基于背景差分法的行駛中的汽車檢測*

賈曉琪，閆俊伢，楊麗英

(山西工程科技職業(yè)大學(xué)，山西 晉中 030619)

0 引言

動態(tài)目標(biāo)檢測追蹤是針對視頻中運動的物體進行實時監(jiān)測，在計算機技術(shù)飛速發(fā)展的今天，動態(tài)目標(biāo)檢測在計算機視覺、圖像處理、視頻監(jiān)控、人機交互以及模式識別等領(lǐng)域有著重要的研究意義和實用價值[1]。動態(tài)目標(biāo)檢測其實就是將視頻分解成視頻圖像幀序列，在每幀圖像中檢測出發(fā)生變化的目標(biāo)，從而確定視頻中運動的目標(biāo)物體。

本文中，通過對截取視頻中的每幀圖像進行灰度處理，提取視頻中的背景模型，即視頻中的靜止區(qū)域，然后獲取視頻中動態(tài)的目標(biāo)區(qū)域，復(fù)原實現(xiàn)了背景差分法對視頻圖像中行駛的汽車目標(biāo)檢測[2]。在檢測過程中，發(fā)現(xiàn)了檢測過程中出現(xiàn)了邊緣斷裂情況，本文采用閉操作對復(fù)原實驗結(jié)果中的微小空洞進行了填充，并在一定程度上連接了結(jié)果中出現(xiàn)的狹窄間斷。

1 背景差分法算法

背景差分法又叫背景減法，該算法主要是通過對所獲取的視頻圖像進行圖像幀分解，并將分解的每幀圖像與視頻背景圖像進行差分算法，由此得到視頻中的運動目標(biāo)[3，4]。

在進行背景差分運算之前，要先對獲取到的視頻圖像進行灰度預(yù)處理，并截取為圖像幀序列；然后通過高低閾值分割獲取視頻圖像序列中的靜止場景，當(dāng)做后期差分算法的背景圖像；差分算法之后，得到了灰度圖像幀的運動區(qū)域，然后根據(jù)訓(xùn)練所得的閾值進行閾值化動態(tài)目標(biāo)的提取。具體處理過程如圖1所示。

圖1 背景差分法處理流程示意圖

1.1 視頻分幀

視頻通過數(shù)字形式記錄一系列動態(tài)行為，為了能夠順利剝離出視頻中靜止的區(qū)域，我們必須對視頻進行視頻幀分解，也就是按照一定的時間把視頻圖像分解成一個圖像序列，每一幀都是一張圖片。接下來的所有步驟都是對當(dāng)前得到的視頻圖像幀進行處理。

1.2 圖像預(yù)處理

圖像預(yù)處理主要是進行圖像的灰度化以及圖像濾波。這個過程我們主要通過Canny邊緣檢測算法實現(xiàn)。對圖像進行灰度化處理，其實就是求圖像的各個通道采樣值的加權(quán)平均值，公式如下：

Gray=(R+G+B)/3.

(1)

對灰度圖像進行高斯濾波算法從而抑制圖像中存在的噪聲，突出圖像邊緣，提高背景差分法邊緣檢測的靈敏度，具體實施方法是：將高斯函數(shù)離散化，把高斯函數(shù)值作為權(quán)值，然后對灰度圖中的各個像素點進行加權(quán)平均，來有效消除圖像中的高斯噪聲[5]。高斯濾波算法公式如下：

(2)

最后，為使圖像中邊緣輪廓線更加光滑，我們對預(yù)處理后的圖像進行了閉操作，這樣既能消除灰度圖像中出現(xiàn)的細(xì)小空洞，還能對輪廓線的斷裂進行自適應(yīng)修復(fù)。

1.3 構(gòu)建視頻圖像的背景模型

在灰度圖中，我們可以采用多幀平均法來建立背景模型：將一段時間內(nèi)的多幀灰度圖像相加，然后求出它們的平均值，這個平均值就是背景模型[6]。

(3)

其中，Bn代表了第n幀視頻圖像中的背景模型；N是圖像幀的幀數(shù)；B(x,y)是圖像中的各個像素點的灰度值；In(x,y)為第n個視頻圖像幀中(x,y)的像素點值。

在實驗過程中，因為獲取視頻的攝像頭為固定位置拍攝，所以在一定程度上，也幫助了我們盡可能的消除了視頻圖像抖動對建模結(jié)果的影響；同時，為了消除光照對背景建模結(jié)果的影響，我們需要每隔一段時間就重新更新一次背景模型，所使用的公式如下：

(4)

1.4 圖像差分運算及閾值化

首先，將當(dāng)前圖像幀的灰度圖像的各個像素點的灰度值與構(gòu)建得到的背景模型各個像素點灰度值進行差分，運算過程如下[7]：

En(x,y)=|Pn(x,y)-Bn(x,y)|.

(5)

其中，Pn(x,y)為當(dāng)前圖像幀灰度圖像的像素點灰度值；Bn(x,y)為背景模型中各個像，得到的結(jié)果En為背景差圖。

然后我們根據(jù)給定的閾值進行區(qū)分，對背景差圖進行閾值化處理，具體處理算法如下：

(6)

其中，T為實驗中設(shè)定的閾值；En(x,y)為1表示此像素點為動態(tài)目標(biāo)區(qū)域中的像素點；En(x,y)為0表示此像素點為背景區(qū)域的像素點。最后像素點整合，實現(xiàn)灰度圖像中的動靜圖像分割，從而達(dá)到動態(tài)追蹤的目的。

2 實驗過程

本文中，我們使用背景差分法模擬了對行駛中的汽車動態(tài)檢測的實驗，具體實驗步驟如下：

1) 固定視頻位置，選取人流較少的位置路段進行拍攝，獲取視頻圖像，截選只有車輛出現(xiàn)的視頻段保留使用。然后將視頻圖像分解為視頻圖像幀序列，我們以每秒25幀圖像進行分解，圖2列出其中兩幀圖像。

圖2 視頻序列中的兩幀圖像

2) 對圖像幀序列進行預(yù)處理，求圖像的各個通道采樣值的加權(quán)平均值，從而得到灰度化后的視頻圖像幀，如圖3所示，列出了其中兩幀圖像。

圖3 灰度化處理

通過高斯濾波算法進行灰度圖像的邊緣檢測，并使用閉操作填補和連接斷裂，從而連接了在圖像預(yù)處理過程中，被誤分為許多小塊的目標(biāo)區(qū)域。

3) 對灰度圖進行平均法建立背景模型，為背景差分算法做準(zhǔn)備，建立的背景模型如4所示。

圖4 背景建模

4) 根據(jù)所建立的背景模型進行背景差分法，得到灰度圖像之間的灰度差值，也就是背景差圖，我們設(shè)定閾值為80，根據(jù)閾值化方法對差圖中的動態(tài)區(qū)域進行分割，最后得到視頻行駛中的車輛目標(biāo)，如圖5、圖6所示。

圖5 背景差分法追蹤動態(tài)目標(biāo)

圖6 動態(tài)目標(biāo)追蹤結(jié)果

3 結(jié)論

實驗過程中，我們對視頻圖像進行了圖像幀分解和圖像預(yù)處理，在得到的灰度圖像幀序列中較好地分離出了背景模型，為了消除光照對實驗結(jié)果的影響，背景模型隔一段時間就要更新一次；同時，為了讓檢測結(jié)果能夠更完整，我們采用閉操作進行了斷裂的填補。

通過模擬實驗，我們發(fā)現(xiàn)背景差分法能較好地處理動態(tài)目標(biāo)簡單的視頻圖像序列，加上閉操作可以改善檢測效果。對視頻進行圖像幀的分解后，逐一進行灰度處理，處理后的圖像幀能夠很好的分離出背景模型，便于之后的背景差分步驟的進行。