楊燕妮，吳向前，劉鵬

(1.新疆大學電氣工程學院，新疆烏魯木齊830049；2.新疆大學信息科學與工程學院，新疆烏魯木齊830049；3.成都信息工程大學計算機學院，四川成都610225)

0 引言

隨著我國經(jīng)濟的發(fā)展，道路交通也進入高速發(fā)展的時代，汽車數(shù)目的快速增長給人們的生活帶來便利．與此同時，也帶來了如交通事故、交通擁堵等很多交通問題．而今，智能交通系統(tǒng)[1]已逐漸成為解決這些日益嚴峻的交通問題的重要手段．車輛檢測是智能交通系統(tǒng)中一個重要的研究內(nèi)容，處于系統(tǒng)的最底層，主要獲取車輛的形狀和位置等基本信息，為后續(xù)的識別、跟蹤等提供了可能性．因此，良好的車輛檢測技術(shù)對整個智能交通系統(tǒng)尤為重要．基于視頻的車輛檢測技術(shù)因為其成本低、適用廣、易維護等優(yōu)點在智能交通系統(tǒng)中得到越來越廣泛的應(yīng)用．當前，常用的基于視頻的車輛檢測算法有光流法[2]、幀間差分法[3]、背景差分法[4]．光流法計算復雜、實時性差，一般在實時檢測中應(yīng)用較少；幀間差分原理簡單、速度快，很難獲取完整的車輛目標，但可以與其它方法相融合來提高整體性能；背景差分法易于實現(xiàn)、魯棒性強，是目前車輛檢測的主要算法，建立一個良好的背景模型是背景差分法的關(guān)鍵．

車輛檢測場景具有背景變化、光照變化、影子、遮擋等特點，對檢測算法有實時性、準確性、魯棒性的要求．目前，根據(jù)不同的應(yīng)用場景有很多不同的背景建模方式．最常用的混合高斯模型[5]能較好的克服光照變化、背景中的樹枝晃動，可用于復雜場景下的背景建模，但該方法的計算復雜度較高、實時性差．

Kim等人提出的碼本模型算法，其基本思想是針對彩色視頻圖像，為每個像素建立一個由多個碼字組成的碼本模型，然后根據(jù)亮度范圍與顏色失真度對新輸入的像素點進行聚類，進而提取出前景目標[6]．該算法實時性與魯棒性較好，能夠解決復雜背景下的車輛檢測問題．文獻[7]提出基于YUV空間的碼本模型算法，相比傳統(tǒng)的RGB空間模型，其碼字描述更加簡單．文獻[8]提出基于Box模型的碼本算法，雖減少了內(nèi)存開銷，但同時也降低了檢測精度．本文結(jié)合像素的時域、空域信息[9]，采用YUV空間下的Box模型，對亮度信號Y建立背景的碼本模型，在此基礎(chǔ)上融入幀間差分，來解決復雜檢測場景下的實時性、準確性問題．

1 車輛檢測算法

車輛檢測算法的選取依據(jù)為場景特點、系統(tǒng)要求．復雜場景下的車輛檢測需要在傳統(tǒng)算法上根據(jù)實際要求進行改進．本文選擇背景差分法中的碼本模型和幀間差分法，并對兩種算法加以改進、進行融合．

1.1 背景差分法

背景差分法是常用的運動車輛檢測方法，其核心思想是將當前幀與背景模型進行差分，根據(jù)設(shè)定閾值得到運動車輛．該方法原理簡單，能得到比較精確的運動車輛信息，但易受光線、天氣等環(huán)境條件的影響．運用背景差分法進行前景檢測的步驟為：

（1）建立背景模型Bt(x,y)；

（2）進行背景差分，同時更新背景，設(shè)Ft(x,y)為當前幀，則差分結(jié)果如式(1)．

（3）分割出前景，即根據(jù)設(shè)定的閾值T，對差分結(jié)果進行二值化

1.2 幀間差分法

幀間差分是將相鄰兩幀相減得到兩幀圖像亮度差的絕對值，通過比較該差值與設(shè)定閾值T之間的大小來確定是否為前景，該部分與背景差分割前景的方法相同．該方法實現(xiàn)簡單，對場景變化的敏感度低，但不能提取前景的完整區(qū)域．設(shè)相鄰兩幀圖像分別為It(x,y)、It?1(x,y)，則幀差圖像Dt(x,y)為式(3)，

2 本文算法

YUV空間具有亮度分量Y和色度分量U、V相互獨立的優(yōu)點，為了提高車輛檢測速度，本文將彩色圖轉(zhuǎn)換為灰度圖，將灰度值作為YUV空間的Y分量進行處理．本文算法流程如圖1．運用碼本算法對運動車輛進行檢測包括背景建模和車輛檢測兩部分，建模過程中不能同時進行前景車輛檢測，而背景模型的好壞直接影響檢測效果．因此需要在保證建模質(zhì)量的同時提高建模速度．檢測部分包括前景分割與背景更新，背景更新采用一般的分層更新方法[10]．

2.1 建立碼本模型

2.1.1 融入幀間差分的碼本建模思想

傳統(tǒng)的碼本算法對圖片中包括前景目標在內(nèi)的每個像素建立碼本模，在訓練過程中再刪除前景目標和噪聲才得到背景碼本．本文通過幀間差分得到粗糙的背景，再將該背景運用碼本模型進行訓練最終得到精確碼本，該碼本適應(yīng)復雜的動態(tài)場景，并且提高了建模的實時性．

2.1.2 YVU空間下簡化的碼本模型

假設(shè)X={x1,x2,...,xN}是某像素的訓練序列，長度為N，其中，xi表示YUV顏色空間下像素的Y分量．定義C={c1,c2,...,cL}為該像素的碼本，包含L個碼字,每個碼本的碼字不一定相同．每個碼字定義為ci={Ymax,Ymin,fi,λi,tlast}，其中，Ymax，Ymin為像素的最大和最小值，f為碼字出現(xiàn)的頻率，λ為學習期間碼字沒有再次出現(xiàn)的最大時間間隔，tlast為碼字最后一次匹配的時間．

2.1.3 碼本模型訓練

像素碼本構(gòu)建完成之后對其進行訓練，碼本模型的訓練步驟可總結(jié)如下：

（1）碼本初始化，即L=0，c=0;

（2）N幀的背景訓練.

圖1 本文算法流程

定義背景訓練的學習邊界Low和High，初始化為像素碼字最大和最小值．新的像素訓練過程中，若某像素的像素值在學習邊界內(nèi)，即滿足學習邊界公式(4)則認為該像素找到匹配的碼字，更新該碼字，并調(diào)整Ymax和Ymin使元素包含在碼本中．

a.若碼本為空或不存在匹配的碼字，則按照下式創(chuàng)建新碼字cL．

b.若碼本不為空，且存在匹配的碼字cm，則將其更新為：

（3）初始背景構(gòu)造

訓練結(jié)束后的碼本中存在少量的噪聲和前景碼字，根據(jù)背景碼本碼字出現(xiàn)的間隔時間短的特點，可以通過計算λ，消除冗余碼字，以得到純凈的背景碼本M．

其中，C表示訓練得到的初始碼本，TM表示碼字相鄰兩次出現(xiàn)時間間隔的閾值，一般取為訓練幀數(shù)的一半．

2.2 融合分塊幀差的車輛檢測

車輛檢測視頻圖像中只有出現(xiàn)運動車輛的區(qū)域才會出現(xiàn)大的灰度變化，而該區(qū)域占圖像的總面積較小，圖像中的大部分區(qū)域是保持不變或緩慢變化的．為了提高檢測精度而又不影響效率，可以通過分塊幀差[11]獲取車輛的大概位置，進而將該位置的像素送入訓練好的碼本模型進行匹配，最終確定該像素是否為前景車輛．

2.2.1 分塊幀差確定車輛大概位置

將幀間差分得到灰度圖Dt(x,y)分成不重復的l個子塊，每個子塊包括m?n個像素，設(shè)視頻圖像每幀的大小為M?N，則第k個子塊表示為其中p=1,2,··,int(M/m)，q=1,2,···,int(N/n)．T為設(shè)定的前景像素檢測閾值，對于每個子塊中的每個像素點的灰度值Dt(x,y)(x=(p?1)m+1,(p?1)m+2,···,pm;y=(q?1)n+1,(q?1)n+2,···,qn)與閾值T比較，若滿足Dt(x,y)>T，則認為是前景像素點，該子塊的前景像素點個數(shù)加1，若其達到設(shè)定的前景像素個數(shù)閾值TH，則認定該子塊為前景目標．閾值T、TH的取值很關(guān)鍵，取值過大會造成前景像素點的漏檢，由于該步是對前景的粗提取，閾值可以適當設(shè)置小一點把運動區(qū)域放大得到一個粗略的前景車輛目標．

2.2.2 粗略前景像素的碼本模型匹配

根據(jù)背景建立階段訓練得到的碼本上下邊界Ymax和Ymin，可以確定碼本模型檢測階段的上下范圍，進而確定輸入的像素采樣值與碼本是否匹配，若匹配則為背景，否則為前景．具體匹配條件如下式：

其中，minMod和maxMod為偏移量，檢測中應(yīng)調(diào)整其值以達到最好的前景分割．

圖2為運動車輛經(jīng)過粗、細兩步分割的效果圖，原始視頻分辨率320*240，子塊大小為10*10，閾值T=20，TH=5，minMod=maxMod=20．圖2(a)是當前幀，圖2(b)是分塊幀差提取的粗略前景，圖2(c)是最終的精確前景．從最終分割結(jié)果來看，本文所采取融入分塊幀差的檢測方法可以獲得良好的檢測結(jié)果．

圖2 車輛檢測結(jié)果

3 實驗結(jié)果與分析

本文實驗環(huán)境為：Intel Core i5-4590S 3.00GHZ、內(nèi)存8GB、Windows 7操作系統(tǒng)，編程環(huán)境為Vs2010、OpenCV2.4.9．通過三段經(jīng)典視頻驗證本文算法的有效性，視頻一為道路視頻，背景中存在下方草坪和樹枝晃動干擾、中央護欄上光線的漫反射干擾，視頻分辨率320*240；視頻二場景中存在幅度較大的樹枝晃動和光線局部變化，視頻分辨率768*576；視頻三場景中光線逐漸變亮，房屋窗戶上有光線反射，分辨率768*576．對三段視頻分別運用混合高斯模型（MOG）算法、RGB空間碼本算法及本文算法進行比較．

圖3為視頻一的第226幀，該時刻右上角有兩個前景融為背景，一個車輛開始緩慢移動．試驗結(jié)果表明，MOG算法在道路中央護欄位置及車輛邊緣有很多噪聲信號；原碼本算法對前景融為背景和左側(cè)樹枝晃動的情況產(chǎn)生誤判；本文算法能夠較好的克服光照變化和背景晃動的干擾，同時避免了融入背景的誤判，提取目標更加精確．圖4為視頻二的第304幀，從檢測結(jié)果可以看出，MOG效果最差；原始碼本算法依然沒有完全克服樹枝晃動干擾，但前景車輛提取準確完整；本文算法準確的檢測出了運動車輛，對干擾的敏感度較低，但對下方車輛的檢測出現(xiàn)小塊空洞，這與檢測過程中的粗分割閾值選取有關(guān)．圖5為視頻三的第666幀，由圖可得，MOG檢測結(jié)果較差，原始碼本算法對窗戶的反射光線產(chǎn)生誤檢，本文算法可跟隨光線的變化，檢測效果較好．

圖3 視頻一檢測結(jié)果

圖4 視頻二檢測結(jié)果

圖5 視頻三檢測結(jié)果

最后給出這幾種車輛檢測算法處理時間上的比較，結(jié)果如表1．可以看出本文算法在碼本模型訓練速度上有較大的提高，檢測時間與RGB空間碼本算法相比略有提高．

表1 處理速度比較 單位：幀/s

4 結(jié)束語

本文根據(jù)車輛檢測場景較為復雜的特點，通過比較三種常用運動車輛檢測算法的優(yōu)缺點，確定采用對環(huán)境具有更強適應(yīng)性的背景差分法作為本文車輛檢測的主要算法，幀間差分法作為提高整體性能的補充算法．在此基礎(chǔ)上，針對常用的混合高斯模型計算復雜、實時性差等問題，引入Kim等人提出的碼本模型作為本文的背景建模方法，針對已有的基于Box模型的改進碼本算法所存在的檢測精度低等問題，采用對YUV空間下的亮度分量建立碼本模型．實驗結(jié)果表明，本文算法提高了碼本模型的訓練速度和檢測的準確性，增強了算法對環(huán)境的適應(yīng)性．同時實驗發(fā)現(xiàn)，算法中分塊幀差的閾值對檢測結(jié)果有一定影響，為進一步提高本算法的檢測性能，在未來的工作中將進一步研究閾值的自適應(yīng)選?。?/p>

參考文獻：

[1]Venetianer P L,Deng H.Performance evaluation of an intelligent video surveillance system–A case study[J].Computer Vision and Image Understanding,2010,114(11):1292-1302.

[2]YIN Bo,QI Wenjuan,WEI Zhiqiang,et al.Indirect human activity recognition based on optical f l ow method[C].Proc of the 5th International Congress on Image and Signal Processing,2012:99-103.

[3]趙欽君,趙東標,陸永華.一種基于時空信息的多目標檢測新算法[J].儀器儀表學報,2011,32(4):877-882.

[4]WANG Jianlin,YANG Yinsheng.A moving object detection algorithm based on background subtraction model[C].Proc of the 3rd IEEE International Conference on Information Management and Engineering,2011:3273-3276.

[5]CHEN Xiaorong,XI Chuanli,CAO Jianhui.Research on moving object detection based on improved mixture Gaussian model[J].Optik-international Journal for Light and Electron Optics,2015,126(20):2256-2259.

[6]Kim K,Chalidabhongse T H,Harwood D,et al.Real-time foreground–background segmentation using codebook model[J].Real-time Imaging,2005,11(3):172-185.

[7]齊美彬，楊愛麗，蔣建國，等.一種基于改進碼本的車輛檢測與跟蹤方法[J].中國圖象圖形學報,2011,16(3):406-412.

[8]YAN Dan,YU Qiang,Wang Minghui.Real-Time Objects Detection Using Layered Codebook Model[J].Advanced Materials Research,2013,694:1937-1944.

[9]許倫輝,卜文萍,陳衍平,等.基于幀差法和背景差法融合的車流量檢測方法[J].計算機仿真,2012,29(2):353-357.

[10]GUO Jingming,LIU Yanfei,Hsia C H,et al.Hierarchical method for foreground detection using codebook model[J].Circuits and Systems for Video Technology,2011,21(6):804-815.

[11]高美鳳,劉娣.分塊幀差和背景差相融合的運動目標檢測[J].計算機應(yīng)用研究,2013,30(1):299-302.