改進的道路背景提取與更新算法

李 潔，楊孟拓，劉雪琴，宋煥生，李文敏

（長安大學 信息學院，陜西 西安 710064）

目前常用的基于視頻的目標檢測算法主要有3種：光流法[1-3]，幀間差法[4-5]，背景差法[6-7]。由于光流法計算量較大，因此在實際中不經常使用；幀間差法能夠適應快速變化的環境，但檢測出的運動目標位置不夠精確。背景差法實現簡單，程序復雜性低，能保持目標的完整性，因此得到了廣泛的應用[8]。所以，如何提取出準確的背景至關重要。

迄今為止，國內外諸多專家已經提出了很多算法。比如多幀圖像平均法，就是把一段時間內圖像序列進行累加，然后再平均得到近似的背景圖像，該算法實現簡單，計算量較小，但是對于車流量較大的路段，該方法很容易把前景目標混入背景里，提取的效果不甚理想。Gloyer B[9]提出的中值濾波法，在背景像素出現概率較大時，提取的效果很好，但是在背景像素出現概率較小時，該算法就會失效。Friedmand等人提出了單高斯模型[10]，即分別獲得背景、前景和陰影的高斯分布，并將這3個高斯分布的加權值作為像素的灰度值，然后通過EM算法獲得模型參數，但是一般情況下背景都是比較復雜的，所以對背景僅采用一個高斯分布是不夠的。因而提出了混合高斯模型[11-12]，它是一種自適應的背景建模方法，其核心思想是為每一個像素點建立多個隨時間變換的高斯統計模型，但也存在一些缺點：背景模型的收斂速度慢；對光照變化敏感。Surendra[13]算法的原理是把當前幀中的像素點分為前景點和背景點兩類。當前幀的背景點的像素值與背景圖中的對應點加權平均，作為當前背景中像素值。前景點處則保持原來背景值不變。該算法的核心在于通過直方圖統計和經驗取值而區分當前幀中的前景點和背景點，但是此算法在前景物體較多，情況復雜時會引入噪聲。

在復雜的道路場景，以上方法還是不能消除一些光照及噪聲的影響，不能夠滿足實際的要求。為此，本文提出了一種改進的道路背景提取和更新算法。

1 兩種基本背景提取算法

下面介紹兩種最常用的背景提取算法，多幀圖像平均法和統計中值法。

1.1 多幀平均法

多幀圖像平均法的原理是把車輛看作噪聲，用累加后進行平均的方法消除噪聲，所以可以利用車輛在一段時間內的序列圖像求和再平均來得到背景圖像。計算公式如下

式中：imagei（x，y）表示第i幀（x，y）點處的像素值，Background（x，y）表示點（x，y）的背景圖像，N表示平均幀數。

該算法的特點是計算比較簡便。但是發現通過平均法得到的背景圖像往往會出現亮度分布不均的現象。這是由于在車流量較大的情況下，該算法會將車輛信息誤認為是背景信息，而隨著平均幀數的增加，背景的可信度也會增加。由于在實際生活中交通狀況是比較復雜的，因此多幀圖像平均算法顯然不能有效地滿足復雜環境的需求。

1.2 統計中值法

統計中值法是一種能有效抑制噪聲的處理技術。統計中值法較平均法的優點是它可以克服均值濾波給圖像造成的模糊影響，而且在抑制噪聲的同時，能保持良好的邊緣性，進而獲得較為滿意的背景。

統計中值法的基本思想是先統計一段時間內某一個像素點的值，然后用這些值的中值作為背景像素。

2 本文算法介紹

分析以上的算法，它們對于比較復雜的場景都有一定的局限性，得出的結果并不令人滿意，所以，本文提出了一種新的算法，它克服了場景復雜時道路背景提取困難或者提取結果失真的弊端，能在較短的時間內提取出準確性較高的背景，而且能夠消除光照和噪聲對于背景的影響，為后續的車輛檢測提供了很好的基礎。

下文介紹算法的基本思想及具體步驟：

1）圖像分塊

由于單個像素所代表的信息量比較少，而且很容易受到噪聲的干擾，所以把圖像分成一個個小塊來處理，每個小塊包含h×w個像素，這樣不僅能夠結合周圍區域的信息，而且能夠抑制噪聲的影響。

分塊后的圖像大小記為

式中：row和col分別代表分塊后行的塊數和列的塊數；H和W分別代表原圖像列像素和行像素；h和w分別代表每一塊的列像素和行像素。

2）圖像拉伸

對于天氣情況比較惡劣的視頻，如果直接處理，難度比較大，而且準確性不高，所以先對原始圖像進行拉伸處理，提高圖像的對比度，方便以后的處理。

處理的表達式如下

式中：CurrentFrame（x，y）表示當前幀（x，y）點處的像素值；min和max分別為拉伸的下界和上界，處理結果如圖1所示。

圖1 拉伸對比圖

3）對于拉伸圖像后的每一塊，都進行以下運算

式中：PreFrame（x，y）表示前一幀（x，y）點處的像素值。記錄此時的bloVal（t），按需要本文記錄離當前幀最近的N幀。

4）然后根據以下公式判斷

式中：Th為閾值，Counter（p，q）表示塊（p，q）計數器值。在bloVal（t）大于等于Th的情況下，進行快慢變化的判斷，如果為慢變，Counter（p，q）++；如果為快變，則Counter（p，q）=0。

下面介紹具體快慢變化的判斷準則：

因為單純按照一個閾值的大小就決定計數器的值，具有一定的局限性，可能因為一些光照的變化而影響結果的準確性，所以要區分是車輛的影響還是光照的影響（見圖2），具體的實現步驟如下：

（1）計算歷史bloVal（t）的均值和方差，公式為

（2）如果當前的bloVal（t）超過了閾值Th，但是它所對應的歷史均值和方差滿足以下公式

式中：λ〉0，一般λ=3，base=20。滿足公式則表示該塊是慢變（光照變化）引起的，否則是快變（車輛經過）引起的。

圖2 塊（p，q）的bloVal（t）值的變化

5）重復步驟3）和步驟4），直到Counter（p，q）達到一定的閾值Ths時，保存此時bloVal（t）的值作為一個參考狀態，本文保存距離當前幀最近的兩個參考狀態，離當前幀比較近的一個記錄為bloValL（s），比較遠的一個記錄為bloValF（t），如圖3所示。

圖3 塊（p，q）計數器值的變化過程

6）判斷Counter（p，q）是否大于Ths，如果大于，并且滿足

則令

式中：CounterPeek（p，q）為塊（p，q）歷史最大值，Thb為閾值。否則重復步驟3）、步驟4）和步驟5）繼續進行判斷。

7）當Counter（p，q）的值首次大于閾值Tha（Tha〉Ths），則將此塊當前幀的灰度值保存為初始背景，如圖3所示，表達式為

如果Counter（p，q）的值不是首次大于閾值Tha，則轉到下一步驟執行。

8）按照加權系數法對該塊背景進行實時更新，表達式為

式中：α為權系數，0〈α〈1。

3 實驗結果及分析

本文給出了兩種不同的場景對本文的算法進行驗證，并與其他背景提取算法進行比較。第一種場景攝于西安市南二環，時間為下午，圖像較為清晰，但是車流量大，有光照的影響。第二種場景攝于上海市申江高速公路，時間為晚上，圖像質量比較差，光線弱，并且有路燈和車燈的影響。

在第一種場景中（見圖4），均值法提取的背景出現了大面積的失真，與實際路面的像素值相差較大；統計中值法對于近景部分的背景基本滿足要求，但是遠景部分（圓圈所標記的范圍）和實際背景不符；本文算法不管是在近景部分還是遠景部分，都能提取出較為準確的背景。

圖4 場景一算法比較

在第二中場景中（見圖5），由于圖像質量的原因，從圖中似乎不能明顯地看出各種算法提取出的背景有什么不同，鑒于此，這里同時給出了車輛檢測的結果，以便于觀察對比。均值法檢測出的二值圖像上方出現了很多干擾，這是由于燈光或者車燈的影響造成的；統計中值法在二值圖像上方出現的干擾有所減少，但是出現了一些噪聲點不能消除；本文的算法能夠消除燈光以及噪聲的影響，準確地檢測出車輛，提取效果較為理想。

圖5 場景二算法比較

4 總結

對于場景復雜的道路，提取背景相對比較困難，本文通過統計相鄰幀的變化情況，得到持續不變區域的特征，再針對這些特征進行分析比較，最后將狀態相近的區域進行累加，并通過實時更新得到最終的背景。實驗表明，該算法能夠克服場景復雜時提取背景失真的弊端，并且能夠很好地消除光照和噪聲的干擾，為后續的車輛檢測提供了可靠的依據。

[1] ENKELMANN W.Investigation of multigrid algorithms for the estimation of optical flow fields in image seauences[J].Computer Vision，Graphics and Image Processing，1998（43）：150-177.

[2] LIU Y，HUANG T S.Determing straight line correspondences from intensity images[J].Pattern Recongnition，1991，24（6）：489-504.

[3] 王新余，張桂林.基于光流的運動目標實時檢測方法研究[J].計算機工程與應用，2004（1）：43-46.

[4] WANG Junwei，WANG Dingwei.Particle swarm optimization with a leader and followers[J].Progress in Natural Science，2008，18（11）：1437-1443.

[5] LONG W，YANG Y.Stationary background generation:an alternative to the difference of two images[J].Pattern Recognition，1990，23（12）：1351-1359.

[6] 李志勇，沈振康，楊衛平，等.動態圖像分析[M].北京：國防工業出版社，1999.

[7] 朱秋煜，李琦銘，陳岳川.基于視差和幀差的圖割優化運動目標分割算法[J].電視技術，2012，36（13）：135-139.

[8] LUCAS B，KANADE T.An iterative image registration technique with an application to stereo vision[EB/OL].[2012-08-20].http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.49.2019.

[9]GLOYER B，AGHAIAN H K，SIU K Y，et al.Vehicle detection and tracking for freeway traffic monitoring[C]//Proc.1994 Conference Record of the Twenty-Eighth Asilomar Conference on Signals,Systems and Computers.Pacific Grove，CA：[s.n.]，1994：970-974.

[10] FRIEDMAN N,RUSSELL S.Image segmentation in video sequences:A probabilistic approach[EB/OL].[2012-08-20].http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.38.7356.

[11] STAUFFER C，GRIMSON W E L.Adaptive background mixture models for real-time tracking[J].The Artificial Intelligence Laboratory Massachusetts Institute of Technology，1999（2）：246-252.

[12] 王源，陳亞軍.基于高斯混合模型的EM學習算法[J].山西師范大學學報：自然科學版，2005，19（1）：46-49.

[13] 吳眾山，雷蘊奇，吳綠芳，等.一種實用的背景提取與更新算法[J].廈門大學學報，2008，47（3）：348-352.