一種改進(jìn)的幀間差分與背景差分融合的運(yùn)動(dòng)車輛檢測(cè)方法

（武漢理工大學(xué) 汽車工程學(xué)院，湖北 武漢 430070）

1 引言

近年來，城市車輛數(shù)量的急速增長給人們工作與生活提供便利的同時(shí)也引發(fā)了許多交通問題。由于道路硬件條件限制，傳統(tǒng)提高道路通行能力的方法在城市中變得困難，同時(shí)也要耗費(fèi)巨額的資金[1]。因此，對(duì)道路通行狀況實(shí)施實(shí)時(shí)監(jiān)控以采取更好的通行策略成為了現(xiàn)階段緩解交通問題的主要途徑之一[2]。作為提取道路信息的一種重要手段，基于機(jī)器視覺的道路信息采集具有較大的發(fā)展空間[3]。道路信息采集離不開準(zhǔn)確檢測(cè)視頻中的運(yùn)動(dòng)車輛，通過對(duì)運(yùn)動(dòng)車輛的檢測(cè)與識(shí)別[4]，得到目前道路的通行狀況，從而供相關(guān)人員分析并最終作出合理決策。目前國內(nèi)外研究學(xué)者對(duì)視頻圖像中運(yùn)動(dòng)目標(biāo)檢測(cè)的常用方法主要有以下幾種：光流法、背景差分法、幀間差分法、邊緣檢測(cè)法等[5-9]。

在基于光流法的運(yùn)動(dòng)目標(biāo)檢測(cè)過程中，吳振杰通過將光流法與幀間差分法結(jié)合對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)得到了魯棒性較好的結(jié)果，但是這種方法的時(shí)間復(fù)雜度過高，不利于實(shí)際的運(yùn)用[10]；肖軍將光流法與圖像金字塔結(jié)合，通過迭代計(jì)算光流提出了一種基于光流誤差的跟蹤算法，對(duì)目標(biāo)有較好的檢測(cè)效果[11]，但整個(gè)算法的計(jì)算較為繁瑣，無法實(shí)現(xiàn)檢測(cè)的實(shí)時(shí)性。與光流法相比，背景差分法是基于靜態(tài)背景，通過計(jì)算得到不存在運(yùn)動(dòng)目標(biāo)的背景圖像，并最終確定圖像中的運(yùn)動(dòng)目標(biāo)[12]；陳艷等利用高斯背景模型與Ada Boost分類器對(duì)夜間車輛進(jìn)行檢測(cè)，該方法有效降低了地面陰影、光照變化對(duì)檢測(cè)精度的影響，但需要依賴Ada Boost分類器對(duì)車燈的檢測(cè)，故只適用于夜間環(huán)境[13]。Gupte S采用背景加權(quán)的方法將前幀的背景圖像與當(dāng)前幀加權(quán)融合來得到背景圖像，這種方法的前提條件是背景變化緩慢，因此當(dāng)車輛運(yùn)動(dòng)速度較快時(shí)效果不理想[14]。Velastin通過選取一段視頻像素點(diǎn)的中值作為當(dāng)前的背景圖像，但當(dāng)目標(biāo)行駛緩慢時(shí)，目標(biāo)點(diǎn)的像素信息就會(huì)混入背景中，檢測(cè)精度同樣會(huì)受到影響[15]；黃東軍提出一種改進(jìn)的混合高斯模型的方法，在混合高斯背景建模的基礎(chǔ)上增加了定時(shí)清零的策略，能夠消除目標(biāo)內(nèi)部的部分空洞[16]，但整個(gè)算法對(duì)光照的敏感性較強(qiáng)，不能滿足多場(chǎng)景的應(yīng)用需求；Xia L通過研究幀間差分法和三幀差分法，提出改進(jìn)的三幀差分法，改進(jìn)后的三幀差分法對(duì)運(yùn)動(dòng)目標(biāo)有比較好的檢測(cè)效果且實(shí)時(shí)性好[17]；張應(yīng)輝為了提高運(yùn)動(dòng)目標(biāo)檢測(cè)的準(zhǔn)確性和高效性，將三幀差分法和背景差分法結(jié)合起來有效減少了目標(biāo)圖像中的噪聲[18]；Ding L通過對(duì)相鄰像素點(diǎn)之間的灰度值研究，采用Canny算子檢測(cè)運(yùn)動(dòng)目標(biāo)輪廓，該方法得到了比較完整的運(yùn)動(dòng)目標(biāo)輪廓[19]；袁益琴等通過將背景差分與幀間差分結(jié)合的方式對(duì)衛(wèi)星圖像中的運(yùn)動(dòng)車輛進(jìn)行檢測(cè)，得到較為準(zhǔn)確的結(jié)果，并提升了檢測(cè)的實(shí)時(shí)性[20]；賀強(qiáng)通過將Log算子和Canny算子結(jié)合，通過對(duì)椒鹽噪聲濾除的結(jié)果表明這種方法在最大程度抑制噪聲的同時(shí)檢測(cè)到盡可能多的邊緣[21]，但整個(gè)方法因?yàn)橹粰z測(cè)了圖像的邊緣信息，故對(duì)背景中的冗余信息濾除較為繁瑣[22]。劉操等利用圖像的顏色模型與HOG特征進(jìn)行運(yùn)動(dòng)車輛的檢測(cè)，并結(jié)合支持向量機(jī)等機(jī)器學(xué)習(xí)方法對(duì)車輛進(jìn)行分類，該方法在一定程度上提升了整體檢測(cè)的魯棒性，但復(fù)雜度較高，不適用于真實(shí)場(chǎng)景中的實(shí)時(shí)車輛檢測(cè)[23]。

結(jié)合以上研究情況，本文提出一種融合多種方法優(yōu)點(diǎn)的運(yùn)動(dòng)車輛檢測(cè)方法，提升整體檢測(cè)的準(zhǔn)確性以及對(duì)場(chǎng)景的適應(yīng)能力。文章第一部分針對(duì)當(dāng)前運(yùn)動(dòng)車輛檢測(cè)的研究現(xiàn)狀、問題和意義進(jìn)行概述；第二部分對(duì)整個(gè)檢測(cè)方法進(jìn)行概述，介紹其中的各個(gè)處理過程；第三部分對(duì)所提出的具體檢測(cè)算法進(jìn)行詳細(xì)描述；第四部分對(duì)所提出的檢測(cè)方法進(jìn)行驗(yàn)證，確定其檢測(cè)性能；第五部分對(duì)整個(gè)研究及所提出的方法進(jìn)行總結(jié)[24-25]。

2 系統(tǒng)概述

本文針對(duì)當(dāng)前運(yùn)動(dòng)車輛檢測(cè)的研究現(xiàn)狀，提出一種改進(jìn)的幀間差分與背景差分融合的運(yùn)動(dòng)車輛檢測(cè)方法。其整體檢測(cè)流程如圖1所示。

圖1 整體方法流程

2.1 圖像預(yù)處理

對(duì)于采集的原始圖像而言，其包含大量對(duì)于運(yùn)動(dòng)車輛檢測(cè)無用的信息，且存在較多圖像噪聲，影響整體檢測(cè)精度與效率。因此在對(duì)圖像進(jìn)行檢測(cè)前，采取有效的預(yù)處理方法可以提升檢測(cè)方法的可靠性與實(shí)時(shí)性。

（1）灰度化處理。在能夠描述一幅圖像整體和局部特征的情況下，選擇灰度圖像進(jìn)行處理可以極大地提高運(yùn)算效率。本文采用加權(quán)平均值法對(duì)圖像灰度化，見式（1）。

其中，ω1、ω2和ω3分別是三個(gè)通道顏色分量的權(quán)值，本文取ω1=0.30，ω2=0.59，ω3=0.11。加權(quán)平均值法將視頻圖像灰度化后的結(jié)果如圖2所示。

圖2 視頻圖像的灰度化

（2）濾波去噪處理。對(duì)圖像進(jìn)行濾波，可以減小噪聲點(diǎn)干擾，提升檢測(cè)準(zhǔn)確性。為了盡可能保留圖像的邊緣信息，本文采用能夠有效保護(hù)圖像邊緣信息，并對(duì)椒鹽噪聲有良好抑制效果的中值濾波來對(duì)圖像進(jìn)行濾波處理，其計(jì)算公式見式（2）。

其中，ω是選取的模板，模板大小為3×3。g(x,y)表示濾波后的結(jié)果。如圖3是中值濾波對(duì)圖像中椒鹽噪聲和高斯噪聲的處理結(jié)果。

圖3 中值濾波處理

2.2 車輛檢測(cè)

利用幀間差分法得到連續(xù)幀的差分圖像，而后采取自適應(yīng)閾值的二值化處理并結(jié)合Canny邊緣檢測(cè)算子結(jié)果得到改進(jìn)的幀間差分法；最后利用混合高斯模型對(duì)圖像進(jìn)行背景差分處理，并將結(jié)果與改進(jìn)的幀間差分法融合得到車輛檢測(cè)結(jié)果。

2.3 數(shù)學(xué)形態(tài)學(xué)濾波

通過以上公式可知，當(dāng)N的原點(diǎn)移動(dòng)到點(diǎn)(x,y)時(shí)，假設(shè)N完全包括在連接區(qū)域M中，則將點(diǎn)(x,y)的值置為1，反之就將該點(diǎn)的值置為0。

（2）膨脹。同腐蝕運(yùn)算的定義一樣，定義膨脹運(yùn)算符號(hào)為∨。當(dāng)N的原點(diǎn)移至點(diǎn)(x,y)時(shí)，將其記為Nxy，則連接區(qū)域M被結(jié)構(gòu)元素N膨脹的運(yùn)算見式（4）。

通過車輛檢測(cè)得到初步的檢測(cè)結(jié)果二值圖，隨后進(jìn)行形態(tài)學(xué)濾波，使檢測(cè)到的運(yùn)動(dòng)車輛更易被統(tǒng)計(jì)與標(biāo)識(shí)。同時(shí)可以去除二值圖像中的點(diǎn)噪聲。

（1）腐蝕。腐蝕操作可以有效消除二值圖像中的孤立噪聲點(diǎn)。假設(shè)二值化之后圖像的連接區(qū)域?yàn)镸，結(jié)構(gòu)元素為N，當(dāng)該結(jié)構(gòu)元素的原點(diǎn)移至點(diǎn)(x,y)時(shí)，將其記為Nxy，定義腐蝕運(yùn)算的符號(hào)為∧，則連接區(qū)域M被結(jié)構(gòu)元素N腐蝕的運(yùn)算見式（3）。

通過以上公式，當(dāng)N的原點(diǎn)移至點(diǎn)(x,y)時(shí)，如果N至少包括了一個(gè)白色的點(diǎn)，就將點(diǎn)(x,y)的值置為1，否則就將該點(diǎn)值置為0。圖4是二值圖像的形態(tài)學(xué)濾波結(jié)果。

圖4 二值圖像的形態(tài)學(xué)濾波

2.4 運(yùn)動(dòng)目標(biāo)檢測(cè)

通過數(shù)學(xué)形態(tài)學(xué)濾波后的二值圖像可以清晰的獲取運(yùn)動(dòng)車輛的信息，并在實(shí)際的圖像坐標(biāo)中找出運(yùn)動(dòng)車輛的坐標(biāo)位置，為后續(xù)的研究與策略規(guī)劃打下基礎(chǔ)。

3 車輛檢測(cè)算法

本文提出結(jié)合Canny邊緣檢測(cè)算子的改進(jìn)幀間差分法，來解決幀間差分法對(duì)運(yùn)動(dòng)目標(biāo)輪廓檢測(cè)效果不佳的問題。接著將改進(jìn)幀間差分法的車輛檢測(cè)結(jié)果融合背景差分法的檢測(cè)結(jié)果，用來解決幀間差分法內(nèi)部出現(xiàn)的“空洞”現(xiàn)象和背景差分法對(duì)外部光照變化敏感的問題。

3.1 改進(jìn)的幀間差分法

利用多幅連續(xù)幀的幀間差分圖像結(jié)合自適應(yīng)閾值二值化處理得到幀間差分結(jié)果，隨后融合邊緣檢測(cè)算法得到改進(jìn)的幀間差分結(jié)果，其具體流程如圖5。

圖5 改進(jìn)幀間差分法流程圖

3.1.1 幀間差分。在視頻序列連續(xù)三幀圖像中，用

fk-1(x,y)表示第k-1幀圖像，fk(x,y)表示第k幀圖像，

fk+1(x,y)表示第k+1幀圖像，gk-1(x,y)和gk(x,y)分別表示幀間差分法的兩次計(jì)算結(jié)果，見式（5）、式（6）。

3.1.2 自適應(yīng)閾值二值化。對(duì)于圖像f(x,y)，假設(shè)運(yùn)動(dòng)目標(biāo)區(qū)域占圖像的比例為ω0，運(yùn)動(dòng)目標(biāo)像素點(diǎn)的均值為μ0，背景區(qū)域占圖像的比例為ω1，背景像素點(diǎn)的均值為μ1，圖像像素均值為μ。M為圖像的高，N為圖像的寬，單位為像素，類間方差為g，像素值小于T的個(gè)數(shù)為N0，大于T的個(gè)數(shù)為N1，計(jì)算公式如下：

其中，有ω0+ω1=1，采用遍歷方法求取最大的g值作為圖像的分割閾值T。隨后將圖像f(x,y)上每一個(gè)像素點(diǎn)(x,y)和給出的閾值T進(jìn)行比較，見式（11），得到差分的二值圖像。

采用自適應(yīng)的動(dòng)態(tài)閾值分割的好處在于避免了對(duì)所有場(chǎng)景使用單一閾值帶來二值化分割的不確定性，能夠適應(yīng)環(huán)境變化較大的場(chǎng)景，克服單一閾值人為選擇的問題，對(duì)環(huán)境有更好的適應(yīng)性[26-27]，其檢測(cè)結(jié)果如圖6所示。

圖6 幀間差分二值化圖像

3.1.3 差分圖像融合。通過上述運(yùn)算得到兩幅連續(xù)的幀間差分二值圖像，隨后對(duì)兩幅二值圖像進(jìn)行邏輯與計(jì)算，計(jì)算公式見式（12）：

hk(x,y)即為連續(xù)幀間差分圖像的融合結(jié)果。取視頻圖像的連續(xù)3幀圖像，其檢測(cè)結(jié)果如圖7所示。

圖7 三幀差分法檢測(cè)圖像

從圖7中可以看出，采用的三幀差分法檢測(cè)到的車輛目標(biāo)有些邊緣信息不完整，檢測(cè)到的車輛內(nèi)部也會(huì)存在“空洞”現(xiàn)象。而邊緣檢測(cè)法是根據(jù)運(yùn)動(dòng)目標(biāo)內(nèi)外部灰度值的差異來提取目標(biāo)的輪廓，因此可以很好地彌補(bǔ)三幀差分法檢測(cè)結(jié)果存在邊緣信息不完整的缺點(diǎn)。本文采用邊緣檢測(cè)算法中的Canny算子對(duì)三幀差分法予以改進(jìn)。Canny檢測(cè)算法對(duì)目標(biāo)的顏色不敏感，不因目標(biāo)顏色的不同而影響檢測(cè)結(jié)果，在分離出目標(biāo)的同時(shí)也能夠得到比較完整的邊緣信息。

3.1.4 邊緣檢測(cè)。采用Canny邊緣檢測(cè)算子對(duì)圖像檢測(cè)，首先通過高斯濾波對(duì)圖像降噪，而后計(jì)算濾波后圖像中每個(gè)像素梯度的大小和方向。最后利用兩個(gè)3×3的卷積核分別去檢測(cè)垂直和水平方向的邊緣信息，Canny算子檢測(cè)結(jié)果圖如圖8所示。

圖8 Canny算子的檢測(cè)結(jié)果圖

3.1.5 改進(jìn)幀間差分法的結(jié)果與分析。將連續(xù)幀的幀間差分圖像與Canny邊緣檢測(cè)所得到的圖像進(jìn)行融合計(jì)算，得到改進(jìn)幀間差分法的檢測(cè)結(jié)果，其計(jì)算公式如下：

其中，Ik(x,y)為改進(jìn)的幀間差分法得到的檢測(cè)圖像，F(xiàn)k(x,y)為三幀差分法得到的檢測(cè)圖像，Gk(x,y)為通過Canny邊緣檢測(cè)算法得到邊緣圖像。

根據(jù)以上改進(jìn)三幀差分法的計(jì)算流程，選取了視頻圖像中的連續(xù)多幀圖像，檢測(cè)結(jié)果如圖9所示。從圖8與圖9中可以看出，對(duì)幀間差分圖作Canny邊緣檢測(cè)之后，能夠得到比較完整的運(yùn)動(dòng)車輛輪廓，特別是能夠?qū)⒁恍┸囕v的邊緣連接起來。同時(shí)融合三幀差分法之后，又能保留車輛一部分內(nèi)部信息，在一定程度上兼具了這兩種車輛檢測(cè)方法的優(yōu)點(diǎn)。

圖9 改進(jìn)幀間差分法的檢測(cè)結(jié)果

3.2 基于混合高斯分布的背景差分

對(duì)預(yù)處理圖像采用背景差分的方法得到圖像中的背景信息，進(jìn)而得到運(yùn)動(dòng)車輛信息，其具體流程如圖10所示。

圖10 混合高斯建模流程圖

混合高斯背景差分模型由多個(gè)單高斯模型組合而成，通過對(duì)多個(gè)單高斯模型相應(yīng)的加權(quán)求和處理來解決單高斯模型所存在的問題。

3.2.1 背景建模。采用K個(gè)高斯分布對(duì)圖像中的某個(gè)像素點(diǎn)建模。在t時(shí)刻內(nèi)，坐標(biāo)(x,y)的灰度值取值集合見式（14）。

其中Ii(x,y)表示第i幀圖像坐標(biāo)點(diǎn)(x,y)的灰度值。那么在該時(shí)刻點(diǎn)(x,y)的概率密度函數(shù)就可以采用K個(gè)高斯分布描述，見式（15）。

其中，K表示高斯模型個(gè)數(shù)，It表示當(dāng)前幀像素灰度值，表示在t時(shí)刻第i個(gè)模型的權(quán)值。為混合高斯模型在t時(shí)刻第i個(gè)模型的均值為混合高斯模型在t時(shí)刻第i個(gè)模型的方差，為混合高斯模型在t時(shí)刻第i個(gè)模型的概率密度函數(shù)，表達(dá)式見式（16）。

3.2.2 參數(shù)初始化。初始化參數(shù)時(shí)需要給出某個(gè)像素點(diǎn)It(x,y)在t時(shí)刻的均值μ0以及方差σ20。假設(shè)在t時(shí)間內(nèi)的視頻序列的幀數(shù)為N，那么N的計(jì)算公式見式（17）、式（18）。

3.2.3 模型匹配。在參數(shù)初始化完成之后，需要對(duì)模型進(jìn)行匹配，將t時(shí)刻的幀圖像與K個(gè)高斯分布按照式（19）依次匹配。

其中，λ為常數(shù)，根據(jù)上文的分析，λ的取值一般在2.5到3之間。對(duì)于混合高斯背景建模，本文采用了3個(gè)單高斯模型來描述運(yùn)動(dòng)目標(biāo)和背景圖像。同時(shí)在建模過程中，對(duì)不同的高斯模型采用不同的權(quán)值來進(jìn)行融合。根據(jù)對(duì)視頻中的運(yùn)動(dòng)目標(biāo)分析得出，運(yùn)動(dòng)目標(biāo)所占用的時(shí)間比背景所占用的時(shí)間要短，此時(shí)就給描述運(yùn)動(dòng)目標(biāo)的高斯分布一個(gè)相對(duì)高的權(quán)值，反之給描述背景的高斯分布相對(duì)低的權(quán)值。在作對(duì)比前，對(duì)這3個(gè)高斯分布首先按照e的大小分別給予它們不同的權(quán)值，其中e越大，所給予的權(quán)值越大，排列越靠前，其中e的公式見式（20）。

其中，當(dāng)e值越大，說明高斯模型的權(quán)重越大，用來描述的場(chǎng)景更可能是與運(yùn)動(dòng)無關(guān)的背景點(diǎn)。在作對(duì)比時(shí)，將這3個(gè)高斯分布按照排列的順序根據(jù)式（21）進(jìn)行判斷，符合判斷條件的點(diǎn)就是背景點(diǎn)；反之不符合判斷條件的點(diǎn)就是運(yùn)動(dòng)目標(biāo)點(diǎn)。

對(duì)于判斷閾值T，不需要將全部的高斯模型一一作對(duì)比，先對(duì)前K1個(gè)（K1≤3）模型對(duì)比，對(duì)于所有滿足求和結(jié)果的T來說，取最少的高斯模型個(gè)數(shù)作為K1的值，K1的公式見式（21）。

3.2.4 模型更新。對(duì)當(dāng)前幀圖像中的每個(gè)點(diǎn)進(jìn)行匹配。對(duì)于匹配成功的點(diǎn)，直接將這些點(diǎn)作為建模的背景點(diǎn)，然后對(duì)參數(shù)更新，公式如下：

其中，α為模型的更新速率，α取值介于0到1。由上述公式可知，α的取值決定了背景的更新速率，α取值越小，更新速率會(huì)越小，同樣β就會(huì)越小，最后結(jié)果的魯棒性會(huì)越差；反之，α越大，則背景的更新速率就會(huì)越快，β同樣也會(huì)越大，最后結(jié)果的魯棒性會(huì)越好，但是會(huì)帶來更多的噪聲。假如匹配不成功，即不會(huì)參與匹配，那么均值與方差就保持不變，只需要改變它的權(quán)值和e值大小。計(jì)算公式見式（26）和式（27）。

3.2.5 產(chǎn)生新分布。如果在t時(shí)刻，圖像中的每一個(gè)點(diǎn)都匹配成功，那么將按照e值排列的3個(gè)高斯分布中的最后一個(gè)，即權(quán)值最低的高斯分布舍去。然后重新建立一個(gè)新的高斯分布，以這個(gè)新高斯分布的均值為當(dāng)前幀圖像像素灰度值，最后選擇一個(gè)較小的權(quán)值與一個(gè)較大的方差來進(jìn)行參數(shù)初始化。當(dāng)t時(shí)刻的圖像完成匹配之后，下一幀圖像來臨時(shí)，繼續(xù)按照上面的步驟進(jìn)行匹配。

3.3 改進(jìn)幀間差分與背景差分結(jié)合的車輛檢測(cè)

本文的車輛檢測(cè)算法可以分為三個(gè)階段：首先是改進(jìn)幀間差分法得到二值化運(yùn)動(dòng)車輛圖像的結(jié)果，其次是采用混合高斯模型得到另一個(gè)二值化運(yùn)動(dòng)車輛圖像的結(jié)果，最后將這兩個(gè)結(jié)果進(jìn)行算法融合。式（28）表示融合改進(jìn)幀間差分法和混合高斯背景建模算法。

其中，Ik(x,y)為改進(jìn)幀間差分法得到的二值化運(yùn)動(dòng)車輛，Nk(x,y)為混合高斯背景差分得到的二值化運(yùn)動(dòng)車輛，Mk(x,y)為兩種算法融合后的結(jié)果。

4 實(shí)驗(yàn)結(jié)果與分析

根據(jù)將改進(jìn)幀間差分法和混合高斯背景模型結(jié)合的車輛檢測(cè)算法流程，本文選取了視頻圖像中具有代表性的多幀連續(xù)圖像，在這一段時(shí)間內(nèi)，光照發(fā)生了一定的變化。通過實(shí)驗(yàn)結(jié)果對(duì)比說明本文的改進(jìn)算法對(duì)光照不敏感，具有較好的環(huán)境適應(yīng)能力。實(shí)驗(yàn)結(jié)果如圖11-圖15所示。

圖11是改進(jìn)前后的三幀差分法的車輛檢測(cè)結(jié)果圖，圖12是混合高斯背景建模的車輛檢測(cè)結(jié)果和本文算法的車輛檢測(cè)結(jié)果，圖13是混合高斯背景建模的膨脹結(jié)果和本文算法檢測(cè)的膨脹結(jié)果，圖14是兩種方法求得的車輛外接矩形框。根據(jù)前面分析，改進(jìn)三幀差分法能夠檢測(cè)出比較完整的目標(biāo)輪廓，對(duì)光照發(fā)生變化的場(chǎng)景不敏感，但是對(duì)目標(biāo)內(nèi)部信息的保留不完整。根據(jù)圖12（a）可以看出，混合高斯背景建模得到結(jié)果的內(nèi)部信息較為完整，但同時(shí)混合高斯背景建模對(duì)光照變化比較敏感，如圖12（a）中右下方車輛的頂部出現(xiàn)了“空洞”現(xiàn)象，直接造成的結(jié)果就是車身丟失嚴(yán)重，造成這一現(xiàn)象的原因是模型對(duì)光照變化的敏感性。本文融合算法的結(jié)果如圖12（b）和圖13（b），可以看到檢測(cè)到的結(jié)果具有三幀差分法能夠?qū)④囕v輪廓連起來的優(yōu)點(diǎn)，同時(shí)解決了右下方車輛頂部的“空洞”現(xiàn)象。說明融合后的算法具有三幀差分法對(duì)光照的不敏感性，又具有混合高斯模型檢測(cè)運(yùn)動(dòng)車輛內(nèi)部信息完整的優(yōu)點(diǎn)。

圖11 改進(jìn)的幀間差分法檢測(cè)結(jié)果對(duì)比

圖12 背景差分與本文檢測(cè)結(jié)果對(duì)比

圖13 兩種膨脹結(jié)果對(duì)比圖

圖14 兩種求取外接矩形結(jié)果對(duì)比圖

圖15 檢測(cè)結(jié)果圖

針對(duì)待檢測(cè)的視頻，選取不同的圖像采用本文所提出的車輛檢測(cè)算法進(jìn)行檢測(cè)，并將結(jié)果與傳統(tǒng)方法的檢測(cè)精度進(jìn)行對(duì)比。車輛檢測(cè)精度的判定利用檢測(cè)結(jié)果中的特征點(diǎn)與實(shí)際位置的偏差來度量，具體檢測(cè)精度計(jì)算公式如下：

其中P為檢測(cè)準(zhǔn)確率，R為檢測(cè)召回率，F(xiàn)1為綜合精度指標(biāo)。

Δpixelu-i、Δpixelv-i分別為選取的第i個(gè)特征點(diǎn)的真實(shí)坐標(biāo)與檢測(cè)坐標(biāo)的橫向、縱向像素偏差值。

Zu-i、Zv-i分別為橫向、縱向的像素點(diǎn)總數(shù)。

tn為所檢測(cè)到的正確的特征點(diǎn)數(shù)目。

N為所選取的的車輛特征點(diǎn)總數(shù)。

表1為不同方法的檢測(cè)精度統(tǒng)計(jì)表。

表1 檢測(cè)精度對(duì)比

通過對(duì)具體視頻圖像的檢測(cè)結(jié)果可以發(fā)現(xiàn)，本文所提出方法的檢測(cè)精度明顯優(yōu)于三幀差分法與混合高斯背景差分法的檢測(cè)精度，彌補(bǔ)了傳統(tǒng)算法的不足，有較好的實(shí)際應(yīng)用價(jià)值。

5 結(jié)論

本文提出了一種融合幀間差分法和Canny邊緣檢測(cè)法的改進(jìn)幀間差分法，在二值化的過程中結(jié)合最大類間方差法來求二值化的最佳閾值T，最后將改進(jìn)幀間差分與混合高斯背景差分進(jìn)行融合來對(duì)車輛進(jìn)行檢測(cè)，以改進(jìn)單一使用其中一種算法的不足，提高了檢測(cè)結(jié)果的準(zhǔn)確性和算法對(duì)外部光照變化的適應(yīng)能力。

在后續(xù)研究中，對(duì)背景更新需要不斷改進(jìn)，只有建立一個(gè)高度準(zhǔn)確的背景模型才能完整檢測(cè)出車輛，這個(gè)背景會(huì)根據(jù)攝像頭的抖動(dòng)，外界環(huán)境變化而實(shí)時(shí)地更新。本文在這一方面做了部分研究，但考慮的情況并不全面。在后續(xù)的研究中還需要在算法中加入自適應(yīng)學(xué)習(xí)的過程，以更好的適應(yīng)外界環(huán)境的突變，從而滿足實(shí)際應(yīng)用的需求。