| 标题 | 基于多通道背景提取算法的车辆检测 |
| 范文 | 周盛 王宵 王子豪 陶菁怡 邵叶秦 李泽慧 胡彬 陈锦花 王琼 摘要：车辆检测是智能交通中的一个基本问题。为了有效地检测车辆，本文提出了基于多通道背景提取算法的车辆檢测方法。首先采用多通道灰度化预处理图像，并分别建立相应的背景模型，接着衡量新像素点和背景模型的相似性，分类出前景和背景像素，然后运用形态学操作和区域标记法滤除噪声，检测出运动目标，并通过区域标记定位目标。本文从不同角度开展对比实验，结果表明基于多通道背景提取算法的车辆检测能够有效提高车辆检测的精确性和完整性。 关键词：车辆检测；多通道；前景融合；区域标记法 中图法分类号 TP391.41 文献标识码： A 文章编号：1009-3044（2018）11-0203-04 Vehicle Detection Based on Multi-Channel Background Extraction Algorithm ZHOU Sheng1，WANG Xiao2 ，WANG Zi-hao2 ，TAO Jing-yi2*，SHAO Ye-qin2，LI Ze-hui2 ，Hu Bin1 ，CHEN Jin-hua3，WANG Qiong4 （1.School of Computer Science and Technology， Nantong University， Nantong 226019， China；2.School of Transportation， Nantong University， Nantong 226019， China；3.Modern Education and Technology， Nantong University， Nantong 226019， China；4.School of Computer Science and Engineering， Nanjing University of Science and Technology， Nanjing 210094， China） Abstract：Vehicle detection is a basic problem in intelligent transportation. To effectively detect vehicles， this paper proposes a vehicle detection method based on multi-channel background extraction algorithm. Firstly， the multi-channel gray-scale preprocessing images are used to establish the corresponding background model.Secondly， the similarity between the new pixel and the background model is measured， classifying the foreground and the background pixels. Finally，our method filters the noise by the morphological and regional markers， detects the moving target， and locates the target through the area marker. In this paper， extensive experiments are carried out. The experimental results show that vehicle detection based on multi-channel background extraction algorithm can effectively improve the accuracy and completeness of vehicle detection. Key words： Vehicle detection； multi-channel； Foreground fusion； area marking method 随着社会经济的快速发展，道路上汽车的数量不断增加。机动车肇事逃逸、机动车逆行、机动车违停等交通违法行为显著增加。为了杜绝上述违法行为的发生，公安部门在各个路口和关键地点安装监控，对车辆的异常行为进行记录。目前，大部分网点还是采用人工方式检查视频中车辆的异常行为。因此，需要一种能自动从视频中检测目标（车辆）的方法，并在此基础上进行车辆跟踪和异常识别，最终检测出车辆的违章行为。 在复杂环境下，有诸多因素影响着运动目标检测的效果和质量，这给运动目标检测带来了很大的挑战，也使复杂背景下的运动目标检测成为研究热点[1-5]。目前常用的运动目标检测方法有光流法[6]，帧间差分法[7]，背景减除法[8，9]等。1） 光流法是在合适的平滑性约束条件下，根据图像序列的时空梯度估算运动场，通过分析运动场的变化对运动目标和场景进行检测与分割。这种方法检测时间比较长，难以适用于实时检测。2） 帧间差分法是在相邻两帧或者三帧间采用基于像素的图像差分，通过阈值来提取图像中的运动区域。这种方法实现容易，但是检测颜色一致的物体时，目标内部会产生空洞。3） 背景减除法是通过建立真实有效的背景模型，将当前帧与背景图像进行差分比较，从而实现对运动区域的检测。这种方法中，背景模型的好坏直接影响运动目标检测的效果。为了有效检测运动目标，Oliver Barnich、Marc Van Droogenbroeck等[10-12]提出了一种基于概率统计的背景建模方法，即视觉背景提取（Visual Background Extractor，Vibe）。该算法的主要思想是将图像的像素点存储在一个背景模型中，背景模型中每个像素是由该像素的历史像素值组成，然后将新的像素和背景模型进行比较，进而判断新的像素点属于前景点还是背景点。Vibe算法简单且便于实现，效果优于帧间差分和光流法等算法，且能规避一些噪声的影响。然而，Vibe算法是单通道的，会导致图像颜色信息的丢失，在实际情况下会使前景和背景难以区分，影响前景目标的提取。 为了提取完整的前景目标，本文提出一种基于多通道背景提取算法（Vibe）的车辆检测方法，提高运动目标检测的完整性和精确性。 1基于多通道Vibe的车辆检测 1.1问题定义和系统框架 本文提出了一个基于多通道Vibe的车辆检测方法。方法首先读取N帧视频图像，经过预处理后得到R、G、B三个通道的灰度图像，对三通道灰度图像分别构建背景模型。接着，基于建立的背景模型，计算新像素与背景模型的相似度，从而检测出前景和背景。最后，为了去除前景图像中的干扰信息，使用腐蚀和膨胀操作消除较小的噪声，使用面积阈值过滤较大的噪声，获得干净的车辆图像，并利用标记信息对车辆进行定位。为了保持背景模型的实时性，算法需要对R、G、B三通道背景模型进行不断更新。 1.2图像预处理 从监控视频中获取的一般都是彩色图像，为了充分利用各个通道的图像信息，本文需要把原始的彩色图像转变成三个单通道的灰度图像，分别建立背景模型。三个通道的灰度图像如下： [gkx，y=I（x，y，k）] （1） 其中[I（x，y，k）]为原来的彩色图像在[（x，y）]处的第[k]个分量的像素值，[k]=R，G，B是分别对应的红、绿、蓝颜色分量。 1.3 背景模型的初始化和前景檢测过程 背景模型初始化需要通过一段视频序列的学习来完成。本文的算法是把开始的N个连续的视频图像填充到背景模型的N个背景模板中完成初始化过程的。 前景目标（车辆）的检测过程就是分类的过程。假设当前图像在[（x，y）]处的像素值是[v（x，y）]，第[i]个背景模板在[（x，y）]处的样本像素值定义为[vi（x，y）]。背景模型中[（x，y）]处所有背景模板的样本点组成的集合为： [Mx，y=v1x，y，v2x，y，...，vNx，y] （2） 当前图像上的像素值[v（x，y）]需要依次与集合[M（x，y）]中的像素值在对应的颜色分量上计算距离，若距离小于给定的距离阈值nRadius，说明该像素与背景模型中某个背景模板上的样本像素相匹配，在背景模型中与该像素对应的模板匹配数目P上加1。 [P=i=1Nδvi（x，y）-v（x，y）-nRadius] （3） 其中，[δz=1，z<00，z≥0]。背景模型中存储的是背景模板。如果当前图像上的像素与背景模板的匹配个数越多，那么该像素是背景点的可能性就越大。当匹配数目P大于一个给定阈值nThreshold时，则把[v（x，y）]分类为背景点，否则为前景点。 1.4 背景模型的更新 为了保证背景模型能够适应不断变化的外界环境，需要不断地更新背景模型。本文采用的是无记忆更新策略和空间邻域更新策略。 1）无记忆更新策略是一种保守更新策略。保守更新策略就是一旦某个像素点检测为前景点，背景模型中对应的样本像素永远不被更新。无记忆更新策略的特点是通过等概率随机密度函数更新样本像素，不会机械的更新最旧的像素。这种随机更新策略使得样本值的生命周期呈现指数型衰减，在某一时刻t样本像素不被更新的概率为（N-1）/N，在经过[dt]时间过后，样本像素不被更新的可能性是 [Pt，t+dt=N-1Nt+dt-t] （4） 从公式4可以知道，背景模板中的样本像素是否被更新与时间t无关。在经过一段时间之后，任何一个背景模板中的样本像素都能得到及时的更新。 2）空间邻域更新策略是依据像素在空间分布上具有一定的相似性，因此把新的像素更新到邻域像素中。这种更新方法使得背景模型逐渐向外扩散，有利于处理鬼影等问题；同时也能保证在保守更新策略下，适应外界背景环境带来的变化。假设[vi]是[M（x，y）]中的一个像素，每次更新像素的时候，从像素[vi]的八邻域中随机选取一个位置，并将其值更新为[vi]。 1.5 前景融合 上述操作可以为每个颜色通道检测出相应的前景点信息。由于每个颜色通道中保存着不同的信息，因此我们需要融合三个得到的前景图，方法如下： [Fpro=2550][FR==255orFG==255orFB==255其他] （5） 其中[FR]、[FG]、[FB]分别代表R、G、B颜色通道上检测到的前景图像，[FPro]表示融合后的前景图像。 融合策略既保留了每个通道中共有的前景点信息，又保留了每个通道特有的前景点信息。这样保证本文方法检测到的运动物体是完整的，但是也增加了不必要的干扰因素。 1.6 图像数据的滤波去噪及车辆定位 由于外部因素的影响，在前景融合结果中通常含有噪声点和误检点，运动目标的内部也容易出现断裂和空洞等问题。为了进一步得到更加准确地检测效果，算法需要过滤掉噪声点、误检点和填充运动目标中黑洞。 运动目标和噪声点的不同之处在于，运动目标区域表现为由若干连通的像素点组成的具有一定形状的空间，而噪声点则表示为相对孤立的像素点的较小集合。在前景融合图像中，大部分椒盐噪声可以通过形态学中的腐蚀、膨胀方法滤除；另一部分较大的噪声区域或误检点可以用区域面积阈值滤除。 由于图像中也存在非机动车和行人，这里可以依据非机动车与行人在水平方向的投影宽度远小于车辆这一特性来区分车辆、非机动车和行人。也就是说，当运动目标的水平宽度大于水平宽度阈值horizontal_width，认为该区域是车辆，并利用这个区域的外接矩形定位车辆，否则认为这个区域不是车辆，将其丢弃。通过区域标记，算法可以得到车辆的位置信息，从而为后续的目标识别和目标跟踪提供依据。 2实验结果和分析 2.1 实验数据与参数确定 本文的实验视频是路口的实时交通监控视频，实验视频的分辨率为2048*1536，帧率24f/s。视频中记录了行人，机动车和非机动车。实验硬件环境是一台配有4G内存，Intel（R） Core（TM） i5 2.5GHz CPU的PC机，开发工具为VS2013+OpenCv2.4.9。 本文使用多通道背景提取算法完成运动目标的检测。其中，背景模型样本集N设为20。标记法中选择一组标记像素Label为20到254。标记区域的面积阈值Area_threshold设为800。水平宽度阈值horizontal_width设为200。距离阈值nRadius设为30。匹配个数阈值nThreshold设为2。本文算法的准确率用正确分类百分比来衡量： [PCC=TN+TPTN+TP+FN+FP] （6） 其中TP表示正确的前景像素点数目；FP表示误检的前景像素数目；TN表示正确背景像素数目；FN表示误检的背景像素数目。 2.2 实验结果 为了评价多通道背景提取算法的有效性，我们将多通道背景提取算法、单通道（平均灰度图像）背景提取算法在本文的算法框架下进行了对比实验。本文算法（多通道）、本文算法（单通道）分别代表基于RGB多通道的背景提取算法、基于平均灰度图像的单通道背景提取算法。从图2中的绿色矩形可以看出，相对于单通道，多通道更好的保证运动目标的完整性，能更有效的检测车辆。 为了衡量本文背景模型的优点，我们又对比了单高斯背景模型和混合高斯背景模型。单高斯背景模型（全称，GSM）是用单个高斯分布为图像上的每个像素建立模型，利用高斯函数得到每个像素属于前景的概率值，将其与概率阈值进行比较，确定前景和背景，并对背景模型上各点的高斯参数进行更新。混合高斯背景模型（全称，GMM）是单高斯背景模型（GSM）的扩展，不同之处在于，需要用多个高斯分布对每个像素建模，当前图像中的每个像素与混合高斯模型进行匹配，判定是前景点还是背景点，并对背景模型上各点的高斯参数进行更新。单高斯背景模型（GSM）在前景检测时，公交车能够较好的检测到，但周围的建筑物、车道线和静止的车辆被明显的检测前景，并带有大量的噪声，降低了检测的精确性（如图3（a）所示）。混合高斯背景模型（GMM） 未检测到上下方向静止的车辆；噪声比单高斯背景模型有所减少；但公交车后方检测不完整（如图3（b）所示）。而本文的方法（如图2（b）所示）有效减少噪声和误检点的出现，并能完整的检测运动物体。因此，由于多通道的方法和背景更新策略等因素，本文算法能够适应光线带来的干扰，还能够有效抑制运动物体内黑洞的大小和阴影，保证了运动物体的完整性和精确性。 2.3算法效率分析 为了衡量算法的效率，本文对比了单高斯背景模型和多高斯背景模型。如表1所示，本文的算法效率高于其他两个方法。 3结束语 本文提出了一种基于多通道Vibe的车辆检测方法。首先提取RGB三通道图像信息，接着运用Vibe算法检测运动目标，利用形态学操作和区域面积法过滤噪声，再通过标记定位车辆。实验表明，基于多通道背景提取算法的车辆检测方法有效提高了车辆检测的准确性和完整性。该算法具有一定的鲁棒性和适应性，可用于车辆的实际跟踪和识别，具有一定的实用价值。 参考文献： [1] 闵卫东， 郭晓光， 韩清. 改进的ViBe算法及其在交通视频处理中的应用[J]. 光学精密工程， 2017， 25（3）：806-811. [2] 魏洪涛， 李瑾， 吴细秀. 融合帧差和ViBe的运动目标检测算法[J]. 计算机应用研究， 2017， 34（5）：1565-1567. [3] Nie Y， Xiao C， Sun H， et al. Compact Video Synopsis via Global Spatiotemporal Optimization[J]. Visualization & Computer Graphics IEEE Transactions on， 2013， 19（10）：1664-76. [4] Chakraborty S， Tickoo O， Iyer R. Adaptive Keyframe Selection for Video Summarization[C]. Applications of Computer Vision. IEEE on， 2015：702-709. [5] Lu S P， Zhang S H， Wei J， et al. Timeline editing of objects in video[J]. IEEE Transactions on Visualization &ComputerGraphics;， 2013， 19（7）：1218-1227. [6] 賴丽君， 徐智勇， 张栩铫. 应用于稳像系统中的改进梯度光流法[J]. 红外与激光工程， 2016， 45（4）：273-279. [7] Li W， Yao J， Dong T， et al. Moving vehicle detection based on an improved interframe difference and a Gaussian model[C]. International Congress on Image and Signal Processing. IEEE， 2016：969-973. [8] Ramya P， Rajeswari R. A Modified Frame Difference Method Using Correlation Coefficient for Background Subtraction[J]. Procedia Computer Science， 2016， 93：478-485. [9] Cao L， Tang K， Feng Z. Moving Target Recognition under Static Background[C]. International Conference on Instrumentation and Measurement， Computer， Communication and Control. IEEE， 2014：117-120. [10] Van Droogenbroeck M， Paquot O. Background subtraction： Experiments and improvements for ViBe[C]. Computer Vision and Pattern Recognition Workshops. IEEE， 2012：32-37. [11] Barnich O， Droogenbroeck M V. Vibe：A Universal Background Subtraction Algorithm for Video Sequences[J]. IEEE Transactions on Image Processing，2011，20（6）：1709-1724. [12] 李海波. 基于ViBe的改进运动目标检测算法[J]. 图像与信号处理，2017，06（1）：52-61. |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。