邵 毅，溫 艷，曹吉花

宿州學(xué)院煤礦機(jī)械與電子工程研究中心，安徽宿州，234000

?

基于混合高斯模型的運(yùn)動(dòng)車(chē)輛檢測(cè)

邵 毅，溫 艷，曹吉花

宿州學(xué)院煤礦機(jī)械與電子工程研究中心，安徽宿州，234000

以高斯混合背景模型為基礎(chǔ)，對(duì)視頻中的圖像進(jìn)行背景建模。然后利用開(kāi)運(yùn)算進(jìn)行噪聲消除，最后對(duì)處理后的圖像進(jìn)行Blob分析完成背景和前景的提取，從而實(shí)現(xiàn)對(duì)行駛汽車(chē)的檢測(cè)和數(shù)量統(tǒng)計(jì)。視頻由固定相機(jī)在路口采集，為驗(yàn)證算法的的有效性，采用MATLAB中計(jì)算機(jī)視覺(jué)工具箱對(duì)采集視頻進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，此算法對(duì)交通路口車(chē)輛的檢測(cè)和計(jì)數(shù)準(zhǔn)確性，并具有一定的魯棒性。

高斯混合模型；背景模型；汽車(chē)檢測(cè)

視頻智能監(jiān)控技術(shù)作為智能交通系統(tǒng)的核心技術(shù)之一，主要任務(wù)就是對(duì)行駛汽車(chē)的檢測(cè)，檢測(cè)結(jié)果可為交通監(jiān)測(cè)、控制、分析、決策、調(diào)度，以及車(chē)輛追蹤和解決交通擁堵問(wèn)題等提供重要的依據(jù)[1]。這種檢測(cè)計(jì)數(shù)的關(guān)鍵是克服環(huán)境光線變化、相機(jī)抖動(dòng)、信號(hào)噪聲等干擾對(duì)背景提取的影響，而準(zhǔn)確高效的背景提取是分離前景和背景的基礎(chǔ)[2]。高斯混合模型(Gaussian Mixture Model,GMM)對(duì)光線變化較大以及噪聲較多的圖片背景的高效處理，可以順利地在檢測(cè)前期完成對(duì)行駛中汽車(chē)的背景進(jìn)行提取，為分離前景和背景以及完成檢測(cè)計(jì)數(shù)的穩(wěn)定性、準(zhǔn)確性和實(shí)時(shí)性提供有效保障。

1 行駛汽車(chē)檢測(cè)算法設(shè)計(jì)

本算法首先利用GMM完成背景建模、再利用形態(tài)學(xué)的開(kāi)運(yùn)算進(jìn)一步去噪，最后采用Blob分析法分離前景和背景，完成行駛車(chē)輛的檢測(cè)，最后統(tǒng)計(jì)車(chē)輛數(shù)目并顯示。

1.1 背景建模算法

先將采集視頻中的圖像幀進(jìn)行預(yù)處理后得到對(duì)應(yīng)的灰度圖像，為找出圖像的幀內(nèi)和幀間信息以提取背景。目前使用較多、算法相對(duì)簡(jiǎn)單，且實(shí)時(shí)性行較高的是背景差分法。該方法可以較好地克服環(huán)境光線變化、相機(jī)抖動(dòng)、汽車(chē)運(yùn)動(dòng)、信號(hào)噪聲對(duì)背景提取的影響，其中建立在背景差分法上的高斯模型對(duì)克服上述影響比較有效。

單高斯模型(Single Gauss Model,GSM)是將圖像幀中的各像素點(diǎn)建立一個(gè)高斯模型，然后利用連續(xù)的多個(gè)圖像幀來(lái)持續(xù)更新、完善這個(gè)模型，使之更接近真實(shí)狀況，最后將接下來(lái)的圖像幀和訓(xùn)練后模型進(jìn)行對(duì)比，區(qū)分出背景和前景，從而實(shí)現(xiàn)背景提取。實(shí)際行駛車(chē)輛的圖像幀中像素點(diǎn)變化很多源自干擾，所以GSM極易產(chǎn)生提取背景失真。而GMM是使用多個(gè)GSM連續(xù)對(duì)圖像幀中像素點(diǎn)進(jìn)行建模，然后按權(quán)重合成一個(gè)概率分布函數(shù)，函數(shù)值越大就越可能成為背景[3-4]，從而較好地克服背景失真。GMM算法描述如下：在圖像幀中位置為X的像素點(diǎn)I在視頻幀序列中的取值為{x1,x2,x3,x4,…,xn}，在時(shí)間T建立該像素點(diǎn)的GMM，其概率分布函數(shù)如(1)式。

(1)

(2)

式中，μ和σ2表示GMM的均值和協(xié)方差，I為該點(diǎn)像素值。若該像素點(diǎn)在T個(gè)標(biāo)準(zhǔn)偏差內(nèi)則匹配，如(3)式：

(3)

則模型參數(shù)更新，如(4)式、(5)式。

μt,x,i=(1-ρ)μt-1,x,i+ρ(It,x)

(4)

(5)

ρ表示GMM的學(xué)習(xí)率，它控制著μ和σ2的收斂與否，以此判定該像素點(diǎn)是作為背景還是前景。

1.2 噪聲消除算法

在高速行駛車(chē)輛的視頻圖像中，圖像的退化主要來(lái)源是各種環(huán)境噪聲，為提高背景模型提取的真實(shí)有效性，在提取過(guò)程中，必須進(jìn)行去噪處理。隨著各種算法的出現(xiàn)和發(fā)展，圖像去噪方法越來(lái)越多，其中較為簡(jiǎn)單有效的是數(shù)學(xué)形態(tài)學(xué)，它的思想是定量使用集合理論來(lái)描述圖像中的幾何結(jié)構(gòu)。這種方法以集合作為基本運(yùn)算單元，包括膨脹和腐蝕兩個(gè)基本運(yùn)算。設(shè)A為圖像幀集合，B為圖像幀的像素點(diǎn)，用B對(duì)A進(jìn)行操作：A用B來(lái)膨脹，如(6)式。A用B來(lái)腐蝕，如(7)式。

(6)

(7)

一般將圖像幀的集合A先腐蝕后膨脹稱之為開(kāi)運(yùn)算，如(8)式。

A°B=(AΘB)⊕B

(8)

形態(tài)學(xué)的開(kāi)運(yùn)算具有良好的并行結(jié)構(gòu)，可以在簡(jiǎn)化圖像數(shù)據(jù)的同時(shí)保持圖像的基本結(jié)構(gòu)特性，去除與之不相干的結(jié)構(gòu)元素，提取后圖像邊沿比較平滑，且對(duì)圖像的面積影響較小。為提升檢測(cè)方法的魯棒性，對(duì)圖像幀進(jìn)行開(kāi)運(yùn)算去噪。

1.3 基于Blob分析的車(chē)輛檢測(cè)

Blob分析的目的是將去噪后的灰度圖像進(jìn)行分割，得到前景和背景?；叶戎狄恢聟^(qū)域如果是連通的，則稱為一個(gè)Blob。Blob分析是將圖像中相同部分(前景)的像素通過(guò)灰度值標(biāo)識(shí)出來(lái)。Blob分析廣泛地應(yīng)用于缺陷檢測(cè)、區(qū)域分類、感興趣區(qū)域提取和區(qū)域特征分析等方面，其主要流程如圖1所示。

圖1 Blob分析流程

圖像的特征分割由兩步構(gòu)成：進(jìn)一步去噪的中值濾波；利用圖像直方圖的閾值處理。這里的特征是指不依賴圖像灰度值的幾何特征。通過(guò)查找連通域，最后得到Blob塊[5]。

經(jīng)過(guò)背景提取、去噪以及Blob分析后，視頻的隨后圖像幀即可與背景模型進(jìn)行對(duì)比，然后判斷圖像是前景還是背景，進(jìn)而完成計(jì)數(shù)。這樣，對(duì)視頻中的隨后圖像幀，根據(jù)計(jì)算出的前景模型，使用減背景提取前景的方式即可完成行駛車(chē)輛的檢測(cè)和計(jì)數(shù)。

2 實(shí)驗(yàn)結(jié)果

所使用的視頻文件在206國(guó)道宿州段汴河大橋采集，avi格式，分辨率1280*720，碼率1461 Kbps。采用MATLAB 2014a提供的計(jì)算機(jī)視覺(jué)工具箱(Computer Vision Tool Box)進(jìn)行處理。

2.1 前景提取

首先，將監(jiān)控?cái)z像頭拍攝的視頻導(dǎo)入，然后初始化前景檢測(cè)器。主要程序如下：使用MATLAB中Computer Vision Tool Box提供的前景檢測(cè)函數(shù)vision.ForegroundDetector。

圖2 輸入視頻的一幀圖像

圖3 前景提取圖像

foregroundDetector=vision.ForegroundDetector(′NumGaussians′,3,…

′NumTrainingFrames′, 60);

videoReader=vision.VideoFileReader(′traffic.avi′);

for i=1:150

frame=step(videoReader);%read the next video frame

foreground=step(foregroundDetector,frame);

end

figure;imshow(frame);title('Video Frame');

2.2 在初始化的視頻幀中進(jìn)行車(chē)輛檢測(cè)

對(duì)圖像幀進(jìn)行去噪，采用vision.BlobAnalysis函數(shù)進(jìn)行檢測(cè)，用綠色框?qū)z測(cè)到的汽車(chē)進(jìn)行標(biāo)記，在畫(huà)面的左上角顯示計(jì)數(shù)值。其中strel函數(shù)是形態(tài)學(xué)操作函數(shù)，主要代碼如下。

se=strel(′square′, 3);

filteredForeground=imopen(foreground,se);

figure;imshow(filteredForeground); title(′Clean Foreground′);

blobAnalysis=vision.BlobAnalysis(′BoundingBoxOutputPort′,true,…

′AreaOutputPort′,false,′CentroidOutputPort′,false,…

′MinimumBlobArea′,150);

bbox=step(blobAnalysis, filteredForeground);

result=insertShape(frame,′Rectangle′,bbox,′Color′,′green′);

numCars=size(bbox,1);

result=insertText(result,[10 10],numCars,′BoxOpacity′,1,…

′FontSize′,14);

figure;imshow(result);title(′Detected Cars′);

圖5 檢測(cè)結(jié)果

圖4 前景去噪圖像

處理結(jié)果如圖4、圖5所示。根據(jù)訓(xùn)練的模型，可以對(duì)剩下的圖像幀作持續(xù)檢測(cè)。表1是在206國(guó)道宿州段汴河大橋南出口和宿州市雪楓公園南門(mén)公園路口采集視頻中車(chē)輛檢測(cè)結(jié)果，汴河大橋出口交通環(huán)境簡(jiǎn)單，環(huán)境光線變化較少，檢出率為76.2%；而同樣是相同時(shí)段在宿州市雪楓公園南門(mén)公園路口，由于環(huán)境相對(duì)復(fù)雜，周?chē)鷺?shù)木、行人、廣告牌等導(dǎo)致環(huán)境光線變化的干擾因素較多，車(chē)輛檢出率降低，為63.5%。

表1 車(chē)輛檢出率

3 結(jié) 語(yǔ)

本文在利用GMM對(duì)運(yùn)動(dòng)目標(biāo)的背景提取進(jìn)行分析時(shí)，提出了一個(gè)先進(jìn)行GMM分析，再進(jìn)行形態(tài)學(xué)去噪，最后查找Blob塊的方法，以此來(lái)獲取采集視頻圖像中的背景和前景，完成行駛汽車(chē)的檢測(cè)。最后采用MATLAB的計(jì)算機(jī)視覺(jué)工具箱，依照設(shè)計(jì)方法對(duì)固定相機(jī)采集的道路車(chē)輛視頻進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)針對(duì)前60幀圖像進(jìn)行檢測(cè)，進(jìn)而對(duì)監(jiān)控視頻中的其余視頻繼續(xù)檢測(cè)。結(jié)果顯示：當(dāng)環(huán)境光線穩(wěn)定，運(yùn)動(dòng)目標(biāo)所占圖像面積40%以上時(shí)，檢測(cè)結(jié)果準(zhǔn)確穩(wěn)定。由于采用的GMM模型雖然在前景分割較為準(zhǔn)確，但是處理數(shù)據(jù)量大，當(dāng)視頻的背景比較復(fù)雜時(shí)，收斂速度降低，易出現(xiàn)檢測(cè)錯(cuò)誤。此外，該算法的運(yùn)行所占用系統(tǒng)資源過(guò)大，耗時(shí)長(zhǎng)，容易影響計(jì)數(shù)的實(shí)時(shí)性。因此，在實(shí)際應(yīng)用時(shí)還應(yīng)進(jìn)一步根據(jù)環(huán)境具體特征對(duì)其算法進(jìn)行改進(jìn)，以適應(yīng)復(fù)雜的交通條件下視頻監(jiān)控中車(chē)輛的檢測(cè)。

[1]Raad Ahmed Hadi,Ghazali Sulong,Loay Edwar George.Vehicle Detection and Tracking Techniques: A Concise Review[J].Computer Science,2014,5(1):1-12

[2]符笛.基于背景建模的車(chē)輛檢測(cè)算法研究[D].合肥:中國(guó)科學(xué)技術(shù)大學(xué)信息科學(xué)技術(shù)學(xué)院,2015:1-3

[3]蔡英鳳,王海,張旭.面向復(fù)雜道路場(chǎng)景的視覺(jué)車(chē)輛檢測(cè)算法[J].科學(xué)技術(shù)與工程,2015,15(20):84-88

[4]Daniel Ponsa,Joan Serrat,Antonio M.Lo pez.Onboard image-based vehicle detection and tracking[J]. Transactions of the Institute of Measurement and Control,2011,33(7):783-805

[5]張瑜慧,吳江梅.基于高斯混和模型與Blob分析的人手定位[J].科學(xué)技術(shù)與工程,2013,13(31):9371-9374

(責(zé)任編輯：汪材印)

2016-08-20

安徽省教育廳自然科學(xué)研究重點(diǎn)項(xiàng)目“基于WinCC及PLC的無(wú)極繩連續(xù)牽引車(chē)綜保系統(tǒng)研究”(KJ2015A200)；宿州學(xué)院產(chǎn)學(xué)研合作培育項(xiàng)目“無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)非接觸供電技術(shù)研究”(2014cxy02)。

邵毅(1983-)，安徽蚌埠人，碩士，講師，主要研究方向：數(shù)字圖像處理，機(jī)器視覺(jué)。

10.3969/j.issn.1673-2006.2016.11.028

TP391.41

A

1673-2006(2016)11-0105-03