摘 要： 針對復(fù)雜環(huán)境中道路背景圖像的快速獲取問題，提出了一種快速有效的道路背景提取和更新算法。應(yīng)用改進的多幀平均算法提取背景，采用改進的Surendra算法對背景進行更新。實驗結(jié)果表明，該算法能夠減輕初始靜止車輛對背景建立的影響，能及時消除由于初始幀中目標移動而造成的鬼影，對光線變化魯棒性高、速度快、更新效果好。
關(guān)鍵詞： 背景提??；背景更新；幀間差分；背景差分
基于計算機視覺的運動目標檢測技術(shù)是智能交通領(lǐng)域的重要研究課題，有著廣闊的應(yīng)用前景。目前的運動目標檢測方法主要有光流法[1]、幀間差分法[2]和背景差分法[3-6]等。光流法計算復(fù)雜、抗噪性能差，需要強大的硬件支持。幀間差分法利用圖像視頻序列中相鄰幀圖像之間的差分來提取運動物體。該方法對場景變化不太敏感，穩(wěn)定性好，有較強的自適應(yīng)性，但一般不能完全提取出所有相關(guān)的特征像素點。背景差分法是目前運動目標檢測和分類中應(yīng)用較普遍的方法，其基本思想是用當前幀與背景圖像進行差分來提取運動目標，該方法能得到比較精確的運動目標信息，可保持目標的完整性。但實際場景中的道路背景不是一成不變的，如何有效地實現(xiàn)背景圖像的建立與更新是背景差分法的關(guān)鍵問題。
目前的道路背景建立算法主要有多幀平均法[4]、統(tǒng)計直方圖法[5]和高斯模型估計法[6]等。在這些方法中，背景初始化與背景更新采用相同的方法，雖然初始背景參考幀不會受到場景中運動目標的影響，但背景更新的速度受到牽制。背景建立過程中運算量較大，占用內(nèi)存時間長，當環(huán)境發(fā)生變化時，背景提取和更新達不到實時的理想效果。本文提出了一種將平均法與Surendra背景更新算法[7-8]相結(jié)合的背景提取及更新算法，實驗表明，該算法能夠快速獲取并保持較高質(zhì)量的背景圖像，具有較好的魯棒性和適應(yīng)性。
1 背景建立的基本方法
1.1 多幀平均法
多幀平均法（TABI）是一種經(jīng)典的背景提取及更新方法，其原理是統(tǒng)計圖像序列每一像素的灰度平均值作為背景像素的灰度值，用一定時間的序列圖像進行累加平均，運動區(qū)域的灰度偏差被消除，從而得到一個與當前靜態(tài)場景相似的背景圖像。按式（1）獲得背景圖像：
Surendra背景更新算法存在的問題是，若初始幀不是一個理想背景而是有運動物體存在，則在背景更新過程中會有“鬼影”車輛出現(xiàn)，導(dǎo)致后續(xù)的檢測工作出現(xiàn)嚴重偏差。使用含有運動車輛的道路背景進行車輛檢測，會產(chǎn)生不理想的甚至錯誤的分割結(jié)果。
2 改進的背景提取與更新算法
均值法參數(shù)少、速度快，背景建立受初始幀是否有靜止車輛影響小，但需要存儲大量樣本序列累計出背景圖像后才可得到理想的背景圖像。Surendra算法穩(wěn)定、實時地進行選擇性更新，但若初始幀含有運動車輛，則在更新過程中該運動物體變成靜止的“鬼影”車輛，嚴重影響檢測結(jié)果。本文將兩者結(jié)合起來，首先用改進的均值法進行背景粗提取消除連續(xù)“鬼影”，然后用改進的Surendra算法做背景更新，充分利用兩種方法的優(yōu)點，克服單一方法的不足。
2.1 背景粗提取
傳統(tǒng)的多幀平均法只是對每一像素在圖像序列中連續(xù)出現(xiàn)的灰度值做平均，導(dǎo)致在背景建立過程中混入運動車輛像素點留下的被“污染”痕跡。相比背景圖像，像素點在有車經(jīng)過時灰度變化較大，若用一定的閾值過濾掉一部分差異變化較大的點，則可以打亂被污染區(qū)域的連續(xù)性，之后利用車輛的物理特征，可實現(xiàn)在提取背景的過程中對車輛的檢測。背景粗提取算法步驟如下：
?。?）采用遞推公式求取k幀圖像的平均值MEANk：
2.2 背景更新
隨著時間的推移和光照以及一些不可預(yù)測的路面情況等外部條件的不斷變化，路面背景亮度發(fā)生緩慢或驟然的改變。如果一直用上述提取的背景做固定背景，隨著時間的延續(xù)，必然會造成越來越大的誤差。要保證系統(tǒng)長時間正常運行，需要適時地進行背景更新以保證背景圖像的準確性和實時性。
Surendra算法通過幀間差分圖像二值化后的空洞確定運動區(qū)域和非運動區(qū)域，但通常簡單的形態(tài)學二值化所確定的運動區(qū)域間斷而不完整，導(dǎo)致背景圖像被車輛間斷處的殘留“鬼影”所污染，因此需進一步處理二值化圖像。本文采用邊緣檢測與形態(tài)學運算相結(jié)合的辦法提取出更為準確的運動區(qū)域，從而提高背景更新的準確性。改進算法如下：
?。?）應(yīng)用Roberts算子對當前幀圖像做邊緣檢測，得到邊緣點集合SFk。
?。?）將當前幀與背景差分得到的運動區(qū)域bwk與邊緣點集合SFk作“或”運算，然后對“或”運算結(jié)果進行由上而下、由左至右的空洞填充，填充結(jié)束后去除不被利用的邊緣點集合，得到完整的運動區(qū)域R。過程如圖2所示。
背景檢測與更新技術(shù)在運動車輛檢測中具有重要作用。本文提出了一種新的道路背景提取與更新算法，該算法采用改進的均值法進行背景粗提取，應(yīng)用改進的Surendra算法做背景更新，能很好地適應(yīng)外界條件的變化，背景建立速度快、魯棒性強，具有較好的應(yīng)用價值。
參考文獻
[1] 王新余，張桂林.基于光流的運動目標實時檢測方法研究[J].計算機工程與應(yīng)用，2004（1）：43-46.
[2] STRINGA E， REGAZZONI C S. Real-time video-shot detection for scene surveillance applications[J].IEEE Transactions on Image Processing， 2000（1）：69-79.
[3] VERSAVEL J. Road safety through video detection[C].Proceedings of 1999 IEEE/IEEJ/JSAI International Conference on Intelligent Transportation Systems，1999：753-757.
[4] Wu Bingfei， JUANG J， TSAI Pingsung， et al. A new vehicle detection approach in traffic jam conditions[J].Computational Intelligence in Image and Signal Processing， 2007（3）：1-6.
[5] Chen B S， Lei Y Q.Indoor and outdoor people detection and shadow suppression by exploiting HSV color information[C]. The Fourth International Conference on Computer and Information Technology， Washington，DC，USA：IEEE Computer Society， 2004：137-142.
[6] STAUFFER C， ERIC W， CRIMSON L. Learning patterns of activity using real-time tracking[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22（8）：747-757.
[7] GUPTE S， MASOUND O. Detection and classification of vehicles[J]. IEEE Transaction on intelligent transportation systems，2002，3（1）：37-47.
[8] 王正勤，劉富強.自適應(yīng)背景提取算法的比較[J].計算機工程，2008，12（34）：220-223.
[9] 劉喆.基于計算機視覺的運動車輛檢測與跟蹤算法研究[D].北京：北京工業(yè)大學，2009.
[10] 袁偉才，徐向民.一種有效的動態(tài)背景提取及更新方法[J].計算機工程與應(yīng)用，2010，46（4）：191-192.
[11] 雷波，李清泉.復(fù)雜交通場景中車輛視頻檢測的背景提取與更新[J].武漢大學學報（信息科學版），2009，34（8）：906-909.