張 震，李丹丹

(鄭州大學 電氣工程學院，河南 鄭州450001)

0 引言

近年來，運動目標檢測一直是視頻圖像序列分析中的重點和難點.視頻監(jiān)控中，運動目標的檢測需要先對獲得的視頻序列進行圖像分割.但是由于交通場景不是靜止不變的，如光照、浮云等天氣狀況的變化以及搖曳的樹枝經(jīng)常會使背景發(fā)生改變，造成圖像分割不準確，這就需要不斷地更新背景，以適應不斷變化的場景.

傳統(tǒng)的背景初始化和背景更新方法不能很好地解決光照、陰影等環(huán)境變化帶來的影響.文獻［1］采用基于加權(quán)平均的Surendra背景更新算法，能夠較好地識別運動車輛，但是需要的經(jīng)驗值較多，適用范圍有限.Kima K等［2］采用 Codebook算法進行圖像前景和背景的分割，算法簡單，速度快，但需要實時壓縮編碼背景像素.Kornprobst P.等［3］采用偏微分等式法進行背景重構(gòu).而像素灰度歸類的背景重構(gòu)算法［4］在文獻［3］的假設前提上，根據(jù)幀差法對該像素灰度進行歸類，選擇頻率最高的灰度值作為該點背景.JIN Cheng-jun等［5］采用統(tǒng)計直方圖的方法提取和更新背景，降低了光照和陰影變化對檢測結(jié)果的影響，但是在彩色空間域中處理圖像，運算量大.HE Zhi-wei等［6］采用高斯分布進行背景建模，可解決背景緩慢變化和突變的情況，但是需要提取一幀沒有運動目標和光照變化的背景.WANG Feng等［7］采用混合高斯模型(GMM)，利用最大期望值算法估計模型參數(shù)并進行更新，降低了運算復雜性，但是在光照變化和噪聲較多的環(huán)境下運算量大，適應性不佳.筆者給出的自適應雙閾值運動掩膜算法，可很好地適應不同環(huán)境變化，且運算速度較快，能夠滿足實時視頻檢測的需要，準確度高、魯棒性好.

1 經(jīng)典單閾值算法缺陷

經(jīng)典圖像分割算法是采用單閾值背景差法［8］，其背景更新僅采用加權(quán)平均法，算法較簡單，但是要求每幀圖像中所有像素都更新，耗時長.單閾值運動掩膜算法［9］僅對當前圖像中被判定為背景的區(qū)域進行更新，而對前景區(qū)域不更新，耗時少.根據(jù)實時更新的背景再采用單閾值背景差法能夠簡單快速地分割出運動物體.

背景差法是利用含有運動目標的當前圖像減去當前背景得到差分圖像.數(shù)學表達式為

式中:CI(x，y)和CB(x，y)分別為當前圖像、當前背景在(x，y)處的像素灰度值;DI(x，y)為其差分圖像.

差分圖像二值化數(shù)學表達式為

其中，BM(x，y)為二值目標掩碼，用于區(qū)分前景和背景.BM(x，y)=1 標記為前景，BM(x，y)=0 標記為背景，T為分割閾值.

無論背景差法還是運動掩膜算法，采用單閾值進行圖像分割時，閾值的確定都比較困難.當所選閾值較大，會把前景目標錯判為背景，造成圖像前景分割不完整，出現(xiàn)漏檢;而所選閾值較小，會把大部分背景當做前景，使前景區(qū)域擴大，易出現(xiàn)錯檢現(xiàn)象.這兩種算法均采用統(tǒng)計灰度直方圖的方法設定和更新閾值.交通場景中背景灰度出現(xiàn)的頻次高，前景灰度出現(xiàn)的頻次低，會出現(xiàn)兩個峰值，以其間的峰谷為所選閾值.但是在不同天氣條件下，當前景與背景灰度相近時，峰谷位置不易確定，閾值更新會不準確，會嚴重影響圖像分割效果，導致系統(tǒng)魯棒性差.

2 算法

經(jīng)典背景差法通常以人工獲取一幅沒有運動目標的圖像作為初始背景.但在工程實踐中，交通流不斷發(fā)生，且場景中隨著時間推移光照不斷發(fā)生變化，又受陰影等噪聲影響，很難獲得一幀沒有運動目標且穩(wěn)定的背景，同時也違背自動原則.筆者結(jié)合動態(tài)雙閾值和單閾值運動掩膜算法［9］的優(yōu)點，選用改進的雙閾值背景更新算法，自適應更新背景，為目標檢測奠定基礎.

2.1 背景更新算法流程

筆者利用多幀平均法初始化背景模型，可濾除噪聲影響，解決人工提取背景的困難.背景更新模塊流程圖如圖1所示.雙閾值運動掩膜背景更新算法的實現(xiàn)步驟如下:

(1)獲取前N幀圖像I0，I1，…，IN-1(N≥10)，取其平均值作為初始背景 CB0，即 CB0=

(4)根據(jù)二值目標掩膜計算雙閾值運動掩膜，表達式為:MMi=OMi＆(～ OMi-1).

(2)設定初始高、低閾值TH0，TL0.

圖1 雙閾值運動掩膜背景更新模塊流程圖Fig.1 Flow chart of the double thresholds motion mask background updatemodu le

(5)以雙閾值運動掩膜MMi作為門限閾值判定前景背景點，進行背景更新.當MMi=0時，采用加權(quán)平均法更新背景，即CBi=αCBi-1+(1-α)CBi.當 MMi=1時，不更新背景，即 CBi=CBi-1.總之，僅對前一幀是前景且當前幀為背景的點進行更新.α的大小影響更新速度的快慢，一般取 α為0.95.

(6)當i=i+1，采用函數(shù)鏈接型神經(jīng)網(wǎng)絡更新雙閾值并轉(zhuǎn)入第(3)步循環(huán).

筆者給出的雙閾值運動掩膜背景更新算法可以很好地提取和更新背景，提高系統(tǒng)運行速度，且不受初始條件限制.

2.2 雙閾值的自動更新算法

由于閾值T與輸入的每幀圖像的平均灰度值Iave存在非線性關系，即T=f(Iave).可用冪級數(shù)的形式表示如下:

圖2 函數(shù)鏈接型神經(jīng)網(wǎng)絡模型Fig.2 Functional chain neural network model

采用函數(shù)鏈接型神經(jīng)網(wǎng)絡［10］可以逼近非線性函數(shù).針對高閾值TH，式(1)中，m為多項式階數(shù)，m越大逼近非線性函數(shù)精度越高，所得更新閾值越準確，但待確定系數(shù)也越多，訓練時間也越長，影響更新速度.實驗證明，m=4時既可滿足精度要求，又能保證更新速度.W0，W1，…，Wm為多項式系數(shù)，也為神經(jīng)網(wǎng)絡的加權(quán)系數(shù).確定了m值，加權(quán)系數(shù)可以通過樣本訓練確定.算法如下:

用x表示自變量Iave，用y表示自動更新閾值T，則非線性函數(shù)可表示為

神經(jīng)網(wǎng)絡輸出:

誤差:

權(quán)值調(diào)整:

3 雙閾值差分算法檢測運動目標

交通場景受天氣狀況影響比較大，在光照強烈時，路面反光使路面背景和白色車輛等淺色車輛灰度值相近;在陰天光照較弱時，路面和黑、灰色等深色車輛的灰度值接近.單閾值方法很可能會使這些灰度與背景相近的車輛遺失或檢測成碎片，而碎片太小會難以和噪聲分離，導致車輛檢測或統(tǒng)計不準確.2.2節(jié)中以每幀圖像的平均灰度值作為輸入自適應更新高、低兩個閾值，能很好地適應光照變化，并根據(jù)2.1節(jié)中更新的背景做差分可消除陰影，準確檢測到深色和淺色兩類運動目標.具體算法如下:

采用低閾值分割所得前景會包含大量陰影及噪聲，而采用高閾值會使分割的前景不完整、目標區(qū)域內(nèi)孔洞多.筆者利用數(shù)學形態(tài)學方法膨脹高閾值分割所得差分圖像DH，消除孔洞;再與低閾值分割所得差分圖像DL取并，既能消除空洞，又保證了分割目標的完整性，然后采用腐蝕方法，可消除低閾值導致的目標偏大問題.

4 實驗結(jié)果分析

4.1 檢測效果

為驗證筆者所給出的雙閾值運動掩膜算法的可行性和有效性，選取一段384×288的交通監(jiān)控視頻進行驗證.在配置為Intel Pentium雙核1.86G CPU、內(nèi)存為1GB的HP臺式機上做實驗.采用VC++6.0軟件編程.現(xiàn)以采集的第80幀圖像為例，對圖像進行處理并加以說明，如圖3所示.

圖3中(a)為原始圖像，(b)為低閾值檢測的目標，(c)為高閾值檢測的目標.實驗結(jié)果表明，低閾值檢測到的目標偏大，還帶有較多陰影;高閾值檢測到的目標不完整，孔洞較多.結(jié)合單閾值法檢測結(jié)果的特點，本文算法得到了優(yōu)勢互補的效果，如圖4(c)所示，既去除了較多陰影，又消除了孔洞，目標完整且邊緣平滑.圖4中(a)幀差法所得目標有“拖影”現(xiàn)象;圖(b)得到的目標較好.

圖3 單閾值法檢測結(jié)果Fig.3 Detecting results of single threshold method

圖4 各方法檢測結(jié)果Fig.4 Detecting results of other methods

4.2 分析對比

筆者主要從不同光照條件下的識別率、運行時間、幀頻幾方面來對比.分別在天氣晴朗和陰暗時采集同一時段同一路口的兩段交通視頻，檢測結(jié)果如表1所示.

由表1的對比可知:單閾值法和GMM方法受光照條件影響較大，而幀差法和本文算法受其影響較小.但相對而言，本文算法識別率較好.

表2為針對同一環(huán)境條件下幀頻不同的視頻流測試.由結(jié)果可知，GMM算法雖然識別效果也很好，但耗時長，不利于實時系統(tǒng).綜上表明，筆者給出的自適應雙閾值運動掩膜算法能夠更好地識別出運動車輛，適應性好，魯棒性高，更適合實時智能交通系統(tǒng).

表1 天氣晴朗和天氣陰暗時各算法的識別率Tab.1 Recognition rate of allmethods on sunny day and on cloudy day

表2 各算法不同幀頻下識別率和運行時間Tab.2 Recognition rate in different frame frequency and run time

5 結(jié)論

采用雙閾值運動掩膜算法檢測運動目標，在工程實踐中可實時更新背景、自動更新閾值;并結(jié)合雙閾值背景差法和數(shù)學形態(tài)學檢測運動目標，既能快速消除陰影，得到完整的目標，又能夠適應光照變化的影響.實驗結(jié)果已證明該算法具有很高的準確性和魯棒性.但在去除陰影方面，對陰影位置的準確檢測與消除，有待進一步提高.

［1］ YANG Zhi-qi.A new algorithm of background image extraction and update in the vehicle detection system［C］//2011 International Conference on Multimedia Technology(ICMT)， Guangzhou， China:IEEE press，2011:5238-5241.

［2］ KIMA K，CHALIDABHONGEB T H，HARWOODA D，et al.Real-time foreground-background segmentation using codebook model［J］.Real-Time Imaging，2005，3(11):172-185.

［3］ KORNPROBST P，DERICHE R，AUBERT G.Image sequence analysis via partial difference equations［J］.Journal of Mathematical and Vision，1999，11(1):5-26.

［4］ HOU Zhi-qiang，HAN Chong-zhao.A background reconstruction algorithm based on pixel intensity classification in remote video surveillance system［C］//Seventh International Conference on Information Fusion.Mountain View，CA，USA:International Society of Information Fusion，2004:754-759.

［5］ JIN Cheng-jun，CHANG Gui-ran，CHENG Wei，et al.Background extraction and updatemethod based on histogram in YCbCr color space［C］//IEEE Conference on E-Business and E-Government(ICEE)，Shanghai，China:ICEE press 2011:1-4.

［6］ HE Zhi-wei，LIU Ji-lin，LIPei-hong.New method of background update for video-based vehicle detection［C］//IEEE Conference on Intelligent Transportation Systems.Washington，WA，USA:IEEE press，2004:580-584.

［7］ WANG Feng，DAI Shu-guang.Adaptive background update based on mixture models of Gaussian［C］//IEEE Conference on Information and Automation(ICIA).Zhuhai，China:［s.n］，2009:336-339.

［8］ 徐曉夏，陳泉林.智能交通監(jiān)控系統(tǒng)中的自適應背景更新算法研究［J］.上海大學學報:自然科學版，2002，9(5):420-422.

［9］ GUPTE S，MASOUD O，MARIN R F K，et al.Detection and classification of vehicle［J］.IEEE Transactions on Intelligent Transportation System，2002，3(1):37-47.

［10］任朝棟，張全法，李煥，等.快速消除車輛陰影的多閾值圖像分割法［J］.應用光學，2010，31(6):961-964.