對運動車輛檢測之背景減除法的一點改進

趙光磊 許向陽

摘 要：采用背景減除法來進行運動車輛的檢測，同時利用兩次統計平均的方法以及適當的參數的選擇，來進行背景的更新，通過數學形態學對結果進行修正，最后用Matlab對算法進行了仿真，證明該算法對運動車輛檢測的有效性。

關鍵詞：運動車輛；背景減除；統計平均；數學形態學

1 引言

智能視頻監控的內容主要包括運動目標檢測，目標分類，目標跟蹤和行為理解四大部分[1]，運動目標檢測的目的是將背景圖像中出現變化的區域的圖像分割出來，它是運動目標分析與識別的基礎。

目前能夠實現運動物體檢測的方法主要有以下幾種：

1）幀間差分法[2]（Fame difference method），該算法是在連續的圖像序列中兩個或三個相鄰幀間，采用逐像素的差分并閾值化來提取出圖像中的運動區域，它能較快地檢測出視頻圖像中發生變化的部分。

2）背景減除法[3-4]（Background subtraction method），該算法是當前運動目標檢測時最主流的方法之一，它是將圖像序列分為前景和背景，然后對背景進行建模，再用當前幀與背景圖像進行差分來檢測運動區域。該算法需要根據實際情況來確定閾值，所得結果可以直接反映出運動目標的位置、大小、形狀等有效信息。

3）光流法（Optical flow method），光流反映了在一定時間間隔內由于運動所造成的圖像變化，對圖像的運動場進行估計，將相似的運動矢量合并為運動目標，然后利用目標的矢量流特征，如大小和方向等來檢測運動區域[5]。

本文對視頻監控中的運動車輛檢測問題進行了深入的研究，針對傳統背景減除算法用于運動目標檢測時，背景圖像的提取加以改進，提出一種空白背景與統計平均相結合的背景更新機制，并通過Matlab進行仿真。

2 基于背景減除法的運動目標檢測

背景減除法是當前運動目標檢測中常用的一種方法，它利用當前圖像與背景圖像的差分來檢測運動區域。該算法實現簡單，一般能夠提取出完整的目標圖像，對于背景己知的情況該方法是一種有效的運動目標檢測算法。其算法步驟如下：

第一步，應用統計平均法獲取背景圖像Bk，同時根據視頻序列獲取當前圖像Fk，k表示第k幀圖像，求出兩幀圖像的絕對灰度圖像

第二步，設定閾值TH并將差值圖像二值化，進而提取出運動目標

第三步，使用數學形態學[6]對幀差圖像bk進行濾波處理，然后再對其進行區域連通性分析，當某一連通的區域的面積大于某一給定閾值，則成為檢測目標，并認為該區域就是目標的區域范圍。

3 背景圖像獲取的改進

通過前文的介紹，我們可以知道背景減除法的關鍵就在于背景模型的提取及背景模型是否可以實時的更新。顯而易見，最簡單的一種獲取背景圖像的方法是當視頻中無任何目標出現時捕獲到的背景圖像，但是這種方法僅僅適用于短時間內的運動目標檢測，對于長時間的監控來說不太適用。本文所采用的估計背景圖像的方法是上述方法與統計平均方法的結合使用，具體步驟如下：

第一步，通過視頻序列，設定好一足夠小的閾值TH?，然后每兩幀做差分，直到每一個像素點的做差結果都小于設定的閾值，即Fk-FK+1

第二步，利用統計平均算法估計背景圖像。

統計平均方法：一種常用的自適應背景修正的方法，是對背景圖像進行多幅平均，這種方法一般適用于場景內目標滯留時間較短，目標出現不頻繁的情況。簡單的背景修正方法可采用如下公式計算

由公式（4-1）可知，利用統計平均方法對背景圖像進行更新，N是非常重要的參數。如果背景中目標出現的頻繁頻率不是太大，參數N不需要太大，就可以獲得一個較為準確的背景圖像的估計圖像，若背景中目標出現移動緩慢，則參數N就需要大一些。

第三步，用步驟一的空白背景和步驟二的估計背景再做統計平均處理，得到新的背景圖像Bk。

4 Matlab仿真結果

為了驗證本文算法的有效性，用一段公路監控片段作為測試視頻。本文對幀率為15fps的序列圖像（120像素×160像素） 進行仿真，用本文給出的算法進行背景的構建。算法的仿真試驗結果如圖1所示。

圖（a）為測試視頻中的一幀彩色圖像，然后進行灰度處理，通過本文改進的背景提取算法，得到實時背景圖像（b），圖（c）是本文通過背景減除法，并經過數學形態學濾波處理以及連通性分析得到的測試結果，此結果充分說明本文方法能夠準確的檢測到運動車輛。

5 結束語

本文通過背景減除法以及空白背景算法與統計平均法結合的的背景更新機制實現了運動車輛的檢測，并通過Matlab軟件對其進行了仿真，證實了該算法的有效性，為進一步車輛的跟蹤與行為的理解打下了堅實的基礎。

[參考文獻]

[1]方帥.計算機智能視頻監控系統關鍵技術研究.東北大學控制理論與控制工程專業博士論文，2005：18-19.

[2]PARAGIOSN，TZIRITASC.Detection and Location of Moving ObjectsUsing Deterministic Relaxation Algorithms[J].Proceedings of the 13th International Conference on Pattern Recognition.1996，1（1）：201-205.

[3]MONNETA，MITTALA，RAMESHV.Background modeling and subtractionof dynamic scenes[J].Proceedings of Ninth IEEE International Conference onComputer Vision.2003，2：1305-1312.

[4]MCKENNAS，JABRIZ， DURICZ.Tracking groups of people[J]. Computer Vision and Image Understanding，2000，80（1）：42-56.

[5]OHTAN，KANATANIK，KIMURAK.Moving Object Detection from OpticalFlow without Empirical Thresholds[J].IEEE Transactions on Information andSystems，1998（2）：243-245.

[6]岡薩雷斯.數字圖像處理[M].電子工業出版社，2004.