基于混合高斯模型的运动车辆检测

邵 毅，温 艳，曹吉花

宿州学院煤矿机械与电子工程研究中心，安徽宿州，234000



基于混合高斯模型的运动车辆检测

邵 毅，温 艳，曹吉花

宿州学院煤矿机械与电子工程研究中心，安徽宿州，234000

以高斯混合背景模型为基础，对视频中的图像进行背景建模。然后利用开运算进行噪声消除，最后对处理后的图像进行Blob分析完成背景和前景的提取，从而实现对行驶汽车的检测和数量统计。视频由固定相机在路口采集，为验证算法的的有效性，采用MATLAB中计算机视觉工具箱对采集视频进行实验，实验结果表明，此算法对交通路口车辆的检测和计数准确性，并具有一定的鲁棒性。

高斯混合模型；背景模型；汽车检测

视频智能监控技术作为智能交通系统的核心技术之一，主要任务就是对行驶汽车的检测，检测结果可为交通监测、控制、分析、决策、调度，以及车辆追踪和解决交通拥堵问题等提供重要的依据[1]。这种检测计数的关键是克服环境光线变化、相机抖动、信号噪声等干扰对背景提取的影响，而准确高效的背景提取是分离前景和背景的基础[2]。高斯混合模型(Gaussian Mixture Model,GMM)对光线变化较大以及噪声较多的图片背景的高效处理，可以顺利地在检测前期完成对行驶中汽车的背景进行提取，为分离前景和背景以及完成检测计数的稳定性、准确性和实时性提供有效保障。

1 行驶汽车检测算法设计

本算法首先利用GMM完成背景建模、再利用形态学的开运算进一步去噪，最后采用Blob分析法分离前景和背景，完成行驶车辆的检测，最后统计车辆数目并显示。

1.1 背景建模算法

先将采集视频中的图像帧进行预处理后得到对应的灰度图像，为找出图像的帧内和帧间信息以提取背景。目前使用较多、算法相对简单，且实时性行较高的是背景差分法。该方法可以较好地克服环境光线变化、相机抖动、汽车运动、信号噪声对背景提取的影响，其中建立在背景差分法上的高斯模型对克服上述影响比较有效。

单高斯模型(Single Gauss Model,GSM)是将图像帧中的各像素点建立一个高斯模型，然后利用连续的多个图像帧来持续更新、完善这个模型，使之更接近真实状况，最后将接下来的图像帧和训练后模型进行对比，区分出背景和前景，从而实现背景提取。实际行驶车辆的图像帧中像素点变化很多源自干扰，所以GSM极易产生提取背景失真。而GMM是使用多个GSM连续对图像帧中像素点进行建模，然后按权重合成一个概率分布函数，函数值越大就越可能成为背景[3-4]，从而较好地克服背景失真。GMM算法描述如下：在图像帧中位置为X的像素点I在视频帧序列中的取值为{x1,x2,x3,x4,…,xn}，在时间T建立该像素点的GMM，其概率分布函数如(1)式。

(1)

(2)

式中，μ和σ2表示GMM的均值和协方差，I为该点像素值。若该像素点在T个标准偏差内则匹配，如(3)式：

(3)

则模型参数更新，如(4)式、(5)式。

μt,x,i=(1-ρ)μt-1,x,i+ρ(It,x)

(4)

(5)

ρ表示GMM的学习率，它控制着μ和σ2的收敛与否，以此判定该像素点是作为背景还是前景。

1.2 噪声消除算法

在高速行驶车辆的视频图像中，图像的退化主要来源是各种环境噪声，为提高背景模型提取的真实有效性，在提取过程中，必须进行去噪处理。随着各种算法的出现和发展，图像去噪方法越来越多，其中较为简单有效的是数学形态学，它的思想是定量使用集合理论来描述图像中的几何结构。这种方法以集合作为基本运算单元，包括膨胀和腐蚀两个基本运算。设A为图像帧集合，B为图像帧的像素点，用B对A进行操作：A用B来膨胀，如(6)式。A用B来腐蚀，如(7)式。

(6)

(7)

一般将图像帧的集合A先腐蚀后膨胀称之为开运算，如(8)式。

A∘B=(AΘB)⊕B

(8)

形态学的开运算具有良好的并行结构，可以在简化图像数据的同时保持图像的基本结构特性，去除与之不相干的结构元素，提取后图像边沿比较平滑，且对图像的面积影响较小。为提升检测方法的鲁棒性，对图像帧进行开运算去噪。

1.3 基于Blob分析的车辆检测

Blob分析的目的是将去噪后的灰度图像进行分割，得到前景和背景。灰度值一致区域如果是连通的，则称为一个Blob。Blob分析是将图像中相同部分(前景)的像素通过灰度值标识出来。Blob分析广泛地应用于缺陷检测、区域分类、感兴趣区域提取和区域特征分析等方面，其主要流程如图1所示。

图1 Blob分析流程

图像的特征分割由两步构成：进一步去噪的中值滤波；利用图像直方图的阈值处理。这里的特征是指不依赖图像灰度值的几何特征。通过查找连通域，最后得到Blob块[5]。

经过背景提取、去噪以及Blob分析后，视频的随后图像帧即可与背景模型进行对比，然后判断图像是前景还是背景，进而完成计数。这样，对视频中的随后图像帧，根据计算出的前景模型，使用减背景提取前景的方式即可完成行驶车辆的检测和计数。

2 实验结果

所使用的视频文件在206国道宿州段汴河大桥采集，avi格式，分辨率1280*720，码率1461 Kbps。采用MATLAB 2014a提供的计算机视觉工具箱(Computer Vision Tool Box)进行处理。

2.1 前景提取

首先，将监控摄像头拍摄的视频导入，然后初始化前景检测器。主要程序如下：使用MATLAB中Computer Vision Tool Box提供的前景检测函数vision.ForegroundDetector。

图2 输入视频的一帧图像

图3 前景提取图像

foregroundDetector=vision.ForegroundDetector(′NumGaussians′,3,…

′NumTrainingFrames′, 60);

videoReader=vision.VideoFileReader(′traffic.avi′);

for i=1:150

frame=step(videoReader);%read the next video frame

foreground=step(foregroundDetector,frame);

end

figure;imshow(frame);title('Video Frame');

2.2 在初始化的视频帧中进行车辆检测

对图像帧进行去噪，采用vision.BlobAnalysis函数进行检测，用绿色框对检测到的汽车进行标记，在画面的左上角显示计数值。其中strel函数是形态学操作函数，主要代码如下。

se=strel(′square′, 3);

filteredForeground=imopen(foreground,se);

figure;imshow(filteredForeground); title(′Clean Foreground′);

blobAnalysis=vision.BlobAnalysis(′BoundingBoxOutputPort′,true,…

′AreaOutputPort′,false,′CentroidOutputPort′,false,…

′MinimumBlobArea′,150);

bbox=step(blobAnalysis, filteredForeground);

result=insertShape(frame,′Rectangle′,bbox,′Color′,′green′);

numCars=size(bbox,1);

result=insertText(result,[10 10],numCars,′BoxOpacity′,1,…

′FontSize′,14);

figure;imshow(result);title(′Detected Cars′);

图5 检测结果

图4 前景去噪图像

处理结果如图4、图5所示。根据训练的模型，可以对剩下的图像帧作持续检测。表1是在206国道宿州段汴河大桥南出口和宿州市雪枫公园南门公园路口采集视频中车辆检测结果，汴河大桥出口交通环境简单，环境光线变化较少，检出率为76.2%；而同样是相同时段在宿州市雪枫公园南门公园路口，由于环境相对复杂，周围树木、行人、广告牌等导致环境光线变化的干扰因素较多，车辆检出率降低，为63.5%。

表1 车辆检出率

3 结 语

本文在利用GMM对运动目标的背景提取进行分析时，提出了一个先进行GMM分析，再进行形态学去噪，最后查找Blob块的方法，以此来获取采集视频图像中的背景和前景，完成行驶汽车的检测。最后采用MATLAB的计算机视觉工具箱，依照设计方法对固定相机采集的道路车辆视频进行了实验，实验针对前60帧图像进行检测，进而对监控视频中的其余视频继续检测。结果显示：当环境光线稳定，运动目标所占图像面积40%以上时，检测结果准确稳定。由于采用的GMM模型虽然在前景分割较为准确，但是处理数据量大，当视频的背景比较复杂时，收敛速度降低，易出现检测错误。此外，该算法的运行所占用系统资源过大，耗时长，容易影响计数的实时性。因此，在实际应用时还应进一步根据环境具体特征对其算法进行改进，以适应复杂的交通条件下视频监控中车辆的检测。

[1]Raad Ahmed Hadi,Ghazali Sulong,Loay Edwar George.Vehicle Detection and Tracking Techniques: A Concise Review[J].Computer Science,2014,5(1):1-12

[2]符笛.基于背景建模的车辆检测算法研究[D].合肥:中国科学技术大学信息科学技术学院,2015:1-3

[3]蔡英凤,王海,张旭.面向复杂道路场景的视觉车辆检测算法[J].科学技术与工程,2015,15(20):84-88

[4]Daniel Ponsa,Joan Serrat,Antonio M.Lo pez.Onboard image-based vehicle detection and tracking[J]. Transactions of the Institute of Measurement and Control,2011,33(7):783-805

[5]张瑜慧,吴江梅.基于高斯混和模型与Blob分析的人手定位[J].科学技术与工程,2013,13(31):9371-9374

(责任编辑：汪材印)

2016-08-20

安徽省教育厅自然科学研究重点项目“基于WinCC及PLC的无极绳连续牵引车综保系统研究”(KJ2015A200)；宿州学院产学研合作培育项目“无线传感器网络节点非接触供电技术研究”(2014cxy02)。

邵毅(1983-)，安徽蚌埠人，硕士，讲师，主要研究方向：数字图像处理，机器视觉。

10.3969/j.issn.1673-2006.2016.11.028

TP391.41

A

1673-2006(2016)11-0105-03