張俊

（中國電子科技集團(tuán)公司第三十八研究所，安徽 合肥 230088）

隨著平安城市的建設(shè)、智能相機(jī)在交通監(jiān)控的推廣和普及以及數(shù)字圖像分析技術(shù)不斷地提高，關(guān)于智能交通系統(tǒng)的需求越來越豐富和多樣。在智能交通系統(tǒng)視頻分析中，運(yùn)動物體的檢測是很多圖像處理的第一步，運(yùn)動物體檢測的好壞對于后續(xù)圖像處理起著至關(guān)重要的作用。運(yùn)動物體的檢測需要二值化處理，這涉及閾值的選擇。大多數(shù)運(yùn)動區(qū)域檢測文獻(xiàn)對閾值的選擇沒有深入的分析。常用的背景建模算法（例如混合高斯模型、貝葉斯模型、碼本方法）雖然效果不錯，但是計算量較大，在某一些應(yīng)用場合并不實用，例如嵌入式一體機(jī)。本文提出了一個簡單有效的閾值自適應(yīng)選擇方法，通過實驗數(shù)據(jù)可以看出，本文算法計算量很小，而且可以得到較好的運(yùn)動區(qū)域檢測結(jié)果。

本文主要介紹了背景圖像的初始化和背景圖像的更新策略，提出了一種簡單有效的閾值選擇方法，并進(jìn)一步分析其缺陷，對此提出了改進(jìn)策略，提高了閾值選擇的魯棒性。最后從實際視頻分析中驗證了算法的有效性。

1 背景圖像的初始化及更新

1.1 背景圖像初始化

基于背景差分可以得到較完整的運(yùn)動區(qū)域，因此需要首先獲得背景圖像。這里采用參考文獻(xiàn)[6]的方法來完成背景圖像的初始化及背景更新。通過相鄰幀差分的二值圖像找到運(yùn)動的像素，將這些運(yùn)動區(qū)域的像素值丟棄，只對非運(yùn)動區(qū)域的像素值進(jìn)行累加，最后求平均。該算法可以很好地消除運(yùn)動目標(biāo)的影響，得到較完整的背景圖像。

背景圖像初始化步驟如下。

（1）將每幀圖像轉(zhuǎn)成灰度圖像，假定一個像素點（x，y）時間t上的灰度值可表示為F（x，y，t）。將當(dāng)前幀與前一幀作差分，然后再作二值化，得到二值圖像 D（x，y，t）：

（2）幀間差分后得到的二值圖像會有空洞現(xiàn)象，這是因為運(yùn)動物體含有均勻區(qū)域造成的，所以采用形態(tài)學(xué)區(qū)域填充來降低這種空洞的影響。

（3）計算非運(yùn)動區(qū)域累加值。 sum（x，y）為非運(yùn)動區(qū)域的像素灰度累加值，num（x，y）為像素點（x，y）被作為非運(yùn)動區(qū)域累加的次數(shù)。

（4）i=i+1，返回步驟（1）進(jìn)行迭代，當(dāng)?shù)揭欢ù螖?shù)時，便可結(jié)束迭代。

（5）求平均得到背景圖像：

1.2 背景更新

隨著時間的推移，背景中不可避免地會發(fā)生一些變化，如果背景更新不能迅速跟上實際背景的變化，檢測結(jié)果中可能出現(xiàn)較大范圍的噪聲，這要求背景圖像更新對運(yùn)動目標(biāo)有較強(qiáng)的抗干擾能力。這里采用參考文獻(xiàn)[6]的更新策略，分為像素級更新和更級更新。

像素級更新步驟如下：

（1）以當(dāng)前幀圖像和背景圖像作差分、二值化和形態(tài)學(xué)處理得到運(yùn)動區(qū)域M1；使用同樣的方法，前后幀差得到運(yùn)動區(qū)域M2，然后計算兩個運(yùn)動區(qū)域的交集，即M=M1∩M2。

（2）得到運(yùn)動區(qū)域后，定義 sTime（x，y，t）為像素點（x，y）在 t時刻沒有產(chǎn)生連續(xù)變化的累積次數(shù)，若該為白點，則屬于運(yùn)動區(qū)域，sTime（x，y，t）清零；否則 sTime（x，y，t）加 1。

（3）當(dāng)（x，y）點連續(xù) k次沒有發(fā)生變化時，更新當(dāng)前像素值為背景點，否則保持（x，y）像素值不變。雖然背景是靜止的，但考慮到環(huán)境變化等影響，對連續(xù)超過k次沒有發(fā)生變化的背景像素點采用加權(quán)的當(dāng)前背景圖像與加權(quán)當(dāng)前圖像之和作為更新后的背景圖像。

像素級更新方法結(jié)合了時間幀差法和背景差法，可以很好地適應(yīng)場景中的微小變化，特別是光線的緩慢變化，基本消除了累積性誤差，且在場景內(nèi)存在物體移入與移出時能夠及時有效地對背景進(jìn)行更新。如果場景光線發(fā)生大范圍突變、背景全局變化等問題，像素級更新就難以反映出這種全局變化，這時需要幀級圖像更新。

幀級更新的步驟如下：

（1）若在當(dāng)前幀與背景圖像差分后二值圖運(yùn)動區(qū)域個數(shù)大于整體圖像的一定百分比，則背景發(fā)生了大范圍的變化。

（2）若連續(xù)多幀中這一比值依然很大，則按本文背景提取算法重新提取背景。

2 運(yùn)動區(qū)域檢測及閾值選擇

得到背景圖像，將當(dāng)前圖像與背景圖像作差分，然后對差分作二值化，得到前景圖像。圖像的二值化涉及閾值選擇問題，顯然自適應(yīng)的閾值比固定閾值要好，這是因為圖像場景光照變化，很難找到一個固定的閾值適用于各種時間段?？梢园l(fā)現(xiàn)，當(dāng)前幀圖像沒有運(yùn)動物體時，對差分圖像作直方圖的統(tǒng)計，直方圖分布在-255～255之間，該直方圖分布服從高斯分布。沒有運(yùn)動物體和有運(yùn)動物體的幀差分及對應(yīng)的直方圖分別如圖1、圖2所示。這個現(xiàn)象是合理的，因為圖像的噪聲是服從高斯分布的?？梢愿鶕?jù)該直方圖計算出均值μ和方差σ，根據(jù)高斯分布，橫軸區(qū)間（μ-2.58σ，μ+2.58σ）內(nèi)的面積為99.73%。均值μ的選擇是尋找直方圖中最大值的位置，然后對均值μ附近區(qū)域計算方差σ。其中，均值反映了圖像的整體亮度信息，方差反映了圖像的噪聲信息。根據(jù)均值和方差確定二值化的閾值，即：

其中，系數(shù)k相對固定，一個固定值可適用于各種場合，對二值化的結(jié)果影響并不大。

圖1 沒有運(yùn)動物體的幀差分及對應(yīng)的直方圖

圖2 有運(yùn)動物體的幀差分及對應(yīng)的直方圖

當(dāng)圖像亮度發(fā)生整體變化時，直方圖中峰值的位置也發(fā)生了變化，如圖3所示。二值化閾值能夠自適應(yīng)地得到合理的閾值，從而得到較好的運(yùn)動區(qū)域。

圖3 圖像整體變亮的情況

該方法中隱含了一個假定，那就是背景像素占整幅圖像的大多數(shù)，如果前景像素占整幅圖像的大多數(shù)，如圖 4（a）、圖 4（b）所示，那么均值就不是背景的均值，而是前景個數(shù)最多的直方圖位置，這樣計算出的均值和方差就是不正確的，尤其是在對圖像感興趣區(qū)域（ROI）進(jìn)行視頻分析時，如圖 4（c）和圖 4（d）所示。因為需要計算的是背景區(qū)域的均值和方差，但是這里對整幅圖像進(jìn)行了直方圖統(tǒng)計，如果只對背景區(qū)域進(jìn)行直方圖統(tǒng)計，那么得到的均值和方差就是合理的。

圖4 運(yùn)動區(qū)域較大時二值化

這里可以利用背景更新中的計數(shù)器 sTime（x，y，t）中包含的信息，它描述了一個像素位置屬于背景的持續(xù)幀數(shù)，如果該計數(shù)器的值很大，則表明該像素位置一直屬于背景，那么判斷該像素位置屬于背景區(qū)域是比較可靠的。 這里假定 sTime（x，y，t）>t，則該像素屬于真正的背景區(qū)域。這樣就得到了的真正背景區(qū)域，然后用當(dāng)前幀中真正的背景區(qū)域與背景圖像對應(yīng)的區(qū)域作差分，再對該差分進(jìn)行直方圖統(tǒng)計，如圖4（e）所示，計算均值和方差，該均值和方差是屬于背景區(qū)域的均值和方差，得到的閾值是正確的二值化閾值。最后再用該閾值對當(dāng)前圖像與背景差分作二值化，得到正確的運(yùn)動區(qū)域，如圖4（f）所示。

通過對差分圖像直方圖的分析發(fā)現(xiàn)，在沒有運(yùn)動物體的情況下，幀差直方圖服從高斯分布，根據(jù)該高斯分布得到了自適應(yīng)的二值化閾值。當(dāng)運(yùn)動區(qū)域占整幅圖像的大部分面積時，通過只對背景區(qū)域進(jìn)行差分直方圖分析，得到了正確的閾值，進(jìn)一步提高了閾值選擇的魯棒性。實驗證明，本文提出的算法簡單有效，很適合用于構(gòu)建嵌入式實時視頻分析系統(tǒng)。

[1]HU W， TAN T， WANG L， et al.A survey on visual surveillance of object motion and behaviors[J].Transactions on Systems， Man， and Cybernetics—Part C： Applications and Reviews，2004，34 （3）：334-352.

[2]POPPE R.Vision-based human motion analysis： an overview[J].ComputerVisionandImageUnderstanding（CVIU），2007，108 （1-2）：4-18.

[3]STAUER C，GRIMSON W.Learning patterns of activity using real-time tracking[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22（8）：747-757.

[4]Li L， Huang W， Gu I， et al.Foreground object detection fromvideoscontainingcomplexbackground[C].TheEleventhACM International Conference on Multimedia， New York，USA：ACM， 2003：2-10.

[5]KIM K，CHALIDABHONGSE T H，HARWOOD D，et al.Real-time foreground-background segmentation using codebook model[J].Real Time Imaging，2005，11（3）：172-185.

[6]樊曉亮，楊晉吉.基于幀間差分的背景提取與更新算法[J].計算機(jī)工程，2011，37（22）：159-161.

[7]祝東進(jìn)，郭大偉，劉曉.概率論與數(shù)理統(tǒng)計[M].北京：國防工業(yè)出版社，2010.