对运动车辆检测之背景减除法的一点改进

赵光磊 许向阳

摘 要：采用背景减除法来进行运动车辆的检测，同时利用两次统计平均的方法以及适当的参数的选择，来进行背景的更新，通过数学形态学对结果进行修正，最后用Matlab对算法进行了仿真，证明该算法对运动车辆检测的有效性。

关键词：运动车辆；背景减除；统计平均；数学形态学

1 引言

智能视频监控的内容主要包括运动目标检测，目标分类，目标跟踪和行为理解四大部分[1]，运动目标检测的目的是将背景图像中出现变化的区域的图像分割出来，它是运动目标分析与识别的基础。

目前能够实现运动物体检测的方法主要有以下几种：

1）帧间差分法[2]（Fame difference method），该算法是在连续的图像序列中两个或三个相邻帧间，采用逐像素的差分并阈值化来提取出图像中的运动区域，它能较快地检测出视频图像中发生变化的部分。

2）背景减除法[3-4]（Background subtraction method），该算法是当前运动目标检测时最主流的方法之一，它是将图像序列分为前景和背景，然后对背景进行建模，再用当前帧与背景图像进行差分来检测运动区域。该算法需要根据实际情况来确定阈值，所得结果可以直接反映出运动目标的位置、大小、形状等有效信息。

3）光流法（Optical flow method），光流反映了在一定时间间隔内由于运动所造成的图像变化，对图像的运动场进行估计，将相似的运动矢量合并为运动目标，然后利用目标的矢量流特征，如大小和方向等来检测运动区域[5]。

本文对视频监控中的运动车辆检测问题进行了深入的研究，针对传统背景减除算法用于运动目标检测时，背景图像的提取加以改进，提出一种空白背景与统计平均相结合的背景更新机制，并通过Matlab进行仿真。

2 基于背景减除法的运动目标检测

背景减除法是当前运动目标检测中常用的一种方法，它利用当前图像与背景图像的差分来检测运动区域。该算法实现简单，一般能够提取出完整的目标图像，对于背景己知的情况该方法是一种有效的运动目标检测算法。其算法步骤如下：

第一步，应用统计平均法获取背景图像Bk，同时根据视频序列获取当前图像Fk，k表示第k帧图像，求出两帧图像的绝对灰度图像

第二步，设定阈值TH并将差值图像二值化，进而提取出运动目标

第三步，使用数学形态学[6]对帧差图像bk进行滤波处理，然后再对其进行区域连通性分析，当某一连通的区域的面积大于某一给定阈值，则成为检测目标，并认为该区域就是目标的区域范围。

3 背景图像获取的改进

通过前文的介绍，我们可以知道背景减除法的关键就在于背景模型的提取及背景模型是否可以实时的更新。显而易见，最简单的一种获取背景图像的方法是当视频中无任何目标出现时捕获到的背景图像，但是这种方法仅仅适用于短时间内的运动目标检测，对于长时间的监控来说不太适用。本文所采用的估计背景图像的方法是上述方法与统计平均方法的结合使用，具体步骤如下：

第一步，通过视频序列，设定好一足够小的阈值TH?，然后每两帧做差分，直到每一个像素点的做差结果都小于设定的阈值，即Fk-FK+1

第二步，利用统计平均算法估计背景图像。

统计平均方法：一种常用的自适应背景修正的方法，是对背景图像进行多幅平均，这种方法一般适用于场景内目标滞留时间较短，目标出现不频繁的情况。简单的背景修正方法可采用如下公式计算

由公式（4-1）可知，利用统计平均方法对背景图像进行更新，N是非常重要的参数。如果背景中目标出现的频繁频率不是太大，参数N不需要太大，就可以获得一个较为准确的背景图像的估计图像，若背景中目标出现移动缓慢，则参数N就需要大一些。

第三步，用步骤一的空白背景和步骤二的估计背景再做统计平均处理，得到新的背景图像Bk。

4 Matlab仿真结果

为了验证本文算法的有效性，用一段公路监控片段作为测试视频。本文对帧率为15fps的序列图像（120像素×160像素） 进行仿真，用本文给出的算法进行背景的构建。算法的仿真试验结果如图1所示。

图（a）为测试视频中的一帧彩色图像，然后进行灰度处理，通过本文改进的背景提取算法，得到实时背景图像（b），图（c）是本文通过背景减除法，并经过数学形态学滤波处理以及连通性分析得到的测试结果，此结果充分说明本文方法能够准确的检测到运动车辆。

5 结束语

本文通过背景减除法以及空白背景算法与统计平均法结合的的背景更新机制实现了运动车辆的检测，并通过Matlab软件对其进行了仿真，证实了该算法的有效性，为进一步车辆的跟踪与行为的理解打下了坚实的基础。

[参考文献]

[1]方帅.计算机智能视频监控系统关键技术研究.东北大学控制理论与控制工程专业博士论文，2005：18-19.

[2]PARAGIOSN，TZIRITASC.Detection and Location of Moving ObjectsUsing Deterministic Relaxation Algorithms[J].Proceedings of the 13th International Conference on Pattern Recognition.1996，1（1）：201-205.

[3]MONNETA，MITTALA，RAMESHV.Background modeling and subtractionof dynamic scenes[J].Proceedings of Ninth IEEE International Conference onComputer Vision.2003，2：1305-1312.

[4]MCKENNAS，JABRIZ， DURICZ.Tracking groups of people[J]. Computer Vision and Image Understanding，2000，80（1）：42-56.

[5]OHTAN，KANATANIK，KIMURAK.Moving Object Detection from OpticalFlow without Empirical Thresholds[J].IEEE Transactions on Information andSystems，1998（2）：243-245.

[6]冈萨雷斯.数字图像处理[M].电子工业出版社，2004.