基于帧差法和背景差分法的背景提取及检测模型

摘要

改革开放以后，随着经济的高速发展，交通问题越来越开始影响着人们的生产和生活，由于汽车拥有量的急剧增加，城市交通问题日益严重，因此交通问题开始成为人们关心的社会热点。在我国，近年来，交通事故频繁发生，有效的交通监测和管理已迫在眉睫。

本文主要介绍了基于视频的车辆检测方法。对于问题一，首先分别应用像素 直方图分析法和分块直方图分析法对视频图像背景进行了提取，并发现两者提取 出的背景差别不大。然后我们应用基于统计分块的背景更新方法，针对本题背景 变化不大的特点，进行背景更新。然后我们介绍了前景提取的方法，针对帧差法 和背景差分法各自具有的优缺点，我们采取了综合考虑这两种方法的改进检测法。经过二值化得到较为清晰的前景轮廓。对于阴影干扰的消除，采用了基于HIS空 间的阴影检测算法来实现；然后，我们通过数学形态学去除了前景因为阴影干扰 而形成的孤立点、毛刺和小桥(连通两块区域的小点)，而保证前景总的位置和形 状不变。最后通过在视频图像中设置多个虚拟线圈来完成交通参数检测。

关键词：直方图分析法 背景更新 HIS阴影检测 数学形态学 虚拟线圈检测

一问题重述

改革开放以后，随着经济的高速发展，交通问题越来越开始影响着人们的生产和生活，由于汽车拥有量的急剧增加，城市交通问题日益严重，因此交通问题开始成为人们关心的社会热点。在我国，近年来，交通事故发生率居全世界之首， 公路交通死亡人数直逼十五万人，有效的交通监测和管理已迫在眉睫。

传统的视频监控由人工进行视频监测发现安全隐患或异常状态，或者用于事后分析，这种应用具有其固有的缺点，难以实现实时的安全监控和检测管理。因此， 及时适时的智能交通系统开始逐渐被运用起来。智能交通系统指对交通系统的规划、设计、实施与运行管理过程都实行智能化，交通运输系统的运营管理与组织生产智能化其实质就是借助各种科技手段和高新技术，特别是信息技术、计算机处理技术、数据通讯传输技术、电子控制技术、运筹学、人工智能等将其综合应用，以实现交通故障处理的智能化，加强道路监管，保证人民的生产生活的正常运转， 有效地预防了许多交通事故的发生。在不需要人干预或者很少人干预的情况下，通过对摄像机拍录的视频序列进行分析以实现车辆的定位、识别和跟踪, 并在此基础上分析和判断车辆的行为，对车辆的行为给出语义描述，做到了既能完成日常管理，又能在发生异常情况时做出及时反应。

在这里，智能交通系统主要要用到视频分析，即要做到智能区分监控对象的外形、动作，主动收集数据和分析数据，根据预设条件执行报警、记录、分析等。对于视频分析而言，其关键技术是建立合理的数学模型。所以我们要对该视频进行处理，分析其所包含的信息。关键是要通过提取合理有用的信息，解决以下问题： 一：根据提供的视频，建立提取附录提供的视频图像的数学模型。

二：结合已提取的背景，建立计算车流量数学模型。

二问题分析

总的来说，首先，摄像头拍摄得到实时交通场景的视频；然后，将视频转化为逐帧图像进行分析。通过一定的检测方法，对图像进行实时跟踪检测，断某区域是否有车辆，从而提取出交通流量参数。

由于本题要求设备能够依据检测视频智能检测分析监控区域实时状况，并依据预设条件作出相应动作。故我们首先得到背景图像，作为与视频中图像比较的基准。在获得背景图像后，对图像进行前景提取。经过以上两步，接下来通过一系

列图像的运算，得到视频监控区域当前的状况，做出相应动作。再根据一定的图像处理方法和准则判断某区域是否有车辆。检测出车辆后，可在跟踪模块对车辆进行跟踪。由检测和跟踪的结果可以分析提取出交通流量参数。

所以，问题一，根据给定的视频建立提取视频图像的数学模型，从视频中提取出背景图像和前景图像，同时适时进行背景更新，以使结果更加准确。为了消除噪声等其他负面因素的影响，我们要对提取出来的图像进行后处理操作，从而减小与实际的误差，使后续的车流量统计更加精确 。问题二，需要建立车流量统计的数学模型。通过问题一的求解结果，利用已取得的背景和前景，我们用虚拟线圈方法，获得较为准确的车流量数据。在运用虚拟线圈方法时，虚拟线圈的数目会对车流量的统计结果起到重要影响，需综合考虑。

三基本假设

1. 只针对该视频呈现信息，不考虑雨天、夜间等因素对视频分析的干扰。
2. 将只有部分进入视频的车按整个计算。
3. 不考虑车辆追尾和骤停等情况。
4. 不考虑车辆经过或风出动时摄像头的轻微扰动。
5. 除车辆以外道路上没有其它运动物体，即车辆是在场景中唯一运动的物体。
6. 车辆在检测过程中，并无频繁换车道。
7. 不考虑运动物体的临时停靠：由于高速公路停车危险很大，且现象较少，所以假设没有静止的车辆。

四符号说明

Nb	直方图灰度区间总数
Nd	进行直方图统计的总帧数
Ns	启动背景更新程序的帧间隔数目 Ns
Bn(x, y)	当前背景模型色
I n(x, y)	当前帧图像
DBn(x, y)	前景二值图像

DF n(x, y)	相邻两帧差分图像
DM n(x, y)	累加差分图像
Dn(x, y)	累加差分二值图像
M n(x, y)	综合法二值图像
V b,	当前帧的色度
S c	当前帧的饱和度
H c	当前帧的亮度
V b,	背景的色度
S b	背景的饱和度
H b	背景的亮度

五模型建立与求解

问题一模型建立

1. 1. 背景提取：
      1. 背景模型的构建及更新

背景模型构建及更新是背景差分法的关键步骤。采用背景差分法进行运动检测，首先要构建背景模型，再用当前图像和背景图像进行差分运算，并对差分图像进行区域分割，提取出运动区域。在交通场景中背景环境变化较大，如环境光线会随时间渐变，建筑物、树木或云层投射到地面的阴影也会随光线的变化而变化，临时停靠在路边的车辆等等，这些都会使背景发生渐变或突变。为了保证背景模型的健壮性及检测结果的准确性，这就要求对背景进行实时更新。但是， 更新过于频繁，则容易将一些本不应属于背景的运动物体更新到背景中，从而造

成检测结果的不准确；如果背景更新速度过慢，则会导致当背景发生变化后，原背景模型不能很快地适应，从而导致误拍率的提高。我们的目标在于构建一个准确的背景模型，该模型能够迅速地适应外界条件的变化，并及时做出响应，从而提高检测结果的准确度。

1. 1. 1. 1. 基于统计的背景模型

统计建模方法是基于概率统计理论的。理论上讲，所谓静止的“背景”即在图像序列中灰度不发生变化或变化很小的像素。从统计学的角度看，背景中像素的灰度值可以看作是一个统计的结果，即图像序列中各个像素在统计上最可能出现的值。这种方法建立的背景模型在静止区域和真实的背景相似度比较高，而在包含运动区域时就与真实背景产生偏差，因为运动区域的灰度变化影响了均值结果，适用于背景大部分时间可见、运动目标数量少的情况。而且，为了保证能有较小的估计偏差，需要对很长的视频序列进行计算求其均值，背景的更新速度较慢。

方法一

像素直方图分析法是基于统计的背景提取方法。其主要特点为，在一般情况下，提取出的背景较时域平均方法好，同时其具有良好的抗噪声干扰性。其缺点为运算速度慢，运算量大，在即时有效提取背景方面仍有不足。

其实现过程为：

某一时间段内，视频中图像序列特定像素位置处出现频率最高的像素值是背景像素值，通过存储视频中每一像素位置在序列的时间轴方向上的直方图信息

(即在某一时间段内统计该像素位置处每一种可能的像素值所出现的次数)，取该像素位置的直方图峰值所对应的像素值作为背景像素值。这样，对某一位置处的像素进行直方图统计就变成对该像素灰度落在各区问段的次数进行统计。

涉及的参数有：

设Nb为直方图灰度区间总数；Nd为进行直方图统计的总帧数；Ns为启动背景更新程序的帧间隔数目，即每隔Ns 帧，背景更新一次。

为了减少算法对内存的需求量，可以将直方图灰度参数划分成区间段，然而仍不能避免对每一个像素都进行直方图统计分析计算量的缺点；同时，区间段越多，图像可用的灰度级会反之减少，不利于在背景提取时得到具有连续整数灰度

值的图像。灰度值的不连续性过多，我们利用该算法提取的背景图像的失真率单从在视觉上来讲，就会大幅升高。反之，如果我们要从一定程度上提高算法的的执行速度，增大每个区间段内包含的灰度级数目，就要想办法减小灰度区间总数。但从另外一方面，灰度区间总数减小，背景提取的可用的灰度等级数目也会随之大幅减小，从而使得大块的斑块会相互粘连，背景变得更加失真和模糊。

参考文献，我们综合考虑以上两点，设置灰度区间和帧数为256(即最大的区间数)和200帧，得到如下视频图片背景：

区间直方图法获得的背景

方法二

分块直方图分析法与像素直方图分析法比较，做了如下改进。由于相邻像素之间具有相关性，从一个像素点至另一个相邻像素点其灰度值变化较小，故可将图片分割成大小相同的块状区域用于快速提取背景。具体操作如下：首先，将视频图像分割成同等大小的像素块，注意为使快内像素点具有非常接近的灰度值， 所取像素块不宜过大，然后我们对像素块而不是之前的每一个像素点进行直方图统计，从而显著地减小算法的计算时间。同时我们为了使得每个区间段内只包含一个连续灰度，将直方图灰度区间总数定为最大灰度级加1，这样同时保持了图像灰度在空间上的连续性。由于选择分块进行统计，可将操作次数减至原来像素

直方图分析法次数的1/ m2 ,从而很大程度上减小了算法的计算量，提高了直方

图分析方法的背景估计速度，其中m为每个分块的长度。然而，图像边界处的像素之一般情况下具有很大偏差，使得我们再利用分块直方图分析法进行统计时， 对非边界的灰度值相近的像素点能得到较好的统计图像，而对于灰度值相差加大的边界区域会在图像边界处产生锯齿，且若统计图像偏小而分块较大时，锯齿现象更为显著，因此选取适当的图片和分块大小也很重要。这里我们对原有图像分

为2X2的四块，所得背景如下：

2×2分块直方图获得背景

</