摘 要： 提出了一種簡(jiǎn)單有效的自適應(yīng)閾值選擇機(jī)制,，并將背景信息嵌入到閾值選擇中,，提高了閾值選擇的準(zhǔn)確性。實(shí)驗(yàn)結(jié)果表明,，該算法能在各種環(huán)境變化情況下自動(dòng)得到合適的閾值,，提高了運(yùn)動(dòng)區(qū)域檢測(cè)的準(zhǔn)確性。
關(guān)鍵詞： 運(yùn)動(dòng)目標(biāo),；背景更新,；閾值自適應(yīng)；二值化
隨著平安城市的建設(shè),、智能相機(jī)在交通監(jiān)控的推廣和普及以及數(shù)字圖像分析技術(shù)不斷地提高,，關(guān)于智能交通系統(tǒng)的需求越來(lái)越豐富和多樣,。在智能交通系統(tǒng)視頻分析中，運(yùn)動(dòng)物體的檢測(cè)是很多圖像處理的第一步,，運(yùn)動(dòng)物體檢測(cè)的好壞對(duì)于后續(xù)圖像處理起著至關(guān)重要的作用,。運(yùn)動(dòng)物體的檢測(cè)需要二值化處理，這涉及閾值的選擇,。大多數(shù)運(yùn)動(dòng)區(qū)域檢測(cè)文獻(xiàn)對(duì)閾值的選擇沒(méi)有深入的分析,。常用的背景建模算法（例如混合高斯模型、貝葉斯模型,、碼本方法）雖然效果不錯(cuò),，但是計(jì)算量較大，在某一些應(yīng)用場(chǎng)合并不實(shí)用,，例如嵌入式一體機(jī),。本文提出了一個(gè)簡(jiǎn)單有效的閾值自適應(yīng)選擇方法,，通過(guò)實(shí)驗(yàn)數(shù)據(jù)可以看出,，本文算法計(jì)算量很小，而且可以得到較好的運(yùn)動(dòng)區(qū)域檢測(cè)結(jié)果,。
本文主要介紹了背景圖像的初始化和背景圖像的更新策略,，提出了一種簡(jiǎn)單有效的閾值選擇方法，并進(jìn)一步分析其缺陷,，對(duì)此提出了改進(jìn)策略,，提高了閾值選擇的魯棒性。最后從實(shí)際視頻分析中驗(yàn)證了算法的有效性,。
1 背景圖像的初始化及更新
1.1 背景圖像初始化
基于背景差分可以得到較完整的運(yùn)動(dòng)區(qū)域,，因此需要首先獲得背景圖像。這里采用參考文獻(xiàn)[6]的方法來(lái)完成背景圖像的初始化及背景更新,。通過(guò)相鄰幀差分的二值圖像找到運(yùn)動(dòng)的像素,，將這些運(yùn)動(dòng)區(qū)域的像素值丟棄，只對(duì)非運(yùn)動(dòng)區(qū)域的像素值進(jìn)行累加,，最后求平均,。該算法可以很好地消除運(yùn)動(dòng)目標(biāo)的影響，得到較完整的背景圖像,。
像素級(jí)更新方法結(jié)合了時(shí)間幀差法和背景差法,，可以很好地適應(yīng)場(chǎng)景中的微小變化，特別是光線(xiàn)的緩慢變化,，基本消除了累積性誤差,，且在場(chǎng)景內(nèi)存在物體移入與移出時(shí)能夠及時(shí)有效地對(duì)背景進(jìn)行更新。如果場(chǎng)景光線(xiàn)發(fā)生大范圍突變,、背景全局變化等問(wèn)題,，像素級(jí)更新就難以反映出這種全局變化,，這時(shí)需要幀級(jí)圖像更新。
幀級(jí)更新的步驟如下：
?。?）若在當(dāng)前幀與背景圖像差分后二值圖運(yùn)動(dòng)區(qū)域個(gè)數(shù)大于整體圖像的一定百分比,，則背景發(fā)生了大范圍的變化。
?。?）若連續(xù)多幀中這一比值依然很大,，則按本文背景提取算法重新提取背景。
2 運(yùn)動(dòng)區(qū)域檢測(cè)及閾值選擇
得到背景圖像,，將當(dāng)前圖像與背景圖像作差分,，然后對(duì)差分作二值化，得到前景圖像,。圖像的二值化涉及閾值選擇問(wèn)題,，顯然自適應(yīng)的閾值比固定閾值要好，這是因?yàn)閳D像場(chǎng)景光照變化,，很難找到一個(gè)固定的閾值適用于各種時(shí)間段,。可以發(fā)現(xiàn),，當(dāng)前幀圖像沒(méi)有運(yùn)動(dòng)物體時(shí),，對(duì)差分圖像作直方圖的統(tǒng)計(jì)，直方圖分布在-255~255之間，該直方圖分布服從高斯分布。沒(méi)有運(yùn)動(dòng)物體和有運(yùn)動(dòng)物體的幀差分及對(duì)應(yīng)的直方圖分別如圖1,、圖2所示。這個(gè)現(xiàn)象是合理的,，因?yàn)閳D像的噪聲是服從高斯分布的?？梢愿鶕?jù)該直方圖計(jì)算出均值μ和方差σ,，根據(jù)高斯分布，橫軸區(qū)間（μ-2.58σ,，μ+2.58σ）內(nèi)的面積為99.73%,。均值μ的選擇是尋找直方圖中最大值的位置，然后對(duì)均值μ附近區(qū)域計(jì)算方差σ,。其中,，均值反映了圖像的整體亮度信息，方差反映了圖像的噪聲信息,。根據(jù)均值和方差確定二值化的閾值,，即：
當(dāng)圖像亮度發(fā)生整體變化時(shí)，直方圖中峰值的位置也發(fā)生了變化，如圖3所示,。二值化閾值能夠自適應(yīng)地得到合理的閾值,，從而得到較好的運(yùn)動(dòng)區(qū)域。
該方法中隱含了一個(gè)假定,，那就是背景像素占整幅圖像的大多數(shù),，如果前景像素占整幅圖像的大多數(shù)，如圖4（a）,、圖4（b）所示,，那么均值就不是背景的均值，而是前景個(gè)數(shù)最多的直方圖位置,，這樣計(jì)算出的均值和方差就是不正確的,，尤其是在對(duì)圖像感興趣區(qū)域（ROI）進(jìn)行視頻分析時(shí)，如圖4（c）和圖4（d）所示,。因?yàn)樾枰?jì)算的是背景區(qū)域的均值和方差,，但是這里對(duì)整幅圖像進(jìn)行了直方圖統(tǒng)計(jì)，如果只對(duì)背景區(qū)域進(jìn)行直方圖統(tǒng)計(jì),，那么得到的均值和方差就是合理的,。
這里可以利用背景更新中的計(jì)數(shù)器sTime（x，y,，t）中包含的信息,，它描述了一個(gè)像素位置屬于背景的持續(xù)幀數(shù)，如果該計(jì)數(shù)器的值很大,，則表明該像素位置一直屬于背景，那么判斷該像素位置屬于背景區(qū)域是比較可靠的,。這里假定sTime（x,，y，t）>t,，則該像素屬于真正的背景區(qū)域,。這樣就得到了的真正背景區(qū)域，然后用當(dāng)前幀中真正的背景區(qū)域與背景圖像對(duì)應(yīng)的區(qū)域作差分,，再對(duì)該差分進(jìn)行直方圖統(tǒng)計(jì),，如圖4（e）所示，計(jì)算均值和方差,，該均值和方差是屬于背景區(qū)域的均值和方差,，得到的閾值是正確的二值化閾值。最后再用該閾值對(duì)當(dāng)前圖像與背景差分作二值化,，得到正確的運(yùn)動(dòng)區(qū)域,，如圖4（f）所示。
通過(guò)對(duì)差分圖像直方圖的分析發(fā)現(xiàn)，在沒(méi)有運(yùn)動(dòng)物體的情況下,，幀差直方圖服從高斯分布,，根據(jù)該高斯分布得到了自適應(yīng)的二值化閾值。當(dāng)運(yùn)動(dòng)區(qū)域占整幅圖像的大部分面積時(shí),，通過(guò)只對(duì)背景區(qū)域進(jìn)行差分直方圖分析,，得到了正確的閾值，進(jìn)一步提高了閾值選擇的魯棒性,。實(shí)驗(yàn)證明,，本文提出的算法簡(jiǎn)單有效，很適合用于構(gòu)建嵌入式實(shí)時(shí)視頻分析系統(tǒng),。
參考文獻(xiàn)
[1] HU W,， TAN T， WANG L,， et al. A survey on visual surveillance of object motion and behaviors[J]. Transactions on Systems,， Man， and Cybernetics—Part C： Applications and Reviews,，2004,，34 （3）：334–352.
[2] POPPE R. Vision-based human motion analysis： an overview [J]. Computer Vision and Image Understanding （CVIU），2007,，108 （1-2） ：4-18.
[3] STAUER C,， GRIMSON W. Learning patterns of activity using real-time tracking[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2000,，22（8）：747-757.
[4] Li L,， Huang W， Gu I,， et al. Foreground object detection from videos containing complex background[C]. The Eleventh ACM International Conference on Multimedia,， New York，USA： ACM,， 2003：2-10.
[5] KIM K,， CHALIDABHONGSE T H， HARWOOD D,， et al. Real-time foreground-background segmentation using codebook model[J]. Real Time Imaging,，2005，11（3）：172-185.
[6] 樊曉亮,，楊晉吉.基于幀間差分的背景提取與更新算法[J].計(jì)算機(jī)工程,，2011，37（22）：159-161.
[7] 祝東進(jìn),，郭大偉,，劉曉.概率論與數(shù)理統(tǒng)計(jì)[M].北京：國(guó)防工業(yè)出版社，2010.