劉欣頁，李文舉，高連軍，尉秀芹

（遼寧師范大學(xué) 計(jì)算機(jī)與信息技術(shù)學(xué)院，遼寧 大連 116081）

基于計(jì)算機(jī)視覺的運(yùn)動(dòng)目標(biāo)檢測技術(shù)是智能交通領(lǐng)域的重要研究課題，有著廣闊的應(yīng)用前景。目前的運(yùn)動(dòng)目標(biāo)檢測方法主要有光流法[1]、幀間差分法[2]和背景差分法[3-6]等。光流法計(jì)算復(fù)雜、抗噪性能差，需要強(qiáng)大的硬件支持。幀間差分法利用圖像視頻序列中相鄰幀圖像之間的差分來提取運(yùn)動(dòng)物體。該方法對(duì)場景變化不太敏感，穩(wěn)定性好，有較強(qiáng)的自適應(yīng)性，但一般不能完全提取出所有相關(guān)的特征像素點(diǎn)。背景差分法是目前運(yùn)動(dòng)目標(biāo)檢測和分類中應(yīng)用較普遍的方法，其基本思想是用當(dāng)前幀與背景圖像進(jìn)行差分來提取運(yùn)動(dòng)目標(biāo)，該方法能得到比較精確的運(yùn)動(dòng)目標(biāo)信息，可保持目標(biāo)的完整性。但實(shí)際場景中的道路背景不是一成不變的，如何有效地實(shí)現(xiàn)背景圖像的建立與更新是背景差分法的關(guān)鍵問題。

目前的道路背景建立算法主要有多幀平均法[4]、統(tǒng)計(jì)直方圖法[5]和高斯模型估計(jì)法[6]等。在這些方法中，背景初始化與背景更新采用相同的方法，雖然初始背景參考幀不會(huì)受到場景中運(yùn)動(dòng)目標(biāo)的影響，但背景更新的速度受到牽制。背景建立過程中運(yùn)算量較大，占用內(nèi)存時(shí)間長，當(dāng)環(huán)境發(fā)生變化時(shí)，背景提取和更新達(dá)不到實(shí)時(shí)的理想效果。本文提出了一種將平均法與Surendra背景更新算法[7-8]相結(jié)合的背景提取及更新算法，實(shí)驗(yàn)表明，該算法能夠快速獲取并保持較高質(zhì)量的背景圖像，具有較好的魯棒性和適應(yīng)性。

1 背景建立的基本方法

1.1 多幀平均法

多幀平均法（TABI）是一種經(jīng)典的背景提取及更新方法，其原理是統(tǒng)計(jì)圖像序列每一像素的灰度平均值作為背景像素的灰度值，用一定時(shí)間的序列圖像進(jìn)行累加平均，運(yùn)動(dòng)區(qū)域的灰度偏差被消除，從而得到一個(gè)與當(dāng)前靜態(tài)場景相似的背景圖像。按式（1）獲得背景圖像：

其中，Backgroud（x，y）表示所提取的背景圖像的（x，y）點(diǎn)的灰度值，N 表示幀數(shù)，Imagei（x，y）表示第 i幀序列圖像的（x，y）點(diǎn)的灰度值。

多幀平均法模型簡單，只是單純地累加平均。由于在計(jì)算背景均值時(shí)運(yùn)動(dòng)目標(biāo)的像素點(diǎn)也參加了計(jì)算，這樣就將運(yùn)動(dòng)目標(biāo)的像素點(diǎn)疊加到背景中，因此需要大量的樣本累計(jì)才能得到理想背景圖像。

1.2 Surendra算法

Surendra背景更新算法的思路是利用二值化模板選擇當(dāng)前幀中需要更新的像素，進(jìn)行選擇性的更新。通過幀間差分和二值化得到含有運(yùn)動(dòng)區(qū)域的二值圖bwk，即運(yùn)動(dòng)區(qū)域?yàn)槎祱D的內(nèi)部 “空洞”，對(duì)背景作選擇性更新，經(jīng)過迭代得出背景圖像。背景圖像獲取公式為：

其 中 ，Bk（x，y）為 當(dāng) 前 計(jì) 算 所 得 背 景 圖 像 ，B（x，y）為 已 知的背景圖像，Ik為當(dāng)前幀圖像。

若像素點(diǎn)（x，y）在運(yùn)動(dòng)區(qū)域內(nèi)，則為前景圖像像素點(diǎn)，對(duì)背景圖像不做更新，即該像素點(diǎn)由前一幀背景圖像所對(duì)應(yīng)像素點(diǎn)替代；若（x，y）不在運(yùn)動(dòng)區(qū)域內(nèi)，則對(duì)該點(diǎn)作加權(quán)更新，α為更新系數(shù)，控制更新速度，通常取值范圍為0.85～0.9。如此重復(fù)迭代，隨著后續(xù)圖像的增加，殘余車輛影像逐漸消失，背景不斷趨于理想。

Surendra背景更新算法存在的問題是，若初始幀不是一個(gè)理想背景而是有運(yùn)動(dòng)物體存在，則在背景更新過程中會(huì)有“鬼影”車輛出現(xiàn)，導(dǎo)致后續(xù)的檢測工作出現(xiàn)嚴(yán)重偏差。使用含有運(yùn)動(dòng)車輛的道路背景進(jìn)行車輛檢測，會(huì)產(chǎn)生不理想的甚至錯(cuò)誤的分割結(jié)果。

2 改進(jìn)的背景提取與更新算法

均值法參數(shù)少、速度快，背景建立受初始幀是否有靜止車輛影響小，但需要存儲(chǔ)大量樣本序列累計(jì)出背景圖像后才可得到理想的背景圖像。Surendra算法穩(wěn)定、實(shí)時(shí)地進(jìn)行選擇性更新，但若初始幀含有運(yùn)動(dòng)車輛，則在更新過程中該運(yùn)動(dòng)物體變成靜止的“鬼影”車輛，嚴(yán)重影響檢測結(jié)果。本文將兩者結(jié)合起來，首先用改進(jìn)的均值法進(jìn)行背景粗提取消除連續(xù) “鬼影”，然后用改進(jìn)的Surendra算法做背景更新，充分利用兩種方法的優(yōu)點(diǎn)，克服單一方法的不足。

2.1 背景粗提取

傳統(tǒng)的多幀平均法只是對(duì)每一像素在圖像序列中連續(xù)出現(xiàn)的灰度值做平均，導(dǎo)致在背景建立過程中混入運(yùn)動(dòng)車輛像素點(diǎn)留下的被“污染”痕跡。相比背景圖像，像素點(diǎn)在有車經(jīng)過時(shí)灰度變化較大，若用一定的閾值過濾掉一部分差異變化較大的點(diǎn)，則可以打亂被污染區(qū)域的連續(xù)性，之后利用車輛的物理特征，可實(shí)現(xiàn)在提取背景的過程中對(duì)車輛的檢測。背景粗提取算法步驟如下：

（1）采用遞推公式求取k幀圖像的平均值MEANk：

（2）分別計(jì)算每一幀圖像與平均值圖像的差值meaDi；求連續(xù) k幀圖像的 meaDi和的平均值，記為MDk：

（3）設(shè)閾值為 αMDk（x，y），按式（6）求出初始背景圖像：

其中，B為已知的背景圖像，若當(dāng)前幀與背景圖像差值meaDi過大，說明該點(diǎn)灰度值變化較大，則對(duì)該點(diǎn)不做更新；而對(duì)變化較小的區(qū)域則認(rèn)為是背景區(qū)域，用當(dāng)前幀像素值做替換。其中，參數(shù)α為經(jīng)驗(yàn)值，通常取1.0～1.2。

背景提取結(jié)果如圖1所示。由于初始幀含有靜止車輛，在隨后的圖像序列中車輛向前行駛，采用傳統(tǒng)的平均算法提取背景有明顯的連續(xù)污染區(qū)域存在（對(duì)應(yīng)位置A已在圖1（c）中標(biāo)出）；而本算法打亂了污染區(qū)域的連續(xù)性，盡可能減小初始幀靜止車輛對(duì)后續(xù)背景建立的影響，運(yùn)算過程采用遞推公式，參數(shù)少、背景提取速度快且效果較理想。

2.2 背景更新

隨著時(shí)間的推移和光照以及一些不可預(yù)測的路面情況等外部條件的不斷變化，路面背景亮度發(fā)生緩慢或驟然的改變。如果一直用上述提取的背景做固定背景，隨著時(shí)間的延續(xù)，必然會(huì)造成越來越大的誤差。要保證系統(tǒng)長時(shí)間正常運(yùn)行，需要適時(shí)地進(jìn)行背景更新以保證背景圖像的準(zhǔn)確性和實(shí)時(shí)性。

Surendra算法通過幀間差分圖像二值化后的空洞確定運(yùn)動(dòng)區(qū)域和非運(yùn)動(dòng)區(qū)域，但通常簡單的形態(tài)學(xué)二值化所確定的運(yùn)動(dòng)區(qū)域間斷而不完整，導(dǎo)致背景圖像被車輛間斷處的殘留“鬼影”所污染，因此需進(jìn)一步處理二值化圖像。本文采用邊緣檢測與形態(tài)學(xué)運(yùn)算相結(jié)合的辦法提取出更為準(zhǔn)確的運(yùn)動(dòng)區(qū)域，從而提高背景更新的準(zhǔn)確性。改進(jìn)算法如下：

（1）應(yīng)用 Roberts算子對(duì)當(dāng)前幀圖像做邊緣檢測，得到邊緣點(diǎn)集合SFk。

（2）將當(dāng)前幀與背景差分得到的運(yùn)動(dòng)區(qū)域bwk與邊緣點(diǎn)集合SFk作“或”運(yùn)算，然后對(duì)“或”運(yùn)算結(jié)果進(jìn)行由上而下、由左至右的空洞填充，填充結(jié)束后去除不被利用的邊緣點(diǎn)集合，得到完整的運(yùn)動(dòng)區(qū)域R。過程如圖2所示。

（3）對(duì)運(yùn)動(dòng)區(qū)域進(jìn)行選擇性更新：

在實(shí)際應(yīng)用中，往往會(huì)出現(xiàn)行進(jìn)中車輛的驟駛和驟停、場景光線突然變化等情況，以而導(dǎo)致背景需要重新建立并更新。目前的背景更新方法沒有提及在場景突然變化時(shí)如何對(duì)背景進(jìn)行實(shí)時(shí)更新[9-11]，本文采用幀間差分和背景差分相比較的方法實(shí)現(xiàn)對(duì)場景驟變的及時(shí)響應(yīng)，對(duì)背景做出及時(shí)調(diào)整。具體方法為：

①計(jì)算幀間差分求出運(yùn)動(dòng)區(qū)域Rbw、背景差分運(yùn)動(dòng)區(qū)域 Rbb。

②中值濾波去噪后，統(tǒng)計(jì)幀間差分和背景差分連通區(qū)域的個(gè)數(shù)，分別記為numbw和numbb。

③對(duì)聯(lián)通區(qū)域作進(jìn)一步比較。N=numbw/numbb，若在一定閾值T范圍之內(nèi)，則說明背景未發(fā)生突然變化，繼續(xù)實(shí)時(shí)更新；若超出閾值T范圍，則環(huán)境發(fā)生突變。為避免誤判，需多進(jìn)行幾次比較以確定背景發(fā)生改變，然后以當(dāng)前幀作為背景，重新進(jìn)行背景的提取與更新。

3 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)測試環(huán)境是MATLAB 7.5，3段視頻取自互聯(lián)網(wǎng)數(shù)據(jù)庫，視頻序列為320×240彩色圖像，實(shí)驗(yàn)結(jié)果如圖3、圖4所示。場景一車輛陰影少，車流量相對(duì)較小，對(duì)視頻序列前10幀采用平均法進(jìn)行粗提取，之后進(jìn)行背景更新。場景二車輛陰影大，車流量相對(duì)較大，對(duì)視頻序列前20幀進(jìn)行粗提取，之后采用背景更新。圖3（b）和圖4（b）為背景粗提取結(jié)果，打亂了污染區(qū)域的連續(xù)性；圖3（c）和圖4（c）為本算法在1 s左右時(shí)計(jì)算所得背景，已得到理想背景；圖3（d）和圖 4（d）為 Surendra算法結(jié)果，仍然殘留有初始幀“鬼影”車輛。與Surendra算法相比，本文算法中初始幀運(yùn)動(dòng)車輛對(duì)背景的影響明顯減小，背景建立結(jié)果準(zhǔn)確。當(dāng)前主流視頻檢測技術(shù)可達(dá)到每秒30幀圖片，本算法可快速、準(zhǔn)確地完成背景的建立與更新，保證實(shí)時(shí)性。

背景檢測與更新技術(shù)在運(yùn)動(dòng)車輛檢測中具有重要作用。本文提出了一種新的道路背景提取與更新算法，該算法采用改進(jìn)的均值法進(jìn)行背景粗提取，應(yīng)用改進(jìn)的Surendra算法做背景更新，能很好地適應(yīng)外界條件的變化，背景建立速度快、魯棒性強(qiáng)，具有較好的應(yīng)用價(jià)值。

[1]王新余，張桂林.基于光流的運(yùn)動(dòng)目標(biāo)實(shí)時(shí)檢測方法研究[J].計(jì)算機(jī)工程與應(yīng)用，2004（1）：43-46.

[2]STRINGA E，REGAZZONI C S.Real-time video-shot detection for scene surveillance applications[J].IEEE Transactions on Image Processing， 2000（1）：69-79.

[3]VERSAVEL J.Road safetythrough videodetection[C].Proceedings of 1999 IEEE/IEEJ/JSAI International Conference on Intelligent Transportation Systems，1999：753-757.

[4]Wu Bingfei， JUANG J， TSAI Pingsung， et al.A new vehicle detection approach in traffic jam conditions[J].Computational Intelligence in Image and Signal Processing，2007（3）：1-6.

[5]Chen B S，Lei Y Q.Indoor and outdoor people detection and shadow suppression by exploiting HSV color information [C].The Fourth InternationalConference on Computerand Information Technology， Washington，DC，USA：IEEE Computer Society， 2004：137-142.

[6]STAUFFER C，ERIC W，CRIMSON L.Learning patterns of activity using real-time tracking[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22 （8）：747-757.

[7]GUPTE S，MASOUND O.Detection and classification of vehicles[J].IEEE Transaction on intelligent transportation systems，2002，3（1）：37-47.

[8]王正勤，劉富強(qiáng).自適應(yīng)背景提取算法的比較[J].計(jì)算機(jī)工程，2008，12（34）：220-223.

[9]劉喆.基于計(jì)算機(jī)視覺的運(yùn)動(dòng)車輛檢測與跟蹤算法研究[D].北京：北京工業(yè)大學(xué)，2009.

[10]袁偉才，徐向民.一種有效的動(dòng)態(tài)背景提取及更新方法[J].計(jì)算機(jī)工程與應(yīng)用，2010，46（4）：191-192.

[11]雷波，李清泉.復(fù)雜交通場景中車輛視頻檢測的背景提取與更新[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2009，34（8）：906-909.