改進的高斯背景建模在車輛檢測中的應(yīng)用

李 鴻 熊金艷

(長沙理工大學(xué)電氣與信息工程學(xué)院 長沙 410114)

0 引 言

運動檢測是智能交通的關(guān)鍵問題，主要的車輛檢測方法有背景差分法、路面標(biāo)記法、基于邊緣信息的車輛檢測算法、幀差法。背景差分法的缺點是在實際情況下，環(huán)境光線的變化和陰影的變化具有隨時性，使得理想背景很難一次得到。路面標(biāo)記法的缺點是需要在路面上畫上標(biāo)記，而道路上的標(biāo)記并不允許隨意添加的，所以在系統(tǒng)的安裝上有很大的局限性。基于邊緣信息的車輛檢測算法的缺點是需要提取階躍狀或屋頂狀的邊緣，階躍狀邊緣兩邊像素的灰度值顯得不同，屋頂狀邊緣處于灰度值由小到大再到小的變化轉(zhuǎn)折點，而實際圖像比較復(fù)雜，并且存在噪聲，這些給邊緣檢測帶來很多困難。幀差法可以通過連續(xù)幀圖像之間變化確定圖像序列有無運動，考慮到本文檢測的是實時情況下運動車輛，因此采用此方法與高斯背景建模相結(jié)合來獲取背景圖像，對于場景內(nèi)的每一個像素點進行判斷。

本文主要針對實時情況下運動車輛，由于受到天氣、道路環(huán)境等各方面的影響，要實現(xiàn)對運動車輛的精確檢測，其算法要滿足以下要求:

(1)能適應(yīng)環(huán)境中光線的變化，如太陽光光照的變化和道路兩旁路燈開關(guān)的變化

(2)能排除場景中一些背景像素的輕微擾動，如樹葉的擺動、攝像頭的輕微顫抖等。

(3)能適應(yīng)場景中物體的變化，如車輛的移入移出。

1 初始背景幀的獲取

1.1 基于統(tǒng)計直方圖法和多幀圖像平均值法的背景提取算法

背景圖像是固定攝像機情況下非常重要的信息數(shù)據(jù)，所以在車輛檢測中需要對背景圖像進行提取。目前常用的背景提取的方法有:統(tǒng)計直方圖法和多幀圖像平均值法。

(1)統(tǒng)計直方圖法

統(tǒng)計直方圖法是考慮到路面上同一點被相同亮度的車輛長時間覆蓋的可能性很小，所形成的亮度不一樣的可能性較大，通過統(tǒng)計一段時間內(nèi)各個像素點上不同亮度出現(xiàn)的次數(shù)，其中出現(xiàn)次數(shù)最多的即直方圖中最大值就是路面本身的亮度值，該算法的缺點是計算量較大，且隨著統(tǒng)計幀數(shù)的增加，得到的背景效果并不顯著。

(2)多幀圖像平均法

多幀圖像平均值法是利用車輛運行一段時間的序列圖像進行平均而得到道路背景圖像，該表達式為:

式中:Background(x，y)表示背景圖像，imagei(x，y)表示第i 幀序列圖像，N 表示平均幀數(shù)。該算法的特點是模型簡單，計算方便。

1.2 基于高斯建模的背景提取算法

由于本文所研究的場景環(huán)境具有背景隨車輛移動而改變、攝像頭固定、光照等引起的背景變化比較明顯的特點，使用高斯背景建模的方法來獲取初始背景幀，即假設(shè)像素值服從某種分布模型對每一個像素利用高斯模板建模，并認(rèn)為其服從均值μ 和標(biāo)準(zhǔn)方差δ 的獨立高斯分布。通過一段時間的訓(xùn)練獲得其參數(shù)并不斷更新，據(jù)此更新背景圖像來獲得初始背景幀。

在高斯模型中對于一個背景圖像，其特定像素亮度的分布滿足高斯分布，即背景圖像IB(x，y)點的亮度滿足:

其中參數(shù)μ 和δ 分別為背景模型的每個像素的平均值和方差。

建立背景模型算法的步驟:

(1)初始化背景模型

用第一幀的該像素點的灰度值作為均值μ，將標(biāo)準(zhǔn)方差設(shè)為0.

(2)背景模型的更新

用如下公式進行判斷:

T 為閾值，當(dāng)F 小于T 時，則該點被判定為運動前景點，否則認(rèn)為該點與高斯分布相匹配，為場景背景像素點。

(3)像素點參數(shù)的更新

隨著時間的變化，背景圖像也會發(fā)生緩慢的變化，這時要不斷更新每個像素點的參數(shù)。更新的算法可以表示為:

式中:α 是更新系數(shù)，0 ＜α ＜1。

圖1 為采用MATLAB 編程的方法得到的背景圖像。

圖1 背景圖像的獲取

2 車輛檢測中所采用的圖像去噪技術(shù)

通過實驗可以發(fā)現(xiàn)，僅僅通過上述算法還不能得到非常理想的結(jié)果，必須在此基礎(chǔ)上對數(shù)字圖像進行必要的合適的平滑去噪。此過程主要是要選擇合適的濾波器以及在數(shù)學(xué)形態(tài)學(xué)處理中選擇合適的結(jié)構(gòu)元素。

2.1 濾波器的選擇

圖像常會受到噪聲的污染，常見的噪聲有椒鹽噪聲、脈沖噪聲、高斯噪聲等。椒鹽噪聲含有隨機出現(xiàn)的黑白強度值;脈沖噪聲只含有隨機的白強度值(正脈沖噪聲)或黑強度值(負(fù)脈沖噪聲);與前兩者不同，高斯噪聲含有強度服從高斯或正太分布的噪聲。

線性濾波器去除高斯噪聲的效果很好，且在大多數(shù)情況下，對其他類型的噪聲也有很好的效果。線性濾波器使用連續(xù)窗函數(shù)內(nèi)像素加權(quán)和來實現(xiàn)濾波。高斯濾波器是一類根據(jù)高斯函數(shù)的形狀來選擇權(quán)值的線性平滑濾波器，其用途是信號的平滑處理。數(shù)字圖像在后期應(yīng)用中，噪聲是最大的問題，使用高斯濾波器可以得到信噪比較高的圖像。由于誤差是會累計傳遞的，因此需要先對圖像做高斯平滑濾波、剔除噪聲。

其編程運算實際上就是一個模板運算，使用圖像的N連通區(qū)域，是一種領(lǐng)域運算，即輸出圖像中任何像素的值都是通過采用一定的算法，根據(jù)輸入圖像中使用像素周圍一定領(lǐng)域內(nèi)像素的值得來的。

經(jīng)過高斯濾波器處理，結(jié)果如圖2 所示。

圖2 高斯濾波后圖像

2.2 結(jié)構(gòu)元素的選擇

在使用形態(tài)學(xué)處理時，結(jié)構(gòu)元素的選擇是其中的關(guān)鍵，不同的結(jié)構(gòu)元素對于同一幅圖像會得到截然不同的效果。因此，需要根據(jù)所需要處理的圖像特點來選擇相應(yīng)的結(jié)構(gòu)元素。

形態(tài)學(xué)運算的目的在于提取圖像的相關(guān)結(jié)構(gòu)，結(jié)構(gòu)元素的形態(tài)和尺寸決定了形態(tài)學(xué)處理的效果。任何形狀都可以作為結(jié)構(gòu)元素，但在實際應(yīng)用中，只有一定數(shù)量的結(jié)構(gòu)元素可用，通常結(jié)構(gòu)元素的形狀和尺寸必須適合待處理目標(biāo)圖像的幾何性質(zhì)，首先，形態(tài)學(xué)變換通常是利用對稱結(jié)構(gòu)元素進行運算的。當(dāng)結(jié)構(gòu)元素非對稱時，運算的結(jié)果一般會產(chǎn)生偏移。例如線段結(jié)構(gòu)元素，若它的原點在中點則為對稱結(jié)構(gòu)，若原點在端頭則為非對稱結(jié)構(gòu)。其次，需要選擇合適的結(jié)構(gòu)元素形狀。結(jié)構(gòu)元素可以為圓盤形、長方形、多邊形、線段形等。圓盤形結(jié)構(gòu)元素是各向同性的，因此可以得到與方向無關(guān)的運算結(jié)果，長方形、多邊形可以看作是圓盤形的變異。線段形結(jié)構(gòu)元素可以用來去除或提取較長的圖像結(jié)構(gòu)。不同形狀的結(jié)構(gòu)元素運算結(jié)果會有差異，應(yīng)針對待處理圖像的幾何形狀進行選擇。當(dāng)確定了結(jié)構(gòu)元素的形狀后，結(jié)構(gòu)元素的尺寸是至關(guān)重要的。當(dāng)結(jié)構(gòu)元素尺寸太小時，閉運算不能實現(xiàn)裂口較大的斷裂邊緣連接，作開運算時不能實現(xiàn)較大凸起與粘連的去除;當(dāng)結(jié)構(gòu)元素尺寸太大時，閉運算時目標(biāo)之間會互相干擾，造成過度粘連，開運算時會造成假斷裂。

利用數(shù)字形態(tài)學(xué)對所得檢測結(jié)果進行去噪處理，濾波方式與結(jié)構(gòu)元素不同，所得到的效果也不同。因此在試驗中要通過分析與計算來確定最終的選擇方式。

3 結(jié) 論

本文提出了基于實時環(huán)境背景下運動車輛檢測的算法，根據(jù)視頻監(jiān)控的實際場景條件，選擇幀差法對高斯背景建模進行改進，來檢測車輛的運動情況，并采用高斯濾波器和形態(tài)學(xué)運算對含有噪聲的原始背景圖像進行處理，得到平滑的背景圖像。將采用高斯背景建模法所得的實驗效果與常用的統(tǒng)計直方圖法和多幀平均法進行了對比，證明了其優(yōu)越性和有效性。

［1］劉亞，艾海舟，徐光佑.一種基于背景模型的運動目標(biāo)檢測與跟蹤算法［J］.信息與控制，2002，31(4):315-319.

［2］Z.Sun，R.Miller，G.Bebis，et al.real-time precrash vehicle detection system［C］.Proceedings of the Sixth IEEE Workshop on Applications of Computer Vision，2002:101-106.

［3］楊帆.數(shù)字圖像處理與分析［M］.北京:北京航空航天大學(xué)出版社，2007.

［4］羅小蘭.視頻跟蹤中的背景建模［D］.長沙:國防科技大學(xué)，2007.

［5］賈云得.計算機視覺［M］.北京:科學(xué)出版社，2000.

［6］楊超，劉建偉，曹泉，等.基于高斯背景模型的視頻車輛跟蹤方法［J］.微計算機信息，2009，25(5-3):271-272.

［7］周兵.運動目標(biāo)檢測及其在視頻監(jiān)控中的應(yīng)用［D］.北京:北京航空航天大學(xué)，2003.

［8］張陽，陳小惠.基于K-粒子濾波和邊緣檢測的圖像目標(biāo)跟蹤研究［J］.光學(xué)與光電技術(shù)，2007，5(5):85-90.