唐佳林，王鎮(zhèn)波，陳華春

（1.北京理工大學(xué)珠海學(xué)院信息學(xué)院，廣東珠海519085;

2.中山大學(xué)智能交通研究中心，廣東廣州 510006）

0 引言

視頻圖像的運動目標(biāo)檢測是計算機(jī)視覺領(lǐng)域的一個重要研究課題，尤其是近年來，智能交通領(lǐng)域的相關(guān)研究成為熱點。在視頻交通流所采集到的圖像序列中，把感興趣的部分如運動車輛、行人等，稱之為前景，其它的則稱為背景。如果能準(zhǔn)確提取到背景圖像，然后通過圖像相減，就能得到前景圖像即運動目標(biāo)。但在實際中要想提取一幅完全“純凈”的背景圖像是很困難的，而且由于光線、天氣等外界因素的影響，背景也會隨之變化。

目前國內(nèi)外研究的自適應(yīng)背景提取算法主要分為兩類:非模型法和模型法［1］。前者是按照一定的假設(shè)規(guī)則，從過去的一組觀測圖像中選擇像素灰度構(gòu)成當(dāng)前的背景圖像，其中關(guān)鍵在于規(guī)則的設(shè)定。后者是對圖像的每一個像素點分別建立對應(yīng)的背景模型，以提取背景圖像，并采用自適應(yīng)方法對模型參數(shù)進(jìn)行調(diào)整以實時更新背景圖像［2-3］。與非模型法相比，模型法更能準(zhǔn)確地提取背景，且對環(huán)境變化適應(yīng)性強(qiáng)。但是由于需要對每一個像素點進(jìn)行建模，計算復(fù)雜度較高，在實時性要求較高的交流檢測中的應(yīng)用受到限制。

本文對幾種常用的非模型法提取背景進(jìn)行分析和比較。其中包括:多幀平均法、直方圖統(tǒng)計法、中值濾波法和背景學(xué)習(xí)法等，并在實時交通場景下對它們進(jìn)行測試。

1 幾種常用背景提取算法

1.1 多幀平均法

多幀平均算法的原理是將車輛看作噪聲，用累加平均的方法消除噪聲，從而可以利用車輛運行一段時間的序列圖像進(jìn)行平均得到道路的背景圖像。用公式表示為:

式中Backgroud表示背景圖像，N表示平均幀數(shù)，imagei表示第i幀序列圖像。（x，y）為當(dāng)前正在處理的像素點，通過改變x和y的值，即可獲得整幅背景圖像。

多幀平均算法假定，在一段時間內(nèi)，背景出現(xiàn)的頻率較高，比重遠(yuǎn)大于車輛前景的出現(xiàn)。隨著平均幀數(shù)的增加對于背景的可靠度有著較大的保證，即平均的幀數(shù)多則越接近期望的背景效果。同時也出現(xiàn)了在車流量較大的情況下使用該算法會將車輛的信息誤認(rèn)為是背景，因此用簡單的多幀平均算法顯然不能夠滿足復(fù)雜環(huán)境的需要。

1.2 統(tǒng)計直方圖法

直方圖分析方法是通過存儲視頻中每一像素位置在序列的時間軸方向上的直方圖信息（即在某一時間段內(nèi)統(tǒng)計該像素位置處每一種可能的像素值所出現(xiàn)的次數(shù)），取該像素位置的直方圖峰值所對應(yīng)的像素值作為背景像素值［4］。

直方圖統(tǒng)計用公式表示為:

公式（2）是統(tǒng)計像素點（x，y）的直方圖函數(shù)，其中:P（x，y，k）表示像素點（x，y）處亮度值為k出現(xiàn)的次數(shù)，imagei（x，y）表示第i幀圖像像素點（x，y）處灰度值，N表示參與統(tǒng)計的總視頻幀數(shù)，N取得越多，獲取的視頻背景圖像越精確。式（3）表示該像素點在時間序列上灰度值出現(xiàn)頻率最大時為該像素點的背景灰度值。

直方圖分析方法假定，背景出現(xiàn)的頻率最高，車輛前景重復(fù)出現(xiàn)頻率遠(yuǎn)低于背景的出現(xiàn)。滿足這一條件時，此方法可得到極理想的背景。當(dāng)出現(xiàn)臨時停車等現(xiàn)象時，這一方法將不適用，同時，此方法需要對在每一圖像點建立大矩陣以存儲多種亮度值的出現(xiàn)次數(shù)，既消耗運行時間又浪費內(nèi)存空間，難以滿足實時的背景更新需求。

1.3 中值濾波法

統(tǒng)計中值法是一種基于排序理論的，能有效抑制噪聲的非線性信號處理技術(shù)。它主要用于對實值離散信號的濾波，可以在最小絕對誤差條件下，給出信號的最佳估計。統(tǒng)計中值法的優(yōu)點是它可以克服線性濾波器如均值濾波給圖像帶來的模糊影響，做到在有效地清除脈沖噪聲的同時，保持良好的邊緣特性，從而獲得較滿意的復(fù)原效果。

空間域的中值濾波基本思想是把數(shù)字圖像或數(shù)字序列中一個像素點的值，用其鄰域中各像素點值的中值替代。其定義為:對一維序列X1，X2，…，Xn，把n個數(shù)據(jù)按大小排列為:Xi1，Xi2，…，Xin，則:

在處理視頻圖像提取靜止背景的實際應(yīng)用中，需要操作的是時間域的中值濾波，鄰域一般取長度L=2n+l的子圖，n為正整數(shù)。將子圖在數(shù)據(jù)上滑動，中值濾波輸出的為子圖內(nèi)各像素的中值所替換的子圖中心像素，即:

式（5）中，背景圖像像素點（x，y）的灰度值為Background（x，y），視頻序列中第i幀圖像在像素點（x，y）處的灰度值為Xi（x，y）。

統(tǒng)計中值法假定，在一段時間內(nèi)，背景的出現(xiàn)概率超過50%，滿足這一條件時可獲得完整的背景。這一方法需要存儲一定量的圖像幀，并且需要進(jìn)行排序操作，耗時較長。

1.4 背景學(xué)習(xí)法

背景學(xué)習(xí)法的思想是首先找到圖像的運動目標(biāo)區(qū)域和非運動目標(biāo)區(qū)域，然后對兩種區(qū)域做不同的處理［5］。非運動目標(biāo)區(qū)域的背景利用公式進(jìn)行迭代更新，而運動目標(biāo)區(qū)域的背景則保持不變。該算法具體步驟如下:

Step1初始化背景圖像Bi=I0;

Step2利用幀間差分圖像找出運動目標(biāo)區(qū)域和非運動目標(biāo)區(qū)域:

Step3對兩種不同區(qū)域做相應(yīng)的處理:

當(dāng)差分二值化圖像Di（x，y）=1時背景Bi（x，y）保持不變，而當(dāng)Di（x，y）=0時，利用公式（1-α）Bi（x，y）+αIi（x，y）更新背景，其中α為更新系數(shù)。

Step4迭代更新，重復(fù)Step2和Step3，直到滿足停止迭代條件。最后得出的Bi就是算法更新得出的背景圖像。

背景更新的速度快慢取決于系數(shù)α。α取值過大時，該算法更新背景速度快，同時能適應(yīng)快速變化的復(fù)雜環(huán)境，但是也會引入更多的噪聲。α取值過小時，背景更新的速度下降，相對穩(wěn)定，但背景圖像不能及時反映場景瞬時變化。

2 實驗結(jié)果分析

圖1所示是從視頻中截取的一張實時圖片，該視頻采集于廣州市新港西路，該場景下車流量相對較大。

圖1 原復(fù)雜場景視頻截圖

圖2中（a）圖是采用多幀平均法進(jìn)行背景提取，（b）圖采用統(tǒng)計直方圖法進(jìn)行圖像背景提取，（c）圖是利用統(tǒng)計中值法進(jìn)行圖像背景提取，（d）圖是采用背景學(xué)習(xí)法進(jìn)行圖像背景提取。圖中，由于停在巴士站的公交車停留時間較長，在進(jìn)行背景提取的時間段內(nèi)沒有運動，所以被誤認(rèn)為是靜止的背景。前三幅背景提取結(jié)果圖，效果基本差不多;但是在遠(yuǎn)處，也就是運動車輛密度較大的路面上，中值濾波法提取的路面較清晰，而多幀平均法和直方圖統(tǒng)計法都存在一定程度的模糊。（d）圖中，由于選取的參數(shù)α較大，背景更新的速度較快，運動車輛會留下一定的痕跡，而且隨著α取值越大，這種誤差也越大。

圖2 背景提取后效果圖

從處理速度來看，背景學(xué)習(xí)法由于只需要處理當(dāng)前幀圖像和原背景幀圖像，算法復(fù)雜度低，處理速度非?？?在背景提取和學(xué)習(xí)的過程中，背景提取的結(jié)果可以實時地應(yīng)用到后續(xù)運動目標(biāo)檢測中。多幀平均法和直方圖統(tǒng)計法，都需要對時間序列的多幀圖像進(jìn)行加法和比較操作，算法復(fù)雜度和處理速度適中。而中值濾波法需要對時間序列上的每一幀圖像進(jìn)行排序操作，算法較復(fù)雜，處理速度也較慢;而且隨著所選時間序列圖片的增加，運算復(fù)雜度直線上升。

3 結(jié)論

針對視頻交通流檢測實時性要求較高的特點，本文總結(jié)了幾種常用的非模型背景提取方法，并對它們做了分析和測試。從提取效果來看，中值濾波法最佳，灰度直方圖和多幀平均法次之，背景學(xué)習(xí)法較差;只要調(diào)整好學(xué)習(xí)強(qiáng)度參數(shù)，也能取得不錯的效果。背景學(xué)習(xí)法的處理速度最快，而且在背景學(xué)習(xí)的過程中，也能作為背景圖像進(jìn)行后續(xù)的運動目標(biāo)檢測;這使該方法實時更新背景變得更容易，得到的背景能隨著環(huán)境的變化而變化，應(yīng)用也較廣泛。

［1］楊珺，史忠科.基于改進(jìn)單高斯模型法的交通背景提?。跩］.光子學(xué)報，2009，38（5）:1293-1296.

［2］Zoran ZIVKOVIC，F(xiàn)erdinand VAN DER HEIJDEN.Recursive Unsupervised Learning of Finite Mixture Models［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2004，26（5）:651-656.

［3］侯志強(qiáng)，韓崇昭.基于像素灰度歸類的背景重構(gòu)算法［J］.軟件學(xué)報，2005，16（9）:1568-1576.

［4］Long W，Yang Y.Stationary Background Generation:Analternative to the Difference of Two Images［J］.Pattern Recognition，1990，23（12）:1351-1359.

［5］肖梅，韓崇昭.一種視頻序列的背景提取算法［J］.光電工程，2005，32（4）:78-81.