孫仕柏,　張　勇

(中海網(wǎng)絡(luò)科技股份有限公司，上海 200135)

?

基于交通視頻的背景建模方法

孫仕柏,張勇

(中海網(wǎng)絡(luò)科技股份有限公司，上海 200135)

針對交通視頻監(jiān)控存在樹影等動態(tài)背景的問題，提出一種基于像素的雙層背景構(gòu)建模型來消除動態(tài)背景的干擾。首先，統(tǒng)計連續(xù)的圖像幀，并對其進(jìn)行形態(tài)學(xué)預(yù)處理；其次，根據(jù)對應(yīng)圖像的每個像素位置構(gòu)造各自的灰度直方圖；隨后，通過計算得到直方圖的峰值并據(jù)此將直方圖分為兩部分，根據(jù)該劃分結(jié)果構(gòu)造該像素的雙層背景模型；最后，根據(jù)構(gòu)建的雙層背景模型實現(xiàn)目標(biāo)前景的檢測。試驗結(jié)果表明：運用該方法能構(gòu)建較好的背景模型，目標(biāo)檢測效果較好，可有效去除動態(tài)背景的干擾。

交通視頻； 動態(tài)背景； 雙層背景； 直方圖

0　引　言

隨著計算機(jī)技術(shù)不斷發(fā)展，智能交通已廣泛應(yīng)用于交通監(jiān)控領(lǐng)域中。通過視頻監(jiān)控可有效掌握視頻道路狀況；同時，通過智能分析可有效降低交通隱患。

背景構(gòu)建對于視頻監(jiān)控而言至關(guān)重要。構(gòu)造好的背景模型并確保背景提取的實時性,是后續(xù)分析正常進(jìn)行的保證。常見的背景構(gòu)造模型主要有統(tǒng)計模型和結(jié)構(gòu)模型。

1) 統(tǒng)計背景模型源于圖像序列像素亮度在時間上的統(tǒng)計特性?；旌细咚鼓Ｐ蚚1-2]通過統(tǒng)計像素亮度的變化情況描述多個背景模式，存在計算復(fù)雜度較高、突變光照敏感等問題。統(tǒng)計中值法[3]雖然能解決平均值法可能帶來的圖像細(xì)節(jié)模糊的問題，但在車間距小、行駛速度低等情況下，車身容易被誤以為是背景。圖像平均法[4]結(jié)構(gòu)簡單、計算速度快、容易實現(xiàn)，缺點是適用場景局限性大。統(tǒng)計直方圖方法[5]對場景自適應(yīng)能力較好，但是計算較為復(fù)雜，且在復(fù)雜場景下容易導(dǎo)致背景建模失真。CHANG等[6]給出帶有狀態(tài)標(biāo)簽的滑動窗口，并依據(jù)處于滑動窗口內(nèi)部像素點的狀態(tài)標(biāo)簽分布建立了基于信息熵圖像的背景模型。趙旭東等[7]提取HSV(Hue, Saturation, Value)空間的顏色特征構(gòu)建了像素級統(tǒng)計度量函數(shù)。

2) 結(jié)構(gòu)背景模型源于空間相關(guān)性。LI等[8]給出一個用于描述背景時空域和頻域特征的貝葉斯框架。KIM等[9]將背景像素亮度量化到壓縮編碼的碼書中，建立了碼書模型。CULIBRK等[10]提出一個基于神經(jīng)網(wǎng)絡(luò)的無監(jiān)督貝葉斯分類器，用于構(gòu)建背景結(jié)構(gòu)模型。徐劍等[11]提取HSV空間的色定義相似性度量函數(shù)，并聯(lián)合區(qū)域紋理特征構(gòu)建結(jié)構(gòu)背景模型。

上述背景模型采用像素的顏色和亮度等時間特性及其空間相關(guān)性等特征, 在某些方面呈現(xiàn)出了良好的性能, 但在一些動態(tài)背景處理方面并沒有表現(xiàn)出很好的效果。

對于事件檢測器等智能交通產(chǎn)品的性能指標(biāo)，要求其能過濾樹枝擺動、水波蕩漾、閃電及光影變化等各種易引起虛警的干擾源，要求結(jié)果的正確率達(dá)到90%以上。這表示目標(biāo)檢測的正確率必須達(dá)到一定標(biāo)準(zhǔn)，以便有效適應(yīng)場景的變化。

對此，提出一種用來解決交通監(jiān)控視頻中存在動態(tài)背景問題的基于像素的雙層背景構(gòu)建模型。首先，統(tǒng)計連續(xù)的圖像幀，并對其進(jìn)行形態(tài)學(xué)處理；其次，針對各個像素位置構(gòu)造各自的灰度直方圖；最后，計算得到直方圖的峰值并據(jù)此將直方圖分為兩部分，根據(jù)劃分結(jié)果構(gòu)造該像素的雙層背景結(jié)構(gòu)。這種基于像素的雙背景模型能有效去除動態(tài)背景干擾。

1　理論基礎(chǔ)

1.1預(yù)處理

在獲取交通視頻時，視頻圖像幀總是不可避免地存在一些可能是由攝像機(jī)本身原因和光照原因等導(dǎo)致的噪聲。為后續(xù)處理過程中避免噪聲的影響，首先應(yīng)該對圖像幀進(jìn)行濾波處理，消除部分噪聲。常用的濾波方法主要分為,基于空域的去噪方法和基于變換域的去噪方法兩類。

1) 基于空域的去噪方法是直接在原圖像上進(jìn)行數(shù)據(jù)運算,對像素的灰度值進(jìn)行處理，常用到的是線性濾波器和非線性濾波器。

2) 圖像變換域去噪方法是將圖像從空間域轉(zhuǎn)換到變換域后,對變換域中的變換系數(shù)進(jìn)行處理,隨后再將圖像反變換到空間域來達(dá)到去除圖像噪聲的目的。圖像去噪方法都是針對特定圖像和特定噪聲提出的，常用的有傅里葉變換和小波變換。針對不同場景選取不同的去噪方法，進(jìn)而達(dá)到去除噪聲的目的。

1.2圖像平均法

該算法的主體思想是在理想場景下將行駛車輛視為背景圖像中的一種噪聲，由于場景內(nèi)路面與車輛的亮度值不同，因此在視頻序列圖像中二者的亮度值與路面亮度值相比會出現(xiàn)例如有的亮度值高，有的亮度值低，以及亮度值相等等情況。若要消除該噪聲，可采用多幀圖像先累加后平均的方法?；谏鲜鏊枷?，通過對一段場景視頻中連續(xù)的幀圖像進(jìn)行累加平均來實現(xiàn)該場景的背景提取，其表達(dá)式為

(1)

式(1)中:BG(x，y)為像素點(x，y)在背景中的灰度值；Ii(x,y)為第i幀圖像中(x，y)處的灰度值；N為統(tǒng)計的幀數(shù)。

圖像平均值背景生成法的優(yōu)點是算法簡單、容易實現(xiàn)，缺點是適用場景比較局限。由于在實際場景中會有存在樹影和鏡頭抖動等動態(tài)背景(見圖1)的情況，造成像素點(x，y)處灰度值不穩(wěn)定，因此若運用多幀平均值法對該段時間內(nèi)的視頻序列進(jìn)行背景建模，動態(tài)背景部分會在目標(biāo)檢測時作為目標(biāo)出現(xiàn)而造成誤檢。根據(jù)像素點位置是否存在動態(tài)背景，可將北景模型分為靜態(tài)背景和動態(tài)背景兩類，其變化趨勢見圖2。

若利用傳統(tǒng)的背景差分法，場景的動態(tài)背景會被誤識別為目標(biāo)對象，降低了目標(biāo)檢測的正確率。

2　基于像素的雙層背景構(gòu)建算法

2.1雙層背景構(gòu)建算法

針對動態(tài)背景和靜態(tài)背景直方圖的特點，在平均背景差分方法的基礎(chǔ)上，結(jié)合直方圖提出一種基于像素的雙層背景模型構(gòu)建算法。假設(shè)圖像的大小為M×N，具體算法步驟如下。

a) 樹影

b) 鏡頭抖動

a) 靜態(tài)背景

b) 動態(tài)背景

(1) 統(tǒng)計連續(xù)幀圖像，按照式(2)對每個像素進(jìn)行直方圖統(tǒng)計。

(2)

式(2)中：nr為n幅圖像中該像素位置出現(xiàn)rk像素度的次數(shù)；NUM為圖像幀數(shù)。

(2) 對直方圖進(jìn)行分析，查找直方圖峰值Peak1。

(3) 以峰值為中心查找背景范圍，確定區(qū)間[n1,n2]，若查找背景像素占整個直方圖的比例超過閾值T，則為單一背景，轉(zhuǎn)入步驟(5)，否則轉(zhuǎn)入步驟(4)。

(4) 從背景直方圖中去除第一背景后查找第二峰值Peak2，根據(jù)步驟(3)確定區(qū)間[m1,m2]，并將其作為第二背景區(qū)間。

(5) 完成背景模型構(gòu)建。

該算法充分考慮了動態(tài)背景的特點，通過區(qū)分動態(tài)背景和靜態(tài)背景來建立相應(yīng)的背景模型；此外，在確定背景范圍時充分考慮了場景的自適應(yīng)確定及平均方法和直方圖方法的特點，復(fù)雜度較低，計算速度較快。

2.2背景更新策略

1) 無記憶更新策略:每次確定需要更新像素點的背景模型時，不是直接影響背景模型，而是通過更新像素直方圖來達(dá)到背景更新的目的。

2) 時間取樣更新策略：并不是每處理一幀數(shù)據(jù)都要更新處理，而是按一定的更新率更新背景模型。當(dāng)一個像素點被判定為背景時，其有1/rate的概率更新背景模型(rate是時間采樣因子，一般取值為16)。

3　試驗結(jié)果及分析

背景模型的好壞直接影響著目標(biāo)檢測結(jié)果，因此通過選取典型的視頻場景來驗證算法的有效性。設(shè)計試驗選取2種典型交通視頻，分別為帶有樹影的移動及存在鏡頭抖動現(xiàn)象(試驗結(jié)果見圖3),分別通過人工標(biāo)定和試驗統(tǒng)計獲取目標(biāo)的檢測結(jié)果(結(jié)果統(tǒng)計見表1)。

利用提出的基于像素的雙層背景模型，由圖3可看出，運動背景的干擾沒有導(dǎo)致誤識別為運動目標(biāo)對象的現(xiàn)象出現(xiàn)，該算法有效消除了運動背景對場景目標(biāo)檢測的影響，具有良好的性能，算法構(gòu)建簡單，計算速度快，且具有良好的自適應(yīng)性。

a) 場景1

b) 場景2

c) 場景3

d) 　場景4

e) 檢測結(jié)果1

f) 檢測結(jié)果2

g) 檢測結(jié)果3

h) 檢測結(jié)果4

場景目標(biāo)數(shù)量(人工)目標(biāo)數(shù)量(試驗)查準(zhǔn)率/%查全率/%場景19254898797.1294.32場景26744663098.3196.54

由表1可知，利用該算法能到取得較好的檢測效果，查準(zhǔn)率和查全率分別大于97%和94%，算法性能較好，滿足視頻分析的要求。

4　結(jié)　語

研究了交通視頻背景建模方法，根據(jù)視頻中存在動態(tài)背景和靜態(tài)背景的特點建立了基于像素的背景模型，提出了一種基于像素的雙層背景模型的構(gòu)建方法。試驗結(jié)果表明，該方法具有良好的性能。這對智能交通的應(yīng)用具有重要意義，同時可為基于圖像背景構(gòu)建方法提供借鑒。

由試驗可知，對于復(fù)雜的場景，消除陰影和反光等是進(jìn)行視頻分析的關(guān)鍵，因此克服陰影等現(xiàn)象是值得深入研究的課題。如何有效去除陰影特殊背景是下一步研究的重點。

[1]STAUFFER C, GRIMSON W E L. Adaptive Background Mixture Models for Real-Time Tracking[J]. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 1999.

[2]夏海英, 何利平, 黃思奇.基于時空分布的混合高斯背景建模改進(jìn)方法[J]. 計算機(jī)應(yīng)用研究, 2015,32(5): 1546-1548.

[3]姜明新, 王洪玉, 沐方順. 基于視頻監(jiān)控的違章停車檢測算法[J]. 計算機(jī)工程, 2012, 38(19): 151-153.

[4]CHEN Yenlin, WU Bingfei, FAN Chungjui. Real-Time Vision-Based Multiple Vehicle Detection and Tracking for Nighttime Traffic Surveillance[J]. Visual Commun Image Represent, 2009: 3352 - 3358.

[5]BOGOMOLOV Y, DROR G. Classification of Moving Targets Based on Motion and Appearance[C].British Machine Vision Conference, 2003.

[6]CHANG M C, CHENG Y J. Motion Detection by Using Entropy Image and Adaptive State-Labeling Technique[C]. Proceedings of the IEEE International Symposium on Circuits and Systems, 2007.

[7]趙旭東，劉鵬, 唐降龍，等。 一種適應(yīng)戶外光照變化的背景建模及目標(biāo)檢測方法[J]. 自動化學(xué)報, 2011, 37(8): 915-922.

[8]LI L Y, HUANG W M, GU I Y H,etal. Statistical Modeling of Complex Backgrounds for Foreground Object Detection[J]. IEEE Transactions on Image Processing, 2004, 13(11): 1459-1472.

[9]KIM K, CHALIDABHONGSE T H, HARWOOD D,etal. A Multi-Scale Hierarchical Codebook Method for Human Action Recognition in Videos Using a Single Example[C]. 2012 Ninth Conference on Computer and Robot Vision, 2012.

[10] CULIBRK D, MARQUES O, SOCKE D,etal. Neural Network Approach to Background Modeling for Video Object Segmentation[J]. IEEE Transactions on Neural Networks, 2007, 18(11): 1614-1627.

[11]徐劍, 丁曉青, 王生進(jìn), 等. 一種融合局部紋理和顏色信息的背景減除方法[J]. 自動化學(xué)報, 2009, 35(9): 1145-1150.

Research on Background Modeling of Traffic Video Image

SUN Shibai，ZHANG Yong

(ChinaShippingNetworkTechnologyCo.,Ltd.,Shanghai200135,China)

A two-layer background model is proposed to eliminate the influence of the dynamic background, such as shadow of trees, on the target detection from traffic surveillance video images. For doing so, the successive image frames are collected and processed with morphology processing first. Then, the histograms representing the pixel gray level variation at each point of the image frame are constructed. The peak values of the histograms are found, and the histograms are divided into two groups according to the peak values. The discrimination of the histograms leads to a two-layer background model for detecting targets. The experimental results show that the background model built with the method can effectively eliminate the interference of the dynamic background and improve the target detection.

traffic video; dynamic background; two-layer background; histogram

2015-10-16

孫仕柏(1990—)，男，山東日照人，助理工程師，主要從事智能交通中算法的研究。

1674-5949(2016)01-069-04

U491.1+16; TP391.41

A