摘 要：車輛跟蹤檢測(cè)是基于視頻的電子警察系統(tǒng)的基礎(chǔ)，車輛跟蹤的典型方法是背景差影法。為了提高檢測(cè)的準(zhǔn)確性，文章提出了一種基于車輛位置信息和幀差法相結(jié)合的分塊區(qū)域動(dòng)態(tài)背景更新算法。該算法將背景更新和車輛檢測(cè)結(jié)合起來，能準(zhǔn)確地分割圖像，具有很好的魯棒性和準(zhǔn)確性，容易實(shí)現(xiàn)，實(shí)時(shí)性高。

關(guān)鍵詞：電子警察；分割圖像；背景更新；車輛檢測(cè)

0 引言

隨著城市的發(fā)展，交通越來越成為人們關(guān)注的問題，“電子警察”以其實(shí)時(shí)性、正確性和有效性也越來越受到交通部門的青睞?！半娮泳臁毕到y(tǒng)中對(duì)于車輛的跟蹤是系統(tǒng)后續(xù)進(jìn)行車輛違規(guī)檢測(cè)的基礎(chǔ)。固定攝像機(jī)的視頻監(jiān)控，由于使用背景差分法進(jìn)行運(yùn)動(dòng)檢測(cè)，實(shí)現(xiàn)容易、實(shí)時(shí)性高、檢測(cè)效果較好，所以被廣泛使用。但背景差分法對(duì)背景要求高，需要一種比較好的背景建模算法進(jìn)行背景圖像提取以及對(duì)背景進(jìn)行實(shí)時(shí)維護(hù)。

受光照，天氣等外界因素的影響，背景圖像也是時(shí)時(shí)變化的，所以背景圖像的更新算法包括兩部分：①背景圖像的提取，即如何得到一張無運(yùn)動(dòng)目標(biāo)的純背景圖像；②實(shí)時(shí)更新背景圖像，去除光照、天氣等變化的影響。

1 背景圖像提取

一般情況下，視頻檢測(cè)中的背景圖像提取和背景維護(hù)只針對(duì)感興趣的區(qū)域，因此系統(tǒng)預(yù)先畫出感興趣的區(qū)域，只對(duì)進(jìn)入該區(qū)域的物體進(jìn)行檢測(cè)，以提高算法的實(shí)時(shí)性。如圖1所示。

背景圖像的提取方法包括兩大類：

手動(dòng)獲取 是在人眼觀察下，手動(dòng)抓取一張沒有運(yùn)動(dòng)物體的圖片作為背景圖像。這種方法存在很大的缺點(diǎn)，比如：在交通繁忙的地段，很難得到一張沒有運(yùn)動(dòng)物體的圖片；當(dāng)突發(fā)事件引起的系統(tǒng)重新啟動(dòng)時(shí)，人為的手動(dòng)抓拍很難實(shí)現(xiàn)。

自動(dòng)獲取 對(duì)于連續(xù)的N幀圖片，應(yīng)用一定的算法，去除圖片中的運(yùn)動(dòng)物體，可以得到近似純背景圖像。下面介紹概率統(tǒng)計(jì)法。

我們認(rèn)為在一個(gè)給定的時(shí)間段內(nèi)，背景點(diǎn)的灰度值出現(xiàn)的概率是最大的。因此給定背景初始化時(shí)間t(通常取10～30秒，如果車流量較大可以再適當(dāng)延長(zhǎng))，對(duì)任意位置點(diǎn)(x，y)，該點(diǎn)在時(shí)間t內(nèi)出現(xiàn)的像素值記為g_i；該像素值在該點(diǎn)出現(xiàn)的次數(shù)記為freq(g_i)?？梢哉J(rèn)為出現(xiàn)次數(shù)最多的像素值，即該像素值出現(xiàn)的概率最大，就是對(duì)應(yīng)背景圖像中該點(diǎn)的像素值，可由(1)式表示：

在算法具體實(shí)現(xiàn)的時(shí)候，我們?yōu)槊總€(gè)像素點(diǎn)建立一個(gè)時(shí)間統(tǒng)計(jì)直方圖，記錄該點(diǎn)在背景建立過程中出現(xiàn)的像素值及其出現(xiàn)頻率，如圖2所示。

效果圖如圖3所示，這里采用了灰度概率統(tǒng)計(jì)法初始化感興趣區(qū)域，圖3(a)為統(tǒng)計(jì)100幀的效果圖，圖3(b)為統(tǒng)計(jì)1000幀的效果圖。

2 背景圖像實(shí)時(shí)更新

背景環(huán)境受天氣和光照條件的影響而不斷地發(fā)生變化，因此，背景必須不斷地更新以適應(yīng)場(chǎng)景的動(dòng)態(tài)變化。本文提出了一種基于車輛位置信息和幀差法相結(jié)合的分塊區(qū)域動(dòng)態(tài)更新算法。

背景的實(shí)時(shí)更新和車輛的檢測(cè)是相輔相成的關(guān)系，背景的更新是為了更準(zhǔn)確地檢測(cè)出車輛，而車輛檢測(cè)的結(jié)果也可以應(yīng)用于背景的更新當(dāng)中。根據(jù)這種思想，結(jié)合前后幀對(duì)減確定運(yùn)動(dòng)區(qū)域的方法，可以準(zhǔn)確地對(duì)圖像進(jìn)行分割，區(qū)分圖像的背景和前景。 通過前后幀對(duì)減的方法，我們可以初步地分割出前景和背景。如公式(2)和(3)。

其中f(x，y，t)和f(x，y，t-1)分別表示t時(shí)刻和t-1時(shí)刻坐標(biāo)為(x，y)的點(diǎn)的像素值。thresh為閾值。閾值thresh的確定是自適應(yīng)的，才能最好地分割前景和背景。本文采用OSTU大率法來確定閾值。

但該分割出來的背景部分是包含了“殘缺”運(yùn)動(dòng)物體的背景的，如圖4所示。由于前后幀的時(shí)間間隔小于0.1秒，背景部分的變化很小，通過前后幀對(duì)減，能將背景部分確定出來。但也因?yàn)殚g隔時(shí)間小，運(yùn)動(dòng)車輛的整體灰度值又很接近，前后幀差中的運(yùn)動(dòng)車輛就存在重疊部分，如圖5所示，而且運(yùn)動(dòng)車輛越大，車速越慢，重疊部分也就越大，在算法中就會(huì)將該重疊部分當(dāng)作是背景區(qū)域進(jìn)行更新，從而出現(xiàn)圖4所示的不良效果。

問題的關(guān)鍵轉(zhuǎn)變?yōu)槿绾稳コ摎埲钡倪\(yùn)動(dòng)物體。我們通常利用外接矩形來表示運(yùn)動(dòng)車輛的位置，如圖6所示，利用已經(jīng)檢測(cè)到的運(yùn)動(dòng)物體的位置來輔助分割圖像。

已檢測(cè)到的上一幀圖像運(yùn)動(dòng)物體的外接矩形中，如果當(dāng)前幀里還留有運(yùn)動(dòng)物體，則包含了前后幀重疊部分。算法通過計(jì)算該矩形框中非重疊部分(前后幀對(duì)減判斷為運(yùn)動(dòng)物體)的大小比率，判斷該矩形區(qū)域是否為運(yùn)動(dòng)物體。我們得到的運(yùn)動(dòng)物體的位置是背景更新前所檢測(cè)到的車輛位置，而前后幀對(duì)減得到的車輛位置的偏移，我們通過擴(kuò)大該矩形大小來表述。

在算法實(shí)現(xiàn)中，用一個(gè)“二值圖像”來表示前后幀對(duì)減檢測(cè)的結(jié)果，O值對(duì)應(yīng)背景部分(運(yùn)動(dòng)物體的重疊部分)，1值對(duì)應(yīng)重疊部分之外的運(yùn)動(dòng)物體部分；然后在該二值圖像中定位出檢測(cè)算法中得到的運(yùn)動(dòng)物體的外接矩形(該矩形是擴(kuò)大后的外接矩形，邊長(zhǎng)各擴(kuò)大10個(gè)像素點(diǎn))，統(tǒng)計(jì)該矩形區(qū)域內(nèi)的“1”值點(diǎn)的數(shù)目，當(dāng)“1”點(diǎn)數(shù)達(dá)到一定比率a，就認(rèn)為該區(qū)域?yàn)檫\(yùn)動(dòng)物體區(qū)域，將該區(qū)域的像素點(diǎn)的值全部變?yōu)?，從而將前后幀對(duì)減所產(chǎn)生的殘缺部分也標(biāo)注為運(yùn)動(dòng)物體。比率a的確定根據(jù)車速、車的大小、采幀率的不同而不同，本實(shí)驗(yàn)中我們采用a=0.1。

分割出背景和前景后，對(duì)于背景部分，采用一定的學(xué)習(xí)概率進(jìn)行更新，而對(duì)于前景部分，則保持原來的像素值不變?？捎墒?4)表示：

其中，f_i(x，y)是當(dāng)前點(diǎn)的灰度值，α是學(xué)習(xí)概率，B_i(x，y)是維護(hù)的背景點(diǎn)的灰度值。

3 實(shí)驗(yàn)結(jié)果與分析

本文以福州“華林路／東浦路”的實(shí)際交通視頻為測(cè)試樣本?！叭A林路／東浦路”是單行道，用于檢測(cè)車輛逆行。本文提出的“基于車輛位置信息和前后幀對(duì)減方法相結(jié)合的分塊區(qū)域動(dòng)態(tài)更新法”應(yīng)用于該逆行檢測(cè)中的背景更新中，以測(cè)試背景更新效果。我們分別選擇了白天和夜晚兩個(gè)不同的時(shí)段來測(cè)試實(shí)驗(yàn)效果。圖7是白天時(shí)段的測(cè)試效果，圖8是夜晚時(shí)段的測(cè)試效果。

4 結(jié)束語

本文提出的基于車輛位置信息和幀差法相結(jié)合的分塊區(qū)域動(dòng)態(tài)背景更新算法能夠準(zhǔn)確地對(duì)圖片進(jìn)行前景和背景的分割，從而可以只針對(duì)背景進(jìn)行更新。該算法魯棒性強(qiáng)，對(duì)于背景的突然變化能準(zhǔn)確、完全地更新。算法實(shí)現(xiàn)容易，實(shí)時(shí)性高，與車輛的檢測(cè)算法相輔相成。通過實(shí)驗(yàn)，證明該算法的效果較理想。