趙光磊 許向陽

摘 要：采用背景減除法來進行運動車輛的檢測，同時利用兩次統(tǒng)計平均的方法以及適當(dāng)?shù)膮?shù)的選擇，來進行背景的更新，通過數(shù)學(xué)形態(tài)學(xué)對結(jié)果進行修正，最后用Matlab對算法進行了仿真，證明該算法對運動車輛檢測的有效性。

關(guān)鍵詞：運動車輛；背景減除；統(tǒng)計平均；數(shù)學(xué)形態(tài)學(xué)

1 引言

智能視頻監(jiān)控的內(nèi)容主要包括運動目標(biāo)檢測，目標(biāo)分類，目標(biāo)跟蹤和行為理解四大部分[1]，運動目標(biāo)檢測的目的是將背景圖像中出現(xiàn)變化的區(qū)域的圖像分割出來，它是運動目標(biāo)分析與識別的基礎(chǔ)。

目前能夠?qū)崿F(xiàn)運動物體檢測的方法主要有以下幾種：

1）幀間差分法[2]（Fame difference method），該算法是在連續(xù)的圖像序列中兩個或三個相鄰幀間，采用逐像素的差分并閾值化來提取出圖像中的運動區(qū)域，它能較快地檢測出視頻圖像中發(fā)生變化的部分。

2）背景減除法[3-4]（Background subtraction method），該算法是當(dāng)前運動目標(biāo)檢測時最主流的方法之一，它是將圖像序列分為前景和背景，然后對背景進行建模，再用當(dāng)前幀與背景圖像進行差分來檢測運動區(qū)域。該算法需要根據(jù)實際情況來確定閾值，所得結(jié)果可以直接反映出運動目標(biāo)的位置、大小、形狀等有效信息。

3）光流法（Optical flow method），光流反映了在一定時間間隔內(nèi)由于運動所造成的圖像變化，對圖像的運動場進行估計，將相似的運動矢量合并為運動目標(biāo)，然后利用目標(biāo)的矢量流特征，如大小和方向等來檢測運動區(qū)域[5]。

本文對視頻監(jiān)控中的運動車輛檢測問題進行了深入的研究，針對傳統(tǒng)背景減除算法用于運動目標(biāo)檢測時，背景圖像的提取加以改進，提出一種空白背景與統(tǒng)計平均相結(jié)合的背景更新機制，并通過Matlab進行仿真。

2 基于背景減除法的運動目標(biāo)檢測

背景減除法是當(dāng)前運動目標(biāo)檢測中常用的一種方法，它利用當(dāng)前圖像與背景圖像的差分來檢測運動區(qū)域。該算法實現(xiàn)簡單，一般能夠提取出完整的目標(biāo)圖像，對于背景己知的情況該方法是一種有效的運動目標(biāo)檢測算法。其算法步驟如下：

第一步，應(yīng)用統(tǒng)計平均法獲取背景圖像Bk，同時根據(jù)視頻序列獲取當(dāng)前圖像Fk，k表示第k幀圖像，求出兩幀圖像的絕對灰度圖像

第二步，設(shè)定閾值TH并將差值圖像二值化，進而提取出運動目標(biāo)

第三步，使用數(shù)學(xué)形態(tài)學(xué)[6]對幀差圖像bk進行濾波處理，然后再對其進行區(qū)域連通性分析，當(dāng)某一連通的區(qū)域的面積大于某一給定閾值，則成為檢測目標(biāo)，并認為該區(qū)域就是目標(biāo)的區(qū)域范圍。

3 背景圖像獲取的改進

通過前文的介紹，我們可以知道背景減除法的關(guān)鍵就在于背景模型的提取及背景模型是否可以實時的更新。顯而易見，最簡單的一種獲取背景圖像的方法是當(dāng)視頻中無任何目標(biāo)出現(xiàn)時捕獲到的背景圖像，但是這種方法僅僅適用于短時間內(nèi)的運動目標(biāo)檢測，對于長時間的監(jiān)控來說不太適用。本文所采用的估計背景圖像的方法是上述方法與統(tǒng)計平均方法的結(jié)合使用，具體步驟如下：

第一步，通過視頻序列，設(shè)定好一足夠小的閾值TH?，然后每兩幀做差分，直到每一個像素點的做差結(jié)果都小于設(shè)定的閾值，即Fk-FK+1

第二步，利用統(tǒng)計平均算法估計背景圖像。

統(tǒng)計平均方法：一種常用的自適應(yīng)背景修正的方法，是對背景圖像進行多幅平均，這種方法一般適用于場景內(nèi)目標(biāo)滯留時間較短，目標(biāo)出現(xiàn)不頻繁的情況。簡單的背景修正方法可采用如下公式計算

由公式（4-1）可知，利用統(tǒng)計平均方法對背景圖像進行更新，N是非常重要的參數(shù)。如果背景中目標(biāo)出現(xiàn)的頻繁頻率不是太大，參數(shù)N不需要太大，就可以獲得一個較為準(zhǔn)確的背景圖像的估計圖像，若背景中目標(biāo)出現(xiàn)移動緩慢，則參數(shù)N就需要大一些。

第三步，用步驟一的空白背景和步驟二的估計背景再做統(tǒng)計平均處理，得到新的背景圖像Bk。

4 Matlab仿真結(jié)果

為了驗證本文算法的有效性，用一段公路監(jiān)控片段作為測試視頻。本文對幀率為15fps的序列圖像（120像素×160像素） 進行仿真，用本文給出的算法進行背景的構(gòu)建。算法的仿真試驗結(jié)果如圖1所示。

圖（a）為測試視頻中的一幀彩色圖像，然后進行灰度處理，通過本文改進的背景提取算法，得到實時背景圖像（b），圖（c）是本文通過背景減除法，并經(jīng)過數(shù)學(xué)形態(tài)學(xué)濾波處理以及連通性分析得到的測試結(jié)果，此結(jié)果充分說明本文方法能夠準(zhǔn)確的檢測到運動車輛。

5 結(jié)束語

本文通過背景減除法以及空白背景算法與統(tǒng)計平均法結(jié)合的的背景更新機制實現(xiàn)了運動車輛的檢測，并通過Matlab軟件對其進行了仿真，證實了該算法的有效性，為進一步車輛的跟蹤與行為的理解打下了堅實的基礎(chǔ)。

[參考文獻]

[1]方帥.計算機智能視頻監(jiān)控系統(tǒng)關(guān)鍵技術(shù)研究.東北大學(xué)控制理論與控制工程專業(yè)博士論文，2005：18-19.

[2]PARAGIOSN，TZIRITASC.Detection and Location of Moving ObjectsUsing Deterministic Relaxation Algorithms[J].Proceedings of the 13th International Conference on Pattern Recognition.1996，1（1）：201-205.

[3]MONNETA，MITTALA，RAMESHV.Background modeling and subtractionof dynamic scenes[J].Proceedings of Ninth IEEE International Conference onComputer Vision.2003，2：1305-1312.

[4]MCKENNAS，JABRIZ， DURICZ.Tracking groups of people[J]. Computer Vision and Image Understanding，2000，80（1）：42-56.

[5]OHTAN，KANATANIK，KIMURAK.Moving Object Detection from OpticalFlow without Empirical Thresholds[J].IEEE Transactions on Information andSystems，1998（2）：243-245.

[6]岡薩雷斯.數(shù)字圖像處理[M].電子工業(yè)出版社，2004.