交通视频中几种目标检测算法的应用研究

交通视频中几种目标检测算

法的应用研究

运动目标检测是视频处理中一个重要的研究方向，它主要目的是在视频中提取出运动目标，为后来的处理打下基础。运动目标检测是后期对目标进行分析、处理必不可少的部分，是视频监控的基础。通常我们获取的视频图像中包含前景目标和背景图像，前景一般是指运动的目标，背景一般是指静止的环境。当今比较流行的运动目标检测方法主要包括背景差分、帧间差分、混合高斯模型等方法。

1 背景差分法

1.1 算法原理和实验

背景差分是指选取特定帧作为背景图像，以当前帧减去背景帧来检测目标，是比较常用的一种方法。如公式（１）和（２）所示。(,)f x y 表示读取的一帧图像，

(,)b x y 表示背景图像，d(,)x y 表示每个像

素点差值的绝对值，(,)v x y 表示二值化处理后的值，t 表示阈值。

d(,)(,)(,)(1)

x y f x y b x y =|-| 1,(,)t

0,(,)(,)(2)d x y d x y t v x y ≥ <={

流程图

实验：

1.2对背景差分的改进

背景差分法是一种比较简单实用的方法，但在交通视频中，实际道路的背景不是一成不变的，比如背景树叶随风摆动以及下雨天气等，背景选取非常重要，在每次选取背景时，采取均值法能更好地接近真实背景，减少背景的随机性带来的问题。如公示（３）

所示。

1

(,)=(,)n

k k b x y b x y =∑

２帧间差分法

流程图

2 帧间差分法

2.1 算法原理和实验

的轮廓，是一种比较实用和简单的方法，如公式4所表示。

1(,)(,)(,)k k d x y f x y f x y -=|-| (4)

流程图如

1,(,)t

0,(,)(,)(5)d x y d x y t v x y ≥ <={

2.2 三帧差分法

帧间差分法也存在着一些缺陷，比如运动目

３高斯模型法

3.1算法原理和实验

高斯模型就是用高斯概率密度函数精

确地量化事物，将一个事物分解为若干的基于高斯概率密度函数形成的模型。对图像背景建立高斯模型的原理及过程：图像灰度直方图反映的是图像中某个灰度值出现的频次，也可以以为是图像灰度概率密度的估计。如果图像所包含的目标区域和背景区域相差比较大，那么该图像的灰度直方图呈现双峰-谷形状，其中一个峰对应于目标，另一个峰对应于背景的中心灰度。对于复杂的图像，尤其是医学图像，一般是多峰的。通过将直方图的多峰特性看作是多个高斯分布

的叠加，可以解决图像的分割问题。在智能监控系统中，对于运动目标的检测是中心内容，而在运动目标检测提取中，背景目标对于目标的识别和跟踪至关重要。而建模正是背景目标提取的一个重要环节。

高斯模型包括单高斯模型和混合高斯模型，单高斯模型是对图像中每个像素点的时间序列建立一个高斯分布模型，混合高斯模型是对每个像素点的时间序列建立多个高斯分布模型，即每个像素点的分布是几个高斯分布的联合。单高斯模型适合简单的变化较为微小的场景，混合高斯模型适合复杂的场景，本文主要介绍混合高斯模型的算法原理和使用效果。混合高斯模型的一个高斯分布如公式（６）（７）（８）所示，是指在每一时刻，假定每一像素的历史的值集合

123t x x x x {,,,....,}是一组符合高斯分布的随

机量。

11

()()2

12

2

1(,,)(6)

(2)T t t t t t x x t t t d t f x e

π---μ∑-μμ∑=

|∑|

1

1(7)N t i i x N -=μ= ∑

1

1((8)

N T t i t i t i x x N -=∑=- μ)*(-μ) ∑而多个高斯分布的综合即混合高斯分布如

公式（９）所示。

,,,,1

()*(,,)(9)

k

t i t i t i t i t i F x f x ==αμ∑ ∑,i t α为各个高斯分布的权值。则判定一个像

素点为背景如公式（１０）所示。

,11,1*10t i t t i t x u εσ---|-|≤ （）

而判定为目标如公式（11）所示。

,11,1*11t i t t i t x u εσ---|-|> （）

如果该像素点与某个高斯模型匹配成功，则

用该像素更新背景模型参数，如公式（12）（13）（14）（15）所示，β为高斯模型的学

习率，一般为一较小数值，例如0.01，λ为参数学习率，表示高斯模型的更新速度，λ越大，表示高斯模型背景变化越快。

,,1(1)*i t i t ββ-α=-α+

,i t

β

λ=

α

,,1(1)**i t i t t u u x λλ-=-+

22,,1,,*()*()

T i t i t t i t t i t x u x u σλσλ-= (1-)*+--

3.2 对高斯模型的改进

混合高斯模型能够较好的解决复杂背景下目标检测的质量，实验结果如图所示，通过结果可以看出，目标清晰明确，但仍然存在部分阴影，即在车辆外围有一部分车辆阴影被作为目标，下面提出一种改进方法，动态调整公式（10）和（11）中的阈值ε，对于被检测属于目标的像素点，结合模型学习率β和参数学习率λ，小幅增大ε，以达到去除阴影的目的。

1(1)**t t ελελγ-=-+