基于視頻的運動車輛檢測算法研究

李輝 王冬秀

（廣西科技大學(xué) 計算機科學(xué)與通信工程學(xué)院，廣西 柳州 545006）

【摘 要】文章針對道路交通監(jiān)控中的運動車輛檢測問題，提出了一種改進的基于背景差分算法的運動車輛檢測方法。該方法改進了背景模型的構(gòu)建，并運用了數(shù)學(xué)形態(tài)學(xué)方法對差分二值化圖像進行濾出噪點、填補空洞、邊緣平滑等處理。實驗結(jié)果證明了算法對基于視頻的運動車輛檢測的有效性和實時性。

【關(guān)鍵詞】運動車輛檢測；背景差分法；形態(tài)學(xué)濾波

【中圖分類號】TP274 【文獻標識碼】A 【文章編號】1674-0688（2016）04-0033-03

0 引言

運動車輛檢測是智能交通系統(tǒng)的一個重要課題，在車輛違章、車流量檢測等方面具有廣泛的應(yīng)用前景，常見的運動車輛檢測方法主要有幀間差分法、光流法、時間差分法和背景差法等[1]。其中，幀間差分法檢測速度較快，運算算法相對簡單，可以在實時性要求高的場景下檢測。光流法計算比較復(fù)雜耗時，很難做到實時檢測。時間差分法適用于動態(tài)變化的場景，但很難完整地分割運動對象，故無法作進一步的對象分析和識別。背景差法一般應(yīng)用在攝像機相對固定的條件下，在算法速度和檢測效果方面的綜合性能最好[2]，背景差分法的重點在于怎樣建立背景，并做到實時動態(tài)地更新背景。

1 運動車輛檢測與常用方法

1.1 幀間差分法

幀間差分方法是通過對視頻中2個或3個相鄰幀圖像作差分運算，并通過閾值來提取運動車輛輪廓的算法。幀間差分法是基于視頻流中相鄰的圖像幀，將相鄰兩幀或多幀圖像中像素相減，消除圖像中的背景及靜止的物體，可以適用于多個運動目標的檢測[3]。

幀間差分法的優(yōu)點是檢測的算法容易實現(xiàn)，復(fù)雜度低；對光線等背景變化不太敏感，可以適應(yīng)不同的動態(tài)環(huán)境，可靠性高。缺點是很難提取到待檢測運動目標的所有區(qū)域，僅能提取待檢測目標的邊界，檢測效果取決于所選擇圖像幀的時間間隔。

1.2 光流法

光流是空間運動目標表面被觀測的像素點在視覺傳感器的成像，它包含了運動物體表面結(jié)構(gòu)與動態(tài)行為的信息[4]。光流的應(yīng)用研究主要采用圖像幀中像素的時域變化與其相關(guān)性來確定像素位置的“運動”[5]，光流場是采用二維圖像來表示運動目標的三維運動的速度場。

光流法的優(yōu)點是可以在不需要預(yù)先知道場景的相關(guān)信息的情況下就能夠檢測獨立運動的目標，在拍攝像機移動的時間也能進行檢測，有非常強的適用性，可以工作在時時變化的背景環(huán)境中。光流法的缺點是處理數(shù)據(jù)量很多，計算復(fù)雜度高，不容易實現(xiàn)，耗時長，實時性差，抗干擾能力弱。

1.3 背景差分法

背景差分法是運動目標檢測中最常用的一種方法，采用當(dāng)前圖像幀和背景圖像的差分來檢測運動區(qū)域，其性能主要依賴于背景建模技術(shù)[6]。背景差分法中背景圖像的建模的質(zhì)量，決定著運動車輛檢測的有效性。

背景差分法優(yōu)點是檢測運動目標速度較快，檢測相對準確，比較容易實現(xiàn)，其關(guān)鍵是背景圖像的建模與獲取。在實際應(yīng)用中，由于背景圖像的不斷改變，靜止背景是不易獲得的，需要通過視頻序列的幀間信息來計算和重建背景。

2 基于背景差分法的改進

鑒于背景差分法在運動目標檢測中的優(yōu)勢，本文采用一種改進的背景差分法對運動車輛進行檢測。首先是背景初始化運用多幀圖像求平均的方法，這樣建立的背景模型比較接近真實環(huán)境；其次采用自適應(yīng)調(diào)節(jié)速率的算法更新背景模型，使得動態(tài)變化的背景有較高的精度與準確性；最后運用了數(shù)學(xué)形態(tài)學(xué)方法對差分二值化圖像進行濾出噪點、填補空洞、邊緣平滑等處理。

2.1 背景建模

背景模型的準確性是車輛檢測的關(guān)鍵，本文是采用基于多幀圖像求平均的背景建立方法。背景建模過程是在圖像幀中用累加求和運算對背景的像素進行累加，用視頻圖像平均灰度值來代替目標車輛出現(xiàn)的區(qū)域，這樣能消除背景對待檢測目標車輛的影響。算法的具體步驟如下。

Setp1：在待檢測的視頻流中每隔10幀圖像就采集1幀圖像。

Setp2：對采集到的圖像進行前后兩兩相減運算得到差分圖像，再對差分圖像進行累加與求平均運算。

Setp3：假若差分圖像中的灰度值小于給定的閾值，則用下一幀圖像中對應(yīng)位置的灰度值代替；假若差分圖像中的灰度值大于給定的閾值，則用圖像的灰度平均值來代替此處位置的灰度值。

Setp4：將各背景圖像再次進行累加平均運算就能得較真實的背景圖像。

2.2 背景模型的更新

背景模型建立后，因背景環(huán)境的不斷變化，需要對背景模型進行更新。為了在背景不斷更新的情況下保持運動車輛檢測的穩(wěn)定性，要求背景差分算法具有較強的魯棒性，能夠能適應(yīng)背景在不同光照下的變化，能適應(yīng)出現(xiàn)背景振動（如樹葉晃動、監(jiān)視器屏幕閃爍等），能適應(yīng)背景中物體的變化（如背景中物體的增加與消失），能消除運動車輛或物體的陰影對背景的影響。

為了解決這些問題，本文采用自適應(yīng)調(diào)節(jié)更新速率的方法進行背景模型更新，根據(jù)當(dāng)前圖像幀中像素灰度值來確定更新的速率。假若當(dāng)前圖像幀中某處像素的灰度值跟前一幀頻相應(yīng)的灰度值相關(guān)較大，那么應(yīng)該降低背景更新的速率，反之就加快背景更新的速率。

2.3 閾值的選取

在采用背景差分法的運動車輛檢測中，需要對背景差分運算所獲得的圖像進行二值化處理。圖像二值化處理是指運用圖像分割算法把前景目標像素點從背景像素中分割開來，因此怎樣分割圖像是關(guān)鍵。圖像分割是指用一個或多個閾值把視頻圖像的灰度分成不同的部分，認為屬于同一個部分的像素應(yīng)該就是同一個物體。閾值取得過大，則可能將運動車輛的像素點誤以為是背景的像素點，閾值取得過小，則可能將背景像素點誤以為是運動車輛的像素點。故本文提出一個用當(dāng)前圖像平均灰度值來確定動態(tài)閾值的算法。

Step1：計算出圖像中最大灰度值與最小灰度值，令初始始閾值為最大和最小灰度值的平均值。

Step2：根據(jù)初始閾值把圖像分割為背景與目標2個部分，計算出這2個部分的平均灰度值L1和L2。

Step3：令分割閾值Th為L1與L2的平均值。

2.4 運動目標的提取

運動目標的提取是先確定圖像的分割閾值，然后按閾值把差分后的圖像進行分割，若是小于閾值的則此區(qū)域應(yīng)為背景，若是大于閾值的則此區(qū)域應(yīng)為前景。在對圖像進行閾值分割的同時進行二值化處理，即分割為背景的像素點灰度值就置為0，而被分割為前景的像素點灰度值就置為1。算法如下。

if hk（i，j）>Tk，Ik（i，j）為前景，則Ik（i，j）=255；

else Ik（i，j）為背景，則Ik（i，j）=0。

經(jīng)過背景圖像差分處理、閾值分割、二值化處理等步驟后，基于視頻的運動車輛的提取工作就算基本完成。

2.5 基于形態(tài)學(xué)的圖像后處理

車輛檢測的正確性是運動車輛檢測中的關(guān)鍵，由于天氣原因如風(fēng)雨交加，背景因刮大風(fēng)導(dǎo)致樹葉晃動，大型機動車行駛過程引起攝像機抖動等，導(dǎo)致拍攝的視頻圖像中常常有大量的噪聲與斑點。即使進行了圖像二值化處理，還會存在部分噪聲和斑點，這樣不但不能準確地提取運動車輛相關(guān)特征值，還會影響運動車輛檢測的效果。因此，需要采用數(shù)學(xué)形態(tài)學(xué)方法對二值化后圖像進行濾出噪點、填補空洞、邊緣平滑等處理。

3 實驗結(jié)果與分析

為了驗證本算法對運動車輛檢測的有效性，采用了廣西柳州市東環(huán)路一段道路監(jiān)控視頻片段進行了實驗。算法是在Microsoft Vc++6.0和OpenCV上實現(xiàn)的，計算機操作系統(tǒng)為Microsotf Windows 7 SP1，CPU是Intel G2030 3 GHz、內(nèi)存是4 GB，視頻是由型號為警視衛(wèi)D-30CP專業(yè)監(jiān)控攝像機拍攝，像素為1 080×960，頻率為25 fps。實驗結(jié)果如圖1至圖10所示。

從實驗結(jié)果證明，與傳統(tǒng)基于高斯模型的算法相比，本文所構(gòu)建的背景模型在車輛檢測時能夠完整地檢測出運動車輛，能有效地抑制攝像機抖動與樹葉晃動，所產(chǎn)生的噪聲更少，具有良好的車輛檢測精度和效果。

4 結(jié)語

筆者給出了一種改進的基于背景差分法的運動車輛檢測算法，該算法改進了背景模型的構(gòu)建，并運用了數(shù)學(xué)形態(tài)學(xué)方法對差分二值化圖像進行濾出噪點、填補空洞、邊緣平滑等處理。通過實驗證明了算法對基于視頻的運動車輛檢測的有效性和實時性。該算法在雨雪天氣的檢測效果不是很理想，下一步將繼續(xù)對本算法進行完善與優(yōu)化。

參 考 文 獻

[1]Piccard M.Background subtraction techniques：areview[J].IE EE International Conference on Syst-ems，Man and Cybernetics，2004（4）：3099-3104.

[2]Cheung S S，Kamath C .Robust background sub-

traction with foreground validation for urban traffic video[J].EURASIP Journal on Applied Signal Proc-essing，2005（14）：2330-2340.

[3]RT Collins，AJ Lipton，T Kanade.Introduction to the Special Section on Video Surveillance[C].IEEE trans.Pattern Analysis and Machine Intelligence，2000，22（8）：745-746.

[4]查成東，王長松，鞏憲鋒，等.基于改進K-均值聚類算法的背景提取方法[J].計算機工程與設(shè)計，2007，28

（21）：5141-5143.

[5]李輝.智能交通系統(tǒng)中基于視頻的車輛檢測與跟蹤方法研究[D].上海：華東師范大學(xué)，2010.

[6]JC Tai，ST Tseng，CP Lin，KT Song.Real-timeimage tracking for automatic traffic monitoring and enforcement applications[J].Image and Vision Co-mputing，2004，22（6）：485-501.

[責(zé)任編輯：鐘聲賢]

【基金項目】廣西教育廳科研項目“基于視頻的運動車輛檢測與跟蹤應(yīng)用研究”，項目編號：2011LX023。

【作者簡介】李輝，男，廣西科技大學(xué)計算機科學(xué)與通信工程學(xué)院高級工程師，研究方向：智能交通，圖像處理，模式識別；王冬秀，女，廣西科技大學(xué)高級實驗師，研究方向：圖像處理，數(shù)據(jù)挖掘。