基于圖像差分的背景差分算法改進(jìn)及實(shí)驗(yàn)數(shù)據(jù)分析

胡 永， 師京晶， 郭小丹

(西藏民族學(xué)院 信息工程學(xué)院，陜西 咸陽712082)

0 引 言

視頻交通參數(shù)檢測(cè)系統(tǒng)的基礎(chǔ)是道路的占有率、車流量、行車速度及事件發(fā)生頻率等關(guān)鍵數(shù)據(jù)的采集［1］，這些信息中最關(guān)鍵的部分是精確地檢測(cè)到運(yùn)動(dòng)目標(biāo)，基于視頻的運(yùn)動(dòng)目標(biāo)檢測(cè)方法成為研究熱點(diǎn)［2］。背景區(qū)域中把某視頻序列里運(yùn)動(dòng)著且受關(guān)注區(qū)域進(jìn)行提取稱為運(yùn)動(dòng)目標(biāo)檢測(cè)，目標(biāo)檢測(cè)是視頻進(jìn)行理解、編碼以及處理的關(guān)鍵［3］?；诓罘謭D像、立體視覺、模型及光流場(chǎng)等是目前比較常見的運(yùn)動(dòng)目標(biāo)檢測(cè)算法。文獻(xiàn)［4］提出了基于動(dòng)態(tài)閾值的背景差分算法并應(yīng)用在視覺系統(tǒng)中進(jìn)行目標(biāo)檢測(cè)與跟蹤實(shí)驗(yàn);文獻(xiàn)［5］提出了使用對(duì)稱差分算法自動(dòng)提取空背景;文獻(xiàn)［6］基于五幀差分和背景差分進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)，這些基于背景差分的改進(jìn)算法都有各自的優(yōu)勢(shì)和不足。本文基于背景差分算法進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)，在背景估計(jì)以及更新算法兩方面進(jìn)行了改進(jìn)。

1 背景差分算法

智能交通視頻檢測(cè)系統(tǒng)中運(yùn)動(dòng)目標(biāo)的檢測(cè)是關(guān)鍵，在相關(guān)視頻圖像幀中提取出運(yùn)動(dòng)目標(biāo)的像素點(diǎn)區(qū)域是本算法的基礎(chǔ)。檢測(cè)并跟蹤視頻圖像中的運(yùn)動(dòng)目標(biāo)，通過分析其運(yùn)動(dòng)特征得到其運(yùn)動(dòng)狀態(tài)［7］。作為運(yùn)動(dòng)檢測(cè)中用途及效率最高的算法，背景差分算法基本上可以劃分為基于像素差值、基于模型以及基于特征三部分。背景差分［8-9］就是選取一個(gè)靜止參考幀作為背景圖像，用圖像序列中的每一幀與參考背景做差分。對(duì)輸入圖像的每個(gè)像素，計(jì)算它與對(duì)應(yīng)背景圖像中像素的差。設(shè)F(i，j)表示當(dāng)前幀圖像，如圖1(a)所示;B(i，j)表示背景圖像，如圖1(b)所示，則差分圖像D(i，j)如圖1(c)所示，算法為:

圖1 當(dāng)前幀與背景差分灰度圖和二值化圖

將差分圖像D(i，j)二值化為:

2 背景估計(jì)及更新

背景圖像的可靠性是背景差分算法中進(jìn)行精確目標(biāo)檢測(cè)的決定因素，背景圖像在交通視頻圖像中為不存在車輛運(yùn)行的道路圖像，提取方法包括自動(dòng)獲取及手動(dòng)獲取兩種［10］:自動(dòng)獲取是采用相關(guān)算法去除連續(xù)N 幀圖片中的運(yùn)動(dòng)物體，從而獲得近似純背景圖像;在人眼的觀察下人工抓取某張不存在運(yùn)動(dòng)物體的圖片，使其成為背景圖像即為手動(dòng)獲取。實(shí)際試驗(yàn)中由于道路交通系統(tǒng)很難捕獲靜止、干凈的背景，所以背景的獲得往往是使用自動(dòng)獲取方式。常用的背景估計(jì)方法有［11-13］統(tǒng)計(jì)中值法、多幀平均法、基于塊的方法、統(tǒng)計(jì)直方圖法等。

2.1 多幀圖像平均法

在道路行駛過程中，部分車輛的亮度值高于路面的亮度值，部分車輛的亮度值低于路面的亮度值，因此統(tǒng)計(jì)來看，長(zhǎng)時(shí)間內(nèi)因經(jīng)過車輛所導(dǎo)致的變化可以忽略［14］。多幀平均法就是把運(yùn)動(dòng)車輛視為噪聲，噪聲的消除是使用累加平均的方法，道路背景圖像的獲取是通過取車輛運(yùn)行某段時(shí)間之內(nèi)的序列圖像的平均值，算法如下所示:

式中:相關(guān)背景圖像為Background(x，y);imagei(x，y)為第i 幀的序列圖像;平均幀數(shù)用N 來表示。算法雖然計(jì)算方便而且模型簡(jiǎn)單，但路面上某點(diǎn)(x，y)某一短時(shí)間內(nèi)低亮度車輛和高亮度車輛不可能同時(shí)經(jīng)過，即實(shí)際情況是某些地方經(jīng)過低亮度車輛而某些地方經(jīng)過高亮度車輛，所得背景亮暗分布不均勻，而且背景圖像受車流量的影響變化很明顯，但是噪聲消除的效果會(huì)隨著平均幀數(shù)的增加而有一定的改善。

2.2 統(tǒng)計(jì)直方圖方法

實(shí)際路面同一位置點(diǎn)上不會(huì)一直覆蓋相同亮度車輛，認(rèn)為某一給定時(shí)間段內(nèi)背景點(diǎn)的灰度值出現(xiàn)的概率是最大的，即某段時(shí)間內(nèi)能夠統(tǒng)計(jì)各像素點(diǎn)上不同亮度值的出現(xiàn)次數(shù)，路面本身的亮度值即為出現(xiàn)次數(shù)最多，即直方圖中最大值對(duì)應(yīng)的相關(guān)亮度值［15-16］:

式中:像素點(diǎn)(x，y)處亮度值k 出現(xiàn)的次數(shù)用p(x，y，k)來表示;imagei(x，y，m)表示某幀圖像像素點(diǎn)(x，y)處的亮度值是m。

2.3 基于塊的二維統(tǒng)計(jì)法

單個(gè)像素包含的信息量非常少，每幀圖像中像素點(diǎn)在空間上和其相鄰像素普遍存在一定關(guān)系，對(duì)圖像分塊以塊為單位進(jìn)行研究。算法利用了幀內(nèi)某局部區(qū)域像素的相關(guān)性以及時(shí)域幀間像素的統(tǒng)計(jì)特性等。圖像直方圖分析時(shí)基于DxF 的塊而不針對(duì)各像素點(diǎn)，可以大幅減小視頻圖像處理計(jì)算量，直方圖分析計(jì)算時(shí)間也大大縮短，背景圖像可以很好地提取，算法不足之處在于或多或少存在方塊效應(yīng)。將圖像分成大小為D×F 的塊，將區(qū)域i 的均值ai以及方差bi進(jìn)行計(jì)算，通過矢量(ai，bi)進(jìn)行描述。計(jì)算每張圖片在該對(duì)應(yīng)區(qū)域的矢量，統(tǒng)計(jì)計(jì)算結(jié)果。具體步驟如下:

圖3 所示為隧道數(shù)據(jù)，由于該視頻中的車流量很小，可以看出隨著平均幀數(shù)的增加對(duì)于背景的可靠度有著較大保證，即平均幀數(shù)越多則越接近期望的背景效果。圖4 為對(duì)原始數(shù)據(jù)(b)采用不同幀數(shù)得到的背景，由于該場(chǎng)景中車流量較大，使用該算法會(huì)將車輛的信息誤認(rèn)為是背景，而且從原始圖(b)中可以看到真

(1)首先獲取M 張圖片數(shù)據(jù);

(2)將每個(gè)圖片分解為大小為D×F 的區(qū)域;

(3)作為描述相關(guān)區(qū)域的矢量，將每張圖片第i區(qū)域的均值ai以及方差bi計(jì)算出來并存放在相應(yīng)的內(nèi)存單元中;

(4)對(duì)某區(qū)域，存在N 個(gè)矢量(ai，bi)(N 為某區(qū)域的矢量總數(shù)，i=1，2，…，N)。計(jì)算平均矢量(A，B):

(5)從全部(ai，bi)中查找某一矢量(am，bm)(i =1，2，…，N，m=l，…N)，使其與平均矢量(A，B)的距離為最短，視此張圖片的該區(qū)域?yàn)楸尘靶盘?hào)。因背景區(qū)域致使多數(shù)矢量的分布相對(duì)來說比較集中，從而找到背景區(qū)域。

3 實(shí)驗(yàn)結(jié)果及分析

3.1 多幀平均法實(shí)驗(yàn)結(jié)果

算法特點(diǎn)是模型簡(jiǎn)單、計(jì)算方便，但是也有缺陷，即得到的背景受車流量大小的影響而變化。這一點(diǎn)在車流量比較大時(shí)可以體現(xiàn)出來。采用車流量較大的一組數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，發(fā)現(xiàn)背景效果隨著平均幀數(shù)的增加越來越好，不過車流量大的路面背景和真實(shí)路面還是有區(qū)別的。用下面的兩組數(shù)據(jù)估計(jì)背景，原始的道路情況如圖2 所示。實(shí)的路面比較灰暗，但是由于車燈的照射，經(jīng)過多幀平均運(yùn)算后得到的背景亮度較大。

圖2 原始圖像

圖3 原始圖像(a)的多幀平均法

圖4 原始圖像(b)的多幀平均法

以上數(shù)據(jù)分析，可見短時(shí)間內(nèi)路面上某處不會(huì)存在既有灰度值較小車輛經(jīng)過又有灰度值較大車輛經(jīng)過。由于車燈照射，使得路面短時(shí)間覆蓋的灰度值較大，從而導(dǎo)致多幀平均法得到的背景可能出現(xiàn)亮暗分布的不均勻，從而不能夠滿足現(xiàn)實(shí)中的復(fù)雜交通狀況。

3.2 統(tǒng)計(jì)直方圖法實(shí)驗(yàn)結(jié)果

觀察圖5，部分車輛相連情況出現(xiàn)在圖像遠(yuǎn)處，也可能是車燈影響或車輛行進(jìn)變化較緩等，從而將車身統(tǒng)計(jì)成為背景，一片白色出現(xiàn)在所估計(jì)背景遠(yuǎn)處。當(dāng)車流量很大時(shí)誤估計(jì)情況更加突出，對(duì)照?qǐng)D3 中估計(jì)得到的背景數(shù)據(jù)，由于車流量較小，前面的場(chǎng)景估計(jì)結(jié)果良好。出現(xiàn)白色區(qū)域的原因?yàn)檐囕v對(duì)象由于在圖像中的改變位置小，并且車輛相連，車燈出現(xiàn)的頻率最大，被誤估計(jì)為背景。增加提取幀數(shù)，白色雜點(diǎn)會(huì)減少，不過由于車燈在遠(yuǎn)處的頻率影響致使200 幀和1 500幀背景圖像區(qū)別不明顯，遠(yuǎn)處誤估背景的情況隨著幀數(shù)的增加而沒有改變。

圖5 用統(tǒng)計(jì)直方圖法統(tǒng)計(jì)N 幀圖像獲取的背景

3.3 基于塊的二維統(tǒng)計(jì)法實(shí)驗(yàn)結(jié)果

本算法進(jìn)行圖像的分析時(shí)是基于w ×h 的塊，而不是針對(duì)于每個(gè)像素點(diǎn)，本文選用的是6 ×8 的塊，可以明顯減小視頻圖像處理的數(shù)據(jù)計(jì)算量，并且能夠?qū)崿F(xiàn)減少直方圖分析的計(jì)算時(shí)間，提取出的背景圖像較好。觀察某視頻數(shù)據(jù)估計(jì)背景，如圖6 所示明顯可以看出該算法或多或少存在方塊效應(yīng)，紅色方框內(nèi)為方塊效應(yīng)較明顯部分，但是隨著處理幀數(shù)的增加，提取的背景效果越來越好，在多數(shù)情況下效果比較理想，該算法具有較好的適用性和較好的通用性。

圖6 基于塊的二維統(tǒng)計(jì)法統(tǒng)計(jì)N 幀的背景

經(jīng)大量實(shí)驗(yàn)數(shù)據(jù)得知，背景估計(jì)時(shí)的幀數(shù)決定了其估計(jì)的效果，相應(yīng)塊方差及其均值向量定在某平面上的二維區(qū)域隨估計(jì)幀數(shù)的增加其統(tǒng)計(jì)更為穩(wěn)定，效果更為理想。

4 結(jié) 語

背景圖像在視頻圖像中是靜止的，不會(huì)隨時(shí)間而改變，含有運(yùn)動(dòng)目標(biāo)圖像除去運(yùn)動(dòng)目標(biāo)區(qū)域的像素值產(chǎn)生變化外，背景部分不變。速度快、位置準(zhǔn)確且只需要把當(dāng)前圖像和預(yù)存背景圖像進(jìn)行差分，所以使用背景差分算法來檢測(cè)運(yùn)動(dòng)目標(biāo)成為行業(yè)內(nèi)的常用方法。而影響于環(huán)境光線的變化，非受控環(huán)境中要求加入背景圖像的更新機(jī)制，以及整幅場(chǎng)景的背景變化要求和背景的恢復(fù)精確度等成為目標(biāo)檢測(cè)的不足之處，這些都是后期研究及實(shí)驗(yàn)檢測(cè)的主要方面。

［1］ 張 帥，崔本亮，黃學(xué)達(dá). 視頻檢測(cè)技術(shù)在公路車流量檢測(cè)系統(tǒng)中的應(yīng)用［J］. 實(shí)驗(yàn)室研究與探索，2012，31(10):64-66，118.ZHANG Shuai，CUI Ben-liang，HUANG Xue-da. Application of Video Detection Technique to the Design of Road Vehicle Flow Detection System［J］. Research and Exploration in Laboratory ，2012，31(10):64-66，118.

［2］ 薛 茹，宋煥生，付 洋. 基于塊計(jì)數(shù)的交通背景實(shí)時(shí)更新方法［J］. 長(zhǎng)安大學(xué)學(xué)報(bào)(自然科學(xué)版)，2013，33(3):79-84.XUE Ru，SONG Huan-sheng，F(xiàn)U Yang. A method of real-time traffic background updating based on block-counting［J］. Journal of Chang’an University (Natural Science Edition)，2013，33(3):79-84.

［3］ 汪 沖，席志紅，肖春麗. 基于背景差分的運(yùn)動(dòng)目標(biāo)檢測(cè)方法［J］. 應(yīng)用科技，2009，36(10):16-18.WANG Chong，XI Zhi-hong，XIAO Chun-li. Moving objects detection based on background subtraction method［J］. The Application of Science and Technology ，2009，36(10):16-18.

［4］ 陳鳳東，洪炳镕. 基于動(dòng)態(tài)閾值背景差分算法的目標(biāo)檢測(cè)方法［J］. 哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2005，37(7):883-884.CHEN Feng-dong，HONG Bing-rong. Object detecting method based on background image difference using dynamic threshold［J］. Journal of Harbin Institute of Technology，2005，37(7):883-884.

［5］ 吳 晶. 面向運(yùn)動(dòng)目標(biāo)檢測(cè)的背景差分算法改進(jìn)與實(shí)現(xiàn)［D］.北京:北京郵電大學(xué)，2012.

［6］ 郝毫剛，陳家琪. 基于五幀差分和背景差分的運(yùn)動(dòng)目標(biāo)檢測(cè)算法［J］. 計(jì)算機(jī)工程，2012，38(4):146-148.HAO Hao-gang，CHEN Jia-qi. Moving Object Detection Algorithm Based on Five Frame Difference and Background Difference［J］.Computer Engineering ，2012，38(4):146-148.

［7］ 蘇書杰. 視頻檢測(cè)系統(tǒng)中的背景更新算法研究［J］. 商洛學(xué)院學(xué)報(bào)，2011，25(4):30-33.SU Shu-jie. A Study on Background Updating Used in Video Detection System［J］. Journal of Shangluo University，2011，25(4):30-33.

［8］ 魏志強(qiáng)，紀(jì)筱鵬，馮業(yè)偉. 基于自適應(yīng)背景圖像更新的運(yùn)動(dòng)目標(biāo)檢測(cè)方法［J］. 電子學(xué)報(bào)，2005，33(12):2262-2264.WEI Zhi-qiang，JI Xiao-peng，F(xiàn)ENG Ye-wei. A Moving Object Detection Method Based on Self-Adaptive Updating of Background［J］. Chinese Journal of Electronics ，2005，33(12):2262-2264.

［9］ 郭怡文. 基于背景差分的多車道車流量檢測(cè)系統(tǒng)［J］. 電光與控制，2010(9):90-93.GUO Ying-wen. Traffic Flow Measuring System Based on Background Difference［J］. Electronics Optics ＆ Control ，2010(9):90-93.

［10］ 代科學(xué)，李國(guó)輝，涂 丹. 監(jiān)控視頻運(yùn)動(dòng)目標(biāo)檢測(cè)減背景技術(shù)的研究現(xiàn)狀和展望［J］. 中國(guó)圖象圖形學(xué)報(bào)，2006，11(7):917-919.DAI Ke-xue，LI Guo-hui，TU Dan. Prospects and Current Studies on Background Subtraction Techniques for Moving Objects Detection from Surveillance Video［J］. Journal of Image and Graphics，2006，11(7):917-919.

［11］ 潘建壽，王 琳. 一種基于分級(jí)分塊處理的背景估計(jì)算法［J］.光子學(xué)報(bào)，2005，34(12):1898-1900.PAN Jian-shou，WANG Ling. Background Estimation Algorithm Based on Multi-Resolution and Block［J］. Acta Photonica Sinica ，2005，34(12):1898-1900.

［12］ 劉 飛，張鵬林. 基于卡爾曼濾波的時(shí)間序列影像背景估計(jì)［J］. 地理空間信息，2005，6(3):12-13.LIU Fei，ZHANG Peng-lin. Background Estimate of Time Sequence Image Based on Kalman Filter［J］. Geospatial Information ，2005，6(3):12-13.

［13］ 彭 強(qiáng)，李 華. 基于塊直方圖分析的視頻背景提取方法［J］.西南交通大學(xué)學(xué)報(bào)，2006，41(4):48-53.PENG Qiang，LI Hua. Background Extraction Method Based on Block Histogram Analysis for Video Images［J］. Journal of Southwest Jiaotong University，2006，41(4):48-53.

［14］ 蔡 麗. 基于背景差的車輛停車檢測(cè)算法研究［D］. 西安:長(zhǎng)安大學(xué)，2011.

［15］ 鄭貴幀. 基于視頻的交通事件檢測(cè)算法的研究［D］. 西安:長(zhǎng)安大學(xué)，2009.

［16］ 高錦榮. 復(fù)雜背景下的車牌定位算法研究［D］. 西安:西安電子科技大學(xué)，2010.