邵 毅，溫 艷，曹吉花

宿州學(xué)院煤礦機(jī)械與電子工程研究中心，安徽宿州，234000

?

基于混合高斯模型的運(yùn)動車輛檢測

邵 毅，溫 艷，曹吉花

宿州學(xué)院煤礦機(jī)械與電子工程研究中心，安徽宿州，234000

以高斯混合背景模型為基礎(chǔ)，對視頻中的圖像進(jìn)行背景建模。然后利用開運(yùn)算進(jìn)行噪聲消除，最后對處理后的圖像進(jìn)行Blob分析完成背景和前景的提取，從而實(shí)現(xiàn)對行駛汽車的檢測和數(shù)量統(tǒng)計(jì)。視頻由固定相機(jī)在路口采集，為驗(yàn)證算法的的有效性，采用MATLAB中計(jì)算機(jī)視覺工具箱對采集視頻進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，此算法對交通路口車輛的檢測和計(jì)數(shù)準(zhǔn)確性，并具有一定的魯棒性。

高斯混合模型；背景模型；汽車檢測

視頻智能監(jiān)控技術(shù)作為智能交通系統(tǒng)的核心技術(shù)之一，主要任務(wù)就是對行駛汽車的檢測，檢測結(jié)果可為交通監(jiān)測、控制、分析、決策、調(diào)度，以及車輛追蹤和解決交通擁堵問題等提供重要的依據(jù)[1]。這種檢測計(jì)數(shù)的關(guān)鍵是克服環(huán)境光線變化、相機(jī)抖動、信號噪聲等干擾對背景提取的影響，而準(zhǔn)確高效的背景提取是分離前景和背景的基礎(chǔ)[2]。高斯混合模型(Gaussian Mixture Model,GMM)對光線變化較大以及噪聲較多的圖片背景的高效處理，可以順利地在檢測前期完成對行駛中汽車的背景進(jìn)行提取，為分離前景和背景以及完成檢測計(jì)數(shù)的穩(wěn)定性、準(zhǔn)確性和實(shí)時(shí)性提供有效保障。

1 行駛汽車檢測算法設(shè)計(jì)

本算法首先利用GMM完成背景建模、再利用形態(tài)學(xué)的開運(yùn)算進(jìn)一步去噪，最后采用Blob分析法分離前景和背景，完成行駛車輛的檢測，最后統(tǒng)計(jì)車輛數(shù)目并顯示。

1.1 背景建模算法

先將采集視頻中的圖像幀進(jìn)行預(yù)處理后得到對應(yīng)的灰度圖像，為找出圖像的幀內(nèi)和幀間信息以提取背景。目前使用較多、算法相對簡單，且實(shí)時(shí)性行較高的是背景差分法。該方法可以較好地克服環(huán)境光線變化、相機(jī)抖動、汽車運(yùn)動、信號噪聲對背景提取的影響，其中建立在背景差分法上的高斯模型對克服上述影響比較有效。

單高斯模型(Single Gauss Model,GSM)是將圖像幀中的各像素點(diǎn)建立一個(gè)高斯模型，然后利用連續(xù)的多個(gè)圖像幀來持續(xù)更新、完善這個(gè)模型，使之更接近真實(shí)狀況，最后將接下來的圖像幀和訓(xùn)練后模型進(jìn)行對比，區(qū)分出背景和前景，從而實(shí)現(xiàn)背景提取。實(shí)際行駛車輛的圖像幀中像素點(diǎn)變化很多源自干擾，所以GSM極易產(chǎn)生提取背景失真。而GMM是使用多個(gè)GSM連續(xù)對圖像幀中像素點(diǎn)進(jìn)行建模，然后按權(quán)重合成一個(gè)概率分布函數(shù)，函數(shù)值越大就越可能成為背景[3-4]，從而較好地克服背景失真。GMM算法描述如下：在圖像幀中位置為X的像素點(diǎn)I在視頻幀序列中的取值為{x1,x2,x3,x4,…,xn}，在時(shí)間T建立該像素點(diǎn)的GMM，其概率分布函數(shù)如(1)式。

(1)

(2)

式中，μ和σ2表示GMM的均值和協(xié)方差，I為該點(diǎn)像素值。若該像素點(diǎn)在T個(gè)標(biāo)準(zhǔn)偏差內(nèi)則匹配，如(3)式：

(3)

則模型參數(shù)更新，如(4)式、(5)式。

μt,x,i=(1-ρ)μt-1,x,i+ρ(It,x)

(4)

(5)

ρ表示GMM的學(xué)習(xí)率，它控制著μ和σ2的收斂與否，以此判定該像素點(diǎn)是作為背景還是前景。

1.2 噪聲消除算法

在高速行駛車輛的視頻圖像中，圖像的退化主要來源是各種環(huán)境噪聲，為提高背景模型提取的真實(shí)有效性，在提取過程中，必須進(jìn)行去噪處理。隨著各種算法的出現(xiàn)和發(fā)展，圖像去噪方法越來越多，其中較為簡單有效的是數(shù)學(xué)形態(tài)學(xué)，它的思想是定量使用集合理論來描述圖像中的幾何結(jié)構(gòu)。這種方法以集合作為基本運(yùn)算單元，包括膨脹和腐蝕兩個(gè)基本運(yùn)算。設(shè)A為圖像幀集合，B為圖像幀的像素點(diǎn)，用B對A進(jìn)行操作：A用B來膨脹，如(6)式。A用B來腐蝕，如(7)式。

(6)

(7)

一般將圖像幀的集合A先腐蝕后膨脹稱之為開運(yùn)算，如(8)式。

A°B=(AΘB)⊕B

(8)

形態(tài)學(xué)的開運(yùn)算具有良好的并行結(jié)構(gòu)，可以在簡化圖像數(shù)據(jù)的同時(shí)保持圖像的基本結(jié)構(gòu)特性，去除與之不相干的結(jié)構(gòu)元素，提取后圖像邊沿比較平滑，且對圖像的面積影響較小。為提升檢測方法的魯棒性，對圖像幀進(jìn)行開運(yùn)算去噪。

1.3 基于Blob分析的車輛檢測

Blob分析的目的是將去噪后的灰度圖像進(jìn)行分割，得到前景和背景。灰度值一致區(qū)域如果是連通的，則稱為一個(gè)Blob。Blob分析是將圖像中相同部分(前景)的像素通過灰度值標(biāo)識出來。Blob分析廣泛地應(yīng)用于缺陷檢測、區(qū)域分類、感興趣區(qū)域提取和區(qū)域特征分析等方面，其主要流程如圖1所示。

圖1 Blob分析流程

圖像的特征分割由兩步構(gòu)成：進(jìn)一步去噪的中值濾波；利用圖像直方圖的閾值處理。這里的特征是指不依賴圖像灰度值的幾何特征。通過查找連通域，最后得到Blob塊[5]。

經(jīng)過背景提取、去噪以及Blob分析后，視頻的隨后圖像幀即可與背景模型進(jìn)行對比，然后判斷圖像是前景還是背景，進(jìn)而完成計(jì)數(shù)。這樣，對視頻中的隨后圖像幀，根據(jù)計(jì)算出的前景模型，使用減背景提取前景的方式即可完成行駛車輛的檢測和計(jì)數(shù)。

2 實(shí)驗(yàn)結(jié)果

所使用的視頻文件在206國道宿州段汴河大橋采集，avi格式，分辨率1280*720，碼率1461 Kbps。采用MATLAB 2014a提供的計(jì)算機(jī)視覺工具箱(Computer Vision Tool Box)進(jìn)行處理。

2.1 前景提取

首先，將監(jiān)控?cái)z像頭拍攝的視頻導(dǎo)入，然后初始化前景檢測器。主要程序如下：使用MATLAB中Computer Vision Tool Box提供的前景檢測函數(shù)vision.ForegroundDetector。

圖2 輸入視頻的一幀圖像

圖3 前景提取圖像

foregroundDetector=vision.ForegroundDetector(′NumGaussians′,3,…

′NumTrainingFrames′, 60);

videoReader=vision.VideoFileReader(′traffic.avi′);

for i=1:150

frame=step(videoReader);%read the next video frame

foreground=step(foregroundDetector,frame);

end

figure;imshow(frame);title('Video Frame');

2.2 在初始化的視頻幀中進(jìn)行車輛檢測

對圖像幀進(jìn)行去噪，采用vision.BlobAnalysis函數(shù)進(jìn)行檢測，用綠色框?qū)z測到的汽車進(jìn)行標(biāo)記，在畫面的左上角顯示計(jì)數(shù)值。其中strel函數(shù)是形態(tài)學(xué)操作函數(shù)，主要代碼如下。

se=strel(′square′, 3);

filteredForeground=imopen(foreground,se);

figure;imshow(filteredForeground); title(′Clean Foreground′);

blobAnalysis=vision.BlobAnalysis(′BoundingBoxOutputPort′,true,…

′AreaOutputPort′,false,′CentroidOutputPort′,false,…

′MinimumBlobArea′,150);

bbox=step(blobAnalysis, filteredForeground);

result=insertShape(frame,′Rectangle′,bbox,′Color′,′green′);

numCars=size(bbox,1);

result=insertText(result,[10 10],numCars,′BoxOpacity′,1,…

′FontSize′,14);

figure;imshow(result);title(′Detected Cars′);

圖5 檢測結(jié)果

圖4 前景去噪圖像

處理結(jié)果如圖4、圖5所示。根據(jù)訓(xùn)練的模型，可以對剩下的圖像幀作持續(xù)檢測。表1是在206國道宿州段汴河大橋南出口和宿州市雪楓公園南門公園路口采集視頻中車輛檢測結(jié)果，汴河大橋出口交通環(huán)境簡單，環(huán)境光線變化較少，檢出率為76.2%；而同樣是相同時(shí)段在宿州市雪楓公園南門公園路口，由于環(huán)境相對復(fù)雜，周圍樹木、行人、廣告牌等導(dǎo)致環(huán)境光線變化的干擾因素較多，車輛檢出率降低，為63.5%。

表1 車輛檢出率

3 結(jié) 語

本文在利用GMM對運(yùn)動目標(biāo)的背景提取進(jìn)行分析時(shí)，提出了一個(gè)先進(jìn)行GMM分析，再進(jìn)行形態(tài)學(xué)去噪，最后查找Blob塊的方法，以此來獲取采集視頻圖像中的背景和前景，完成行駛汽車的檢測。最后采用MATLAB的計(jì)算機(jī)視覺工具箱，依照設(shè)計(jì)方法對固定相機(jī)采集的道路車輛視頻進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)針對前60幀圖像進(jìn)行檢測，進(jìn)而對監(jiān)控視頻中的其余視頻繼續(xù)檢測。結(jié)果顯示：當(dāng)環(huán)境光線穩(wěn)定，運(yùn)動目標(biāo)所占圖像面積40%以上時(shí)，檢測結(jié)果準(zhǔn)確穩(wěn)定。由于采用的GMM模型雖然在前景分割較為準(zhǔn)確，但是處理數(shù)據(jù)量大，當(dāng)視頻的背景比較復(fù)雜時(shí)，收斂速度降低，易出現(xiàn)檢測錯(cuò)誤。此外，該算法的運(yùn)行所占用系統(tǒng)資源過大，耗時(shí)長，容易影響計(jì)數(shù)的實(shí)時(shí)性。因此，在實(shí)際應(yīng)用時(shí)還應(yīng)進(jìn)一步根據(jù)環(huán)境具體特征對其算法進(jìn)行改進(jìn)，以適應(yīng)復(fù)雜的交通條件下視頻監(jiān)控中車輛的檢測。

[1]Raad Ahmed Hadi,Ghazali Sulong,Loay Edwar George.Vehicle Detection and Tracking Techniques: A Concise Review[J].Computer Science,2014,5(1):1-12

[2]符笛.基于背景建模的車輛檢測算法研究[D].合肥:中國科學(xué)技術(shù)大學(xué)信息科學(xué)技術(shù)學(xué)院,2015:1-3

[3]蔡英鳳,王海,張旭.面向復(fù)雜道路場景的視覺車輛檢測算法[J].科學(xué)技術(shù)與工程,2015,15(20):84-88

[4]Daniel Ponsa,Joan Serrat,Antonio M.Lo pez.Onboard image-based vehicle detection and tracking[J]. Transactions of the Institute of Measurement and Control,2011,33(7):783-805

[5]張瑜慧,吳江梅.基于高斯混和模型與Blob分析的人手定位[J].科學(xué)技術(shù)與工程,2013,13(31):9371-9374

(責(zé)任編輯：汪材印)

2016-08-20

安徽省教育廳自然科學(xué)研究重點(diǎn)項(xiàng)目“基于WinCC及PLC的無極繩連續(xù)牽引車綜保系統(tǒng)研究”(KJ2015A200)；宿州學(xué)院產(chǎn)學(xué)研合作培育項(xiàng)目“無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)非接觸供電技術(shù)研究”(2014cxy02)。

邵毅(1983-)，安徽蚌埠人，碩士，講師，主要研究方向：數(shù)字圖像處理，機(jī)器視覺。

10.3969/j.issn.1673-2006.2016.11.028

TP391.41

A

1673-2006(2016)11-0105-03