摘  要： 為了從具有運動物體前景的公路監(jiān)控視頻中提取出初始背景，提出一種基于模糊聚類識別的背景建模算法。利用模糊聚類識別方法從時間軸上總體呈多相似值分布的像素點中提取出背景子類，實現(xiàn)背景初始化。結(jié)果表明，該方法具有良好的適應(yīng)性，能有效地對背景進行初始化，可以顯著降低目前動態(tài)背景建模方法的計算量和內(nèi)存需求量，易于在實時嵌入式系統(tǒng)上實現(xiàn)。
關(guān)鍵詞： 背景建模；模糊聚類；車輛視頻檢測

　智能交通系統(tǒng)是未來交通系統(tǒng)的發(fā)展方向，其能實時、準確、高效地綜合利用交通信息為人們的生產(chǎn)生活提供便利。高速公路常用的車流檢測方法主要有空氣管道檢測、檢測環(huán)檢測和視頻檢測。視頻檢測可實時地收集交通信息并具有方便、有效等獨特的優(yōu)勢，已逐漸成為交通信息采集領(lǐng)域的主流技術(shù)之一。作為視頻檢測的一個重要部分，近年來，國內(nèi)外許多專家學者對視頻中的背景提取進行了比較深入的研究，并提出了許多不同的算法。其中，時間平均法、中值法、平滑檢測法[1]、一致性判別法[2]、局部光流法[3]、隱馬爾可夫模型法[4]等背景初始化算法主要考慮的是像素的時間與空間特性初始化背景。時間平均法和中值法算法雖然結(jié)構(gòu)簡單，易于實現(xiàn)，但當公路車輛飽和度較大時，提取出的背景中會出現(xiàn)殘影問題。平滑檢測法、一致性判別法、局部光流法和隱馬爾可夫模型法實現(xiàn)時運算量大，在嵌入式系統(tǒng)上運行時很難滿足實時交通檢測的要求。雖然高斯模型[5]、混合高斯模型[6-7]等背景建模方法，能對前景物體有效檢測，但這些模型均是建立在初始化背景為不包含運動前景訓練序列的條件下的，因此增加了運用條件，從而導致此類背景模型很難適用于公路上車流不斷的實際應(yīng)用場合。
　由于在嵌入式設(shè)備上要實時運行視頻車檢算法，背景建模算法的時間復雜度和空間復雜度受到了嚴格的限制。因此有必要找到一種適當?shù)墓芬曨l的背景建模方法，該方法既可以滿足后續(xù)視頻車檢算法的要求，又可以在嵌入式系統(tǒng)有限的資源上實時運行。針對這一情況，本文根據(jù)公路視頻的特點，提出了基于模糊聚類的動態(tài)建模方法。首先，根據(jù)公路視頻中每個像素點灰度值與時間呈現(xiàn)的特性，將每個像素點在一段視頻序列中的灰度值用模糊聚類方法分成若干個子類，然后通過每個聚類中心對應(yīng)像素點隸屬度之和確定背景子聚類，最后將背景子聚類的聚類中心設(shè)為該點背景。
1 背景初始化模型
　在嵌入式系統(tǒng)上運行動態(tài)背景建模，要克服動態(tài)建模算法中計算量和內(nèi)存用量大的缺點，本文提出的基于模糊聚類的動態(tài)建模方法是根據(jù)這樣一個條件：在公路監(jiān)控視頻中，以時間軸為參照，視頻中各個像素點的取值應(yīng)該為多聚類分布形式，如圖1和圖2所示。每個子類代表在觀察的時間段內(nèi)出現(xiàn)最多的像素集合。Grimson用假設(shè)每個子類為高斯分布形式來建立背景模型，但實際上并非所有的背景都滿足該假設(shè)。因此，本文用模糊聚類的方法來描述各個子類，即不考慮每個子類的分布形式，只要像素點的觀察值與某個子類的中心距離小于規(guī)定的閾值，則該像素就屬于這個子類。像素點值在YUV空間，只對比亮度向量Y。因此在一定學習時間內(nèi)，從訓練所得到的若干聚類子類，其中包含了背景子類、車輛子類和陰影子類等。依照高速路車輛通行及飽和度的特點，在車輛飽和度小于50%的情況下，各子類中隸屬度之和最大的子類應(yīng)為背景子類。算法將采集一段視頻訓練序列中像素的灰度值，用模糊聚類方法將像素點的一組灰度值分成若干個子序列，然后分別對每個子類樣本對于相應(yīng)的聚類中心隸屬度進行相加，得到隸屬度之和最大的子聚類。將其作為背景子類，并將其子聚類的聚類中心設(shè)為該像素點的背景值，實現(xiàn)背景初始化。

2 背景建模算法
　為了獲得聚類子集，設(shè)公路視頻的前200幀圖像為背景訓練幀，從中采集每個像素在每一幀的灰度值，表示為{xi|i=1，2，3，…，n}。將n個像素灰度值分為c個模糊聚類組，各組采用模糊劃分，初始化隸屬矩陣Uij(Uij允許取值在0~1之間的元素)。并且根據(jù)歸一化規(guī)定，一個像素點集的隸屬度總和等于1：

用式(2)計算出c個像素點聚類中心ci，i=1，…，c。由于隸屬度關(guān)系矩陣式隨即初始化，得到一組聚類中心。因此，用這組聚類中心計算價值函數(shù)，再根據(jù)價值函數(shù)的值判斷聚類中心正確與否。若價值函數(shù)大于設(shè)定的閾值，則確定聚類完成，否則重新計算。

　背景建模算法實質(zhì)是模糊聚類的迭代計算過程，最終求出每組的聚類中心，使得非相似性指標的價值函數(shù)取其最小值。再設(shè)Pi為第i子聚類內(nèi)所有像素點隸屬度之和，則Pi可以表示為：

　公路視頻的特點是：背景點應(yīng)將Pi值最大的聚類組設(shè)為背景組，該組的聚類中心設(shè)為該像素點的背景灰度值。
3 實驗結(jié)果與分析
　實驗中選取了昆明市東三環(huán)高速路作為訓練視頻序列，車流處于通暢狀態(tài)。本實驗采用YUV格式視頻，從每5幀中抽取1幀作為背景初始化算法樣本進行訓練，用200幀采集樣本作為訓練序列。為了說明本算法的性能，將本文算法與中值法、分矩陣法進行比較，其結(jié)果如圖4所示。

　從圖4可以看出，本文算法與中值法和分矩陣法相比，能夠在較少的訓練幀數(shù)內(nèi)對視頻背景進行有效的初始化。分矩陣法受其參數(shù)設(shè)置影響很大，其中矩陣的大小選取以及特征值閾值的確定和視頻有很高的耦合度，而且在前景頻繁出現(xiàn)的區(qū)域，通過200幀訓練后仍然無法確定背景中所有子矩陣，直到500幀訓練后才能獲取有效的背景，本算法比分矩陣法具有更好的通用性。若在公路車輛飽和度小于50%的情況下200幀內(nèi)獲取有效背景，圖片中的中值法在進行200幀訓練時有明顯的殘影遺留，而本文算法不會出現(xiàn)此類問題。實驗結(jié)果表明，本文算法能在200幀內(nèi)對快速路的背景進行有效的初始化。
　本文提出一種基于模糊聚類的背景初始化算法，首先基于模糊聚類思想將像素點灰度值分成若干個子類，然后通過每個聚類中心對應(yīng)像素點隸屬度之和確定背景子聚類，最后將背景子聚類的聚類中心設(shè)為該點背景。本方法的適用條件為：(1)訓練序列中公路車輛飽和度小于50%；(2)訓練序列中背景比較穩(wěn)定。實驗結(jié)果表明，該方法能夠有效地從高速路監(jiān)控視頻中進行實時背景初始化，并具有良好的魯棒性，可有效去除高頻率出現(xiàn)前景物體的影響，實現(xiàn)公路車輛飽和度小于50%的背景初始化，可以滿足交通流檢測的實時性要求。同時，該方法可實現(xiàn)視頻監(jiān)控的背景初始化。目前大部分嵌入式設(shè)備中整數(shù)除法和浮點運算是以軟件形式實現(xiàn)，而本文算法實質(zhì)是模糊聚類的迭代計算，在計算子類聚類中心和隸屬度時需要進行多次除法運算和浮點運算而大大增加了處理器的運算量，從而影響了整個視頻車檢算法功能實現(xiàn)的效率。因此，建議在訓練視頻中增加一個簡單分類算法，將灰度值保持穩(wěn)定的像素點和不穩(wěn)定的像素點區(qū)分出來，本算法只處理灰度值不穩(wěn)定的像素點，以降低算法的計算量，提高系統(tǒng)整體效率。另外，本算法對于滿足正態(tài)分布的數(shù)據(jù)聚類效果很好，但對孤立點是敏感的。所以當公路視頻中噪聲較大時，本算法效率將大大降低，這一點還需要進一步改進。
參考文獻
[1] WANG H Z， SUTER D. A novel robust statistical method for background initialization and visual surveillance[C]. // Computer Vision-Accv 2006， Pt I， Berlin： Springer-Verlag， 2006： 328-337.
[2] GUTCHESS D， TRAJKOVIC M， COHEN S E. A background model initialization algorithm for video surveillance [M]. Vancouver， Bc Institute of Electrical and Electronics Engineers Inc， 2001：733-740.
[3] MARCO C M B， VITTORIO M. Multi-level background initialization using hidden Markov models[C]. First ACMSIGM M International Workshop on Video Surveillance， 2003：11-20.
[4] ANDREA C A F， VITTORIO M. Background initialization in cluttered sequences[J]. Computer Vision and Pattern Recognition Workshop， 2006， 36(6)：993-997.
[5] WREN C R， AZARBAYEJANI A， DARRELL T， et al.Pfinder： real-time tracking of the human body[J]. IEEE Transactions on Pattern Analysis and Machine Intel-Ligence， 1997，19(7)：780-785.
[6] STAUFFER C， GRIMSONW E L. Adaptive background mixture models for real-time tracking[J].Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition， 1999(2)： 246-252.
[7] LONG W， YANG Y H. Stationary background generation： an alternative to the difference of two images[J]. Pattern Recognition， 1990， 23(12)： 1351-1359.
[8] 李志慧，張長海，曲昭偉，等．交流視頻檢測中背景模型與陰影檢測算法[J]．吉林大學學報(工學版)，2006，36(6)：993-997.