基于塊匹配置信度的隧道交通背景提取算法

盧勝男，段沛沛，馮建利，李小和

（西安石油大學 計算機學院，陜西 西安 710065）

基于塊匹配置信度的隧道交通背景提取算法

盧勝男，段沛沛，馮建利，李小和

（西安石油大學 計算機學院，陜西 西安 710065）

針對隧道交通環境變化特點，采用改進的統計直方圖法進行背景提取，并提出一種基于塊匹配置信度的背景更新算法。實驗結果表明，該算法既能滿足緩慢變化場景的更新，又克服了當場景中出現慢行目標或目標長時間停留出現的拖尾和目標混入的現象，而且計算復雜度低，背景提取迅速，適合交通狀況實時檢測的要求。

隧道交通；視頻檢測；背景提取；背景更新；置信度

隨著各種公路隧道的不斷涌現，交通量日益增加，各種隧道事故發生的數量和頻率也相應增加，基于視頻的隧道交通監控系統越來越廣泛地應用于各種公路、海底隧道中。它不僅能夠為交通管理部門提供實時交通參數信息，也為隧道交通事故預警和取證提供重要依據。背景差分法由于抗干擾能力強，計算開銷小，檢測精度高等優點，是目前比較適合于交通視頻中運動目標實時檢測的方法。背景提取作為背景差分算法的關鍵一環，提取質量的好壞直接影響后續研究工作的準確性。所以，準確快速地建立背景模型和更新背景圖像是背景差分法的關鍵問題[1]。

國內外學者對背景提取算法進行了深入而廣泛的研究，目前，常用的背景提取算法主要有時間平均模型、混合高斯模型[2-3]和基于核密度估計模型[4]等。時間平均模型是一種簡單的自適應背景更新模型，它是利用視頻若干幀像素的時間平均值來建立背景參考模型，例如均值法、統計中值法[5]、Surendra方法[6-7]，該方法適合于背景像素在大部分時間內可見的情況。但是，當場景中有大量目標長時間在運動或者目標運動太慢，時間平均模型就很難獲得滿意的結果。混合高斯模型是背景建模當中最常用的一種模型，它利用若干按照不同權值疊加的高斯分布來模擬多峰分布，各個高斯分布的權值和分布參數隨時間更新。P.Kaew Trakulpong[8]在混合高斯分布的框架下采用在線期望最大化（Expectation Maximiza?tion，EM）對模型參數的更新算法進行了改進，無論是背景模型的學習、更新速率還是精度都超過了混合高斯模型的原型。Z.zivkovic[9]在混合高斯框架下提出一種自適應算法，該算法既能自適應地更新高斯分布參數，也能自動選擇高斯函數的個數。Anurag Mittal[10]結合光流法，在時域上利用核函數的方法對像素值的概率密度進行估計，這種檢測算法對樹枝和海浪等擺動背景具有良好的效果。此外，文獻[11-12]分別采用自回歸過程和隱馬爾可夫模型建立背景模型，文獻[13]將圖像序列的高層分析方法和低層分析方法結合建立背景模型。一些學者還引入音頻信息，提取音頻、視頻混合背景模型，依靠增加輸入信息的維數來提高檢測準確度。雖然國內外學者在背景建模方面取得了不少成果，但檢測算法仍然沒有達到復雜場景的要求。由于復雜場景中背景圖像的多樣性和復雜性，期望出現一種通用模型適合于所有場合并不現實，因此，最佳的解決思路是不同的背景分布采用不同的背景模型。

目前，在交通背景提取算法方面，學者們對道路交通的背景提取已經做了大量的工作，但對隧道交通背景提取的研究卻很少。相比于道路交通，隧道環境由于其封閉性，光照條件、汽車尾燈和粘連的車輛都給背景提取帶來很多不確定性，因此，本文在分析各種背景提取和更新方法的基礎上，針對隧道交通背景的特點，提出一種基于塊匹配置信度的背景提取算法。

1 背景圖像提取

1.1 統計直方圖法

傳統的統計直方圖法用于背景提取時，將一段時間內同一位置像素點出現的灰度值次數最多的灰度值作為背景像素值。該算法是建立在運動目標在場景中不會長時間停留在一個位置的假設基礎之上的，因此對于車流量比較小的情況，提取背景效果理想。但是，當車流量比較大，尤其是遠處車輛出現粘連現象時，得到的背景圖像往往誤差較大。

經過大量實驗驗證，筆者發現，針對不同的車流量，統計直方圖呈現出兩種統計結果：一種是統計直方圖呈單峰狀態，或者是除主峰外，零星分布一些可以忽略不計的小峰，如圖1b（直方圖全部為平滑過后的）所示。它表示在一段時間內車流量較小，大多數為背景信息，如圖1a所示。

在一段較長的時間內，車輛的出現、行駛和消失對直方圖沒有任何影響，大多數的背景點值為統計直方圖中頻率最大處對應的灰度值。因此，對于車流量比較小的情況，選取直方圖中出現頻率最大的灰度值作為背景，其效果較為理想。

另一種情況是統計直方圖呈多峰狀態，如圖2b所示。它表示在一段時間內車流量較大，如圖2a所示，背景信息復雜，有目標當作背景的可能性。圖2b標記峰值1、2、3中，1、2處明顯出現頻率較大，峰值3處，不僅灰度值為255且出現頻率最大。很顯然，在隧道的背景環境下，峰值3處是由于遠處車輛粘連，車燈長時間出現所導致的。因此，這種情況下統計直方圖中的頻率最大值對應的不是背景點的灰度值。

基于以上分析，當統計直方圖呈多峰狀態時，對于多個極大值，需要考慮其為背景灰度的可信度，選取可信度最高的灰度值作為背景灰度。為此，本文提出一種改進的基于統計直方圖的隧道背景提取算法。

圖1 車流量較小的交通狀況

圖2 車流量較大的交通狀況

當隧道中車流量較大時，相比隧道頂棚和側壁，道路背景受運動車輛灰度影響比較大，因此統計直方圖呈多峰狀態的像素點主要集中在路面背景上。由于車燈的灰度值相同，

1.2 改進的背景提取方法統計直方圖中可能會出現頻率較高的極大值，但車身灰度值相同的概率很低，因此，路面灰度值必然是多峰統計直方圖中若干個極大值中所對應的一個。同時，路面灰度往往介于車燈和車身灰度值之間，因此，本算法采用像素多幀平均值來衡量路面灰度值的可信度，以便進一步確認多峰統計直方圖中哪一個極大值對應的灰度值為背景灰度。基于以上思路，該算法具體步驟如下：

1）在一段時間內，讀取N幀圖像，對單點像素進行灰度直方圖統計，即

式中：P(x,y,k)表示位置為(x,y)處的像素點其灰度值為k出現的頻次。

2）直方圖平滑去噪后找到灰度值出現頻率最大點，如式（2）所示。接著，根據選定的頻率最大值點，判斷其左右兩邊一段范圍內的能量是否大于總統計能量的80%，若是，則認為該統計直方圖是單峰圖，其頻率出現最大值所對應的灰度值就是背景像素的灰度信息。反之，則需要進一步判斷和分析統計直方圖中多個極大值所對應的灰度值作為背景值的可信程度。

維瓦爾第在這一樂章開始就用了一段快速的小提琴獨奏來描繪刺骨的寒風。緊接著合奏音樂漸強，營造出緊張的氣氛，不和諧的顫音表現出人們在冰天雪地中的顫抖，仿佛是跺腳時發出的聲響。首章末尾是三十秒長的小提琴獨奏，聽上去像牙齒在不停地打架。

3）當統計直方圖屬于多峰圖時，找出直方圖中的若干個極大值。接著，找出這些極大值中的最大值及其左右兩邊所對應的谷值點，然后，在谷值點兩側各找到一個相應的次極大值點，依次類推，可得到若干個極大值點Ymax2,...,Ymaxn。

4）統計該像素多幀平均值Yave，將多個極大值和該平均值結果進行比較，相差較小的是背景的可能性較大，因此，將該峰值點作為像素的背景灰度信息，如式（3）所示。

在多個峰值Ymax1，Ymax2，...，Ymaxn中，計算

取dmin處的峰值點的灰度為背景灰度。

該算法提取結果如圖3所示。由于原始視頻中車流量較大，采用傳統的統計直方圖法提取背景遠處有明顯的污染區域；而本算法利用路面灰度可信度參量濾掉差異變化較大的灰度信息，一定程度上消除了背景誤差像素，整個運算過程簡單，參數少，而且背景提取的速度快，效果較理想。

2 背景更新

由于光照條件的變化以及運動目標長時間靜止，或者場景中出現異常事件等不確定因素，隧道背景亮度會發生緩慢或驟然的改變。在這種情況下，一直采用上述方法提取背景必然會引入越來越大的誤差，因此需要適時地更新背景以保證背景圖像的準確性和實時性。由于隧道的封閉空間，環境變化對背景提取的影響比較小，主要是隧道出口光照變化和隧道內目標長時間停留或異常事件造成的影響。針對該特點，本文提出一種新的基于塊匹配置信度的背景更新算法。

圖3 背景提取

2.1 初步算法

該算法的基本思路是計算前后兩幀間對應塊SAD（Sum of Absolute Pixel Block Difference）值，若SAD值小于閾值，說明該塊相對穩定，并記錄該塊連續穩定的次數。若該塊穩定持續一段時間，說明該塊進入穩定狀態，即可按照一定比例更新背景。具體算法步驟如下：

1）將圖像分成M×N的小塊，本文選取小塊大小為6×8。

2）計算各個塊的SAD值，如式（4）所示，Ft(m,n)和Ft-1(m,n)分別是相鄰兩幀對應塊的像素灰度值。若SAD小于閾值T，則該塊置信度Ct加1，反之則該塊置信度Ct清零。

3）當某塊置信度滿足閾值時，即Ct≥Thc，說明該塊進入穩定狀態，背景塊Bt(m,n)=Ft(m,n)未到達要求，置信度的塊信息繼續累加，直到滿足置信度條件為止。為了使得更新后的背景更加平滑，當Ct＞Thc時，背景更新時引入更新系數α，按式（5）進行背景更新。

該算法時間復雜度和空間復雜度較低，很好地滿足了系統實時響應需求，對隧道出口光線的變化反應靈敏，當光線由亮變暗或從暗變亮時該算法都能及時更新。但是，該算法存在很大的缺點，就是當場景中出現慢行目標或目標長時間停留時，該算法根據穩定狀態更新背景的思想將導致背景中混入目標或出現拖尾現象。為了解決這個問題，本文在初步算法的基礎上進行了改進。

2.2 改進算法

為了避免將慢行目標更新到背景中，需要對目標的穩定狀態做特殊處理。其實，任何一個穩定狀態都存在兩種情況：背景中無目標和目標中有背景，因此對于任意小塊t來說，前后兩個相鄰的穩定狀態共存在4種情況，如表1所示。當相鄰兩個穩定狀態由無目標變成有目標時，說明目標到來，應該延遲一段時間再決定是否將該目標更新到背景中，若延遲一定時間后目標仍然存在，說明背景有可能發生了較大的變化，此時再進行背景更新。若延遲一定時間后目標離去，說明目標只是暫時停留，不需要進行更新。因此，判斷兩個相鄰穩定狀態中有無目標是解決這個問題的關鍵。

表1 相鄰兩個穩定狀態情況分類

基于以上思想，改進的背景更新算法在初步算法的基礎上，增加了3個新的變量：Co，preCo和標志位Flag。Co用來統計當前穩定狀態形成過程中出現目標的幀數，即通過與前一個穩定狀態的差分二值化結果判斷是否有目標出現。preCo用來記錄前一個穩定狀態形成過程中二值化后出現目標的幀數，在第一個穩定狀態未形成之前其初始值為0。標志位Flag用來標識目標的到來。改進的基于塊匹配置信度的背景更新算法具體步驟如下：

1）將圖像分成M×N的小塊。

2）計算各個塊的SAD值，如式（4）所示。若SAD＜T，則該塊置信度Ct加1，同時，判斷該小塊中是否存在目標，若存在，Co加1；若SAD≥T，則塊置信度Ct清零，Co也清零。

3）當某塊置信度滿足閾值時，即Ct=Thc，說明該塊進入穩定狀態，記下此時的幀數Ft，同時判斷Co和 preCo是否滿足式（6）的條件，若滿足，則標志位Flag置1，說明有目標到來，否則置0。最后，使用Co更新 preCo，即 preCo=Co。

4）當Ct＞Thc時，若標志位Flag為0或者當前幀距離Ft達到設定的延遲時間，則按式（5）進行背景更新。

3 實驗結果與分析

采用本文算法，筆者對上海復興路隧道的實際采集數據進行了實驗。視頻采集系統采用單目固定CCD攝像機，其數據格式為AVI格式，采集速率為25 f/s（幀/秒），分辨率為720× 288。測試視頻中，包含一段車輛由停止到駛離運動過程的視頻數據，針對該段視頻，筆者分別采用初步算法和改進的算法進行了測試。

本文選取小塊大小為6×8，采用初始算法更新背景的結果如圖4所示。很明顯，車輛剛停穩不久，車頭部分由于停留時間短未達穩定狀態，出現更新背景模糊現象。為了便于對比分析，特意提取此時的二值化結果，如圖4c所示，該二值化結果顯示了車輛的主要輪廓信息，其車身部分的光滑區域，在二值化中不存在目標信息。針對同一段視頻數據，采用改進的背景更新算法結果如圖5所示。顯然，經過延遲更新后，二值化結果中已基本沒有車輛的信息，背景更新效果理想。車輛駛離時，采用改進的算法對該視頻場景進行了測試，如圖6所示。顯然，車輛剛剛起步時，背景路面上會有很多小塊被誤判為目標到來，沒有及時得到更新，其二值化結果也出現了許多錯誤的散塊。經過一段時間延遲后，才能夠將路面更新到背景中去，但最終的更新結果是比較理想的。

圖4 初始算法

4 結論

本文提出一種新的適合于隧道交通背景提取和更新的算法。針對隧道環境車流量大時，容易出現遠處車輛粘連的特點，對傳統的統計直方圖法進行了改進，該算法利用路面灰度可信度參量濾掉差異變化較大的灰度信息，計算簡單，背景提取的速度快，效果較理想，適合實時性要求高的監控系統。另一方面，結合隧道環境變化特點，提出一種基于塊匹配置信度的背景更新算法。這種算法既解決了類似光照這種緩慢變化場景的更新，又克服了當場景中出現慢行目標或目標長時間停留出現的拖尾和目標混入的現象，且相對于一些成熟的背景模型，其計算復雜度低。該算法能夠利用現有的DSP硬件平臺實現，從實驗圖像效果來看，提取的背景符合實際場景。

圖5 改進算法

圖6 車輛剛駛離時的背景更新效果

[1] MANUEL V，JOSE M M，FEDERICO B.An enhanced back?ground estimation algorithm for vehicle detection in urban traffic scenes[J].IEEE Trans.Vehicular Technology，2010，59（8）：3694-3709.

[2]STAUFFER C，GRIMSON W.Adaptive background mixture mod?els for real-time tracking[C]//Proc.Computer Vision and Pattern Recognition.USA：IEEE Press，1999：246-252.

[3] 徐偉，謝正光，張輝，等.一種基于混合高斯的快速背景更新方法[J].電視技術，2014，38（15）：240-243.

[4]ELGAMMAL A，DURAISWAM R，DAVIS L S.Efficient kernel density estimation using the fastGauss transform with applica?tion to segmentation and tracking[C]//Proc.the 8thIEEE Interna?tional Conference on Computer Vision.Canada：IEEE Press，2001，25（11）：1499-1504.

[5] 李潔，楊孟拓，劉雪琴，等.改進的道路背景提取與更新算法[J].電視技術，2013，37（11）：194-197.

[6] 袁基煒，史忠科.一種快速運動目標的背景提取算法[J].計算機應用研究，2004，21（8）：128-129.

[7] 曾艷，于濂.一種新的道路交通背景提取算法及研究[J].中國圖象圖形學報，2008，13（3）：593-599.

[8]KAEW T P，BOWDEN R.An improved adaptive background mix?ture model for realtime tracking with shadow detection[C]//Proc.the 2nd European Workshop on Advanced Video Based Surveil?lance Systems，Kingston：Kluwer Academic Publishers，2001，53（8）：1-5.

[9] ZIVKOVIC Z，VANDER H F.Recursive unsupervised learning of finite mixture models[J].IEEE Trans.Pattern Analysis and Ma?chine Intelligence，2004，26（5）：651-656.

[10] ANURAG M，NIKOS P.Motion-Based background subtraction using adaptive kernel density estimation[C]//Proc.the 2004 IEEE Conference on Computer Vision and Pattern Recognition.USA：IEEE Press，2004，2：302-309.

[11]KATO J，JOGA S，RITTSCHER J.An HMM-based segmenta?tion method for traffic monitoring movies[J].IEEE Trans.Pat?tern Analysis and Machine Intelligence，2002，24（9）：1291-1296.

[12]MONNET A，MITTAL A，PARAGIOS N.Background modeling and subtraction of dynamic scenes[C]//Proc.the 9thIEEE Inter?national Conference on Computer Vision.France：IEEE Press，2003：1305-1312.

[13]TOYAMA K，KRUMM J，BRUMITT B.Wallflower：principles and practice of background maintenance[C]//Proc.the 1999 IEEE Conference on Computer Vision and Pattern Recognition.USA：IEEE Press，1999：256-261.

責任編輯：閆雯雯

Background Extraction Algorithm for Tunnel Traffic Based on Confidence of Block Matching

LU Shengnan，DUAN Peipei，FENG Jianli，LI Xiaohe
（Department of Computer,Xi’an Shiyou University,Xi’an 710065,China）

Due to the changing characteristics of tunnel traffic environment,the improved statistical histogram method is used for background extraction,and a new algorithm based on the confidence of block matching for background updating is presented.The experimental results show that this algorithm can satisfy the slowly changing scene updating,and overcome the phenomenons of trailing when there are slow objects or objects stopping for a long time in the scence.This algorithm has lower complexity,requires less calculation and has good real-time performance for tunnel traffic detection.

tunnel traffic；video detection；background extraction；background updating；confidence degree

TP391.4

A

10.16280/j.videoe.2015.08.015

2014-08-30

【本文獻信息】盧勝男，段沛沛，馮建利，等.基于塊匹配置信度的隧道交通背景提取算法[J].電視技術，2015，39（8）.

中央高校基本科研業務費專項資金項目（CHD2011TD012）；西安石油大學青年科技創新基金項目（2011QN009）；陜西省教育廳專項科研計劃項目（14JK1584）；西安市科技計劃項目（CXY1346（7））