基于视频的运动车辆检测算法研究

李辉 王冬秀

（广西科技大学 计算机科学与通信工程学院，广西 柳州 545006）

【摘 要】文章针对道路交通监控中的运动车辆检测问题，提出了一种改进的基于背景差分算法的运动车辆检测方法。该方法改进了背景模型的构建，并运用了数学形态学方法对差分二值化图像进行滤出噪点、填补空洞、边缘平滑等处理。实验结果证明了算法对基于视频的运动车辆检测的有效性和实时性。

【关键词】运动车辆检测；背景差分法；形态学滤波

【中图分类号】TP274 【文献标识码】A 【文章编号】1674-0688（2016）04-0033-03

0 引言

运动车辆检测是智能交通系统的一个重要课题，在车辆违章、车流量检测等方面具有广泛的应用前景，常见的运动车辆检测方法主要有帧间差分法、光流法、时间差分法和背景差法等[1]。其中，帧间差分法检测速度较快，运算算法相对简单，可以在实时性要求高的场景下检测。光流法计算比较复杂耗时，很难做到实时检测。时间差分法适用于动态变化的场景，但很难完整地分割运动对象，故无法作进一步的对象分析和识别。背景差法一般应用在摄像机相对固定的条件下，在算法速度和检测效果方面的综合性能最好[2]，背景差分法的重点在于怎样建立背景，并做到实时动态地更新背景。

1 运动车辆检测与常用方法

1.1 帧间差分法

帧间差分方法是通过对视频中2个或3个相邻帧图像作差分运算，并通过阈值来提取运动车辆轮廓的算法。帧间差分法是基于视频流中相邻的图像帧，将相邻两帧或多帧图像中像素相减，消除图像中的背景及静止的物体，可以适用于多个运动目标的检测[3]。

帧间差分法的优点是检测的算法容易实现，复杂度低；对光线等背景变化不太敏感，可以适应不同的动态环境，可靠性高。缺点是很难提取到待检测运动目标的所有区域，仅能提取待检测目标的边界，检测效果取决于所选择图像帧的时间间隔。

1.2 光流法

光流是空間运动目标表面被观测的像素点在视觉传感器的成像，它包含了运动物体表面结构与动态行为的信息[4]。光流的应用研究主要采用图像帧中像素的时域变化与其相关性来确定像素位置的“运动”[5]，光流场是采用二维图像来表示运动目标的三维运动的速度场。

光流法的优点是可以在不需要预先知道场景的相关信息的情况下就能够检测独立运动的目标，在拍摄像机移动的时间也能进行检测，有非常强的适用性，可以工作在时时变化的背景环境中。光流法的缺点是处理数据量很多，计算复杂度高，不容易实现，耗时长，实时性差，抗干扰能力弱。

1.3 背景差分法

背景差分法是运动目标检测中最常用的一种方法，采用当前图像帧和背景图像的差分来检测运动区域，其性能主要依赖于背景建模技术[6]。背景差分法中背景图像的建模的质量，决定着运动车辆检测的有效性。

背景差分法优点是检测运动目标速度较快，检测相对准确，比较容易实现，其关键是背景图像的建模与获取。在实际应用中，由于背景图像的不断改变，静止背景是不易获得的，需要通过视频序列的帧间信息来计算和重建背景。

2 基于背景差分法的改进

鉴于背景差分法在运动目标检测中的优势，本文采用一种改进的背景差分法对运动车辆进行检测。首先是背景初始化运用多帧图像求平均的方法，这样建立的背景模型比较接近真实环境；其次采用自适应调节速率的算法更新背景模型，使得动态变化的背景有较高的精度与准确性；最后运用了数学形态学方法对差分二值化图像进行滤出噪点、填补空洞、边缘平滑等处理。

2.1 背景建模

背景模型的准确性是车辆检测的关键，本文是采用基于多帧图像求平均的背景建立方法。背景建模过程是在图像帧中用累加求和运算对背景的像素进行累加，用视频图像平均灰度值来代替目标车辆出现的区域，这样能消除背景对待检测目标车辆的影响。算法的具体步骤如下。

Setp1：在待检测的视频流中每隔10帧图像就采集1帧图像。

Setp2：对采集到的图像进行前后两两相减运算得到差分图像，再对差分图像进行累加与求平均运算。

Setp3：假若差分图像中的灰度值小于给定的阈值，则用下一帧图像中对应位置的灰度值代替；假若差分图像中的灰度值大于给定的阈值，则用图像的灰度平均值来代替此处位置的灰度值。

Setp4：将各背景图像再次进行累加平均运算就能得较真实的背景图像。

2.2 背景模型的更新

背景模型建立后，因背景环境的不断变化，需要对背景模型进行更新。为了在背景不断更新的情况下保持运动车辆检测的稳定性，要求背景差分算法具有较强的鲁棒性，能够能适应背景在不同光照下的变化，能适应出现背景振动（如树叶晃动、监视器屏幕闪烁等），能适应背景中物体的变化（如背景中物体的增加与消失），能消除运动车辆或物体的阴影对背景的影响。

为了解决这些问题，本文采用自适应调节更新速率的方法进行背景模型更新，根据当前图像帧中像素灰度值来确定更新的速率。假若当前图像帧中某处像素的灰度值跟前一帧频相应的灰度值相关较大，那么应该降低背景更新的速率，反之就加快背景更新的速率。

2.3 阈值的选取

在采用背景差分法的运动车辆检测中，需要对背景差分运算所获得的图像进行二值化处理。图像二值化处理是指运用图像分割算法把前景目标像素点从背景像素中分割开来，因此怎样分割图像是关键。图像分割是指用一个或多个阈值把视频圖像的灰度分成不同的部分，认为属于同一个部分的像素应该就是同一个物体。阈值取得过大，则可能将运动车辆的像素点误以为是背景的像素点，阈值取得过小，则可能将背景像素点误以为是运动车辆的像素点。故本文提出一个用当前图像平均灰度值来确定动态阈值的算法。

Step1：计算出图像中最大灰度值与最小灰度值，令初始始阈值为最大和最小灰度值的平均值。

Step2：根据初始阈值把图像分割为背景与目标2个部分，计算出这2个部分的平均灰度值L1和L2。

Step3：令分割阈值Th为L1与L2的平均值。

2.4 运动目标的提取

运动目标的提取是先确定图像的分割阈值，然后按阈值把差分后的图像进行分割，若是小于阈值的则此区域应为背景，若是大于阈值的则此区域应为前景。在对图像进行阈值分割的同时进行二值化处理，即分割为背景的像素点灰度值就置为0，而被分割为前景的像素点灰度值就置为1。算法如下。

if hk（i，j）>Tk，Ik（i，j）为前景，则Ik（i，j）=255；

else Ik（i，j）为背景，则Ik（i，j）=0。

经过背景图像差分处理、阈值分割、二值化处理等步骤后，基于视频的运动车辆的提取工作就算基本完成。

2.5 基于形态学的图像后处理

车辆检测的正确性是运动车辆检测中的关键，由于天气原因如风雨交加，背景因刮大风导致树叶晃动，大型机动车行驶过程引起摄像机抖动等，导致拍摄的视频图像中常常有大量的噪声与斑点。即使进行了图像二值化处理，还会存在部分噪声和斑点，这样不但不能准确地提取运动车辆相关特征值，还会影响运动车辆检测的效果。因此，需要采用数学形态学方法对二值化后图像进行滤出噪点、填补空洞、边缘平滑等处理。

3 实验结果与分析

为了验证本算法对运动车辆检测的有效性，采用了广西柳州市东环路一段道路监控视频片段进行了实验。算法是在Microsoft Vc++6.0和OpenCV上实现的，计算机操作系统为Microsotf Windows 7 SP1，CPU是Intel G2030 3 GHz、内存是4 GB，视频是由型号为警视卫D-30CP专业监控摄像机拍摄，像素为1 080×960，频率为25 fps。实验结果如图1至图10所示。

从实验结果证明，与传统基于高斯模型的算法相比，本文所构建的背景模型在车辆检测时能够完整地检测出运动车辆，能有效地抑制摄像机抖动与树叶晃动，所产生的噪声更少，具有良好的车辆检测精度和效果。

4 结语

笔者给出了一种改进的基于背景差分法的运动车辆检测算法，该算法改进了背景模型的构建，并运用了数学形态学方法对差分二值化图像进行滤出噪点、填补空洞、边缘平滑等处理。通过实验证明了算法对基于视频的运动车辆检测的有效性和实时性。该算法在雨雪天气的检测效果不是很理想，下一步将继续对本算法进行完善与优化。

参 考 文 献

[1]Piccard M.Background subtraction techniques：areview[J].IE EE International Conference on Syst-ems，Man and Cybernetics，2004（4）：3099-3104.

[2]Cheung S S，Kamath C .Robust background sub-

traction with foreground validation for urban traffic video[J].EURASIP Journal on Applied Signal Proc-essing，2005（14）：2330-2340.

[3]RT Collins，AJ Lipton，T Kanade.Introduction to the Special Section on Video Surveillance[C].IEEE trans.Pattern Analysis and Machine Intelligence，2000，22（8）：745-746.

[4]查成東，王长松，巩宪锋，等.基于改进K-均值聚类算法的背景提取方法[J].计算机工程与设计，2007，28

（21）：5141-5143.

[5]李辉.智能交通系统中基于视频的车辆检测与跟踪方法研究[D].上海：华东师范大学，2010.

[6]JC Tai，ST Tseng，CP Lin，KT Song.Real-timeimage tracking for automatic traffic monitoring and enforcement applications[J].Image and Vision Co-mputing，2004，22（6）：485-501.

[责任编辑：钟声贤]

【基金项目】广西教育厅科研项目“基于视频的运动车辆检测与跟踪应用研究”，项目编号：2011LX023。

【作者簡介】李辉，男，广西科技大学计算机科学与通信工程学院高级工程师，研究方向：智能交通，图像处理，模式识别；王冬秀，女，广西科技大学高级实验师，研究方向：图像处理，数据挖掘。