長(zhǎng)春市規(guī)劃編制研究中心 關(guān)可汗 趙 瑩

1 算法描述

本文以卡爾曼濾波[1]為更新算法，在大津算法基礎(chǔ)上提出虛擬像素點(diǎn)和雙閾值概念，自動(dòng)獲取每幀圖像最佳更新閾值進(jìn)行更新。同時(shí)提出強(qiáng)制更新思想，對(duì)達(dá)到最大等待時(shí)間的前景予以強(qiáng)制更新，置換已失效背景。

本文建立自適應(yīng)背景模型[2]的基本流程如圖1所示。

圖1 自適應(yīng)背景模型流程圖

卡爾曼濾波用來(lái)背景更新[3]有一定的局限性，此算法是一種一階穩(wěn)態(tài)系統(tǒng)，但是前景運(yùn)動(dòng)目標(biāo)[4][5]的出現(xiàn)擾亂了這種穩(wěn)態(tài)，卡爾曼濾波器把前景錯(cuò)誤的當(dāng)作背景來(lái)更新，導(dǎo)致更新失效。因此下文針對(duì)性的提出了選擇性背景更新和強(qiáng)制背景更新概念，很好的解決了上述出現(xiàn)的具體問(wèn)題。

1.1 選擇性背景更新

選擇性背景更新，是在有前景運(yùn)動(dòng)目標(biāo)的地方不更新，其他地方實(shí)時(shí)更新背景。其基本思想是：

其中，M代表有無(wú)前景目標(biāo)。

選擇性更新的閾值是在前景灰度上統(tǒng)計(jì)得到的，獲取前景灰度公式為：

其中，ΔF(x, y, t )為前景灰度值；C(x, y, t )為當(dāng)前幀灰度值；B(x, y, t )為背景灰度值。公式（2）對(duì)應(yīng)前景灰度分布圖如圖2所示。圖中，出現(xiàn)圖像灰度值小于0的像素點(diǎn)，是因?yàn)楫?dāng)前幀車(chē)輛灰度值低于背景灰度值。

圖2 前景圖像灰度直方圖

為了確定在M=0時(shí)背景更新的閾值，通常做法是對(duì)前景圖像做絕對(duì)值處理，再手動(dòng)或自適應(yīng)算法獲得該閾值，如圖3所示。但是在前景正負(fù)灰度不對(duì)稱(chēng)的情況下，取絕對(duì)值操作必然導(dǎo)致車(chē)輛信息的丟失，圖2中負(fù)數(shù)一側(cè)表示深色車(chē)輛灰度取絕對(duì)值后，在圖3中被“淹沒(méi)”在背景更新閾值T以下，代表該車(chē)輛無(wú)法被檢測(cè)到，因此得到的閾值不能真實(shí)的分割背景圖像。

圖3 傳統(tǒng)算法獲取閾值圖

為此，本文對(duì)上述問(wèn)題進(jìn)行研究，提出了雙閾值判斷的概念，并針對(duì)一些特殊情況又提出了虛擬像素點(diǎn)的概念。

1.1.1 雙閾值判斷

雙閾值判斷建立在大津算法之上，大津算法就是在背景與前景目標(biāo)兩類(lèi)中間找到一個(gè)最佳閾值T，該閾值使兩類(lèi)目標(biāo)分錯(cuò)的概率最小，使類(lèi)間方差最大。算法實(shí)現(xiàn)如下：

其中，ω0為前景點(diǎn)占圖像比例；g0為前景平均灰度；ω1為背景點(diǎn)占圖像比例；g1為背景平均灰度；N0為像素的灰度值小于閾值T的像素個(gè)數(shù)；N1為像素的灰度值大于閾值T的像素個(gè)數(shù)；圖像的大小為M * N。帶入 g 得最大圖像類(lèi)間方差：

當(dāng)從最小灰度T = 0遍歷255個(gè)灰度，使圖像類(lèi)間方差σ最大時(shí)，此時(shí)的灰度值T就是自動(dòng)獲得分割圖像的最佳閾值。當(dāng)前景目標(biāo)之間灰度差異很大時(shí)，由于算法本身不考慮圖像局部灰度特征，而是縱覽全局得出最合適的閾值，導(dǎo)致部分前景被淹沒(méi)在背景之中。

前景車(chē)輛目標(biāo)不可避免的有白色車(chē)和黑色車(chē)同時(shí)出現(xiàn)的情況，白色車(chē)輛的出現(xiàn)使該幀閾值很大，使前景黑色車(chē)輛淹沒(méi)在背景之中，非常不利于前景車(chē)輛的提取。因此，本文不對(duì)前景信息進(jìn)行絕對(duì)值處理，在前景灰度圖像上進(jìn)行兩次大津算法。如圖4所示，前景圖像灰度直方圖正負(fù)灰度差分布不同，負(fù)數(shù)一邊為車(chē)輛顏色低于地面灰度，正數(shù)一邊為車(chē)輛灰度高于地面灰度。因高斯分布不同必然導(dǎo)致更新背景閾值不同。因此，本文在灰度分布直方圖上進(jìn)行兩次大津算法，得到兩個(gè)閾值T1、T2，在閾值限制范圍內(nèi)進(jìn)行背景更新。

圖4 本文算法獲取閾值圖

1.1.2 虛擬像素點(diǎn)

考慮到算法本身，當(dāng)視頻檢測(cè)區(qū)域沒(méi)有前景運(yùn)動(dòng)目標(biāo)時(shí)，視頻序列當(dāng)前幀與背景做差得到的圖像絕大部分像素點(diǎn)灰度值為零，此時(shí)應(yīng)該提取不到任何前景，但經(jīng)過(guò)大津算法二值化的圖像強(qiáng)制錯(cuò)誤的在灰度值為零左右的點(diǎn)得到閾值，導(dǎo)致全圖像出現(xiàn)噪聲。為了抑制噪聲，我們需要在圖像另一端構(gòu)造出虛擬的前景，從數(shù)學(xué)上看，加入新的高斯分布是為了大津算法能夠找到分割圖像的閾值，而又不破壞背景圖像。本文算法在每幅處理的圖像中加入給定的虛擬像素點(diǎn)，這些虛擬像素點(diǎn)加在像素灰度值最大的點(diǎn)上。這些虛擬像素點(diǎn)不在圖像中真正的存在，只是在計(jì)算得到閾值時(shí)遍歷所有灰度中參與運(yùn)算出現(xiàn)。作為虛擬像素點(diǎn)，他們的灰度值和數(shù)量這兩個(gè)參數(shù)設(shè)置尤為重。1.檢測(cè)區(qū)域沒(méi)有前景運(yùn)動(dòng)目標(biāo)時(shí)，作為虛擬前景物體出現(xiàn)，保證自適應(yīng)閾值在一個(gè)合理范圍。2.檢測(cè)區(qū)域有前景運(yùn)動(dòng)目標(biāo)時(shí)，虛擬像素點(diǎn)不會(huì)對(duì)自適應(yīng)閾值造成影響。由于虛擬像素點(diǎn)的加入，造出了兩個(gè)高斯分布，滿(mǎn)足大津算法的應(yīng)用要求，將計(jì)算得出的閾值作為背景更新范圍反饋給卡爾曼濾波器進(jìn)行背景更新。

1.2 強(qiáng)制背景更新

在視頻檢測(cè)中，經(jīng)常出現(xiàn)因天氣問(wèn)題造成光照亮度的突然變化，導(dǎo)致路面的灰度變化被當(dāng)做前景物體錯(cuò)誤的檢測(cè)出來(lái)，需要將已經(jīng)變化的背景快速更新過(guò)來(lái)。本文為了解決此類(lèi)問(wèn)題，在卡爾曼濾波中加入了強(qiáng)制背景更新時(shí)間T，t是強(qiáng)制更新的等待幀數(shù)，若t小于經(jīng)驗(yàn)值T，認(rèn)為該像素點(diǎn)值為前景車(chē)輛，若t大于等于T，認(rèn)為當(dāng)前背景已經(jīng)發(fā)生變化，立即更新背景。

2 仿真驗(yàn)證及結(jié)果分析

采用 VC+ + 9.0在OpenCV圖像開(kāi)發(fā)包的基礎(chǔ)上實(shí)現(xiàn)本文提出的算法。試驗(yàn)是在 Intel Core i5 CPU，2.67GHz，4GB內(nèi)存，Win7計(jì)算機(jī)上完成。使用的視頻序列的圖像分辨率為640×480，幀率為25fps。圖5為某路段傍晚時(shí)刻視頻加入雙閾值判斷前后處理結(jié)果。對(duì)比發(fā)現(xiàn)本文算法在光線(xiàn)昏暗條件下，背景未受到前景黑色、白色車(chē)輛影響，背景更新效果較好。

圖5 某路段拍攝視頻

如圖6所示，圖6(b)受到前景車(chē)輛的影響，部分背景融入了前景信息，圖6(c)右側(cè)車(chē)輛拖影被當(dāng)作前景目標(biāo)檢測(cè)出來(lái)，背景更新效果較差。圖6(d)與圖6(e)分別為該幀視頻背景更新效果圖和前景目標(biāo)檢測(cè)效果圖。對(duì)比發(fā)現(xiàn)，當(dāng)車(chē)流量較大的路段傳統(tǒng)背景更新效果較差，本文通過(guò)選擇性更新及設(shè)定更新閾值方法背景更新效果較好。

圖6 某路段拍攝視頻

3 結(jié)束語(yǔ)

通常學(xué)者僅僅把研究背景模型的重點(diǎn)放在背景更新算法上，常常忽略了如何正確地選取背景進(jìn)行更新，沒(méi)有清晰地劃分前景與背景的界限，再好的更新算法也只會(huì)事倍功半。本文背景模型從選擇背景的更新范圍為突破口結(jié)合大津算法，引入虛擬像素點(diǎn)和雙閾值概念為特點(diǎn)，將得到的閾值用來(lái)選擇性更新背景。本文背景模型算法解決了背景因突然光照變化不能及時(shí)更新的問(wèn)題，同時(shí)在光照昏暗及車(chē)流量較大的情況下背景更新有較好的適應(yīng)性，并且在車(chē)輛長(zhǎng)期停靠和挺靠后駛離監(jiān)控區(qū)域時(shí)，能夠及時(shí)快速更新背景，相比傳統(tǒng)背景建模具有較好的普適性。

[1]侯杰虎.基于kalman濾波器的視頻運(yùn)動(dòng)目標(biāo)跟蹤算法研究[D].成都理工大學(xué),2012.

[2]張運(yùn)勝.基于視頻的城市道路交叉口場(chǎng)景中車(chē)輛檢測(cè)方法研究[D].東南大學(xué),2016.

[3]鄒承明,李偉.一種改進(jìn)的自適應(yīng)背景更新算法[J].武漢理工大學(xué)學(xué)報(bào),2009,03：45-48.

[4]徐方明,盧官明.基于改進(jìn)surendra背景更新算法的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J].山西電子技術(shù),2009,05：39-40+71.

[5]陳雷.基于自適應(yīng)背景模型的運(yùn)動(dòng)目標(biāo)檢測(cè)[D].北京交通大學(xué),2016.