基于多通道背景提取算法的車輛檢測

周盛　王宵　王子豪　陶菁怡　邵葉秦　李澤慧　胡彬　陳錦花　王瓊

摘要：車輛檢測是智能交通中的一個基本問題。為了有效地檢測車輛，本文提出了基于多通道背景提取算法的車輛檢測方法。首先采用多通道灰度化預處理圖像，并分別建立相應的背景模型，接著衡量新像素點和背景模型的相似性，分類出前景和背景像素，然后運用形態(tài)學操作和區(qū)域標記法濾除噪聲，檢測出運動目標，并通過區(qū)域標記定位目標。本文從不同角度開展對比實驗，結果表明基于多通道背景提取算法的車輛檢測能夠有效提高車輛檢測的精確性和完整性。

關鍵詞：車輛檢測；多通道；前景融合；區(qū)域標記法

中圖法分類號 TP391.41 文獻標識碼： A 文章編號：1009-3044（2018）11-0203-04

Vehicle Detection Based on Multi-Channel Background Extraction Algorithm

ZHOU Sheng1，WANG Xiao2 ，WANG Zi-hao2 ，TAO Jing-yi2*，SHAO Ye-qin2，LI Ze-hui2 ，Hu Bin1 ，CHEN Jin-hua3，WANG Qiong4

（1.School of Computer Science and Technology， Nantong University， Nantong 226019， China；2.School of Transportation， Nantong University， Nantong 226019， China；3.Modern Education and Technology， Nantong University， Nantong 226019， China；4.School of Computer Science and Engineering， Nanjing University of Science and Technology， Nanjing 210094， China）

Abstract：Vehicle detection is a basic problem in intelligent transportation. To effectively detect vehicles， this paper proposes a vehicle detection method based on multi-channel background extraction algorithm. Firstly， the multi-channel gray-scale preprocessing images are used to establish the corresponding background model.Secondly， the similarity between the new pixel and the background model is measured， classifying the foreground and the background pixels. Finally，our method filters the noise by the morphological and regional markers， detects the moving target， and locates the target through the area marker. In this paper， extensive experiments are carried out. The experimental results show that vehicle detection based on multi-channel background extraction algorithm can effectively improve the accuracy and completeness of vehicle detection.

Key words： Vehicle detection； multi-channel； Foreground fusion； area marking method

隨著社會經(jīng)濟的快速發(fā)展，道路上汽車的數(shù)量不斷增加。機動車肇事逃逸、機動車逆行、機動車違停等交通違法行為顯著增加。為了杜絕上述違法行為的發(fā)生，公安部門在各個路口和關鍵地點安裝監(jiān)控，對車輛的異常行為進行記錄。目前，大部分網(wǎng)點還是采用人工方式檢查視頻中車輛的異常行為。因此，需要一種能自動從視頻中檢測目標（車輛）的方法，并在此基礎上進行車輛跟蹤和異常識別，最終檢測出車輛的違章行為。

在復雜環(huán)境下，有諸多因素影響著運動目標檢測的效果和質量，這給運動目標檢測帶來了很大的挑戰(zhàn)，也使復雜背景下的運動目標檢測成為研究熱點[1-5]。目前常用的運動目標檢測方法有光流法[6]，幀間差分法[7]，背景減除法[8，9]等。1） 光流法是在合適的平滑性約束條件下，根據(jù)圖像序列的時空梯度估算運動場，通過分析運動場的變化對運動目標和場景進行檢測與分割。這種方法檢測時間比較長，難以適用于實時檢測。2） 幀間差分法是在相鄰兩幀或者三幀間采用基于像素的圖像差分，通過閾值來提取圖像中的運動區(qū)域。這種方法實現(xiàn)容易，但是檢測顏色一致的物體時，目標內部會產(chǎn)生空洞。3） 背景減除法是通過建立真實有效的背景模型，將當前幀與背景圖像進行差分比較，從而實現(xiàn)對運動區(qū)域的檢測。這種方法中，背景模型的好壞直接影響運動目標檢測的效果。為了有效檢測運動目標，Oliver Barnich、Marc Van Droogenbroeck等[10-12]提出了一種基于概率統(tǒng)計的背景建模方法，即視覺背景提?。╒isual Background Extractor，Vibe）。該算法的主要思想是將圖像的像素點存儲在一個背景模型中，背景模型中每個像素是由該像素的歷史像素值組成，然后將新的像素和背景模型進行比較，進而判斷新的像素點屬于前景點還是背景點。Vibe算法簡單且便于實現(xiàn)，效果優(yōu)于幀間差分和光流法等算法，且能規(guī)避一些噪聲的影響。然而，Vibe算法是單通道的，會導致圖像顏色信息的丟失，在實際情況下會使前景和背景難以區(qū)分，影響前景目標的提取。

為了提取完整的前景目標，本文提出一種基于多通道背景提取算法（Vibe）的車輛檢測方法，提高運動目標檢測的完整性和精確性。

1基于多通道Vibe的車輛檢測

1.1問題定義和系統(tǒng)框架

本文提出了一個基于多通道Vibe的車輛檢測方法。方法首先讀取N幀視頻圖像，經(jīng)過預處理后得到R、G、B三個通道的灰度圖像，對三通道灰度圖像分別構建背景模型。接著，基于建立的背景模型，計算新像素與背景模型的相似度，從而檢測出前景和背景。最后，為了去除前景圖像中的干擾信息，使用腐蝕和膨脹操作消除較小的噪聲，使用面積閾值過濾較大的噪聲，獲得干凈的車輛圖像，并利用標記信息對車輛進行定位。為了保持背景模型的實時性，算法需要對R、G、B三通道背景模型進行不斷更新。

1.2圖像預處理

從監(jiān)控視頻中獲取的一般都是彩色圖像，為了充分利用各個通道的圖像信息，本文需要把原始的彩色圖像轉變成三個單通道的灰度圖像，分別建立背景模型。三個通道的灰度圖像如下：

[gkx，y=I（x，y，k）] （1）

其中[I（x，y，k）]為原來的彩色圖像在[（x，y）]處的第[k]個分量的像素值，[k]=R，G，B是分別對應的紅、綠、藍顏色分量。

1.3 背景模型的初始化和前景檢測過程

背景模型初始化需要通過一段視頻序列的學習來完成。本文的算法是把開始的N個連續(xù)的視頻圖像填充到背景模型的N個背景模板中完成初始化過程的。

前景目標（車輛）的檢測過程就是分類的過程。假設當前圖像在[（x，y）]處的像素值是[v（x，y）]，第[i]個背景模板在[（x，y）]處的樣本像素值定義為[vi（x，y）]。背景模型中[（x，y）]處所有背景模板的樣本點組成的集合為：

[Mx，y=v1x，y，v2x，y，...，vNx，y] （2）

當前圖像上的像素值[v（x，y）]需要依次與集合[M（x，y）]中的像素值在對應的顏色分量上計算距離，若距離小于給定的距離閾值nRadius，說明該像素與背景模型中某個背景模板上的樣本像素相匹配，在背景模型中與該像素對應的模板匹配數(shù)目P上加1。

[P=i=1Nδvi（x，y）-v（x，y）-nRadius] （3）

其中，[δz=1，z<00，z≥0]。背景模型中存儲的是背景模板。如果當前圖像上的像素與背景模板的匹配個數(shù)越多，那么該像素是背景點的可能性就越大。當匹配數(shù)目P大于一個給定閾值nThreshold時，則把[v（x，y）]分類為背景點，否則為前景點。

1.4 背景模型的更新

為了保證背景模型能夠適應不斷變化的外界環(huán)境，需要不斷地更新背景模型。本文采用的是無記憶更新策略和空間鄰域更新策略。

1）無記憶更新策略是一種保守更新策略。保守更新策略就是一旦某個像素點檢測為前景點，背景模型中對應的樣本像素永遠不被更新。無記憶更新策略的特點是通過等概率隨機密度函數(shù)更新樣本像素，不會機械的更新最舊的像素。這種隨機更新策略使得樣本值的生命周期呈現(xiàn)指數(shù)型衰減，在某一時刻t樣本像素不被更新的概率為（N-1）/N，在經(jīng)過[dt]時間過后，樣本像素不被更新的可能性是

[Pt，t+dt=N-1Nt+dt-t] （4）

從公式4可以知道，背景模板中的樣本像素是否被更新與時間t無關。在經(jīng)過一段時間之后，任何一個背景模板中的樣本像素都能得到及時的更新。

2）空間鄰域更新策略是依據(jù)像素在空間分布上具有一定的相似性，因此把新的像素更新到鄰域像素中。這種更新方法使得背景模型逐漸向外擴散，有利于處理鬼影等問題；同時也能保證在保守更新策略下，適應外界背景環(huán)境帶來的變化。假設[vi]是[M（x，y）]中的一個像素，每次更新像素的時候，從像素[vi]的八鄰域中隨機選取一個位置，并將其值更新為[vi]。

1.5 前景融合

上述操作可以為每個顏色通道檢測出相應的前景點信息。由于每個顏色通道中保存著不同的信息，因此我們需要融合三個得到的前景圖，方法如下：

[Fpro=2550][FR==255orFG==255orFB==255其他] （5）

其中[FR]、[FG]、[FB]分別代表R、G、B顏色通道上檢測到的前景圖像，[FPro]表示融合后的前景圖像。

融合策略既保留了每個通道中共有的前景點信息，又保留了每個通道特有的前景點信息。這樣保證本文方法檢測到的運動物體是完整的，但是也增加了不必要的干擾因素。

1.6 圖像數(shù)據(jù)的濾波去噪及車輛定位

由于外部因素的影響，在前景融合結果中通常含有噪聲點和誤檢點，運動目標的內部也容易出現(xiàn)斷裂和空洞等問題。為了進一步得到更加準確地檢測效果，算法需要過濾掉噪聲點、誤檢點和填充運動目標中黑洞。

運動目標和噪聲點的不同之處在于，運動目標區(qū)域表現(xiàn)為由若干連通的像素點組成的具有一定形狀的空間，而噪聲點則表示為相對孤立的像素點的較小集合。在前景融合圖像中，大部分椒鹽噪聲可以通過形態(tài)學中的腐蝕、膨脹方法濾除；另一部分較大的噪聲區(qū)域或誤檢點可以用區(qū)域面積閾值濾除。

由于圖像中也存在非機動車和行人，這里可以依據(jù)非機動車與行人在水平方向的投影寬度遠小于車輛這一特性來區(qū)分車輛、非機動車和行人。也就是說，當運動目標的水平寬度大于水平寬度閾值horizontal_width，認為該區(qū)域是車輛，并利用這個區(qū)域的外接矩形定位車輛，否則認為這個區(qū)域不是車輛，將其丟棄。通過區(qū)域標記，算法可以得到車輛的位置信息，從而為后續(xù)的目標識別和目標跟蹤提供依據(jù)。

2實驗結果和分析

2.1 實驗數(shù)據(jù)與參數(shù)確定

本文的實驗視頻是路口的實時交通監(jiān)控視頻，實驗視頻的分辨率為2048*1536，幀率24f/s。視頻中記錄了行人，機動車和非機動車。實驗硬件環(huán)境是一臺配有4G內存，Intel（R） Core（TM） i5 2.5GHz CPU的PC機，開發(fā)工具為VS2013+OpenCv2.4.9。

本文使用多通道背景提取算法完成運動目標的檢測。其中，背景模型樣本集N設為20。標記法中選擇一組標記像素Label為20到254。標記區(qū)域的面積閾值Area_threshold設為800。水平寬度閾值horizontal_width設為200。距離閾值nRadius設為30。匹配個數(shù)閾值nThreshold設為2。本文算法的準確率用正確分類百分比來衡量：

[PCC=TN+TPTN+TP+FN+FP] （6）

其中TP表示正確的前景像素點數(shù)目；FP表示誤檢的前景像素數(shù)目；TN表示正確背景像素數(shù)目；FN表示誤檢的背景像素數(shù)目。

2.2 實驗結果

為了評價多通道背景提取算法的有效性，我們將多通道背景提取算法、單通道（平均灰度圖像）背景提取算法在本文的算法框架下進行了對比實驗。本文算法（多通道）、本文算法（單通道）分別代表基于RGB多通道的背景提取算法、基于平均灰度圖像的單通道背景提取算法。從圖2中的綠色矩形可以看出，相對于單通道，多通道更好的保證運動目標的完整性，能更有效的檢測車輛。

為了衡量本文背景模型的優(yōu)點，我們又對比了單高斯背景模型和混合高斯背景模型。單高斯背景模型（全稱，GSM）是用單個高斯分布為圖像上的每個像素建立模型，利用高斯函數(shù)得到每個像素屬于前景的概率值，將其與概率閾值進行比較，確定前景和背景，并對背景模型上各點的高斯參數(shù)進行更新?；旌细咚贡尘澳Ｐ停ㄈQ，GMM）是單高斯背景模型（GSM）的擴展，不同之處在于，需要用多個高斯分布對每個像素建模，當前圖像中的每個像素與混合高斯模型進行匹配，判定是前景點還是背景點，并對背景模型上各點的高斯參數(shù)進行更新。單高斯背景模型（GSM）在前景檢測時，公交車能夠較好的檢測到，但周圍的建筑物、車道線和靜止的車輛被明顯的檢測前景，并帶有大量的噪聲，降低了檢測的精確性（如圖3（a）所示）。混合高斯背景模型（GMM） 未檢測到上下方向靜止的車輛；噪聲比單高斯背景模型有所減少；但公交車后方檢測不完整（如圖3（b）所示）。而本文的方法（如圖2（b）所示）有效減少噪聲和誤檢點的出現(xiàn)，并能完整的檢測運動物體。因此，由于多通道的方法和背景更新策略等因素，本文算法能夠適應光線帶來的干擾，還能夠有效抑制運動物體內黑洞的大小和陰影，保證了運動物體的完整性和精確性。

2.3算法效率分析

為了衡量算法的效率，本文對比了單高斯背景模型和多高斯背景模型。如表1所示，本文的算法效率高于其他兩個方法。

3結束語

本文提出了一種基于多通道Vibe的車輛檢測方法。首先提取RGB三通道圖像信息，接著運用Vibe算法檢測運動目標，利用形態(tài)學操作和區(qū)域面積法過濾噪聲，再通過標記定位車輛。實驗表明，基于多通道背景提取算法的車輛檢測方法有效提高了車輛檢測的準確性和完整性。該算法具有一定的魯棒性和適應性，可用于車輛的實際跟蹤和識別，具有一定的實用價值。

參考文獻：

[1] 閔衛(wèi)東， 郭曉光， 韓清. 改進的ViBe算法及其在交通視頻處理中的應用[J]. 光學精密工程， 2017， 25（3）：806-811.

[2] 魏洪濤， 李瑾， 吳細秀. 融合幀差和ViBe的運動目標檢測算法[J]. 計算機應用研究， 2017， 34（5）：1565-1567.

[3] Nie Y， Xiao C， Sun H， et al. Compact Video Synopsis via Global Spatiotemporal Optimization[J]. Visualization & Computer Graphics IEEE Transactions on， 2013， 19（10）：1664-76.

[4] Chakraborty S， Tickoo O， Iyer R. Adaptive Keyframe Selection for Video Summarization[C]. Applications of Computer Vision. IEEE on， 2015：702-709.

[5] Lu S P， Zhang S H， Wei J， et al. Timeline editing of objects in video[J]. IEEE Transactions on Visualization &ComputerGraphics;， 2013， 19（7）：1218-1227.

[6] 賴麗君， 徐智勇， 張栩銚. 應用于穩(wěn)像系統(tǒng)中的改進梯度光流法[J]. 紅外與激光工程， 2016， 45（4）：273-279.

[7] Li W， Yao J， Dong T， et al. Moving vehicle detection based on an improved interframe difference and a Gaussian model[C]. International Congress on Image and Signal Processing. IEEE， 2016：969-973.

[8] Ramya P， Rajeswari R. A Modified Frame Difference Method Using Correlation Coefficient for Background Subtraction[J]. Procedia Computer Science， 2016， 93：478-485.

[9] Cao L， Tang K， Feng Z. Moving Target Recognition under Static Background[C]. International Conference on Instrumentation and Measurement， Computer， Communication and Control. IEEE， 2014：117-120.

[10] Van Droogenbroeck M， Paquot O. Background subtraction： Experiments and improvements for ViBe[C]. Computer Vision and Pattern Recognition Workshops. IEEE， 2012：32-37.

[11] Barnich O， Droogenbroeck M V. Vibe：A Universal Background Subtraction Algorithm for Video Sequences[J]. IEEE Transactions on Image Processing，2011，20（6）：1709-1724.

[12] 李海波. 基于ViBe的改進運動目標檢測算法[J]. 圖像與信號處理，2017，06（1）：52-61.