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，對交通目標(biāo)進行檢測、識別和跟蹤，并對其行為進行分析和判斷.與其它檢測手段相比，視頻監(jiān)控方式可以同時獲得多種重要路況狀態(tài)信息，有利于實現(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，無論采用什么解決方案，首先必須能夠檢測分割出交通場景中的目標(biāo).因此，車輛檢測與分割方法的研究，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(實際應(yīng)用中會設(shè)定一個閾值)部分即為運動物體，這樣無論什么場景都會比較精確地得到運動區(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.車輛分割的難點主要是場景中存在的陰影以及車輛間的遮擋粘連，針對這種情況，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運動目標(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

探測車輛的第一步是分割圖像從而將車輛從背景中分離出來.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，能實時操作，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)背景差分法來實現(xiàn)分割，其中我們采用了一種更簡單、更可靠的方法來實現(xiàn)背景更新.此外，我們的方法自動地從視頻序列提取背景，所以不需要手動初始化.我們的分割技術(shù)分為3個任務(wù)：(1)分割；(2)背景更新；(3)背景提取[1].

1.1 分割

對于每一個視頻序列(簡稱當(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.差分圖像是給一個二進制對象模型設(shè)定閾值.對象模型是一個二進制圖像，其所有對應(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)平均值來更新背景.然而，當(dāng)前圖像也包含前景對象，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修改目前的背景.否則，背景圖片會被前景中的物體污染.二進制對象的遮罩是用來區(qū)分背景像素與前景像素的，對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(對應(yīng)于背景像素)，當(dāng)前圖像被采樣.在遮罩為1的位置(對應(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背景.將當(dāng)前背景為瞬時,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，但同時又希望速度相對緩慢足以使瞬時變化(因為所謂的攝像機自動增益控制是被激活的)不需要持續(xù)過長時間.根據(jù)已有經(jīng)驗，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變化靈敏度的最好折衷[2].

1.3 動態(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，得到二進制對象的區(qū)塊.由于背景是動態(tài)變化的，因此靜態(tài)閾值不能用于計算對象的區(qū)塊.此外，由于對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)前背景變化時及時更新閾值的方法，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.我們用這樣一個直觀現(xiàn)象來確定閾值，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 背景自動提取

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

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間間隔定期進行更新的.為了提取背景，我們通過從兩個連續(xù)更新間隔中減除圖像的方法計算二進制運動遮罩，所有在這些更新間隔之間有移動的像素都被認(rèn)為是前景的一部分.為了計算幀i(MMi)的運動遮罩，使用從一個更新間隔i(OMi)到另一個更新間隔i(OMi)的二進制對象遮罩.運動遮罩由公式(2)計算得到:

MMi=～OMi-1·OMi

(2)

該運動遮罩現(xiàn)在用作選擇函數(shù)來計算如上所述的瞬時背景.在整個一幀序列中的當(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 粘連遮擋的檢測和對象分離

在這里，我們提出粘連檢測與分割技術(shù).通過分析運動區(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 運動估計

運動車輛被視為剛體運動.我們使用塊匹配的方法，搜索每個像素的運動矢量.塊匹配不能提供精確的運動矢量，尤其是對平滑區(qū)域而言.我們補充添加兩個約束條件來提高運動矢量精度：(1)只對紋理區(qū)塊做塊匹配，(2)塊匹配搜索過程是在某個固定的方向上運行的(因為車輛是向一個固定方向移動的).固定方向塊匹配方法需要的計算較少，并產(chǎn)生相對于傳統(tǒng)的全搜索方法而言更精確的運動矢量.

2.2 運動矢量變換

由于存在立體投影，運動矢量將同一車輛對象歸在相同的圖像中是不均勻的，如圖2(a)所示.我們設(shè)計一種運動矢量變換方法來將非均勻運動區(qū)塊轉(zhuǎn)換為均勻運動區(qū)塊，如圖2(b)所示.

圖2 運動矢量變換

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

在每一個位置上，我們通過乘一個比例因子將運動矢量變換為一個常數(shù).對于在同一路徑上不同速率的任意兩點(i,j)和(i′,j′)，我們應(yīng)用縮放比例并進行運動矢量補償.在同一個路徑上的速率應(yīng)是一樣的，每個運動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，為每個路徑p及每個圖像幀給定一組運動矢量和一組運動矢量常數(shù).在每個位置，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 遮擋檢測和隔離區(qū)

有兩種方法來檢測阻塞：軌跡不連續(xù)檢測法和運動區(qū)域分析法.運動矢量校準(zhǔn)后，如果一個二進制小圓點的運動區(qū)塊不均勻，則我們就知道發(fā)生了閉塞.一個區(qū)域的均勻性取決于其對指定區(qū)域的運動區(qū)塊的方差.如果方差較大，且超過一定的閾值，那么該區(qū)域是一個可能的閉塞區(qū)域.但是，如果二進制小圓形區(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)域的運動區(qū)塊的均勻性，我們可以將閉塞區(qū)域分割為兩個獨立的區(qū)域.由于兩車的速度是不同的，在運動矢量校準(zhǔn)后，我們??可能會在閉塞輪廓中發(fā)現(xiàn)兩套運動矢量.在確定好閾值以后，我們可以將運動區(qū)塊劃分為兩個不同的區(qū)塊，將相應(yīng)區(qū)域分割為兩個分離的區(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)域分隔成兩個獨立的區(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)注為兩個區(qū)域.該標(biāo)記法在側(cè)面剪影中找到兩個不同的運動區(qū)塊，然后我們使用形態(tài)學(xué)膨脹的方法擴大標(biāo)記的區(qū)域，這兩個區(qū)塊將相互重疊交叉，并生成一個名為“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，我們可以將二進制側(cè)面剪影切割成兩個對象.分裂的區(qū)域可能不夠精確，我們用開放操作將兩個區(qū)域分離開，如圖4所示.但是，開放操作將危及分離的二進制剪影，如果操作的對象核心的尺寸太小，則開放操作不能有效地分離兩個車輛，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，則這種合并就無法識別了[6，7].

3 結(jié)束語

對于來自公路上的視頻監(jiān)控圖像，本文提出了一種自適應(yīng)背景更新的車輛檢測法，能夠自動提取并自動更新背景，滿足車輛檢測及背景更新的實時性要求，同時能適應(yīng)環(huán)境變化，此外文中還研究了車輛間粘連遮擋的檢測和對象分離的方法.

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)控中的車輛檢測與分割方法研究[D]. 合肥：中國科學(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和分析算法[J].江南大學(xué)學(xué)報(自然科學(xué)版) ,2007,6(3):323-326.

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

[6] 吳 江,宜國榮,鄭振東.基于視頻動態(tài)投影的實時車輛流量檢測系統(tǒng)[J].計算機工程,2001 ,27 (11) :25-64.