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(jìn)的多幀平均算法提取背景，采用改進(jìn)的Surendra算法對背景進(jìn)行更新。實(shí)驗(yàn)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(shí)消除由于初始幀中目標(biāo)移動(dòng)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(jì)算機(jī)視覺的運(yùn)動(dòng)目標(biāo)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(yùn)動(dòng)目標(biāo)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(jì)算復(fù)雜、抗噪性能差，需要強(qiáng)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(yùn)動(dòng)物體。該方法對場景變化不太敏感，穩(wěn)定性好，有較強(qiáng)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(diǎn)。背景差分法是目前運(yùn)動(dòng)目標(biāo)檢測和分類中應(yīng)用較普遍的方法，其基本思想是用當(dāng)前幀與背景圖像進(jìn)行差分來提取運(yùn)動(dòng)目標(biāo)，該方法能得到比較精確的運(yùn)動(dòng)目標(biāo)信息，可保持目標(biāo)的完整性。但實(shí)際場景中的道路背景不是一成不變的，如何有效地實(shí)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(jì)直方圖法[5]和高斯模型估計(jì)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(huì)受到場景中運(yùn)動(dòng)目標(biāo)的影響，但背景更新的速度受到牽制。背景建立過程中運(yùn)算量較大，占用內(nèi)存時(shí)間長，當(dāng)環(huán)境發(fā)生變化時(shí)，背景提取和更新達(dá)不到實(shí)時(shí)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(shí)驗(yàn)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(jì)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(shí)間的序列圖像進(jìn)行累加平均，運(yùn)動(dòng)區(qū)域的灰度偏差被消除，從而得到一個(gè)與當(dāng)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(gè)理想背景而是有運(yùn)動(dòng)物體存在，則在背景更新過程中會(huì)有“鬼影”車輛出現(xiàn)，導(dǎo)致后續(xù)的檢測工作出現(xiàn)嚴(yán)重偏差。使用含有運(yùn)動(dòng)車輛的道路背景進(jìn)行車輛檢測，會(huì)產(chǎn)生不理想的甚至錯(cuò)誤的分割結(jié)果。
2 改進(jìn)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(chǔ)大量樣本序列累計(jì)出背景圖像后才可得到理想的背景圖像。Surendra算法穩(wěn)定、實(shí)時(shí)地進(jìn)行選擇性更新，但若初始幀含有運(yùn)動(dòng)車輛，則在更新過程中該運(yùn)動(dòng)物體變成靜止的“鬼影”車輛，嚴(yán)重影響檢測結(jié)果。本文將兩者結(jié)合起來，首先用改進(jìn)的均值法進(jìn)行背景粗提取消除連續(xù)“鬼影”，然后用改進(jìn)的Surendra算法做背景更新，充分利用兩種方法的優(yōu)點(diǎn)，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(yùn)動(dòng)車輛像素點(diǎn)留下的被“污染”痕跡。相比背景圖像，像素點(diǎn)在有車經(jīng)過時(shí)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(diǎn)，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(shí)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(shí)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(shí)間的延續(xù)，必然會(huì)造成越來越大的誤差。要保證系統(tǒng)長時(shí)間正常運(yùn)行，需要適時(shí)地進(jìn)行背景更新以保證背景圖像的準(zhǔn)確性和實(shí)時(shí)性。
Surendra算法通過幀間差分圖像二值化后的空洞確定運(yùn)動(dòng)區(qū)域和非運(yùn)動(dòng)區(qū)域，但通常簡單的形態(tài)學(xué)二值化所確定的運(yùn)動(dòng)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(jìn)一步處理二值化圖像。本文采用邊緣檢測與形態(tài)學(xué)運(yùn)算相結(jié)合的辦法提取出更為準(zhǔn)確的運(yùn)動(dòng)區(qū)域，從而提高背景更新的準(zhǔn)確性。改進(jìn)算法如下：
?。?）應(yīng)用Roberts算子對當(dāng)前幀圖像做邊緣檢測，得到邊緣點(diǎn)集合SFk。
?。?）將當(dāng)前幀與背景差分得到的運(yùn)動(dòng)區(qū)域bwk與邊緣點(diǎn)集合SFk作“或”運(yùn)算，然后對“或”運(yùn)算結(jié)果進(jìn)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(diǎn)集合，得到完整的運(yùn)動(dòng)區(qū)域R。過程如圖2所示。
背景檢測與更新技術(shù)在運(yùn)動(dòng)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(jìn)的均值法進(jìn)行背景粗提取，應(yīng)用改進(jìn)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(qiáng)，具有較好的應(yīng)用價(jià)值。
參考文獻(xiàn)
[1] 王新余，張桂林.基于光流的運(yùn)動(dòng)目標(biāo)實(shí)時(shí)檢測方法研究[J].計(jì)算機(jī)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(qiáng).自適應(yīng)背景提取算法的比較[J].計(jì)算機(jī)工程，2008，12（34）：220-223.
[9] 劉喆.基于計(jì)算機(jī)視覺的運(yùn)動(dòng)車輛檢測與跟蹤算法研究[D].北京：北京工業(yè)大學(xué)，2009.
[10] 袁偉才，徐向民.一種有效的動(dòng)態(tài)背景提取及更新方法[J].計(jì)算機(jī)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(xué)學(xué)報(bào)（信息科學(xué)版），2009，34（8）：906-909.