李 鴻 熊金艷

(長沙理工大學(xué)電氣與信息工程學(xué)院 長沙 410114)

0 引 言

運(yùn)動檢測是智能交通的關(guān)鍵問題，主要的車輛檢測方法有背景差分法、路面標(biāo)記法、基于邊緣信息的車輛檢測算法、幀差法。背景差分法的缺點(diǎn)是在實(shí)際情況下，環(huán)境光線的變化和陰影的變化具有隨時性，使得理想背景很難一次得到。路面標(biāo)記法的缺點(diǎn)是需要在路面上畫上標(biāo)記，而道路上的標(biāo)記并不允許隨意添加的，所以在系統(tǒng)的安裝上有很大的局限性。基于邊緣信息的車輛檢測算法的缺點(diǎn)是需要提取階躍狀或屋頂狀的邊緣，階躍狀邊緣兩邊像素的灰度值顯得不同，屋頂狀邊緣處于灰度值由小到大再到小的變化轉(zhuǎn)折點(diǎn)，而實(shí)際圖像比較復(fù)雜，并且存在噪聲，這些給邊緣檢測帶來很多困難。幀差法可以通過連續(xù)幀圖像之間變化確定圖像序列有無運(yùn)動，考慮到本文檢測的是實(shí)時情況下運(yùn)動車輛，因此采用此方法與高斯背景建模相結(jié)合來獲取背景圖像，對于場景內(nèi)的每一個像素點(diǎn)進(jìn)行判斷。

本文主要針對實(shí)時情況下運(yùn)動車輛，由于受到天氣、道路環(huán)境等各方面的影響，要實(shí)現(xiàn)對運(yùn)動車輛的精確檢測，其算法要滿足以下要求:

(1)能適應(yīng)環(huán)境中光線的變化，如太陽光光照的變化和道路兩旁路燈開關(guān)的變化

(2)能排除場景中一些背景像素的輕微擾動，如樹葉的擺動、攝像頭的輕微顫抖等。

(3)能適應(yīng)場景中物體的變化，如車輛的移入移出。

1 初始背景幀的獲取

1.1 基于統(tǒng)計直方圖法和多幀圖像平均值法的背景提取算法

背景圖像是固定攝像機(jī)情況下非常重要的信息數(shù)據(jù)，所以在車輛檢測中需要對背景圖像進(jìn)行提取。目前常用的背景提取的方法有:統(tǒng)計直方圖法和多幀圖像平均值法。

(1)統(tǒng)計直方圖法

統(tǒng)計直方圖法是考慮到路面上同一點(diǎn)被相同亮度的車輛長時間覆蓋的可能性很小，所形成的亮度不一樣的可能性較大，通過統(tǒng)計一段時間內(nèi)各個像素點(diǎn)上不同亮度出現(xiàn)的次數(shù)，其中出現(xiàn)次數(shù)最多的即直方圖中最大值就是路面本身的亮度值，該算法的缺點(diǎn)是計算量較大，且隨著統(tǒng)計幀數(shù)的增加，得到的背景效果并不顯著。

(2)多幀圖像平均法

多幀圖像平均值法是利用車輛運(yùn)行一段時間的序列圖像進(jìn)行平均而得到道路背景圖像，該表達(dá)式為:

式中:Background(x，y)表示背景圖像，imagei(x，y)表示第i 幀序列圖像，N 表示平均幀數(shù)。該算法的特點(diǎn)是模型簡單，計算方便。

1.2 基于高斯建模的背景提取算法

由于本文所研究的場景環(huán)境具有背景隨車輛移動而改變、攝像頭固定、光照等引起的背景變化比較明顯的特點(diǎn)，使用高斯背景建模的方法來獲取初始背景幀，即假設(shè)像素值服從某種分布模型對每一個像素利用高斯模板建模，并認(rèn)為其服從均值μ 和標(biāo)準(zhǔn)方差δ 的獨(dú)立高斯分布。通過一段時間的訓(xùn)練獲得其參數(shù)并不斷更新，據(jù)此更新背景圖像來獲得初始背景幀。

在高斯模型中對于一個背景圖像，其特定像素亮度的分布滿足高斯分布，即背景圖像IB(x，y)點(diǎn)的亮度滿足:

其中參數(shù)μ 和δ 分別為背景模型的每個像素的平均值和方差。

建立背景模型算法的步驟:

(1)初始化背景模型

用第一幀的該像素點(diǎn)的灰度值作為均值μ，將標(biāo)準(zhǔn)方差設(shè)為0.

(2)背景模型的更新

用如下公式進(jìn)行判斷:

T 為閾值，當(dāng)F 小于T 時，則該點(diǎn)被判定為運(yùn)動前景點(diǎn)，否則認(rèn)為該點(diǎn)與高斯分布相匹配，為場景背景像素點(diǎn)。

(3)像素點(diǎn)參數(shù)的更新

隨著時間的變化，背景圖像也會發(fā)生緩慢的變化，這時要不斷更新每個像素點(diǎn)的參數(shù)。更新的算法可以表示為:

式中:α 是更新系數(shù)，0 ＜α ＜1。

圖1 為采用MATLAB 編程的方法得到的背景圖像。

圖1 背景圖像的獲取

2 車輛檢測中所采用的圖像去噪技術(shù)

通過實(shí)驗(yàn)可以發(fā)現(xiàn)，僅僅通過上述算法還不能得到非常理想的結(jié)果，必須在此基礎(chǔ)上對數(shù)字圖像進(jìn)行必要的合適的平滑去噪。此過程主要是要選擇合適的濾波器以及在數(shù)學(xué)形態(tài)學(xué)處理中選擇合適的結(jié)構(gòu)元素。

2.1 濾波器的選擇

圖像常會受到噪聲的污染，常見的噪聲有椒鹽噪聲、脈沖噪聲、高斯噪聲等。椒鹽噪聲含有隨機(jī)出現(xiàn)的黑白強(qiáng)度值;脈沖噪聲只含有隨機(jī)的白強(qiáng)度值(正脈沖噪聲)或黑強(qiáng)度值(負(fù)脈沖噪聲);與前兩者不同，高斯噪聲含有強(qiáng)度服從高斯或正太分布的噪聲。

線性濾波器去除高斯噪聲的效果很好，且在大多數(shù)情況下，對其他類型的噪聲也有很好的效果。線性濾波器使用連續(xù)窗函數(shù)內(nèi)像素加權(quán)和來實(shí)現(xiàn)濾波。高斯濾波器是一類根據(jù)高斯函數(shù)的形狀來選擇權(quán)值的線性平滑濾波器，其用途是信號的平滑處理。數(shù)字圖像在后期應(yīng)用中，噪聲是最大的問題，使用高斯濾波器可以得到信噪比較高的圖像。由于誤差是會累計傳遞的，因此需要先對圖像做高斯平滑濾波、剔除噪聲。

其編程運(yùn)算實(shí)際上就是一個模板運(yùn)算，使用圖像的N連通區(qū)域，是一種領(lǐng)域運(yùn)算，即輸出圖像中任何像素的值都是通過采用一定的算法，根據(jù)輸入圖像中使用像素周圍一定領(lǐng)域內(nèi)像素的值得來的。

經(jīng)過高斯濾波器處理，結(jié)果如圖2 所示。

圖2 高斯濾波后圖像

2.2 結(jié)構(gòu)元素的選擇

在使用形態(tài)學(xué)處理時，結(jié)構(gòu)元素的選擇是其中的關(guān)鍵，不同的結(jié)構(gòu)元素對于同一幅圖像會得到截然不同的效果。因此，需要根據(jù)所需要處理的圖像特點(diǎn)來選擇相應(yīng)的結(jié)構(gòu)元素。

形態(tài)學(xué)運(yùn)算的目的在于提取圖像的相關(guān)結(jié)構(gòu)，結(jié)構(gòu)元素的形態(tài)和尺寸決定了形態(tài)學(xué)處理的效果。任何形狀都可以作為結(jié)構(gòu)元素，但在實(shí)際應(yīng)用中，只有一定數(shù)量的結(jié)構(gòu)元素可用，通常結(jié)構(gòu)元素的形狀和尺寸必須適合待處理目標(biāo)圖像的幾何性質(zhì)，首先，形態(tài)學(xué)變換通常是利用對稱結(jié)構(gòu)元素進(jìn)行運(yùn)算的。當(dāng)結(jié)構(gòu)元素非對稱時，運(yùn)算的結(jié)果一般會產(chǎn)生偏移。例如線段結(jié)構(gòu)元素，若它的原點(diǎn)在中點(diǎn)則為對稱結(jié)構(gòu)，若原點(diǎn)在端頭則為非對稱結(jié)構(gòu)。其次，需要選擇合適的結(jié)構(gòu)元素形狀。結(jié)構(gòu)元素可以為圓盤形、長方形、多邊形、線段形等。圓盤形結(jié)構(gòu)元素是各向同性的，因此可以得到與方向無關(guān)的運(yùn)算結(jié)果，長方形、多邊形可以看作是圓盤形的變異。線段形結(jié)構(gòu)元素可以用來去除或提取較長的圖像結(jié)構(gòu)。不同形狀的結(jié)構(gòu)元素運(yùn)算結(jié)果會有差異，應(yīng)針對待處理圖像的幾何形狀進(jìn)行選擇。當(dāng)確定了結(jié)構(gòu)元素的形狀后，結(jié)構(gòu)元素的尺寸是至關(guān)重要的。當(dāng)結(jié)構(gòu)元素尺寸太小時，閉運(yùn)算不能實(shí)現(xiàn)裂口較大的斷裂邊緣連接，作開運(yùn)算時不能實(shí)現(xiàn)較大凸起與粘連的去除;當(dāng)結(jié)構(gòu)元素尺寸太大時，閉運(yùn)算時目標(biāo)之間會互相干擾，造成過度粘連，開運(yùn)算時會造成假斷裂。

利用數(shù)字形態(tài)學(xué)對所得檢測結(jié)果進(jìn)行去噪處理，濾波方式與結(jié)構(gòu)元素不同，所得到的效果也不同。因此在試驗(yàn)中要通過分析與計算來確定最終的選擇方式。

3 結(jié) 論

本文提出了基于實(shí)時環(huán)境背景下運(yùn)動車輛檢測的算法，根據(jù)視頻監(jiān)控的實(shí)際場景條件，選擇幀差法對高斯背景建模進(jìn)行改進(jìn)，來檢測車輛的運(yùn)動情況，并采用高斯濾波器和形態(tài)學(xué)運(yùn)算對含有噪聲的原始背景圖像進(jìn)行處理，得到平滑的背景圖像。將采用高斯背景建模法所得的實(shí)驗(yàn)效果與常用的統(tǒng)計直方圖法和多幀平均法進(jìn)行了對比，證明了其優(yōu)越性和有效性。

［1］劉亞，艾海舟，徐光佑.一種基于背景模型的運(yùn)動目標(biāo)檢測與跟蹤算法［J］.信息與控制，2002，31(4):315-319.

［2］Z.Sun，R.Miller，G.Bebis，et al.real-time precrash vehicle detection system［C］.Proceedings of the Sixth IEEE Workshop on Applications of Computer Vision，2002:101-106.

［3］楊帆.數(shù)字圖像處理與分析［M］.北京:北京航空航天大學(xué)出版社，2007.

［4］羅小蘭.視頻跟蹤中的背景建模［D］.長沙:國防科技大學(xué)，2007.

［5］賈云得.計算機(jī)視覺［M］.北京:科學(xué)出版社，2000.

［6］楊超，劉建偉，曹泉，等.基于高斯背景模型的視頻車輛跟蹤方法［J］.微計算機(jī)信息，2009，25(5-3):271-272.

［7］周兵.運(yùn)動目標(biāo)檢測及其在視頻監(jiān)控中的應(yīng)用［D］.北京:北京航空航天大學(xué)，2003.

［8］張陽，陳小惠.基于K-粒子濾波和邊緣檢測的圖像目標(biāo)跟蹤研究［J］.光學(xué)與光電技術(shù)，2007，5(5):85-90.