一種有效的道路背景提取與更新算法*

劉欣頁，李文舉，高連軍，尉秀芹

（遼寧師范大學 計算機與信息技術學院，遼寧 大連 116081）

基于計算機視覺的運動目標檢測技術是智能交通領域的重要研究課題，有著廣闊的應用前景。目前的運動目標檢測方法主要有光流法[1]、幀間差分法[2]和背景差分法[3-6]等。光流法計算復雜、抗噪性能差，需要強大的硬件支持。幀間差分法利用圖像視頻序列中相鄰幀圖像之間的差分來提取運動物體。該方法對場景變化不太敏感，穩定性好，有較強的自適應性，但一般不能完全提取出所有相關的特征像素點。背景差分法是目前運動目標檢測和分類中應用較普遍的方法，其基本思想是用當前幀與背景圖像進行差分來提取運動目標，該方法能得到比較精確的運動目標信息，可保持目標的完整性。但實際場景中的道路背景不是一成不變的，如何有效地實現背景圖像的建立與更新是背景差分法的關鍵問題。

目前的道路背景建立算法主要有多幀平均法[4]、統計直方圖法[5]和高斯模型估計法[6]等。在這些方法中，背景初始化與背景更新采用相同的方法，雖然初始背景參考幀不會受到場景中運動目標的影響，但背景更新的速度受到牽制。背景建立過程中運算量較大，占用內存時間長，當環境發生變化時，背景提取和更新達不到實時的理想效果。本文提出了一種將平均法與Surendra背景更新算法[7-8]相結合的背景提取及更新算法，實驗表明，該算法能夠快速獲取并保持較高質量的背景圖像，具有較好的魯棒性和適應性。

1 背景建立的基本方法

1.1 多幀平均法

多幀平均法（TABI）是一種經典的背景提取及更新方法，其原理是統計圖像序列每一像素的灰度平均值作為背景像素的灰度值，用一定時間的序列圖像進行累加平均，運動區域的灰度偏差被消除，從而得到一個與當前靜態場景相似的背景圖像。按式（1）獲得背景圖像：

其中，Backgroud（x，y）表示所提取的背景圖像的（x，y）點的灰度值，N 表示幀數，Imagei（x，y）表示第 i幀序列圖像的（x，y）點的灰度值。

多幀平均法模型簡單，只是單純地累加平均。由于在計算背景均值時運動目標的像素點也參加了計算，這樣就將運動目標的像素點疊加到背景中，因此需要大量的樣本累計才能得到理想背景圖像。

1.2 Surendra算法

Surendra背景更新算法的思路是利用二值化模板選擇當前幀中需要更新的像素，進行選擇性的更新。通過幀間差分和二值化得到含有運動區域的二值圖bwk，即運動區域為二值圖的內部 “空洞”，對背景作選擇性更新，經過迭代得出背景圖像。背景圖像獲取公式為：

其 中 ，Bk（x，y）為 當 前 計 算 所 得 背 景 圖 像 ，B（x，y）為 已 知的背景圖像，Ik為當前幀圖像。

若像素點（x，y）在運動區域內，則為前景圖像像素點，對背景圖像不做更新，即該像素點由前一幀背景圖像所對應像素點替代；若（x，y）不在運動區域內，則對該點作加權更新，α為更新系數，控制更新速度，通常取值范圍為0.85～0.9。如此重復迭代，隨著后續圖像的增加，殘余車輛影像逐漸消失，背景不斷趨于理想。

Surendra背景更新算法存在的問題是，若初始幀不是一個理想背景而是有運動物體存在，則在背景更新過程中會有“鬼影”車輛出現，導致后續的檢測工作出現嚴重偏差。使用含有運動車輛的道路背景進行車輛檢測，會產生不理想的甚至錯誤的分割結果。

2 改進的背景提取與更新算法

均值法參數少、速度快，背景建立受初始幀是否有靜止車輛影響小，但需要存儲大量樣本序列累計出背景圖像后才可得到理想的背景圖像。Surendra算法穩定、實時地進行選擇性更新，但若初始幀含有運動車輛，則在更新過程中該運動物體變成靜止的“鬼影”車輛，嚴重影響檢測結果。本文將兩者結合起來，首先用改進的均值法進行背景粗提取消除連續 “鬼影”，然后用改進的Surendra算法做背景更新，充分利用兩種方法的優點，克服單一方法的不足。

2.1 背景粗提取

傳統的多幀平均法只是對每一像素在圖像序列中連續出現的灰度值做平均，導致在背景建立過程中混入運動車輛像素點留下的被“污染”痕跡。相比背景圖像，像素點在有車經過時灰度變化較大，若用一定的閾值過濾掉一部分差異變化較大的點，則可以打亂被污染區域的連續性，之后利用車輛的物理特征，可實現在提取背景的過程中對車輛的檢測。背景粗提取算法步驟如下：

（1）采用遞推公式求取k幀圖像的平均值MEANk：

（2）分別計算每一幀圖像與平均值圖像的差值meaDi；求連續 k幀圖像的 meaDi和的平均值，記為MDk：

（3）設閾值為 αMDk（x，y），按式（6）求出初始背景圖像：

其中，B為已知的背景圖像，若當前幀與背景圖像差值meaDi過大，說明該點灰度值變化較大，則對該點不做更新；而對變化較小的區域則認為是背景區域，用當前幀像素值做替換。其中，參數α為經驗值，通常取1.0～1.2。

背景提取結果如圖1所示。由于初始幀含有靜止車輛，在隨后的圖像序列中車輛向前行駛，采用傳統的平均算法提取背景有明顯的連續污染區域存在（對應位置A已在圖1（c）中標出）；而本算法打亂了污染區域的連續性，盡可能減小初始幀靜止車輛對后續背景建立的影響，運算過程采用遞推公式，參數少、背景提取速度快且效果較理想。

2.2 背景更新

隨著時間的推移和光照以及一些不可預測的路面情況等外部條件的不斷變化，路面背景亮度發生緩慢或驟然的改變。如果一直用上述提取的背景做固定背景，隨著時間的延續，必然會造成越來越大的誤差。要保證系統長時間正常運行，需要適時地進行背景更新以保證背景圖像的準確性和實時性。

Surendra算法通過幀間差分圖像二值化后的空洞確定運動區域和非運動區域，但通常簡單的形態學二值化所確定的運動區域間斷而不完整，導致背景圖像被車輛間斷處的殘留“鬼影”所污染，因此需進一步處理二值化圖像。本文采用邊緣檢測與形態學運算相結合的辦法提取出更為準確的運動區域，從而提高背景更新的準確性。改進算法如下：

（1）應用 Roberts算子對當前幀圖像做邊緣檢測，得到邊緣點集合SFk。

（2）將當前幀與背景差分得到的運動區域bwk與邊緣點集合SFk作“或”運算，然后對“或”運算結果進行由上而下、由左至右的空洞填充，填充結束后去除不被利用的邊緣點集合，得到完整的運動區域R。過程如圖2所示。

（3）對運動區域進行選擇性更新：

在實際應用中，往往會出現行進中車輛的驟駛和驟停、場景光線突然變化等情況，以而導致背景需要重新建立并更新。目前的背景更新方法沒有提及在場景突然變化時如何對背景進行實時更新[9-11]，本文采用幀間差分和背景差分相比較的方法實現對場景驟變的及時響應，對背景做出及時調整。具體方法為：

①計算幀間差分求出運動區域Rbw、背景差分運動區域 Rbb。

②中值濾波去噪后，統計幀間差分和背景差分連通區域的個數，分別記為numbw和numbb。

③對聯通區域作進一步比較。N=numbw/numbb，若在一定閾值T范圍之內，則說明背景未發生突然變化，繼續實時更新；若超出閾值T范圍，則環境發生突變。為避免誤判，需多進行幾次比較以確定背景發生改變，然后以當前幀作為背景，重新進行背景的提取與更新。

3 實驗結果及分析

實驗測試環境是MATLAB 7.5，3段視頻取自互聯網數據庫，視頻序列為320×240彩色圖像，實驗結果如圖3、圖4所示。場景一車輛陰影少，車流量相對較小，對視頻序列前10幀采用平均法進行粗提取，之后進行背景更新。場景二車輛陰影大，車流量相對較大，對視頻序列前20幀進行粗提取，之后采用背景更新。圖3（b）和圖4（b）為背景粗提取結果，打亂了污染區域的連續性；圖3（c）和圖4（c）為本算法在1 s左右時計算所得背景，已得到理想背景；圖3（d）和圖 4（d）為 Surendra算法結果，仍然殘留有初始幀“鬼影”車輛。與Surendra算法相比，本文算法中初始幀運動車輛對背景的影響明顯減小，背景建立結果準確。當前主流視頻檢測技術可達到每秒30幀圖片，本算法可快速、準確地完成背景的建立與更新，保證實時性。

背景檢測與更新技術在運動車輛檢測中具有重要作用。本文提出了一種新的道路背景提取與更新算法，該算法采用改進的均值法進行背景粗提取，應用改進的Surendra算法做背景更新，能很好地適應外界條件的變化，背景建立速度快、魯棒性強，具有較好的應用價值。

[1]王新余，張桂林.基于光流的運動目標實時檢測方法研究[J].計算機工程與應用，2004（1）：43-46.

[2]STRINGA E，REGAZZONI C S.Real-time video-shot detection for scene surveillance applications[J].IEEE Transactions on Image Processing， 2000（1）：69-79.

[3]VERSAVEL J.Road safetythrough videodetection[C].Proceedings of 1999 IEEE/IEEJ/JSAI International Conference on Intelligent Transportation Systems，1999：753-757.

[4]Wu Bingfei， JUANG J， TSAI Pingsung， et al.A new vehicle detection approach in traffic jam conditions[J].Computational Intelligence in Image and Signal Processing，2007（3）：1-6.

[5]Chen B S，Lei Y Q.Indoor and outdoor people detection and shadow suppression by exploiting HSV color information [C].The Fourth InternationalConference on Computerand Information Technology， Washington，DC，USA：IEEE Computer Society， 2004：137-142.

[6]STAUFFER C，ERIC W，CRIMSON L.Learning patterns of activity using real-time tracking[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22 （8）：747-757.

[7]GUPTE S，MASOUND O.Detection and classification of vehicles[J].IEEE Transaction on intelligent transportation systems，2002，3（1）：37-47.

[8]王正勤，劉富強.自適應背景提取算法的比較[J].計算機工程，2008，12（34）：220-223.

[9]劉喆.基于計算機視覺的運動車輛檢測與跟蹤算法研究[D].北京：北京工業大學，2009.

[10]袁偉才，徐向民.一種有效的動態背景提取及更新方法[J].計算機工程與應用，2010，46（4）：191-192.

[11]雷波，李清泉.復雜交通場景中車輛視頻檢測的背景提取與更新[J].武漢大學學報（信息科學版），2009，34（8）：906-909.