張旭錦，廖雪花*，郭敏，任春華

帶種子補償?shù)臅r空背景差分高速公路車輛檢測算法研究

張旭錦1，廖雪花1*，郭敏2，任春華1

(1.四川師范大學(xué)計算機科學(xué)學(xué)院，四川成都610066;2.西南交通大學(xué)信息科學(xué)與技術(shù)學(xué)院，四川成都610031)

提出一種帶種子補償?shù)臅r空背景差分高速公路車輛檢測算法.由于高速公路場景的特殊性，首先基于混合高斯模型的背景差分、相鄰幀差法以及鄰域背景差分法的結(jié)合消除光照變化、場景擾動對檢測結(jié)果的影響;然后通過基于HSV顏色空間的陰影消除判斷并消除被誤檢為車輛的陰影;最后通過跟蹤種子補償去除差分方法造成的空洞.實驗驗證，論文提出的方法能有效去除光照變化、陰影等環(huán)境因素的影響，提高車輛檢測的準(zhǔn)確度和識別率.

混合高斯模型;相鄰幀差法;鄰域背景差分法;空洞

交通給人們帶來了便利，也帶來了一系列的問題.為了預(yù)防和解決引發(fā)的交通事故，需要對運動車輛進(jìn)行實時監(jiān)控.目前針對運動目標(biāo)的檢測方法非常多，基本方法主要有光流法［1］、幀間差分法［2］、背景差分法［3］.由于光流法的計算量大，對噪音比較敏感且不具備實時性［4］;幀間差分法在運動目標(biāo)提取過程中，所提取的目標(biāo)受幀間間隔的影響而造成提取不完整，且容易造成空洞等現(xiàn)象［5］;背景差分法需要對模型的建立和更新，同時對光照等外界條件敏感，這些都是背景差分法需要解決的問題［6－7］.現(xiàn)在大多數(shù)方法都是集合一種或多種方法的優(yōu)點來對檢測方法進(jìn)行改進(jìn)和組合.文獻(xiàn)［8］提出的混合高斯背景模型(GMM)，很好地解決了復(fù)雜背景下的前景提取;文獻(xiàn)［9］提出混合高斯背景模型與三幀差法結(jié)合的運動目標(biāo)檢測算法，通過面積法對檢測結(jié)果進(jìn)行分析;文獻(xiàn)［10］提出基于時空背景差的運動目標(biāo)檢測算法融合時間、空間信息的背景差分，得到真實的種子點;文獻(xiàn)［11］在時空背景差分法的基礎(chǔ)上，加入跟蹤帶運動種子補償，很好地解決了檢測過程中出現(xiàn)的空洞問題.

在高速公路這一條件下，對車輛目標(biāo)進(jìn)行檢測的同時，需要解決環(huán)境的干擾.所以解決的問題包括:高速公路場景中光照變化、場景中樹葉等晃動帶來的干擾及檢測過程中帶來的空洞現(xiàn)象［12］.本文通過時空背景差分法提取前景目標(biāo)來更好地去除擾動，并在此基礎(chǔ)上添加陰影消除，及運動種子補償，以得到更好的檢測效果，為車輛的跟蹤做好鋪墊.

1 傳統(tǒng)的運動目標(biāo)檢測算法

傳統(tǒng)的運動目標(biāo)檢測算法存在著需要改進(jìn)的地方，如光流法計算量大、算法復(fù)雜、可用性不強，同時傳統(tǒng)的方法對光照、陰影、背景擾動等環(huán)境因素比較敏感，在檢測過程中出現(xiàn)比較多的噪聲［13］.

1.1基于混合高斯模型的背景差分法當(dāng)高速公路中背景物體發(fā)生反復(fù)運動時，如樹葉的晃動，都可能將其判斷為檢測目標(biāo).混合高斯模型同時運用多個單高斯模型對每個像素進(jìn)行建模，組成k個高斯分布，通過對高斯分布的參數(shù)的更新，更新背景，然后判斷背景像素和前景像素［14－15］，這樣可以有效去除背景差分法中背景擾動帶來的干擾(k值一般取3～7).假設(shè)由k個高斯分布來描述每幀圖像像素點的像素值分布，其中，h(Xt，μi，t，li，t)為高斯分布密度函數(shù)，μi，t為高斯分布的均值，li，t為高斯分布方差，Xt為每個像素點［5］.通過(1)式將概率記為

其中ωi，t為i個高斯分布的權(quán)重.

背景更新，判斷新獲取的每一幀圖像像素值與建立的k個高斯分布中的某一個是否匹配［13］，計算公式為

就權(quán)值而言，與像素值相匹配的高斯模型，需要相應(yīng)地加大其權(quán)值;對于不能匹配的高斯分布，減小模型的權(quán)值.權(quán)值更新應(yīng)按照(3)式，其中α為自定義的學(xué)習(xí)率，其值與背景模型的更新速度有關(guān)，且應(yīng)該在［0，1］之間.

圖3為相鄰幀差法得到的前景目標(biāo)車輛，可以看出相鄰幀差法對光照等環(huán)境因素的影響不敏感，提取的運動車輛不夠清晰，只能看見車輛的輪廓，同時相鄰幀的時間間隔可能會對前景目標(biāo)的提取有一定的影響.

2 帶種子補償?shù)臅r空背景差分車輛檢測算法

根據(jù)傳統(tǒng)的運動目標(biāo)檢測算法的缺陷，本文選擇一種或多種互補的算法結(jié)合各算法的優(yōu)點消除影響因素，從而提高運動車輛檢測率.由于背景差分法對環(huán)境因素比較敏感，幀間差分法所檢測出的目標(biāo)車輛出現(xiàn)空洞且檢測效果依賴于幀間間隔，通過兩者相結(jié)合的方式可以互補不足，比較好地提取出前景目標(biāo)車輛.因此，本文采用帶種子補償?shù)臅r空背景差分車輛檢測算法.

首先通過時空背景差分法進(jìn)行車輛的初步檢測:獲取視頻圖像序列，利用混合高斯模型獲取背景圖像并采用背景差分法得到前景區(qū)域;然后將前后2幀所得到的前景區(qū)域再進(jìn)行幀間差分運算，在此基礎(chǔ)上進(jìn)行鄰域差分，通過背景差分與鄰域差分對比得出最終的前景粗區(qū)域.再通過HSV顏色模型圖像的亮度、飽和度變化來判斷陰影，并對陰影的像素值進(jìn)行修改以此消除陰影.最后通過建立鄰域小窗口，進(jìn)行人工種子填充等后期處理，得到最終的前景檢測目標(biāo)車輛.帶種子補償?shù)臅r空背景差分車輛檢測算法流程如圖4所示.

基于混合高斯模型背景差分法的實驗結(jié)果如圖1所示.由圖1可以看出，運用該方法受光照等外界的影響，噪聲較多，車輛目標(biāo)檢測結(jié)果不理想.基于混合高斯模型的檢測算法雖然去除了輕微晃動的背景干擾，但是對光照、天氣變化的環(huán)境下引起的噪聲還需要進(jìn)一步的改進(jìn).

1.2相鄰幀差法相鄰幀差法［2］主要是通過獲取視頻中比較合適的幀間間隔的相鄰幀作差分運算，得到檢測目標(biāo)的外部輪廓.該方法運算簡單容易實現(xiàn)，原理如下:將視頻序列中的第i+1幀作為當(dāng)前幀圖像，將第i幀作為前一幀圖像，計算當(dāng)前幀和前一幀的差值，與閾值進(jìn)行對比，小于閾值則判定為前景點，如圖2所示.

2.1基于時空背景差分法時空背景差分是通過背景差分、幀間差分和鄰域差分方法相結(jié)合的方式得到運動種子點，包含運動種子點的運動連通區(qū)域被看作檢測的目標(biāo)區(qū)域［10］.時空背景差分法的算法流程如圖5所示.

鄰域背景差分運動檢測，主要是通過鄰域信息來進(jìn)一步避免晃動的樹葉等動態(tài)背景造成的干擾.鄰域背景差分公式為

鄰域背景差分的運動目標(biāo)檢測只針對已經(jīng)檢測出的前景區(qū)域，在判斷前景區(qū)域時，需要判斷Dnt的值，當(dāng)Dnt大于事先確定的閾值時，判斷為前景區(qū)域.

2.2陰影消除在光照下，車輛檢測很容易受到陰影的影響而把陰影誤判為前景目標(biāo)，消除陰影對目標(biāo)檢測的正確性有很大的影響.而在光照變化下，顏色特征變化相對比較穩(wěn)定，所以可以根據(jù)顏色特征檢測陰影［16］.當(dāng)路面被陰影覆蓋時，可以看出被覆蓋的區(qū)域比較暗，主要是亮度帶來的變化，同時飽和度有所降低，而所對應(yīng)的顏色值基本沒有變化.考慮將圖像從RGB顏色模型轉(zhuǎn)化為HSV顏色模型以得到具體的顏色參數(shù)，并通過(5)式判斷是否為陰影，

式中，Mv是當(dāng)前幀和背景幀亮度的比值，Ms為當(dāng)前幀與背景幀飽和度的差值，Mh為當(dāng)前圖像與背景圖像色度值的差值的絕對值.當(dāng)所檢測像素點滿足3個條件時，則判斷該像素點為陰影，并把像素值改為255.在(5)式中α與β的值需要在(0，1)之間，參數(shù)λs小于0，4個參數(shù)的取值都是通過不同場景選取.

2.3種子補償在某些情況下，運動目標(biāo)被分割出來后，由于幀間差分、背景差分可能出現(xiàn)拉伸、空洞等現(xiàn)象.同時當(dāng)目標(biāo)運動很慢時，常常檢測不出物體.為了避免誤檢、漏檢，本文提出了采用種子補償?shù)姆椒?在陰影消除后的目標(biāo)區(qū)域內(nèi)加入跟蹤小窗口ω，對前景區(qū)域進(jìn)行種子填充，計算公式為

其中，Df為相鄰幀的差值，σf為鄰幀差分法中的閾值，Gb為混合高斯模型背景差分法檢測出的前景目標(biāo).檢測出的前景區(qū)域經(jīng)過種子填充之后，可以看出前景區(qū)域的輪廓變得更加清晰.如圖6所示為去除陰影后，與種子補償?shù)膶Ρ?明顯可以看出去除陰影、加上種子補償后車輛的輪廓更加清晰.

3 高速公路車輛檢測方法

圖7為本文算法與其它算法的對比實例.圖7中，(b)圖為基于混合高斯模型的背景差分法，(c)圖為相鄰幀差法，(d)圖為本文算法.背景差分法受環(huán)境因素影響比較大，目標(biāo)區(qū)域噪聲比較多;相鄰幀差法檢測的車輛目標(biāo)區(qū)域比較暗，產(chǎn)生比較大的空洞，但車輛的基本輪廓能夠在圖中體現(xiàn);而本文算法檢測噪聲較小，可以比較清晰地看到檢測目標(biāo)以及車輛的輪廓.

另外，本文用大量視頻圖像對算法進(jìn)行實驗，主要分為一般情況和車輛密集情況下的車輛檢測，并記錄存在漏檢視頻圖像幀數(shù)，計算車輛檢測中正確錯誤率，分析錯誤原因.如表1所示，可以看出本文算法具有較好的檢測效果.

在實驗過程中出現(xiàn)的漏檢主要是由于車輛顏色與地面具有高度的相似性，以及在前車對后車的遮擋等原因?qū)е?特別是車輛密集情況，除遮擋引起漏檢外，由于車輛間距小，粘連情況比較嚴(yán)重，有可能直接導(dǎo)致2個檢測目標(biāo)檢測為一個檢測目標(biāo).

表1 實驗測試結(jié)果Table 1The experimental results of test

4 結(jié)語

本文方法主要是針對高速公路的車輛檢測，本文算法應(yīng)用于場景中可去除背景擾動、光照變化等環(huán)境因素的影響，并能有效檢測并消除檢測區(qū)域的陰影，同時減少了檢測過程中出現(xiàn)的空洞，甚至丟失現(xiàn)象.然而本文算法還存在一定的不足，例如，在檢測過程中沒有處理運動目標(biāo)遮擋及粘連的情況，針對該問題將在后續(xù)研究中進(jìn)一步修改完善.

參考文獻(xiàn)

［1］袁國武，陳志強，龔健，等.一種結(jié)合光流法與三幀差分法的運動目標(biāo)檢測算法［J］.小型微型計算機系統(tǒng)，2013，34(3): 668－671.

［2］SHENG H，LI C，WEI Q.An approach to motion vehicle detection in complex factors over highway surveillance video［C］//International Joint Conference on Computational Sciences Optimization，2009，1(3):520－523.DOI:10.1109/cso.2009.43.

［3］盧章平，孔德飛，李曉蕾，等.背景差分與三幀差分結(jié)合的運動目標(biāo)檢測算法［J］.計算機測量與控制，2013，21(12):3315－3318.

［4］楊國亮，王志良，牟世堂.一種改進(jìn)的光流算法［J］.計算機工程，2006，15(8):187－188.

［5］CHENG F C，HUANG S，RUAN S J.Illumination－sensitive background modeling approach for accurate moving object detection［J］.IEEE Transactions on Broadcasting，2011，57(4):794－801.

［6］李加佳，彭啟民.適應(yīng)光照突變的運動目標(biāo)檢測算法［J］.計算機輔助設(shè)計與圖形學(xué)學(xué)報，2012，24(11):1405－1409.

［7］WANG L，WANG L，WEN M.Background subtraction using incremental subspace learning［C］//Proceedings of the International Conference on Image Processing，2007，9(5):45－48.

［8］STAUFFER C，GRIMSON W.Adaptive background mixture models for real－time tracking［J］.Computer Vision and Pattern Recognition，1999，2:246－252.

［9］張文，李榕，朱建武.基于混合高斯模型與三幀差分的目標(biāo)檢測算法［J］.現(xiàn)代電子技術(shù)，2012，35(8):57－60.

［10］肖梅，韓崇昭，張雷.基于時空背景差的運動目標(biāo)檢測算法［J］.計算機輔助設(shè)計與圖形學(xué)學(xué)報，2006，18(7):1044－1048.

［11］王濤，熊運余.基于時空背景差的帶跟蹤補償目標(biāo)檢測方法［J］.計算機應(yīng)用，2010，30(1):58－60.

［12］周欣，黃席樾.基于卡爾曼濾波的車輛跟蹤技術(shù)［J］.四川師范大學(xué)學(xué)報(自然科學(xué)版)，2008，31(6):766－769.

［13］鄭秀清，何坤，張健.基于Prewitt算子的TV圖像去噪算法［J］.四川師范大學(xué)學(xué)報(自然科學(xué)版)，2013，36(3):456－462.

［14］華媛蕾，劉萬軍.改進(jìn)混合高斯模型的運動目標(biāo)檢測算法［J］.計算機應(yīng)用，2014，34(2):580－584.

［15］付誠，賈年.基于混合高斯模型和GPU的車輛闖紅燈快速檢測算法及實現(xiàn)［J］.西華大學(xué)學(xué)報(自然科學(xué)版)，2012，31(2):9－13.

［16］王偉，李紅波，吳渝.一種運動個目標(biāo)陰影輪廓的兩步檢測算法［J］.廣西師范大學(xué)學(xué)報(自然科學(xué)版)，2010，28(3):165－169.

［17］張紅穎，胡正.CenSurE特征和時空信息相結(jié)合的運動目標(biāo)檢測［J］.光學(xué)精密工程，2013，21(9):2452－2463.

［18］華梓錚，華澤璽.結(jié)合NSCT低高頻特征的圖像邊緣檢測算法［J］.四川師范大學(xué)學(xué)報(自然科學(xué)版)，2014，37(4):612－617.

［19］XIONG C，F(xiàn)AN W Y，LI Z X.Traffic flow detection algorithm based on intensity curve of high－resolution image［C］//Proceedings of the 2nd International Conference on Computer Modeling and Simulation，2010，12(2):159－162.DOI:10.1109/iccms.2010.405.

Highway Vehicles Detection Algorithm Research Based on the Space-time Background Difference with Seed Compensation

ZHANG Xujin1，LIAO Xuehua1，GUO Min2，REN Chunhua1
(1.College of Computer Science，Sichuan Normal University，Chengdu 610066，Sichuan; 2.Institute of Information Science and Technology，Southwest Jiaotong University，Chengdu 610031，Sichuan)

This paper proposes a method of particular scene of highway vehicles detection algorithm based on the space-time background difference with seed compensation.Firstly，considering the particularity of highway scene，we used GMM background difference，frame difference method and the neighborhood background subtraction to remove the scene disturbance and some of the effects of environmental factors.And then，we determined the position of the shadow through HSV color space and eliminate shadows.Finally，we used the tracking seed compensation to remove the voids.By these experiments，we proved the highway vehicle detection method can effectively eliminate the influence of illumination change，shadows and other environmental factors，and thus improve the accuracy of vehicle detection and recognition rate.

GMM;frame difference;neighborhood background subtraction;empty

TP391

A

1001－8395(2016)03－0456－05

10.3969/j.issn.1001－8395.2016.03.027

(編輯李德華)

2015－07－01

四川省科技廳科技支撐項目(2012GZX0090和2014GZX0002)

*通信作者簡介:廖雪花(1976—)，女，副教授，主要從事計算機網(wǎng)絡(luò)與信息系統(tǒng)和模式識別的研究，E－mail:liaoxuehua@163.com