基于視頻的車輛檢測技術(shù)和陰影消除方法

0 引 言
    基于視頻的車輛檢測技術(shù)是在傳統(tǒng)電視監(jiān)視系統(tǒng)基礎(chǔ)上發(fā)展起來的，以車輛檢測技術(shù)、攝像機和計算機圖像處理技術(shù)為基礎(chǔ)，來大范圍地對車輛施行檢測和識別的新興技術(shù)。與傳統(tǒng)檢測技術(shù)相比，它具有處理速度快、安裝維護便捷且費用低、監(jiān)視范圍廣、可獲得各種交通參數(shù)等諸多優(yōu)點。隨著圖像處理技術(shù)和微電子技術(shù)的發(fā)展，視頻檢測技術(shù)在交通運輸系統(tǒng)中的發(fā)展?jié)摿薮蟆?br />    在典型的交通自動監(jiān)控系統(tǒng)中，用一個靜態(tài)的攝像機實時監(jiān)控固定區(qū)域，通過對車輛目標的提取、分類和跟蹤等操作，進一步提取交通參數(shù)。所以，從視頻流中實時分割車輛目標是交通自動監(jiān)控系統(tǒng)的一個基本環(huán)節(jié)。提取車輛目標的流程主要包含運用算法將前景車輛從拍攝的圖像中提取出來，并對其進行陰影檢測，去除陰影。該文依照此流程選取合適的前景提取算法——背景差分法，實時進行背景更新，對前景中產(chǎn)生的陰影進行分析，并提出合理有效的陰影去除方法。

l 基于視頻的車輛檢測
    背景差分法是車輛運動檢測系統(tǒng)中的一種常用算法。該算法通過實時維護一個背景模型，將當前幀消除背景影響即可獲得前景圖像。而路面、樹木、建筑物等一直處于靜止狀態(tài)，因此被當作背景通過差分被去除。經(jīng)過處理后的圖像理論上只包括運動目標，直接進行二值化，提取目標即可，但實際上這時由于攝像機的抖動以及路面光線變化、風吹草動、車輛目標本身的陰影和其他因素對檢測結(jié)果的影響是很大的，往往造成很大的誤差，甚至錯誤。在提取前景后針對不同的陰影，去除之以獲得真實的車輛目標。
1．1 背景建模
    將開始的n幀圖像用于背景建模(采用n=200)。對相鄰一定間隔的兩幀圖像作差值，獲得差值圖像A。即有：

式中：N為A相應位置的差值，得到二值化的幀差掩模圖像N；“1”為對應變化的像素；“O”為對應沒有變化的像素。
    在幀差掩模序列中，對于長時間沒有變化的像素點，即幀差掩模圖像序列在一段時間內(nèi)該像素點都保持為“O”，則認為此像素點對應于背景像素，將原始圖像中該點像素值拷貝到理想背景圖像中，同時設置此理想背景像素點的狀態(tài)為“背景像素”。此過程完成后，可能有的理想背景像素點的狀態(tài)還未轉(zhuǎn)換成“背景像素”，即未被重建，則在后續(xù)過程中繼續(xù)執(zhí)行上述步驟，對已重建
的背景像素點，轉(zhuǎn)而進行背景更新。
1．2 背景更新
    在獲得背景圖像后，隨著時間的推移，場景內(nèi)會有很多變化，其中比較明顯的是光照亮度的變化和背景物體的移動，這就需要對背景圖像不斷地進行更新。文中采用一種當前圖像和背景圖像加權(quán)的方式進行更新。更新方法為：記當前圖像中像素值為I(x，y)，背景圖像中像素值為I*(x，y)，對應的幀差掩模圖像N(x，y)=0，則I(x，y)為背景像素，I(x，y)與I*(x，y)按照式(2)進行加權(quán)：

式中：α為更新系數(shù)，關(guān)系著更新速度，而更新速度要求背景能夠捕捉亮度的變化，同時又不能讓瞬間的變化長時間存在。假設取α=O．1，當圖像亮度大面積變化時，整個背景像素的均值將發(fā)生較大幅度的改變，所以當均值改變大于一定范圍時，為了能夠更快地更新背景，取α=0．2。
    若|I(x，y)一I*(x，y)|大于閾值或N(x，y)=1，則I(x，y)為前景像素；如果I(x，y)連續(xù)長時間作為前景像素，則需要重建此像素點的背景，重新按照背景重建步驟恢復背景。

1．3 運動目標提取
    在獲得重建的背景之后，可以根據(jù)當前圖像和背景圖像的差值求得運動目標。為了減少計算量和干擾，可以預先設定感興趣區(qū)域，以后的處理只是在感興趣區(qū)域進行。設視頻序列圖像為I(x，y)，當前的背景圖像為I*(x，y)，背景差圖像D(x，y)=||I(x，y)一I*(x，y)||。利用閾值來計算車輛圖像像素模板圖像：

式中：δ為一個較小的閾值，模板圖像M(x，y)中的為1的點表示車輛圖像區(qū)域，為0的點表示背景圖像區(qū)域。單純地利用灰度值差異來求取的車輛信息并不完整：若閾值選取過大，會使得車輛某些部分被認為是背景，使得車輛圖像殘缺，獲得車輛的信息不準確，甚至是陰影部分的信息還沒有消除，而車輛部分的信息卻已經(jīng)大部分消除(見圖3)；若閾值選取過小，由于光照的原因形成的陰影會和車輛連接在一起，變成車輛的一部分(見圖4)，但是這種方法可以很好地保留車輛的完整信息，只要可以把陰影部分的干擾消除，就可以達到很好的效果。因此，精確地去掉陰影在車輛信息的提取過程中起著關(guān)鍵的作用。

2 陰影檢測及消除
    運動車輛和路面物體在光照作用下不可避免地產(chǎn)生陰影。靜止物的陰影可通過背景差分去除，但由于鏡頭的抖動、靜止物體的再活動等，陰影部分不可能完全去除而產(chǎn)生噪聲(以下簡稱為外陰影)；目標車輛自身陰影及目標之間的投影(以下簡稱為內(nèi)陰影)。本文采用基于粗糙集陰影邊緣點分類的方法，較好地實現(xiàn)了陰影邊緣的檢測。
2．1 陰影邊緣點的分類
    假設陰影區(qū)域和非陰影區(qū)域存在著一個過渡帶，即認為邊緣是有寬度的。
    (1)外陰影與內(nèi)陰影的灰度相差較大通過大量圖像發(fā)現(xiàn)：外陰影的平均灰度要比內(nèi)陰影的平均灰度低，在同一淺色背景下表現(xiàn)為對比度大些。此時對求得的集合A1，A2(A1表示剔除噪聲后，所有像素中梯度大的像素組成的集合；A2表示剔除噪聲后，所有像素的最大鄰域差值大的像素組成的集合。A1，A2即為需要的像素集合)。分別求K(x，y)，H(x，y)，K(x，y)為像素點的梯度，H(x，y)為鄰域函數(shù)。在A1中，A<K(x，y)<B的值對應的像素點集為集合N。K(x，y)≥B的值對應的像素點集為M集合；在A2中，合理選取參數(shù)得C<H(x，y)<D對應的點集合為R，H(x，y)≥D對應的點集合為S，使得M與R，N與S盡可能相等。由此，可以初步得出N(=S)為外陰影邊緣點，M(=R)為內(nèi)陰影邊緣點。
    (2)外陰影與內(nèi)陰影的灰度相差不大這樣求得的K(x，y)或H(x，y)不能分為兩個較明顯的區(qū)間，此時僅求H(x，y)即可。
2．2 部分假邊緣點的處理
    如果外陰影和內(nèi)陰影分布不均勻，即外陰影內(nèi)部某些點的K(x，y)，H(x，y)恰好屬于內(nèi)陰影邊緣點的，會產(chǎn)生誤判。此時應在內(nèi)陰影的M(R)中去掉這些點，方法如下：對內(nèi)陰影邊緣點集M(R)逐一進行統(tǒng)計，使該點向四周移動，若都能碰到屬于外陰影邊緣高梯度點(梯度大于或等于B的點)或高最大鄰域灰度差的點(最大鄰域灰度差大于或等于D的點)，則該點是外陰影的內(nèi)部點，將其從內(nèi)陰影邊緣點集M(R)中去掉。這樣，剩下的點均為真正的邊緣點了。
2．3 邊緣細化和連續(xù)
    因假設邊緣是有寬度的，為更精確地檢測邊緣，需對邊緣進行細化。具體方法是如果兩個邊緣點的梯度方向相同，且相互位于法線上，保留最大鄰域差。這樣可得到較高定位精度的細化邊緣離散點。
    為將離散點連成線，需建立三叉樹，依次檢查M和N中每個像素點，根據(jù)不同方向，判斷前趨點和后繼點。對每一個邊緣點確定了前趨點和后繼點之后，即可從邊線的起點出發(fā)，依次得到直線上的每個像素點，從而獲得連續(xù)的陰影邊緣，進而消除陰影。

3 結(jié) 語
    近年來，隨著計算機、圖像處理、人工智能、模式識別、視頻傳輸?shù)燃夹g(shù)的不斷發(fā)展，基于視頻的車輛檢測技術(shù)得到了越來越廣泛的應用。
    本文在最常見的背景差分法的基礎(chǔ)上，通過選取小閾值，獲得含陰影部分的前景目標，利用基于粗糙集分類方法求得陰影邊緣點，從而消除陰影。在此過程中，使用了一種云除假邊緣點的方法，利用最大鄰域灰度差及邊緣梯度，既得到了真正的邊緣點又去除了噪聲，然后對邊緣點進行了細化和連續(xù)，得到了單寬度的陰影邊緣。該算法簡單，易操作，精確度高，可用于實際應用中。