尹金楷

（三門峽職業(yè)技術學院，河南 三門峽 472000）

引言

隨著“城市大腦”在越來越多城市中運用，智能交通系統(tǒng)在緩解交通擁堵方面發(fā)揮著重要的作用，檢測具有大量運動車輛和其他困難條件的視頻序列中的運動目標是一項基本且困難的任務。一種常見的方法是基于背景提取，它從輸入視頻幀中識別與背景模型明顯不同的運動對象。提取一個好的背景有許多挑戰(zhàn)。我們提出的方法能夠基于同態(tài)濾波器處理光照變化。使用組織圖學使背景模型對背景的變化如車輛的啟動和停止作出積極的反應。此外，對樹葉擺動、雨雪、車道、陰影等靜止物體的識別，可以使背景模型更加魯棒，也可以減少處理時間。所提出的方法是簡單有效的，從簡單的技術到更復雜的概率建模技術。通過與一些基本的和復雜的概率算法的比較，該算法已經在繁忙的交通和其他困難條件場景中被成功地測試。

1 背景提取算法現狀

視頻監(jiān)控系統(tǒng)中的車輛檢測與跟蹤是計算機視覺領域的一個具有挑戰(zhàn)性的問題，在交通分析、安全等領域有著重要的應用。許多方法都是通過使用背景減法來提供當前圖像的完整特征。背景圖像越精確，運動檢測越精確。背景圖像描述場景中的靜止部分?；诒尘埃梢酝ㄟ^從當前幀中減去運動目標并對結果進行閾值處理來識別運動目標。屬于運動物體的像素應該明顯偏離背景。結果是圖像的二值分割，突出了非靜止物體的區(qū)域。

Gupte等人[1]使用幀差迭代方法提取背景圖像。他們首先計算一個二進制運動掩模，這是兩個連續(xù)幀的相減。在這兩幀之間具有不同顏色值的任何像素都被認為是運動物體的一部分。運動模型[2]用于通過濾除運動物體來從交通圖像中提取背景圖像。在處理一系列幀之后，可以提取整個背景圖像。該方法使用更多的參數和幀來提取初始化的背景。自動前景[3]（通常是非零值的像素）分割是系統(tǒng)最關鍵的部分之一。這個過程的目的是從背景中識別運動中的物體。一旦識別，就可以為每個對象獲取其他交通參數，如位置、方向、軌跡和速度。然而，由于室外場景環(huán)境的變化，該過程容易受到幾個因素的影響。這些因素包括光線和陰影隨時間的變化、樹木、電線、電線桿等造成的物體遮擋。Stauffer[4]提出了一種使用高斯混合模型（MoG）的自適應背景建模技術。每個像素由高斯混合模型模擬，以處理強度變化。由于模型適應緩慢，它對光照條件的突然變化很敏感，例如移動云可能導致的光照變化。在我們的系統(tǒng)中，使用了Haritaoglu[5]提出的背景建模。為了區(qū)分運動像素和靜止像素，首先對視頻的幾個部分應用逐像素中值濾波，物體(運動中)的強度增加或減少很明顯。因此，通過選擇該像素隨時間的中值來利用這一事實。這給了我們沒有任何運動物體的背景圖像，具有所有像素的中值的結果圖像是提取的背景圖像。

2 背景減除模型

本文提出了一個穩(wěn)健的背景減除模型，在可接受的處理時間內處理緩慢移動的物體的漸變光照。首先，基于同態(tài)濾波器，該模型能夠適應光照變化。其次，為了減少處理時間，我們提出的方法只關注運動目標，同時通過使用運動區(qū)域中每個像素的直方圖來提高背景圖像的準確性。該方法不僅能解決困難條件下場景中逐漸變化的光照，而且在可接受的處理時間內，對物體運動緩慢的繁忙交通場景也顯示出很強的有效性。它克服了場景復雜時道路背景提取困難或者提取結果失真的弊端，能在較短的時間內提取出準確性較高的背景，而且能夠消除光照和噪聲對于背景的影響，為后續(xù)的車輛檢測提供了很好的基礎。

通過將如下所述的靜態(tài)背景與每個輸入視頻幀進行比較來提取前景。無論輸入像素與相應的背景估計是否有顯著差異，像素都被識別為前景：

基于歸一化統(tǒng)計量的另一種常見前景檢測方案定義如下：

其中，It(x,y)是t時刻的輸入視頻幀，B(x,y)是從我們的背景模型中提取的靜態(tài)背景。μd和σd是It(x,y) ?B(x,y)處像素的平均值和標準差。實驗給出了前景閾值Ts和T。實驗在視頻幀序列中進行測試，顯示了在繁忙的交通場景中捕獲的748幅真彩色圖像。通過前景檢測結果的比較，可以看到該方法優(yōu)于其他傳統(tǒng)的減法。所提出的方法處理光照變化的能力也適用于各種困難條件場景和不同的白天時間。

3 實驗結果

根據實驗，通過使用定義的兩個信息檢索度量，即查全率和查準率，給出了準確性比較，可以通過與基本事實的匹配來確定每種方法的好壞。此外，實時應用中的另一個重要指標是處理時間。作為比較表，雖然屬于時間級別組的方法是具有理想處理時間的非常簡單的算法，但是它們不能在某些特定情況下呈現高檢測結果，例如具有緩慢對象的繁忙交通。像素級組中的其他方法顯示了它的高精度檢測模型，但在實時應用中處理時間不足。同時，我們提出的方法是可以接受的，748幀的平均處理時間約為300 s。

圖1 初始背景圖

圖2 初次提取背景圖

4 結論

對于場景復雜的道路，提取背景相對比較困難，我們提出了一種穩(wěn)健的背景減除方法，用于運動目標檢測應用。背景模型中的同態(tài)濾波和直方圖使用之間的組合以可接受的時間處理來處理照明變化。實驗結果表明，該方法在各種困難的交通條件下簡單有效。我們已經考慮了為幀中的每個像素自發(fā)選擇閾值的機制。