李秦君， 黨宏社， 王明偉

(陜西科技大學(xué)電氣與信息工程學(xué)院, 陜西 西安 710021)

0 引 言

視頻監(jiān)控方法通過分析拍攝的交通圖像序列，對(duì)交通目標(biāo)進(jìn)行檢測(cè)、識(shí)別和跟蹤，并對(duì)其行為進(jìn)行分析和判斷.與其它檢測(cè)手段相比，視頻監(jiān)控方式可以同時(shí)獲得多種重要路況狀態(tài)信息，有利于實(shí)現(xiàn)交通管理的智能化，具有很大的發(fā)展?jié)摿?

在智能交通視頻監(jiān)控中，無(wú)論采用什么解決方案，首先必須能夠檢測(cè)分割出交通場(chǎng)景中的目標(biāo).因此，車輛檢測(cè)與分割方法的研究，在交通視頻監(jiān)控系統(tǒng)中具有重要的意義.背景差分法是當(dāng)前應(yīng)用比較廣泛的一種方法，該方法是在假定獲得理想背景圖的基礎(chǔ)上，將當(dāng)前輸入各幀圖像和理想背景圖像相減，得到的像素值非零(實(shí)際應(yīng)用中會(huì)設(shè)定一個(gè)閾值)部分即為運(yùn)動(dòng)物體，這樣無(wú)論什么場(chǎng)景都會(huì)比較精確地得到運(yùn)動(dòng)區(qū)域，但是背景容易受環(huán)境、天氣和光線變化的影響，因此需要不斷地更新.車輛分割的難點(diǎn)主要是場(chǎng)景中存在的陰影以及車輛間的遮擋粘連，針對(duì)這種情況，本文提出采用基于自適應(yīng)背景更新的背景差分方法檢測(cè)運(yùn)動(dòng)目標(biāo)，并研究了車輛間遮擋粘連的分割方法.

1 視頻圖像分割及車輛分離

探測(cè)車輛的第一步是分割圖像從而將車輛從背景中分離出來(lái).分割方法需要精確地從背景中分離出車輛，并且要求速度快，能實(shí)時(shí)操作，不受光線和天氣條件變化的影響，初始化步驟盡可能減少.我們選擇采用自適應(yīng)背景差分法來(lái)實(shí)現(xiàn)分割，其中我們采用了一種更簡(jiǎn)單、更可靠的方法來(lái)實(shí)現(xiàn)背景更新.此外，我們的方法自動(dòng)地從視頻序列提取背景，所以不需要手動(dòng)初始化.我們的分割技術(shù)分為3個(gè)任務(wù)：(1)分割；(2)背景更新；(3)背景提取[1].

1.1 分割

對(duì)于每一個(gè)視頻序列(簡(jiǎn)稱當(dāng)前圖像)幀，我們提取當(dāng)前圖像與當(dāng)前背景的差異給出差分圖像.差分圖像是給一個(gè)二進(jìn)制對(duì)象模型設(shè)定閾值.對(duì)象模型是一個(gè)二進(jìn)制圖像，其所有對(duì)應(yīng)前景目標(biāo)的像素值為1，所有其它像素設(shè)置為0.

1.2 自適應(yīng)背景更新

該方法的基本原理是修改從當(dāng)前圖像(被稱為當(dāng)前背景)中減除前景對(duì)象所得到的背景圖片，以便近似于當(dāng)前視頻幀的背景，我們采用當(dāng)前背景和當(dāng)前視頻序列幀的加權(quán)平均值來(lái)更新背景.然而，當(dāng)前圖像也包含前景對(duì)象，因此在做更新前，我們需要把像素歸類為前景和背景的像素，然后只使用從當(dāng)前圖像得到的背景像素來(lái)修改目前的背景.否則，背景圖片會(huì)被前景中的物體污染.二進(jìn)制對(duì)象的遮罩是用來(lái)區(qū)分背景像素與前景像素的，對(duì)象的遮罩作為選通功能決定哪些圖片樣本用于更新背景.在遮罩為0的位置(對(duì)應(yīng)于背景像素)，當(dāng)前圖像被采樣.在遮罩為1的位置(對(duì)應(yīng)前景像素)，當(dāng)前背景被采樣.這樣做得到的結(jié)果就是我們所說的瞬時(shí)背景.將當(dāng)前背景為瞬時(shí),當(dāng)前背景的加權(quán)平均值如式(1) 所示：

CB=αIB+(1-α)CB

(1)

分配給當(dāng)前和瞬時(shí)背景的權(quán)重影響更新的速度.我們希望更新的速度足夠快，以便能夠迅速捕獲光照變化，但同時(shí)又希望速度相對(duì)緩慢足以使瞬時(shí)變化(因?yàn)樗^的攝像機(jī)自動(dòng)增益控制是被激活的)不需要持續(xù)過長(zhǎng)時(shí)間.根據(jù)已有經(jīng)驗(yàn)，確定權(quán)重為0.1，我們發(fā)現(xiàn)這樣做可以得到更新速度和瞬時(shí)變化靈敏度的最好折衷[2].

1.3 動(dòng)態(tài)閾值更新

從當(dāng)前背景中減除當(dāng)前圖像后，由此而產(chǎn)生差分圖像閾值，得到二進(jìn)制對(duì)象的區(qū)塊.由于背景是動(dòng)態(tài)變化的，因此靜態(tài)閾值不能用于計(jì)算對(duì)象的區(qū)塊.此外，由于對(duì)象的遮罩本身是用于更新當(dāng)前背景的，不良的閾值設(shè)定將導(dǎo)致不良的分割，因此我們需要一種在當(dāng)前背景變化時(shí)及時(shí)更新閾值的方法，將差分圖像用于更新閾值.在我們的圖像中，背景是圖像的主要組成部分，因此差分圖像應(yīng)該主要由大量低值像素以及少量高值像素構(gòu)成.我們用這樣一個(gè)直觀現(xiàn)象來(lái)確定閾值，在差分圖像直方圖中低值像素取值高而高值像素取值低.

1.4 背景自動(dòng)提取

在公路交通視頻序列中，可能無(wú)法獲取背景圖像.一種實(shí)用的方法可以自動(dòng)地從視頻圖像序列中提取出背景來(lái).這里，我們假設(shè)背景是靜止的，任何具有顯著運(yùn)動(dòng)的對(duì)象都被認(rèn)為是前景的一部分.我們所提的方法以視頻圖像為對(duì)象，并逐步建立隨時(shí)間變化的背景圖像.

圖1 在照明條件下背景的自適應(yīng)改變

上述背景和閾值是以周期性的時(shí)間間隔定期進(jìn)行更新的.為了提取背景，我們通過從兩個(gè)連續(xù)更新間隔中減除圖像的方法計(jì)算二進(jìn)制運(yùn)動(dòng)遮罩，所有在這些更新間隔之間有移動(dòng)的像素都被認(rèn)為是前景的一部分.為了計(jì)算幀i(MMi)的運(yùn)動(dòng)遮罩，使用從一個(gè)更新間隔i(OMi)到另一個(gè)更新間隔i(OMi)的二進(jìn)制對(duì)象遮罩.運(yùn)動(dòng)遮罩由公式(2)計(jì)算得到:

MMi=～OMi-1·OMi

(2)

該運(yùn)動(dòng)遮罩現(xiàn)在用作選擇函數(shù)來(lái)計(jì)算如上所述的瞬時(shí)背景.在整個(gè)一幀序列中的當(dāng)前背景等同于在當(dāng)前圖像中的背景.

1.5 自適應(yīng)背景減除結(jié)果

如圖1(a)～(e)所示，說明了上述自適應(yīng)背景減除法的有效性.圖2(a)是白天的圖像，這幅圖像作為算法的初始背景.圖2(b)是在黃昏時(shí)的相同圖像.圖2(c)、(d)和(e)顯示背景自適應(yīng)算法如何更新背景，使得它密切匹配圖2(b)的背景[3].

2 粘連遮擋的檢測(cè)和對(duì)象分離

在這里，我們提出粘連檢測(cè)與分割技術(shù).通過分析運(yùn)動(dòng)區(qū)塊的融合區(qū)域及其軌跡，我們可以找出粘連阻塞的發(fā)生情況.

2.1 運(yùn)動(dòng)估計(jì)

運(yùn)動(dòng)車輛被視為剛體運(yùn)動(dòng).我們使用塊匹配的方法，搜索每個(gè)像素的運(yùn)動(dòng)矢量.塊匹配不能提供精確的運(yùn)動(dòng)矢量，尤其是對(duì)平滑區(qū)域而言.我們補(bǔ)充添加兩個(gè)約束條件來(lái)提高運(yùn)動(dòng)矢量精度：(1)只對(duì)紋理區(qū)塊做塊匹配，(2)塊匹配搜索過程是在某個(gè)固定的方向上運(yùn)行的(因?yàn)檐囕v是向一個(gè)固定方向移動(dòng)的).固定方向塊匹配方法需要的計(jì)算較少，并產(chǎn)生相對(duì)于傳統(tǒng)的全搜索方法而言更精確的運(yùn)動(dòng)矢量.

2.2 運(yùn)動(dòng)矢量變換

由于存在立體投影，運(yùn)動(dòng)矢量將同一車輛對(duì)象歸在相同的圖像中是不均勻的，如圖2(a)所示.我們?cè)O(shè)計(jì)一種運(yùn)動(dòng)矢量變換方法來(lái)將非均勻運(yùn)動(dòng)區(qū)塊轉(zhuǎn)換為均勻運(yùn)動(dòng)區(qū)塊，如圖2(b)所示.

圖2 運(yùn)動(dòng)矢量變換

由于運(yùn)動(dòng)區(qū)塊的方向并不隨投影而改變，因此我們只需要找到一個(gè)轉(zhuǎn)換函數(shù)，使同一運(yùn)動(dòng)對(duì)象區(qū)域的運(yùn)動(dòng)向量數(shù)量相等.在這里，我們校正同一車輛的運(yùn)動(dòng)區(qū)塊使之均勻，取在運(yùn)動(dòng)區(qū)域質(zhì)心的運(yùn)動(dòng)向量作為參考，并變換位于同一區(qū)域的所有運(yùn)動(dòng)向量為參考速率.由于車輛是在固定方向上運(yùn)動(dòng)的，因此所確定的運(yùn)動(dòng)矢量的方向是相同的.要找到每個(gè)路徑的參考速度，我們將車輛經(jīng)過第K個(gè)圖像幀的質(zhì)心時(shí)的速度進(jìn)行平均.

在每一個(gè)位置上，我們通過乘一個(gè)比例因子將運(yùn)動(dòng)矢量變換為一個(gè)常數(shù).對(duì)于在同一路徑上不同速率的任意兩點(diǎn)(i,j)和(i′,j′)，我們應(yīng)用縮放比例并進(jìn)行運(yùn)動(dòng)矢量補(bǔ)償.在同一個(gè)路徑上的速率應(yīng)是一樣的，每個(gè)運(yùn)動(dòng)矢量的比例因子是經(jīng)離線訓(xùn)練過程而獲得的.在訓(xùn)練過程中，為每個(gè)路徑p及每個(gè)圖像幀給定一組運(yùn)動(dòng)矢量和一組運(yùn)動(dòng)矢量常數(shù).在每個(gè)位置，我們可以從訓(xùn)練圖像序列得到一系列的比例因子，然后通過采取平均值得到最終的比例因子[4，5].

2.3 遮擋檢測(cè)和隔離區(qū)

有兩種方法來(lái)檢測(cè)阻塞：軌跡不連續(xù)檢測(cè)法和運(yùn)動(dòng)區(qū)域分析法.運(yùn)動(dòng)矢量校準(zhǔn)后，如果一個(gè)二進(jìn)制小圓點(diǎn)的運(yùn)動(dòng)區(qū)塊不均勻，則我們就知道發(fā)生了閉塞.一個(gè)區(qū)域的均勻性取決于其對(duì)指定區(qū)域的運(yùn)動(dòng)區(qū)塊的方差.如果方差較大，且超過一定的閾值，那么該區(qū)域是一個(gè)可能的閉塞區(qū)域.但是，如果二進(jìn)制小圓形區(qū)域尺寸過小，那么就不可能是閉塞了.基于兩輛車閉塞區(qū)域的運(yùn)動(dòng)區(qū)塊的均勻性，我們可以將閉塞區(qū)域分割為兩個(gè)獨(dú)立的區(qū)域.由于兩車的速度是不同的，在運(yùn)動(dòng)矢量校準(zhǔn)后，我們??可能會(huì)在閉塞輪廓中發(fā)現(xiàn)兩套運(yùn)動(dòng)矢量.在確定好閾值以后，我們可以將運(yùn)動(dòng)區(qū)塊劃分為兩個(gè)不同的區(qū)塊，將相應(yīng)區(qū)域分割為兩個(gè)分離的區(qū)域.

圖3 切割區(qū)域提取

在這里，我們提出一種分割方法，消除所謂的“切割區(qū)”，將閉塞區(qū)域分隔成兩個(gè)獨(dú)立的區(qū)域.為了找到切割區(qū)域，我們使用標(biāo)簽標(biāo)注方法將閉塞區(qū)域標(biāo)注為兩個(gè)區(qū)域.該標(biāo)記法在側(cè)面剪影中找到兩個(gè)不同的運(yùn)動(dòng)區(qū)塊，然后我們使用形態(tài)學(xué)膨脹的方法擴(kuò)大標(biāo)記的區(qū)域，這兩個(gè)區(qū)塊將相互重疊交叉，并生成一個(gè)名為“切割區(qū)域”的交叉區(qū)域，如圖3所示.

圖4 遮擋區(qū)域分離

通過消除切割區(qū)域，我們可以將二進(jìn)制側(cè)面剪影切割成兩個(gè)對(duì)象.分裂的區(qū)域可能不夠精確，我們用開放操作將兩個(gè)區(qū)域分離開，如圖4所示.但是，開放操作將危及分離的二進(jìn)制剪影，如果操作的對(duì)象核心的尺寸太小，則開放操作不能有效地分離兩個(gè)車輛，因此我們最好的權(quán)衡是選擇可以分割這兩輛車的開放核心.如果這兩輛車都是可分離的，那么至少有一輛車可以被識(shí)別出，否則如果這兩輛車仍然閉合的像一輛車，則這種合并就無(wú)法識(shí)別了[6，7].

3 結(jié)束語(yǔ)

對(duì)于來(lái)自公路上的視頻監(jiān)控圖像，本文提出了一種自適應(yīng)背景更新的車輛檢測(cè)法，能夠自動(dòng)提取并自動(dòng)更新背景，滿足車輛檢測(cè)及背景更新的實(shí)時(shí)性要求，同時(shí)能適應(yīng)環(huán)境變化，此外文中還研究了車輛間粘連遮擋的檢測(cè)和對(duì)象分離的方法.

參考文獻(xiàn)

[1] B. L. Tseng, C. Lin,J. R. Smith.Real-Time Video Surveillance for Traffic Monitoring Using Virtual Line Analysis[C]. Proc. of ICME’ 2002,2002：541-544.

[2] 嚴(yán)捷豐.交通視頻監(jiān)控中的車輛檢測(cè)與分割方法研究[D]. 合肥：中國(guó)科學(xué)技術(shù)大學(xué)博士學(xué)位論文，2008:48-57.

[3] Surendra Gupte, Osama Masoud, Robert F. K. Martin,etal. Detection and classification of vehicles[J].IEEE Transactions on Intelligent Transportation Systems,2002,3(1), 413-417.

[4] 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.

[5] 張 玲, 陳麗敏,何 偉,等.基于視頻的改進(jìn)幀差法在車流量檢測(cè)中的應(yīng)用[J].重慶大學(xué)學(xué)報(bào), 2004，27(5): 31-34.

[6] 吳 江,宜國(guó)榮,鄭振東.基于視頻動(dòng)態(tài)投影的實(shí)時(shí)車輛流量檢測(cè)系統(tǒng)[J].計(jì)算機(jī)工程,2001 ,27 (11) :25-64.