黃志成 胡永贊

（南京信息工程大學(xué)，江蘇 南京210044）

1 概述

隨著我國(guó)經(jīng)濟(jì)的不斷發(fā)展以及科學(xué)技術(shù)的進(jìn)步，對(duì)于交通網(wǎng)絡(luò)的監(jiān)控日益完善，交通視頻設(shè)備在很多的路口完成了部署，為很多技術(shù)的研究提供了數(shù)據(jù)支撐，例如車(chē)輛檢測(cè)、軌道預(yù)測(cè)、定位分析等等[1]，通過(guò)這些技術(shù)可以挖掘出交通網(wǎng)絡(luò)中的特征信息，為完善交通以及交通策略的制定提供輔助作用。

車(chē)輛檢測(cè)的目的是從交通視頻中提取車(chē)輛信息[2]，其中亟待解決的問(wèn)題是交通視頻中的遮擋物，當(dāng)進(jìn)行車(chē)輛檢測(cè)時(shí)，遮擋物的存在會(huì)對(duì)車(chē)輛檢測(cè)準(zhǔn)確率產(chǎn)生較大的影響。傳統(tǒng)ViBe算法在動(dòng)態(tài)目標(biāo)檢測(cè)中容易出現(xiàn)鬼影區(qū)域[3]，針對(duì)該問(wèn)題本文提出一種改進(jìn)的ViBe 算法，通過(guò)對(duì)背景建模的改進(jìn)，提高其魯棒性。

2 車(chē)輛動(dòng)態(tài)目標(biāo)檢測(cè)研究

針對(duì)傳統(tǒng)ViBe 算法在動(dòng)態(tài)目標(biāo)檢測(cè)中容易出現(xiàn)鬼影區(qū)域，本文通過(guò)對(duì)背景模型的改進(jìn)來(lái)解決該問(wèn)題，具體流程如下圖1所示。首先對(duì)基于傳統(tǒng)ViBe 算法的背景模型進(jìn)行改進(jìn)；然后加入Ostu 算法對(duì)圖像進(jìn)行分割；接著對(duì)圖像進(jìn)行濾波處理，最后進(jìn)行實(shí)驗(yàn)仿真模擬。

圖1 車(chē)輛動(dòng)態(tài)目標(biāo)檢測(cè)流程圖

2.1 基于改進(jìn)的ViBe 算法的背景模型

首先要對(duì)背景模型進(jìn)行初始化，模型公式為：

其中，Vn是M(x)的鄰域隨機(jī)取樣，n 一般取20。

其中，nummin是固定閾值，取為2。

圖2 ViBe 算法前景檢測(cè)

當(dāng)樣本的個(gè)數(shù)大于閾值時(shí)，即像素點(diǎn)是背景點(diǎn)；當(dāng)樣本的個(gè)數(shù)小于閾值時(shí)，即像素點(diǎn)是前景點(diǎn)。背景模型進(jìn)行更新的策略是：傳統(tǒng)的ViBe 算法使用的是無(wú)記憶采樣模式，特點(diǎn)是具有隨機(jī)性。當(dāng)v(x)被認(rèn)定為背景點(diǎn)時(shí)，即對(duì)樣本進(jìn)行更新，當(dāng)v(x)被認(rèn)定為前景點(diǎn)時(shí)，模型不變化。當(dāng)背景樣本更新時(shí)，每一個(gè)背景點(diǎn)都具有 1/φ 的更新概率，與此同時(shí)具有相同概率 1/φ去更新周邊相鄰像素點(diǎn)的樣本值。根據(jù)像素值特有的空間傳播性質(zhì)，若一樣本值M 在特定的T 時(shí)刻不被更新的概率為(N-1) / N，則在dt 時(shí)間后，保留原樣本值的概率為：

傳統(tǒng)ViBe 算法在創(chuàng)建背景模型時(shí)會(huì)出現(xiàn)鬼影區(qū)域[4]。然而當(dāng)前景檢測(cè)時(shí)，由于外部環(huán)境在不停得變化，若采用固定閾值來(lái)判別目標(biāo)，會(huì)降低車(chē)輛檢測(cè)的準(zhǔn)確率。因此需要對(duì)算法進(jìn)行改進(jìn)：采用選取前20 幀中的奇數(shù)幀進(jìn)行與、或運(yùn)算方式建立背景模型。

樣本集為：

對(duì)兩幀像素相差較大的圖像進(jìn)行與運(yùn)算：

通過(guò)上述操作，獲得背景模型。

2.2 圖像分割

本文前景檢測(cè)本文對(duì)傳統(tǒng)固定閾值區(qū)分背景區(qū)域和前景區(qū)域的方法進(jìn)行改進(jìn)，采用Otsu 算法計(jì)算類間最大方差來(lái)獲取最佳分割閾值[5]。分割閾值 T = k ,0 ＜ k ＜ L -1。

Otsu 算法原理如下：

接著遍歷所有灰度級(jí)的分割閾值T，得到1 個(gè)最大方差Topt，即最優(yōu)閾值。在這個(gè)過(guò)程中，閾值選取尤為重要，而Otsu 對(duì)光照、噪聲及目標(biāo)大小非常敏感，由于外界環(huán)境經(jīng)常發(fā)生改變，而此時(shí)閾值并不合適當(dāng)前的環(huán)境，從而會(huì)導(dǎo)致目標(biāo)圖像錯(cuò)誤得檢測(cè)為背景圖像。因此本文采用Otsu 進(jìn)行二次判別，用來(lái)降低Otsu 的誤檢率。首先，計(jì)算ViBe 被判定為前景的置信度；同時(shí)計(jì)算Otsu 的前景置信度；最后，比較Otsu 算法和ViBe 算法的前景置信度。

2.3 圖像濾波

首先假設(shè)原始圖像為A，濾波后的圖像為B，約束條件是圖像像素強(qiáng)度和圖像梯度函數(shù)。

上式中，β 和 χ 是用來(lái)調(diào)節(jié)u 和h 與B 和 ?B的相似度的參數(shù)。

對(duì)于上式的求解，應(yīng)用l1正則優(yōu)化問(wèn)題來(lái)解決，固定B 和u，則原目標(biāo)函數(shù)可簡(jiǎn)化為關(guān)于h 的最小化問(wèn)題，

也就是，

同理可解決關(guān)于u 的最小化問(wèn)題。將u 和h 帶入式（11），求解濾波模型的最終解析解B，來(lái)獲得濾波后的圖像。

3 實(shí)驗(yàn)結(jié)果

為了表征算法的性能特征，利用召回率Re、精確度Pre、綜合評(píng)價(jià)指標(biāo), FM 作為算法的評(píng)價(jià)指標(biāo)。其中，F(xiàn)M 是衡量算法性能的整體性指標(biāo)；Re 是衡量檢測(cè)前景像素點(diǎn)覆蓋有效點(diǎn)的標(biāo)準(zhǔn)；Pre 表示前景像素分割的精準(zhǔn)度。

其中，TP 表示將正類預(yù)測(cè)為正類，TN 將負(fù)類預(yù)測(cè)為負(fù)類數(shù)，F(xiàn)P 將負(fù)類預(yù)測(cè)為正類數(shù)誤報(bào)，F(xiàn)N 將正類預(yù)測(cè)為負(fù)類數(shù)，也就是漏報(bào)，P=TP+FN，R=FP+TN。表1 是算法的性能指標(biāo)對(duì)比。

表1 算法性能指標(biāo)

由表1 可得，改進(jìn)算法在主要3 個(gè)指標(biāo)Pre、FM、Re 上都有較好的表現(xiàn)；傳統(tǒng)算法在車(chē)輛動(dòng)態(tài)目標(biāo)檢測(cè)時(shí)較差；與之相比，改進(jìn)算法可得到更優(yōu)的數(shù)據(jù)指標(biāo)，可以有效解決鬼影區(qū)域。

4 結(jié)論

針對(duì)傳統(tǒng)ViBe 算法在動(dòng)態(tài)目標(biāo)檢測(cè)中容易出現(xiàn)鬼影區(qū)域，本文提出一種改進(jìn)的ViBe 算法，在進(jìn)行與、或運(yùn)算以獲得背景模型時(shí)，以多幀圖像代替原有的單幀圖像；緊接著加入Otsu 算法，分別計(jì)算兩者的前景置信度，雙重判定并計(jì)算出圖像最佳分割閾值。然后對(duì)圖像進(jìn)行分割處理，再進(jìn)行濾波處理，最后對(duì)提出的算法進(jìn)行仿真模擬，結(jié)果表明改進(jìn)的算法在Re、Pre、FM這三個(gè)重要指標(biāo)中都有更加優(yōu)異的表現(xiàn)。

隨著人工智能的不斷發(fā)展，充分利用機(jī)器學(xué)習(xí)以及深度學(xué)習(xí)的方法進(jìn)行車(chē)輛動(dòng)態(tài)目標(biāo)的檢測(cè)也越來(lái)越廣泛，并且準(zhǔn)確率以及魯棒性更高，因此下一步的研究會(huì)集中在利用機(jī)器學(xué)習(xí)以及深度學(xué)習(xí)算法進(jìn)行動(dòng)態(tài)目標(biāo)的檢測(cè)。