黃志成 胡永贊
(南京信息工程大學(xué),江蘇 南京210044)
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。
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
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。
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。
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。
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。
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)。