背景模型实现车辆检测设计

随着智能交通技术的发展，智能交通系统中交通检测已经成为计算机视觉技术应用的一项重要课题。序列图像中车辆检测与跟踪在智能交通领域中起着关键作用。车辆检测常用的方法有基于帧间的差分办法、光流法和基于背景的差分办法。基于背景的差分办法能解决基于帧间差分办法和光流法中的问题，并且计算简单，但是背景容易受到交通环境和光强度的影响，理想的背景不容易获得，所以，自适应环境变化的背景模型对运动车辆检测的精确性起着非常重要的作用。

　　1 算法描述

　　算法（Algorithm）是一系列解决问题的清晰指令，算法代表着用系统的方法描述解决问题的策略机制。也就是说，能够对一定规范的输入，在有限时间内获得所要求的输出。如果一个算法有缺陷，或不适合于某个问题，执行这个算法将不会解决这个问题。不同的算法可能用不同的时间、空间或效率来完成同样的任务。一个算法的优劣可以用空间复杂度与时间复杂度来衡量。

　　智能交通系统是目前世界和各国交通运输领域竞先研究和开发的热点，基于背景差分的办法是从视频流中检测运动物体常用的方法，是目前研究的重点。由于受到交通状况、天气和光强度等因素的影响，不容易获得理想的背景，尤其在交通堵塞、车辆行动缓慢或者临时停车等情况下，背景更新率低。

　　图1为车辆检测流程图。首先，建立基于区间分布的快速自适应背景模型，然后利用改进的基于ε-δ的背景更新算法对建立的背景模型进行选择性更新，结合阈值分割和形态学操作实现运动车辆的提取。实验结果表明，本文提出的算法对于复杂交通环境（交通堵塞、车流量非常大、车流缓慢、交通堵塞或临时停车等情况）有很好的背景提取和更新效果，与经典的算法相比，在实时性和准确性方面都有所提高。

　　2 自适应背景模型

　　为了解决车辆检测精确度问题，国内外学者在背景建模方面做了大量的研究。参考文献[4]利用视频图像中最近N帧的像素点的平均值的作为背景模型，这种方法在多个运动目标或者运动目标行动缓慢时，对于频繁变化的像素，需要多个高斯混合分布才能反映背景像素的变化。这些方法要求在背景模型的建立过程中没有运动车辆并且建立背景模型的时间较长，不能满足实际应用的需要。本文提出简单有效的背景模型和更新的方法。

　　2.1 背景模型的建立

　　在视频图像序列中，可以统计出每个坐标点像素值的分布，并设定出现频率高的像素值作为背景模型中对应点的像素值。但是这种方法计算量比较大，并且对光线和背景的逐渐改变适应性差。

在定义了ui（x,y）和Ci（x,y）后，建立背景模型的细节步骤如下：

　　（1）确定当前像素属于哪个区间，设定为i。

　　（2）计算ui（x,y）和Ci（x,y）。

　　（3）根据Ci（x,y）把区间从小到大分类。

　　（4）设定Ci（x,y）最大的区间的ui（x,y）作为背景模型Mt中对应点的像素值。

　　（5）对视频流各帧所有像素点重复步骤（1）~（4）。

2.2 背景模型更新

　　经过上述几个步骤，得到能自适应光强度变化的背景模型。但在车辆拥挤、临时停车或者车辆运动缓慢的情况下，背景模型容易出错，导致车辆检测准确性降低。为了在复杂交通状况下也能得到理想的背景模型，论文在传统σ-δ背景更新方法基础上提出了一个是否更新背景模型的判断尺度。

3 运动目标提取

　　在获得重建的背景之后，可以根据当前图像和背景图像的差值求得运动目标。背景差图像为D（x,y）=I（x,y）-B（x,y）。图像中所有低于这一阈值的像素集将被定义为背景， 而高于这一阈值的像素集定义为运动目标。采用归一化的方法，即低于阈值的赋0值， 高于阈值的赋1值。不论以何种方式选取阈值， 取单阈值分割后的图像可定义为：

　　阈值分割法是一种基于区域的图像分割技术，其基本原理是：通过设定不同的特征阈值，把图像象素点分为若干类。常用的特征包括：直接来自原始图像的灰度或彩色特征；由原始灰度或彩色值变换得到的特征。设原始图像为f（x，y），按照一定的准则f（x，y）中找到特征值T，将图像分割为两个部分，分割后的图像为：若取：b0=0（黑），b1=1（白），即为我们通常所说的图像二值化。

　　本文选取基于最大方差理论的大津法作为视频车辆检测中阈值分割的处理算法。取阈值将物体从背景中分离出来，实际上就是将图像中的所有像素分为2组，或属于物体像素，或属于背景像素。由概率论中的理论得知，若使待分割的2组数据方差最大，则得到2组数据的错分概率最小。

经过阈值分割已经能够成功地分割出运动车辆。大津法分割得到的二值图像仍然在车辆内部存在黑色像素点的问题。为了使检测到