基于圖像差分的背景差分算法改進及實驗數據分析

胡 永， 師京晶， 郭小丹

(西藏民族學院 信息工程學院，陜西 咸陽712082)

0 引 言

視頻交通參數檢測系統的基礎是道路的占有率、車流量、行車速度及事件發生頻率等關鍵數據的采集［1］，這些信息中最關鍵的部分是精確地檢測到運動目標，基于視頻的運動目標檢測方法成為研究熱點［2］。背景區域中把某視頻序列里運動著且受關注區域進行提取稱為運動目標檢測，目標檢測是視頻進行理解、編碼以及處理的關鍵［3］。基于差分圖像、立體視覺、模型及光流場等是目前比較常見的運動目標檢測算法。文獻［4］提出了基于動態閾值的背景差分算法并應用在視覺系統中進行目標檢測與跟蹤實驗;文獻［5］提出了使用對稱差分算法自動提取空背景;文獻［6］基于五幀差分和背景差分進行運動目標檢測，這些基于背景差分的改進算法都有各自的優勢和不足。本文基于背景差分算法進行運動目標檢測，在背景估計以及更新算法兩方面進行了改進。

1 背景差分算法

智能交通視頻檢測系統中運動目標的檢測是關鍵，在相關視頻圖像幀中提取出運動目標的像素點區域是本算法的基礎。檢測并跟蹤視頻圖像中的運動目標，通過分析其運動特征得到其運動狀態［7］。作為運動檢測中用途及效率最高的算法，背景差分算法基本上可以劃分為基于像素差值、基于模型以及基于特征三部分。背景差分［8-9］就是選取一個靜止參考幀作為背景圖像，用圖像序列中的每一幀與參考背景做差分。對輸入圖像的每個像素，計算它與對應背景圖像中像素的差。設F(i，j)表示當前幀圖像，如圖1(a)所示;B(i，j)表示背景圖像，如圖1(b)所示，則差分圖像D(i，j)如圖1(c)所示，算法為:

圖1 當前幀與背景差分灰度圖和二值化圖

將差分圖像D(i，j)二值化為:

2 背景估計及更新

背景圖像的可靠性是背景差分算法中進行精確目標檢測的決定因素，背景圖像在交通視頻圖像中為不存在車輛運行的道路圖像，提取方法包括自動獲取及手動獲取兩種［10］:自動獲取是采用相關算法去除連續N 幀圖片中的運動物體，從而獲得近似純背景圖像;在人眼的觀察下人工抓取某張不存在運動物體的圖片，使其成為背景圖像即為手動獲取。實際試驗中由于道路交通系統很難捕獲靜止、干凈的背景，所以背景的獲得往往是使用自動獲取方式。常用的背景估計方法有［11-13］統計中值法、多幀平均法、基于塊的方法、統計直方圖法等。

2.1 多幀圖像平均法

在道路行駛過程中，部分車輛的亮度值高于路面的亮度值，部分車輛的亮度值低于路面的亮度值，因此統計來看，長時間內因經過車輛所導致的變化可以忽略［14］。多幀平均法就是把運動車輛視為噪聲，噪聲的消除是使用累加平均的方法，道路背景圖像的獲取是通過取車輛運行某段時間之內的序列圖像的平均值，算法如下所示:

式中:相關背景圖像為Background(x，y);imagei(x，y)為第i 幀的序列圖像;平均幀數用N 來表示。算法雖然計算方便而且模型簡單，但路面上某點(x，y)某一短時間內低亮度車輛和高亮度車輛不可能同時經過，即實際情況是某些地方經過低亮度車輛而某些地方經過高亮度車輛，所得背景亮暗分布不均勻，而且背景圖像受車流量的影響變化很明顯，但是噪聲消除的效果會隨著平均幀數的增加而有一定的改善。

2.2 統計直方圖方法

實際路面同一位置點上不會一直覆蓋相同亮度車輛，認為某一給定時間段內背景點的灰度值出現的概率是最大的，即某段時間內能夠統計各像素點上不同亮度值的出現次數，路面本身的亮度值即為出現次數最多，即直方圖中最大值對應的相關亮度值［15-16］:

式中:像素點(x，y)處亮度值k 出現的次數用p(x，y，k)來表示;imagei(x，y，m)表示某幀圖像像素點(x，y)處的亮度值是m。

2.3 基于塊的二維統計法

單個像素包含的信息量非常少，每幀圖像中像素點在空間上和其相鄰像素普遍存在一定關系，對圖像分塊以塊為單位進行研究。算法利用了幀內某局部區域像素的相關性以及時域幀間像素的統計特性等。圖像直方圖分析時基于DxF 的塊而不針對各像素點，可以大幅減小視頻圖像處理計算量，直方圖分析計算時間也大大縮短，背景圖像可以很好地提取，算法不足之處在于或多或少存在方塊效應。將圖像分成大小為D×F 的塊，將區域i 的均值ai以及方差bi進行計算，通過矢量(ai，bi)進行描述。計算每張圖片在該對應區域的矢量，統計計算結果。具體步驟如下:

圖3 所示為隧道數據，由于該視頻中的車流量很小，可以看出隨著平均幀數的增加對于背景的可靠度有著較大保證，即平均幀數越多則越接近期望的背景效果。圖4 為對原始數據(b)采用不同幀數得到的背景，由于該場景中車流量較大，使用該算法會將車輛的信息誤認為是背景，而且從原始圖(b)中可以看到真

(1)首先獲取M 張圖片數據;

(2)將每個圖片分解為大小為D×F 的區域;

(3)作為描述相關區域的矢量，將每張圖片第i區域的均值ai以及方差bi計算出來并存放在相應的內存單元中;

(4)對某區域，存在N 個矢量(ai，bi)(N 為某區域的矢量總數，i=1，2，…，N)。計算平均矢量(A，B):

(5)從全部(ai，bi)中查找某一矢量(am，bm)(i =1，2，…，N，m=l，…N)，使其與平均矢量(A，B)的距離為最短，視此張圖片的該區域為背景信號。因背景區域致使多數矢量的分布相對來說比較集中，從而找到背景區域。

3 實驗結果及分析

3.1 多幀平均法實驗結果

算法特點是模型簡單、計算方便，但是也有缺陷，即得到的背景受車流量大小的影響而變化。這一點在車流量比較大時可以體現出來。采用車流量較大的一組數據進行實驗，發現背景效果隨著平均幀數的增加越來越好，不過車流量大的路面背景和真實路面還是有區別的。用下面的兩組數據估計背景，原始的道路情況如圖2 所示。實的路面比較灰暗，但是由于車燈的照射，經過多幀平均運算后得到的背景亮度較大。

圖2 原始圖像

圖3 原始圖像(a)的多幀平均法

圖4 原始圖像(b)的多幀平均法

以上數據分析，可見短時間內路面上某處不會存在既有灰度值較小車輛經過又有灰度值較大車輛經過。由于車燈照射，使得路面短時間覆蓋的灰度值較大，從而導致多幀平均法得到的背景可能出現亮暗分布的不均勻，從而不能夠滿足現實中的復雜交通狀況。

3.2 統計直方圖法實驗結果

觀察圖5，部分車輛相連情況出現在圖像遠處，也可能是車燈影響或車輛行進變化較緩等，從而將車身統計成為背景，一片白色出現在所估計背景遠處。當車流量很大時誤估計情況更加突出，對照圖3 中估計得到的背景數據，由于車流量較小，前面的場景估計結果良好。出現白色區域的原因為車輛對象由于在圖像中的改變位置小，并且車輛相連，車燈出現的頻率最大，被誤估計為背景。增加提取幀數，白色雜點會減少，不過由于車燈在遠處的頻率影響致使200 幀和1 500幀背景圖像區別不明顯，遠處誤估背景的情況隨著幀數的增加而沒有改變。

圖5 用統計直方圖法統計N 幀圖像獲取的背景

3.3 基于塊的二維統計法實驗結果

本算法進行圖像的分析時是基于w ×h 的塊，而不是針對于每個像素點，本文選用的是6 ×8 的塊，可以明顯減小視頻圖像處理的數據計算量，并且能夠實現減少直方圖分析的計算時間，提取出的背景圖像較好。觀察某視頻數據估計背景，如圖6 所示明顯可以看出該算法或多或少存在方塊效應，紅色方框內為方塊效應較明顯部分，但是隨著處理幀數的增加，提取的背景效果越來越好，在多數情況下效果比較理想，該算法具有較好的適用性和較好的通用性。

圖6 基于塊的二維統計法統計N 幀的背景

經大量實驗數據得知，背景估計時的幀數決定了其估計的效果，相應塊方差及其均值向量定在某平面上的二維區域隨估計幀數的增加其統計更為穩定，效果更為理想。

4 結 語

背景圖像在視頻圖像中是靜止的，不會隨時間而改變，含有運動目標圖像除去運動目標區域的像素值產生變化外，背景部分不變。速度快、位置準確且只需要把當前圖像和預存背景圖像進行差分，所以使用背景差分算法來檢測運動目標成為行業內的常用方法。而影響于環境光線的變化，非受控環境中要求加入背景圖像的更新機制，以及整幅場景的背景變化要求和背景的恢復精確度等成為目標檢測的不足之處，這些都是后期研究及實驗檢測的主要方面。

［1］ 張 帥，崔本亮，黃學達. 視頻檢測技術在公路車流量檢測系統中的應用［J］. 實驗室研究與探索，2012，31(10):64-66，118.ZHANG Shuai，CUI Ben-liang，HUANG Xue-da. Application of Video Detection Technique to the Design of Road Vehicle Flow Detection System［J］. Research and Exploration in Laboratory ，2012，31(10):64-66，118.

［2］ 薛 茹，宋煥生，付 洋. 基于塊計數的交通背景實時更新方法［J］. 長安大學學報(自然科學版)，2013，33(3):79-84.XUE Ru，SONG Huan-sheng，FU Yang. A method of real-time traffic background updating based on block-counting［J］. Journal of Chang’an University (Natural Science Edition)，2013，33(3):79-84.

［3］ 汪 沖，席志紅，肖春麗. 基于背景差分的運動目標檢測方法［J］. 應用科技，2009，36(10):16-18.WANG Chong，XI Zhi-hong，XIAO Chun-li. Moving objects detection based on background subtraction method［J］. The Application of Science and Technology ，2009，36(10):16-18.

［4］ 陳鳳東，洪炳镕. 基于動態閾值背景差分算法的目標檢測方法［J］. 哈爾濱工業大學學報，2005，37(7):883-884.CHEN Feng-dong，HONG Bing-rong. Object detecting method based on background image difference using dynamic threshold［J］. Journal of Harbin Institute of Technology，2005，37(7):883-884.

［5］ 吳 晶. 面向運動目標檢測的背景差分算法改進與實現［D］.北京:北京郵電大學，2012.

［6］ 郝毫剛，陳家琪. 基于五幀差分和背景差分的運動目標檢測算法［J］. 計算機工程，2012，38(4):146-148.HAO Hao-gang，CHEN Jia-qi. Moving Object Detection Algorithm Based on Five Frame Difference and Background Difference［J］.Computer Engineering ，2012，38(4):146-148.

［7］ 蘇書杰. 視頻檢測系統中的背景更新算法研究［J］. 商洛學院學報，2011，25(4):30-33.SU Shu-jie. A Study on Background Updating Used in Video Detection System［J］. Journal of Shangluo University，2011，25(4):30-33.

［8］ 魏志強，紀筱鵬，馮業偉. 基于自適應背景圖像更新的運動目標檢測方法［J］. 電子學報，2005，33(12):2262-2264.WEI Zhi-qiang，JI Xiao-peng，FENG Ye-wei. A Moving Object Detection Method Based on Self-Adaptive Updating of Background［J］. Chinese Journal of Electronics ，2005，33(12):2262-2264.

［9］ 郭怡文. 基于背景差分的多車道車流量檢測系統［J］. 電光與控制，2010(9):90-93.GUO Ying-wen. Traffic Flow Measuring System Based on Background Difference［J］. Electronics Optics ＆ Control ，2010(9):90-93.

［10］ 代科學，李國輝，涂 丹. 監控視頻運動目標檢測減背景技術的研究現狀和展望［J］. 中國圖象圖形學報，2006，11(7):917-919.DAI Ke-xue，LI Guo-hui，TU Dan. Prospects and Current Studies on Background Subtraction Techniques for Moving Objects Detection from Surveillance Video［J］. Journal of Image and Graphics，2006，11(7):917-919.

［11］ 潘建壽，王 琳. 一種基于分級分塊處理的背景估計算法［J］.光子學報，2005，34(12):1898-1900.PAN Jian-shou，WANG Ling. Background Estimation Algorithm Based on Multi-Resolution and Block［J］. Acta Photonica Sinica ，2005，34(12):1898-1900.

［12］ 劉 飛，張鵬林. 基于卡爾曼濾波的時間序列影像背景估計［J］. 地理空間信息，2005，6(3):12-13.LIU Fei，ZHANG Peng-lin. Background Estimate of Time Sequence Image Based on Kalman Filter［J］. Geospatial Information ，2005，6(3):12-13.

［13］ 彭 強，李 華. 基于塊直方圖分析的視頻背景提取方法［J］.西南交通大學學報，2006，41(4):48-53.PENG Qiang，LI Hua. Background Extraction Method Based on Block Histogram Analysis for Video Images［J］. Journal of Southwest Jiaotong University，2006，41(4):48-53.

［14］ 蔡 麗. 基于背景差的車輛停車檢測算法研究［D］. 西安:長安大學，2011.

［15］ 鄭貴幀. 基于視頻的交通事件檢測算法的研究［D］. 西安:長安大學，2009.

［16］ 高錦榮. 復雜背景下的車牌定位算法研究［D］. 西安:西安電子科技大學，2010.