背景模型實(shí)現(xiàn)車輛檢測設(shè)計(jì)

　　3 運(yùn)動目標(biāo)提取

　　在獲得重建的背景之后，可以根據(jù)當(dāng)前圖像和背景圖像的差值求得運(yùn)動目標(biāo)。背景差圖像為D（x,y）=I（x,y）-B（x,y）。圖像中所有低于這一閾值的像素集將被定義為背景， 而高于這一閾值的像素集定義為運(yùn)動目標(biāo)。采用歸一化的方法，即低于閾值的賦0值， 高于閾值的賦1值。不論以何種方式選取閾值， 取單閾值分割后的圖像可定義為：

　　閾值分割法是一種基于區(qū)域的圖像分割技術(shù)，其基本原理是：通過設(shè)定不同的特征閾值，把圖像象素點(diǎn)分為若干類。常用的特征包括：直接來自原始圖像的灰度或彩色特征；由原始灰度或彩色值變換得到的特征。設(shè)原始圖像為f（x，y），按照一定的準(zhǔn)則f（x，y）中找到特征值T，將圖像分割為兩個部分，分割后的圖像為：若?。篵0=0（黑），b1=1（白），即為我們通常所說的圖像二值化。

　　本文選取基于最大方差理論的大津法作為視頻車輛檢測中閾值分割的處理算法。取閾值將物體從背景中分離出來，實(shí)際上就是將圖像中的所有像素分為2組，或?qū)儆谖矬w像素，或?qū)儆诒尘跋袼?。由概率論中的理論得知，若使待分割?組數(shù)據(jù)方差最大，則得到2組數(shù)據(jù)的錯分概率最小。

　　經(jīng)過閾值分割已經(jīng)能夠成功地分割出運(yùn)動車輛。大津法分割得到的二值圖像仍然在車輛內(nèi)部存在黑色像素點(diǎn)的問題。為了使檢測到的運(yùn)動目標(biāo)完整而連續(xù)，對背景幀差法得到的二值圖像進(jìn)行形態(tài)學(xué)膨脹與腐蝕。實(shí)驗(yàn)證明，經(jīng)過三次膨脹與腐蝕之后的圖像，可以基本填補(bǔ)運(yùn)動目標(biāo)的空洞。

　　4 實(shí)驗(yàn)結(jié)果

　　本文以智能交通中車輛自動監(jiān)視系統(tǒng)為應(yīng)用背景，通過實(shí)驗(yàn)證明提出方法的正確性。使用固定在三腳架上的攝像機(jī)在室外攝取不同場景的視頻進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)平臺為PC機(jī)Matlab7.0仿真。

　　圖3為自適應(yīng)背景模型的提取。選取特殊的臨時停車情況，本文提出的算法能夠自適應(yīng)提取出背景模型。本文提出的算法在第621幀時能夠得到理想的背景模型，如圖3所示；而利用高斯分布提取背景模型的方法則在1 460幀時才能獲得如圖所示的理想的背景模型。所以該算法比傳統(tǒng)的算法在計(jì)算速度上有所提高，能夠?qū)崟r性地檢測出運(yùn)動車輛。

　　圖4為一段城市交通視頻，圖5為城市交通視頻中臨時停車情況，其中左下角為原始視頻，右下角為本文算法提取的背景模型，左上角為檢測出的運(yùn)動物體，右上角為標(biāo)定檢測出的運(yùn)動車輛。圖4分別取了城市交通視頻的第59幀和第114幀，圖5選取了第618幀和第673幀，可以看出在繁忙的城市交通中，本文提出的算法能夠準(zhǔn)確地檢測出運(yùn)動車輛。

　　從圖4中可以看出在城市交通場景中運(yùn)動車輛能夠?qū)崟r地提取出理想的背景模型。通過背景差分辦法并結(jié)合閾值分割和形態(tài)學(xué)操作，精確地得到了運(yùn)動區(qū)域。

　　從圖5可以看到臨時停車時，能夠準(zhǔn)確提取出背景模型。當(dāng)車輛經(jīng)過短暫的停車又并入車流時，背景中這個車輛慢慢變得模糊，而且在運(yùn)動目標(biāo)提取時提取了該車輛。說明該算法能夠在提高計(jì)算速度的同時保證檢測精確度。

　　本文以背景模型的建立和選擇性更新為基礎(chǔ)實(shí)現(xiàn)車輛檢測。為了適應(yīng)快速改變的交通環(huán)境，本文提出一個自適應(yīng)的背景模型算法。在建立自適應(yīng)背景模型后，利用灰度圖像與背景模型差分實(shí)現(xiàn)運(yùn)動目標(biāo)提取。仿真實(shí)驗(yàn)證明，提出的算法在像素水平上建立自適應(yīng)光強(qiáng)度等環(huán)境變化背景模型，同時估計(jì)交通流量的大小，通過對交通流量的估計(jì)判斷是否更新背景模型。本文提出的算法對于復(fù)雜交通環(huán)境（交通堵塞，車流量非常大，車流緩慢，交通堵塞或臨時停車等情況）有很好的背景提取和更新效果，并且能實(shí)時精確地提取出運(yùn)動車輛的完整信息。