的視頻監(jiān)控，由于使用背景差分法進行運動檢測，實現容易、實時性高、檢測效果較好，所以被廣泛使用。但背景差分法對背景要求高，需要一種比較好的背景建模算法進行背景圖像提取以及對背景進行實時維護。

受光照，天氣等外界因素的影響，背景圖像也是時時變化的，所以背景圖像的更新算法包括兩部分：①背景圖像的提取，即如何得到一張無運動目標的純背景圖像；②實時更新背景圖像，去除光照、天氣等變化的影響。

1 背景圖像提取

一般情況下，視頻檢測中的背景圖像提取和背景維護只針對感興趣的區(qū)域，因此系統(tǒng)預先畫出感興趣的區(qū)域，只對進入該區(qū)域的物體進行檢測，以提高算法的實時性。如圖1所示。

背景圖像的提取方法包括兩大類：

手動獲取 是在人眼觀察下，手動抓取一張沒有運動物體的圖片作為背景圖像。這種方法存在很大的缺點，比如：在交通繁忙的地段，很難得到一張沒有運動物體的圖片；當突發(fā)事件引起的系統(tǒng)重新啟動時，人為的手動抓拍很難實現。

自動獲取 對于連續(xù)的N幀圖片，應用一定的算法，去除圖片中的運動物體，可以得到近似純背景圖像。下面介紹概率統(tǒng)計法。

我們認為在一個給定的時間段內，背景點的灰度值出現的概率是最大的。因此給定背景初始化時間t(通常取10～30秒，如果車流量較大可以再適當延長)，對任意位置點(x，y)，該點在時間t內出現的像素值記為g_i；該像素值在該點出現的次數記為freq(g_i)?？梢哉J為出現次數最多的像素值，即該像素值出現的概率最大，就是對應背景圖像中該點的像素值，可由(1)式表示：

在算法具體實現的時候，我們?yōu)槊總€像素點建立一個時間統(tǒng)計直方圖，記錄該點在背景建立過程中出現的像素值及其出現頻率，如圖2所示。

效果圖如圖3所示，這里采用了灰度概率統(tǒng)計法初始化感興趣區(qū)域，圖3(a)為統(tǒng)計100幀的效果圖，圖3(b)為統(tǒng)計1000幀的效果圖。

2 背景圖像實時更新

背景環(huán)境受天氣和光照條件的影響而不斷地發(fā)生變化，因此，背景必須不斷地更新以適應場景的動態(tài)變化。本文提出了一種基于車輛位置信息和幀差法相結合的分塊區(qū)域動態(tài)更新算法。

背景的實時更新和車輛的檢測是相輔相成的關系，背景的更新是為了更準確地檢測出車輛，而車輛檢測的結果也可以應用于背景的更新當中。根據這種思想，結合前后幀對減確定運動區(qū)域的方法，可以準確地對圖像進行分割，區(qū)分圖像的背景和前景。 通過前后幀對減的方法，我們可以初步地分割出前景和背景。如公式(2)和(3)。

其中f(x，y，t)和f(x，y，t-1)分別表示t時刻和t-1時刻坐標為(x，y)的點的像素值。thresh為閾值。閾值thresh的確定是自適應的，才能最好地分割前景和背景。本文采用OSTU大率法來確定閾值。

但該分割出來的背景部分是包含了“殘缺”運動物體的背景的，如圖4所示。由于前后幀的時間間隔小于0.1秒，背景部分的變化很小，通過前后幀對減，能將背景部分確定出來。但也因為間隔時間小，運動車輛的整體灰度值又很接近，前后幀差中的運動車輛就存在重疊部分，如圖5所示，而且運動車輛越大，車速越慢，重疊部分也就越大，在算法中就會將該重疊部分當作是背景區(qū)域進行更新，從而出現圖4所示的不良效果。

問題的關鍵轉變?yōu)槿绾稳コ摎埲钡倪\動物體。我們通常利用外接矩形來表示運動車輛的位置，如圖6所示，利用已經檢測到的運動物體的位置來輔助分割圖像。

已檢測到的上一幀圖像運動物體的外接矩形中，如果當前幀里還留有運動物體，則包含了前后幀重疊部分。算法通過計算該矩形框中非重疊部分(前后幀對減判斷為運動物體)的大小比率，判斷該矩形區(qū)域是否為運動物體。我們得到的運動物體的位置是背景更新前所檢測到的車輛位置，而前后幀對減得到的車輛位置的偏移，我們通過擴大該矩形大小來表述。

在算法實現中，用一個“二值圖像”來表示前后幀對減檢測的結果，O值對應背景部分(運動物體的重疊部分)，1值對應重疊部分之外的運動物體部分；然后在該二值圖像中定位出檢測算法中得到的運動物體的外接矩形(該矩形是擴大后的外接矩形，邊長各擴大10個像素點)，統(tǒng)計該矩形區(qū)域內的“1”值點的數目，當“1”點數達到一定比率a，就認為該區(qū)域為運動物體區(qū)域，將該區(qū)域的像素點的值全部變?yōu)?，從而將前后幀對減所產生的殘缺部分也標注為運動物體。比率a的確定根據車速、車的大小、采幀率的不同而不同，本實驗中我們采用a=0.1。

分割出背景和前景后，對于背景部分，采用一定的學習概率進行更新，而對于前景部分，則保持原來的像素值不變?？捎墒?4)表示：

其中，f_i(x，y)是當前點的灰度值，α是學習概率，B_i(x，y)是維護的背景點的灰度值。

3 實驗結果與分析

本文以福州“華林路／東浦路”的實際交通視頻為測試樣本?！叭A林路／東浦路”是單行道，用于檢測車輛逆行。本文提出的“基于車輛位置信息和前后幀對減方法相結合的分塊區(qū)域動態(tài)更新法”應用于該逆行檢測中的背景更新中，以測試背景更新效果。我們分別選擇了白天和夜晚兩個不同的時段來測試實驗效果。圖7是白天時段的測試效果，圖8是夜晚時段的測試效果。

4 結束語

本文提出的基于車輛位置信息和幀差法相結合的分塊區(qū)域動態(tài)背景更新算法能夠準確地對圖片進行前景和背景的分割，從而可以只針對背景進行更新。該算法魯棒性強，對于背景的突然變化能準確、完全地更新。算法實現容易，實時性高，與車輛的檢測算法相輔相成。通過實驗，證明該算法的效果較理想。