李 潔，楊孟拓，劉雪琴，宋煥生，李文敏

（長安大學(xué) 信息學(xué)院，陜西 西安 710064）

目前常用的基于視頻的目標(biāo)檢測算法主要有3種：光流法[1-3]，幀間差法[4-5]，背景差法[6-7]。由于光流法計算量較大，因此在實際中不經(jīng)常使用；幀間差法能夠適應(yīng)快速變化的環(huán)境，但檢測出的運動目標(biāo)位置不夠精確。背景差法實現(xiàn)簡單，程序復(fù)雜性低，能保持目標(biāo)的完整性，因此得到了廣泛的應(yīng)用[8]。所以，如何提取出準(zhǔn)確的背景至關(guān)重要。

迄今為止，國內(nèi)外諸多專家已經(jīng)提出了很多算法。比如多幀圖像平均法，就是把一段時間內(nèi)圖像序列進(jìn)行累加，然后再平均得到近似的背景圖像，該算法實現(xiàn)簡單，計算量較小，但是對于車流量較大的路段，該方法很容易把前景目標(biāo)混入背景里，提取的效果不甚理想。Gloyer B[9]提出的中值濾波法，在背景像素出現(xiàn)概率較大時，提取的效果很好，但是在背景像素出現(xiàn)概率較小時，該算法就會失效。Friedmand等人提出了單高斯模型[10]，即分別獲得背景、前景和陰影的高斯分布，并將這3個高斯分布的加權(quán)值作為像素的灰度值，然后通過EM算法獲得模型參數(shù)，但是一般情況下背景都是比較復(fù)雜的，所以對背景僅采用一個高斯分布是不夠的。因而提出了混合高斯模型[11-12]，它是一種自適應(yīng)的背景建模方法，其核心思想是為每一個像素點建立多個隨時間變換的高斯統(tǒng)計模型，但也存在一些缺點：背景模型的收斂速度慢；對光照變化敏感。Surendra[13]算法的原理是把當(dāng)前幀中的像素點分為前景點和背景點兩類。當(dāng)前幀的背景點的像素值與背景圖中的對應(yīng)點加權(quán)平均，作為當(dāng)前背景中像素值。前景點處則保持原來背景值不變。該算法的核心在于通過直方圖統(tǒng)計和經(jīng)驗取值而區(qū)分當(dāng)前幀中的前景點和背景點，但是此算法在前景物體較多，情況復(fù)雜時會引入噪聲。

在復(fù)雜的道路場景，以上方法還是不能消除一些光照及噪聲的影響，不能夠滿足實際的要求。為此，本文提出了一種改進(jìn)的道路背景提取和更新算法。

1 兩種基本背景提取算法

下面介紹兩種最常用的背景提取算法，多幀圖像平均法和統(tǒng)計中值法。

1.1 多幀平均法

多幀圖像平均法的原理是把車輛看作噪聲，用累加后進(jìn)行平均的方法消除噪聲，所以可以利用車輛在一段時間內(nèi)的序列圖像求和再平均來得到背景圖像。計算公式如下

式中：imagei（x，y）表示第i幀（x，y）點處的像素值，Background（x，y）表示點（x，y）的背景圖像，N表示平均幀數(shù)。

該算法的特點是計算比較簡便。但是發(fā)現(xiàn)通過平均法得到的背景圖像往往會出現(xiàn)亮度分布不均的現(xiàn)象。這是由于在車流量較大的情況下，該算法會將車輛信息誤認(rèn)為是背景信息，而隨著平均幀數(shù)的增加，背景的可信度也會增加。由于在實際生活中交通狀況是比較復(fù)雜的，因此多幀圖像平均算法顯然不能有效地滿足復(fù)雜環(huán)境的需求。

1.2 統(tǒng)計中值法

統(tǒng)計中值法是一種能有效抑制噪聲的處理技術(shù)。統(tǒng)計中值法較平均法的優(yōu)點是它可以克服均值濾波給圖像造成的模糊影響，而且在抑制噪聲的同時，能保持良好的邊緣性，進(jìn)而獲得較為滿意的背景。

統(tǒng)計中值法的基本思想是先統(tǒng)計一段時間內(nèi)某一個像素點的值，然后用這些值的中值作為背景像素。

2 本文算法介紹

分析以上的算法，它們對于比較復(fù)雜的場景都有一定的局限性，得出的結(jié)果并不令人滿意，所以，本文提出了一種新的算法，它克服了場景復(fù)雜時道路背景提取困難或者提取結(jié)果失真的弊端，能在較短的時間內(nèi)提取出準(zhǔn)確性較高的背景，而且能夠消除光照和噪聲對于背景的影響，為后續(xù)的車輛檢測提供了很好的基礎(chǔ)。

下文介紹算法的基本思想及具體步驟：

1）圖像分塊

由于單個像素所代表的信息量比較少，而且很容易受到噪聲的干擾，所以把圖像分成一個個小塊來處理，每個小塊包含h×w個像素，這樣不僅能夠結(jié)合周圍區(qū)域的信息，而且能夠抑制噪聲的影響。

分塊后的圖像大小記為

式中：row和col分別代表分塊后行的塊數(shù)和列的塊數(shù)；H和W分別代表原圖像列像素和行像素；h和w分別代表每一塊的列像素和行像素。

2）圖像拉伸

對于天氣情況比較惡劣的視頻，如果直接處理，難度比較大，而且準(zhǔn)確性不高，所以先對原始圖像進(jìn)行拉伸處理，提高圖像的對比度，方便以后的處理。

處理的表達(dá)式如下

式中：CurrentFrame（x，y）表示當(dāng)前幀（x，y）點處的像素值；min和max分別為拉伸的下界和上界，處理結(jié)果如圖1所示。

圖1 拉伸對比圖

3）對于拉伸圖像后的每一塊，都進(jìn)行以下運算

式中：PreFrame（x，y）表示前一幀（x，y）點處的像素值。記錄此時的bloVal（t），按需要本文記錄離當(dāng)前幀最近的N幀。

4）然后根據(jù)以下公式判斷

式中：Th為閾值，Counter（p，q）表示塊（p，q）計數(shù)器值。在bloVal（t）大于等于Th的情況下，進(jìn)行快慢變化的判斷，如果為慢變，Counter（p，q）++；如果為快變，則Counter（p，q）=0。

下面介紹具體快慢變化的判斷準(zhǔn)則：

因為單純按照一個閾值的大小就決定計數(shù)器的值，具有一定的局限性，可能因為一些光照的變化而影響結(jié)果的準(zhǔn)確性，所以要區(qū)分是車輛的影響還是光照的影響（見圖2），具體的實現(xiàn)步驟如下：

（1）計算歷史bloVal（t）的均值和方差，公式為

（2）如果當(dāng)前的bloVal（t）超過了閾值Th，但是它所對應(yīng)的歷史均值和方差滿足以下公式

式中：λ〉0，一般λ=3，base=20。滿足公式則表示該塊是慢變（光照變化）引起的，否則是快變（車輛經(jīng)過）引起的。

圖2 塊（p，q）的bloVal（t）值的變化

5）重復(fù)步驟3）和步驟4），直到Counter（p，q）達(dá)到一定的閾值Ths時，保存此時bloVal（t）的值作為一個參考狀態(tài)，本文保存距離當(dāng)前幀最近的兩個參考狀態(tài)，離當(dāng)前幀比較近的一個記錄為bloValL（s），比較遠(yuǎn)的一個記錄為bloValF（t），如圖3所示。

圖3 塊（p，q）計數(shù)器值的變化過程

6）判斷Counter（p，q）是否大于Ths，如果大于，并且滿足

則令

式中：CounterPeek（p，q）為塊（p，q）歷史最大值，Thb為閾值。否則重復(fù)步驟3）、步驟4）和步驟5）繼續(xù)進(jìn)行判斷。

7）當(dāng)Counter（p，q）的值首次大于閾值Tha（Tha〉Ths），則將此塊當(dāng)前幀的灰度值保存為初始背景，如圖3所示，表達(dá)式為

如果Counter（p，q）的值不是首次大于閾值Tha，則轉(zhuǎn)到下一步驟執(zhí)行。

8）按照加權(quán)系數(shù)法對該塊背景進(jìn)行實時更新，表達(dá)式為

式中：α為權(quán)系數(shù)，0〈α〈1。

3 實驗結(jié)果及分析

本文給出了兩種不同的場景對本文的算法進(jìn)行驗證，并與其他背景提取算法進(jìn)行比較。第一種場景攝于西安市南二環(huán)，時間為下午，圖像較為清晰，但是車流量大，有光照的影響。第二種場景攝于上海市申江高速公路，時間為晚上，圖像質(zhì)量比較差，光線弱，并且有路燈和車燈的影響。

在第一種場景中（見圖4），均值法提取的背景出現(xiàn)了大面積的失真，與實際路面的像素值相差較大；統(tǒng)計中值法對于近景部分的背景基本滿足要求，但是遠(yuǎn)景部分（圓圈所標(biāo)記的范圍）和實際背景不符；本文算法不管是在近景部分還是遠(yuǎn)景部分，都能提取出較為準(zhǔn)確的背景。

圖4 場景一算法比較

在第二中場景中（見圖5），由于圖像質(zhì)量的原因，從圖中似乎不能明顯地看出各種算法提取出的背景有什么不同，鑒于此，這里同時給出了車輛檢測的結(jié)果，以便于觀察對比。均值法檢測出的二值圖像上方出現(xiàn)了很多干擾，這是由于燈光或者車燈的影響造成的；統(tǒng)計中值法在二值圖像上方出現(xiàn)的干擾有所減少，但是出現(xiàn)了一些噪聲點不能消除；本文的算法能夠消除燈光以及噪聲的影響，準(zhǔn)確地檢測出車輛，提取效果較為理想。

圖5 場景二算法比較

4 總結(jié)

對于場景復(fù)雜的道路，提取背景相對比較困難，本文通過統(tǒng)計相鄰幀的變化情況，得到持續(xù)不變區(qū)域的特征，再針對這些特征進(jìn)行分析比較，最后將狀態(tài)相近的區(qū)域進(jìn)行累加，并通過實時更新得到最終的背景。實驗表明，該算法能夠克服場景復(fù)雜時提取背景失真的弊端，并且能夠很好地消除光照和噪聲的干擾，為后續(xù)的車輛檢測提供了可靠的依據(jù)。

[1] ENKELMANN W.Investigation of multigrid algorithms for the estimation of optical flow fields in image seauences[J].Computer Vision，Graphics and Image Processing，1998（43）：150-177.

[2] LIU Y，HUANG T S.Determing straight line correspondences from intensity images[J].Pattern Recongnition，1991，24（6）：489-504.

[3] 王新余，張桂林.基于光流的運動目標(biāo)實時檢測方法研究[J].計算機工程與應(yīng)用，2004（1）：43-46.

[4] WANG Junwei，WANG Dingwei.Particle swarm optimization with a leader and followers[J].Progress in Natural Science，2008，18（11）：1437-1443.

[5] LONG W，YANG Y.Stationary background generation:an alternative to the difference of two images[J].Pattern Recognition，1990，23（12）：1351-1359.

[6] 李志勇，沈振康，楊衛(wèi)平，等.動態(tài)圖像分析[M].北京：國防工業(yè)出版社，1999.

[7] 朱秋煜，李琦銘，陳岳川.基于視差和幀差的圖割優(yōu)化運動目標(biāo)分割算法[J].電視技術(shù)，2012，36（13）：135-139.

[8] LUCAS B，KANADE T.An iterative image registration technique with an application to stereo vision[EB/OL].[2012-08-20].http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.49.2019.

[9]GLOYER B，AGHAIAN H K，SIU K Y，et al.Vehicle detection and tracking for freeway traffic monitoring[C]//Proc.1994 Conference Record of the Twenty-Eighth Asilomar Conference on Signals,Systems and Computers.Pacific Grove，CA：[s.n.]，1994：970-974.

[10] FRIEDMAN N,RUSSELL S.Image segmentation in video sequences:A probabilistic approach[EB/OL].[2012-08-20].http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.38.7356.

[11] STAUFFER C，GRIMSON W E L.Adaptive background mixture models for real-time tracking[J].The Artificial Intelligence Laboratory Massachusetts Institute of Technology，1999（2）：246-252.

[12] 王源，陳亞軍.基于高斯混合模型的EM學(xué)習(xí)算法[J].山西師范大學(xué)學(xué)報：自然科學(xué)版，2005，19（1）：46-49.

[13] 吳眾山，雷蘊奇，吳綠芳，等.一種實用的背景提取與更新算法[J].廈門大學(xué)學(xué)報，2008，47（3）：348-352.