基于視頻的車輛檢測(cè)技術(shù)和陰影消除方法

杜麗麗　王國(guó)宇

摘 要：基于視頻的車輛檢測(cè)技術(shù)在智能交通系統(tǒng)中的應(yīng)用潛力巨大,但由于存在硬軟件上的技術(shù)難點(diǎn),仍有很多問(wèn)題亟待解決,例如陰影消除等。在基于視頻的車輛檢測(cè)技術(shù)中,運(yùn)用背景差分法獲取前景車輛目標(biāo),針對(duì)選取小閾值可能產(chǎn)生的內(nèi)外陰影,采用基于粗糙集陰影邊緣點(diǎn)分類的方法,較好地實(shí)現(xiàn)了陰影邊緣的檢測(cè),從而消除陰影。該方法簡(jiǎn)單,易理解及操作,精確度高。

關(guān)鍵詞：視頻檢測(cè)；背景更新；陰影；粗糙集

中圖分類號(hào)：TP391文獻(xiàn)標(biāo)識(shí)碼：B

文章編號(hào)：1004-373X(2009)03-192-03

Video-based Techniques for Vehicle Detection and Shadow Eliminating Method

DU Lili,WANG Guoyu

(College of Information Science&Engineering;,Ocean University of China,Qingdao,266100,China)

Abstract：Video-based techniques for vehicle detection have an enormous potential development in intelligent transportation system.But there′re still lots of difficult points needed to be solved in hardware and software techniques,such as shadow eliminating.Firstly,background auto-update's arithmetic is presented on the basis of image-differencing in order to obtain foreground objects.Then a novel method to classify shadow edge points is proposed which is based on rough sets.This method is simple,easily understanding and accurate.

Keywords：video detection;background update;shadow;rough sets

0 引 言

基于視頻的車輛檢測(cè)技術(shù)是在傳統(tǒng)電視監(jiān)視系統(tǒng)基礎(chǔ)上發(fā)展起來(lái)的,以車輛檢測(cè)技術(shù)、攝像機(jī)和計(jì)算機(jī)圖像處理技術(shù)為基礎(chǔ),來(lái)大范圍地對(duì)車輛施行檢測(cè)和識(shí)別的新興技術(shù)。與傳統(tǒng)檢測(cè)技術(shù)相比,它具有處理速度快、安裝維護(hù)便捷且費(fèi)用低、監(jiān)視范圍廣、可獲得各種交通參數(shù)等諸多優(yōu)點(diǎn)。隨著圖像處理技術(shù)和微電子技術(shù)的發(fā)展,視頻檢測(cè)技術(shù)在交通運(yùn)輸系統(tǒng)中的發(fā)展?jié)摿薮蟆?/p>

在典型的交通自動(dòng)監(jiān)控系統(tǒng)中,用一個(gè)靜態(tài)的攝像機(jī)實(shí)時(shí)監(jiān)控固定區(qū)域,通過(guò)對(duì)車輛目標(biāo)的提取、分類和跟蹤等操作,進(jìn)一步提取交通參數(shù)。所以,從視頻流中實(shí)時(shí)分割車輛目標(biāo)是交通自動(dòng)監(jiān)控系統(tǒng)的一個(gè)基本環(huán)節(jié)。提取車輛目標(biāo)的流程主要包含運(yùn)用算法將前景車輛從拍攝的圖像中提取出來(lái),并對(duì)其進(jìn)行陰影檢測(cè),去除陰影。該文依照此流程選取合適的前景提取算法——背景差分法,實(shí)時(shí)進(jìn)行背景更新,對(duì)前景中產(chǎn)生的陰影進(jìn)行分析,并提出合理有效的陰影去除方法。

1 基于視頻的車輛檢測(cè)

背景差分法是車輛運(yùn)動(dòng)檢測(cè)系統(tǒng)中的一種常用算法。該算法通過(guò)實(shí)時(shí)維護(hù)一個(gè)背景模型,將當(dāng)前幀消除背景影響即可獲得前景圖像。而路面、樹木、建筑物等一直處于靜止?fàn)顟B(tài),因此被當(dāng)作背景通過(guò)差分被去除。經(jīng)過(guò)處理后的圖像理論上只包括運(yùn)動(dòng)目標(biāo),直接進(jìn)行二值化,提取目標(biāo)即可,但實(shí)際上這時(shí)由于攝像機(jī)的抖動(dòng)以及路面光線變化、風(fēng)吹草動(dòng)、車輛目標(biāo)本身的陰影和其他因素對(duì)檢測(cè)結(jié)果的影響是很大的,往往造成很大的誤差,甚至錯(cuò)誤。在提取前景后針對(duì)不同的陰影,去除之以獲得真實(shí)的車輛目標(biāo)。

1.1 背景建模

將開始的n幀圖像用于背景建模［1］(采用n=200)。對(duì)相鄰一定間隔的兩幀圖像作差值,獲得差值圖像A。即有：

N(x,y)=1， p(x,y)>THd

0，p(x,y)≤THd

p糀 (1)

式中：N為A相應(yīng)位置的差值,得到二值化的幀差掩模圖像N；“1”為對(duì)應(yīng)變化的像素；“0”為對(duì)應(yīng)沒有變化的像素。

在幀差掩模序列中,對(duì)于長(zhǎng)時(shí)間沒有變化的像素點(diǎn),即幀差掩模圖像序列在一段時(shí)間內(nèi)該像素點(diǎn)都保持為“0”,則認(rèn)為此像素點(diǎn)對(duì)應(yīng)于背景像素,將原始圖像中該點(diǎn)像素值拷貝到理想背景圖像中,同時(shí)設(shè)置此理想背景像素點(diǎn)的狀態(tài)為“背景像素”。此過(guò)程完成后,可能有的理想背景像素點(diǎn)的狀態(tài)還未轉(zhuǎn)換成“背景像素”,即未被重建,則在后續(xù)過(guò)程中繼續(xù)執(zhí)行上述步驟,對(duì)已重建的背景像素點(diǎn),轉(zhuǎn)而進(jìn)行背景更新。

1.2 背景更新

在獲得背景圖像后,隨著時(shí)間的推移,場(chǎng)景內(nèi)會(huì)有很多變化,其中比較明顯的是光照亮度的變化和背景物體的移動(dòng),這就需要對(duì)背景圖像不斷地進(jìn)行更新。文中采用一種當(dāng)前圖像和背景圖像加權(quán)的方式進(jìn)行更新。更新方法為：記當(dāng)前圖像中像素值為I(x,y),背景圖像中像素值為I*(x,y),對(duì)應(yīng)的幀差掩模圖像N(x,y)=0,則I(x,y)為背景像素,I(x,y)與I*(x,y)按照式(2)進(jìn)行加權(quán)：

I*′(x,y)=(1－α)I*(x,y)+αI(x,y)

(2)

式中:α為更新系數(shù),關(guān)系著更新速度,而更新速度要求背景能夠捕捉亮度的變化,同時(shí)又不能讓瞬間的變化長(zhǎng)時(shí)間存在。假設(shè)取α=0.1，當(dāng)圖像亮度大面積變化時(shí),整個(gè)背景像素的均值將發(fā)生較大幅度的改變,所以當(dāng)均值改變大于一定范圍時(shí),為了能夠更快地更新背景,取α=0.2［2］。

若I(x,y)－I*(x,y)大于閾值或N(x,y)=1,則I(x,y)為前景像素；如果I(x,y)連續(xù)長(zhǎng)時(shí)間作為前景像素,則需要重建此像素點(diǎn)的背景,重新按照背景重建步驟恢復(fù)背景。

圖1 原圖像

圖2 背景圖像

1.3 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)。為了減少計(jì)算量和干擾,可以預(yù)先設(shè)定感興趣區(qū)域,以后的處理只是在感興趣區(qū)域進(jìn)行。設(shè)視頻序列圖像為I(x,y),當(dāng)前的背景圖像為I*(x,y)，背景差圖像D(x,y)=‖I(x,y)－I*(x,y)‖。利用閾值來(lái)計(jì)算車輛圖像像素模板圖像：

M(x,y)=1, D(x,y)>δ0,D(x,y)≤δ

式中：

δ為一個(gè)較小的閾值,模板圖像M(x,y)中的為1的點(diǎn)表示車輛圖像區(qū)域,為0的點(diǎn)表示背景圖像區(qū)域。單純地利用灰度值差異來(lái)求取的車輛信息并不完整：若閾值［3］選取過(guò)大，會(huì)使得車輛某些部分被認(rèn)為是背景,使得車輛圖像殘缺,獲得車輛的信息不準(zhǔn)確，甚至是陰影部分的信息還沒有消除，而車輛部分的信息卻已經(jīng)大部分消除(見圖3);若閾值選取過(guò)小,由于光照的原因形成的陰影會(huì)和車輛連接在一起,變成車輛的一部分(見圖4),但是這種方法可以很好地保留車輛的完整信息,只要可以把陰影部分的干擾消除,就可以達(dá)到很好的效果。因此,精確地去掉陰影在車輛信息的提取過(guò)程中起著關(guān)鍵的作用。

圖3 閾值過(guò)大時(shí)的前景車輛

圖4 閾值過(guò)小時(shí)的前景車輛

2 陰影檢測(cè)及消除

運(yùn)動(dòng)車輛和路面物體在光照作用下不可避免地產(chǎn)生陰影。靜止物的陰影可通過(guò)背景差分去除,但由于鏡頭的抖動(dòng)、靜止物體的再活動(dòng)等,陰影部分不可能完全去除而產(chǎn)生噪聲(以下簡(jiǎn)稱為外陰影)；目標(biāo)車輛自身陰影及目標(biāo)之間的投影(以下簡(jiǎn)稱為內(nèi)陰影)。本文采用基于粗糙集［4］陰影邊緣點(diǎn)分類的方法,較好地實(shí)現(xiàn)了陰影邊緣的檢測(cè)。

2.1 陰影邊緣點(diǎn)的分類

假設(shè)陰影區(qū)域和非陰影區(qū)域存在著一個(gè)過(guò)渡帶,即認(rèn)為邊緣是有寬度的［5］。

(1) 外陰影與內(nèi)陰影的灰度相差較大

通過(guò)大量圖像發(fā)現(xiàn)：外陰影的平均灰度要比內(nèi)陰影的平均灰度低,在同一淺色背景下表現(xiàn)為對(duì)比度大些。此時(shí)對(duì)求得的集合A1,A2(A1表示剔除噪聲后,所有像素中梯度大的像素組成的集合;A2表示剔除噪聲后,所有像素的最大鄰域差值大的像素組成的集合。A1,A2即為需要的像素集合)。分別求K(x,y),H(x,y),K(x,y)為像素點(diǎn)的梯度,H(x,y)為鄰域函數(shù)。在A1中,A＜K(x,y)＜B 的值對(duì)應(yīng)的像素點(diǎn)集為集合N,K(x,y)≥B的值對(duì)應(yīng)的像素點(diǎn)集為M集合；在A2中,合理選取參數(shù)得C＜H(x,y)＜D對(duì)應(yīng)的點(diǎn)集合為R,H(x,y)≥D對(duì)應(yīng)的點(diǎn)集合為S,使得M與R,N與S盡可能相等。由此,可以初步得出N(=S)為外陰影邊緣點(diǎn),M(=R)為內(nèi)陰影邊緣點(diǎn)。

(2) 外陰影與內(nèi)陰影的灰度相差不大

這樣求得的K(x,y)或H(x,y)不能分為兩個(gè)較明顯的區(qū)間,此時(shí)僅求H(x,y)即可。

2.2 部分假邊緣點(diǎn)的處理

如果外陰影和內(nèi)陰影分布不均勻,即外陰影內(nèi)部某些點(diǎn)的K(x,y),H(x,y)恰好屬于內(nèi)陰影邊緣點(diǎn)的,會(huì)產(chǎn)生誤判。此時(shí)應(yīng)在內(nèi)陰影的M(R)中去掉這些點(diǎn),方法如下：對(duì)內(nèi)陰影邊緣點(diǎn)集M(R)逐一進(jìn)行統(tǒng)計(jì),使該點(diǎn)向四周移動(dòng),若都能碰到屬于外陰影邊緣高梯度點(diǎn)(梯度大于或等于B的點(diǎn))或高最大鄰域灰度差的點(diǎn)(最大鄰域灰度差大于或等于D的點(diǎn)),則該點(diǎn)是外陰影的內(nèi)部點(diǎn),將其從內(nèi)陰影邊緣點(diǎn)集M(R)中去掉。這樣,剩下的點(diǎn)均為真正的邊緣點(diǎn)了。

2.3 邊緣細(xì)化和連續(xù)

因假設(shè)邊緣是有寬度的,為更精確地檢測(cè)邊緣,需對(duì)邊緣進(jìn)行細(xì)化［6］。具體方法是如果兩個(gè)邊緣點(diǎn)的梯度方向相同,且相互位于法線上,保留最大鄰域差。這樣可得到較高定位精度的細(xì)化邊緣離散點(diǎn)。

為將離散點(diǎn)連成線,需建立三叉樹,依次檢查M和N中每個(gè)像素點(diǎn),根據(jù)不同方向,判斷前趨點(diǎn)和后繼點(diǎn)［7］。對(duì)每一個(gè)邊緣點(diǎn)確定了前趨點(diǎn)和后繼點(diǎn)之后,即可從邊線的起點(diǎn)出發(fā),依次得到直線上的每個(gè)像素點(diǎn),從而獲得連續(xù)的陰影邊緣,進(jìn)而消除陰影。

3 結(jié) 語(yǔ)

近年來(lái),隨著計(jì)算機(jī)、圖像處理、人工智能、模式識(shí)別、視頻傳輸?shù)燃夹g(shù)的不斷發(fā)展,基于視頻的車輛檢測(cè)技術(shù)得到了越來(lái)越廣泛的應(yīng)用。

本文在最常見的背景差分法的基礎(chǔ)上,通過(guò)選取小閾值,獲得含陰影部分的前景目標(biāo),利用基于粗糙集分類方法求得陰影邊緣點(diǎn),從而消除陰影。在此過(guò)程中,使用了一種去除假邊緣點(diǎn)的方法,利用最大鄰域灰度差及邊緣梯度,既得到了真正的邊緣點(diǎn)又去除了噪聲,然后對(duì)邊緣點(diǎn)進(jìn)行了細(xì)化和連續(xù),得到了單寬度的陰影邊緣。該算法簡(jiǎn)單,易操作,精確度高,可用于實(shí)際應(yīng)用中。

參考文獻(xiàn)

［1］林海涵,唐慧明.基于視頻的車輛檢測(cè)和分析算法［J］.江南大學(xué)學(xué)報(bào):自然科學(xué)版,2007,6(3)：323-326.

［2］葛慶國(guó).基于自適應(yīng)背景更新車輛檢測(cè)算法［J］.電子測(cè)量技術(shù),2004(3)：17-18.

［3］黃海英,徐建閩.基于車輛模板和邊緣信息的陰影消除方法［J］.微計(jì)算機(jī)信息,2006,22(7)：232-236.

［4］Pawlak Z.Rough Sets Theoretical Aspects of Reasoning about Data.Dordrecht:Kluwer Academic Publishers,1991.

［5］陳鐵民,李勇敢.一種陰影圖像邊緣檢測(cè)的新方法［J］.電子技術(shù)應(yīng)用,2006(9):33-35.

［6］Chang F,Lu Y C,Pavlidis T.Feature Analysis Using Line Sweep Thinning Algorithm.T-PAMI.1999,21(2)：145-158.

［7］楊益軍,兆榮椿,汪文秉.航空?qǐng)D像中陰影區(qū)域的檢測(cè)［J］.信號(hào)處理,2002,18(3):228-232.

［8］高景昌.計(jì)算機(jī)圖像處理學(xué)［M］.長(zhǎng)春:吉林人民出版社,2003.

［9］高嵐,董慧穎,蘭利寶.自適應(yīng)背景下運(yùn)動(dòng)目標(biāo)陰影檢測(cè)算法研究［J］.現(xiàn)代電子技術(shù),2008,31(6),59-61.

［10］李忠武,高廣珠,余理富,等.圖像序列目標(biāo)檢測(cè)中陰影的消除［J］.計(jì)算機(jī)應(yīng)用研究,2004,21(5):205-206.

注：本文中所涉及到的圖表、注解、公式等內(nèi)容請(qǐng)以PDF格式閱讀原文。