CN105069441A - 一种基于背景更新与粒子群算法的运动车辆检测方法 - Google Patents

Abstract

一种基于背景更新与粒子群算法的运动车辆检测方法，所述方法包括以下步骤：利用双边滤波法对视频图像进行预处理，去除图像噪声的同时又能保护图像的边缘信息；采用surendra背景更新算法实现背景更新；背景更新过程中，通过粒子群极大熵法求得帧差图像的最优阈值实现背景更新；再通过背景差分法获得运动目标的灰度图像，并采用粒子群极大熵法求得差分图像的最优阈值实现图像分割；经过形态学处理检测出运动车辆。本发明能够适应简单的交通环境，同样也能克服复杂环境的影响，提高检测目标的准确率。

Description

一种基于背景更新与粒子群算法的运动车辆检测方法

技术领域

本发明涉及计算机视觉技术领域，尤其是一种基于背景更新与粒子群算法的运动车辆的检测方法。

背景技术

随着经济和科技的快速发展，人们的生活水平不断提高，交通工具逐渐被汽车所取代。车辆数量的增加在一定程度上解决了人们的出行问题并带来很大的便利，但是随着汽车数量的增加给交通带来了很大的压力，交通问题日益严重，车辆违章、交通秩序混乱、交通污染、交通拥堵。扩建公路、车辆限行短时间内解决了交通拥堵，但投入大量的人力、物力在解决交通问题上变得越来越不现实。因此，仅仅依靠增加人力和交通设施是不能改善恶劣的交通环境的。如何有效地解决交通问题是人们关注的焦点。

近年来，智能交通监控系统的应用越来越广泛，智能交通监控系统是将传感技术、数据传输技术、计算机视觉技术等先进技术有效地综合运用到交通系统中。它是一种高效、准确、全方位、实时监控的综合系统，无需人工监控，能够大范围发挥作用，使人、车、路更加协调地结合在一起，可以降低事故发生率，减少交通污染，从而提高交通运输效率及生产率。国内外不少学者通过视频监控对车辆进行检测、跟踪、车流量统计、车速监测等。车辆检测是实现车辆跟踪、车流量统计、车速监测的基础。对于车辆检测的研究，国内外学者做出了很大贡献。例如：WangY提出了一种基于联合随机域的运动车辆检测方法，该方法适用于存在运动阴影、灯光干扰以及各种天气状况，有效地实时检测视频流；ChenS采用基于三维大津法与高斯背景建模相结合的方法对运动车辆进行检测，该方法弥补了传统三维大津法的耗时和不满足实时需求的缺点；余烨提出了一种改进的Vibe的运动目标检测算法，为了避免样本的重复选取，该算法扩大了样本的取值范围，为了避免错误分类的扩散，采用了隔行更新方式更新像素邻域，采用小目标丢弃与空洞修复对检测结果进行优化，提高了检测效率；陈银提出了一种单高斯背景建模和meanshift原理相结合的方法进行运动目标检测，通过对更新后背景中不属于背景点的像素点进行meanshift修正，该方法克服了背景模型不能自适应更新的缺点；李响提出了一种基于局部运动补偿的二次分割目标检测的方法，该方法中采用两次分割有效地剔除了静态背景像素，得到前景目标和部分动态背景，为了降低噪声的影响，利用块匹配运动估计算法获得动态像素点的运动矢量，并补偿到运动初始区域；於时才提出了一种运动背景下的运动目标检测，该方法采用傅里叶变换进行背景补偿，采用六帧相邻图像差分相乘的方法增强运动目标的像素点，利用区域-分裂合并分割目标，是想了在复杂背景下较好地检测车运动运动目标；刘红海提出了一种采用随机样本来构建背景模型，将像素级更新和帧级更新相结合来进行背景更新，提高了响应速度。

然而，虽然以上方法能够很好地检测出运动目标，但在实际处理过程中上述方法都存在计算量大、实时性差、算法复杂等问题，不利于推广使用。

发明内容

本发明目的在于提供一种可实时更新背景图像并能提高运动目标提取准确性的基于背景更新与粒子群算法的运动车辆的检测方法。

为实现上述目的，本发明所述方法包括以下步骤：

(1)图像预处理

获取视频图像，对采集的视频图像采用双边滤波方法去除噪声；

(2)阈值分割

设定粒子群中各参数，并初始化粒子群，根据灰度图像直方图的熵函数的定义，计算各个粒子的适应度函数值，采用极大熵图像分割方法并结合粒子群优化算法，利用粒子群优化算法优化阈值，获取最优分割阈值；

(3)背景更新

读取经过双边滤波之后的图像序列，提取背景图像，采用Surendra算法进行背景实时更新；在背景实时更新过程中，采用步骤(2)中的方法获取图像最佳阈值从而得到二值图像，根据二值图像的像素值更新背景图像；

(4)背景差分

采用背景差分法将获取的实施背景图像与视频图像作差，得到运动车辆前景区域；采用步骤(2)中的方法获取准确阈值分割图像，得到运动车辆前景区域的二值图像；

(5)形态学处理

对二值图像进行形态学处理，去除不属于运动目标的区域，得到较完整的车辆图像信息。

步骤(2)中利用粒子群算法选取最优分割阈值的具体步骤为：

a、设定粒子群中各参数，并初始化粒子群，设定最大惯性因子W_max＝0.9，最小惯性因子W_min＝0.1，学习因子分别为C₁＝2.0，C₂＝2.0；

b、根据熵函数的定义计算各个粒子的适应度函数值；

c、根据适应度函数计算各个粒子的个体极值和种群极值，比较个体极值和种群极值，如果个体极值优于种群极值，则该个体极值为种群极值；

d、更新各个粒子的速度和位置；

e、当算法达到最大迭代次数，此时获得的全局极值为所求的最优阈值。

步骤(3)中采用Surendra算法进行背景实时更新的具体步骤如下：

a、将双边滤波后的第一帧图像作为初始背景图像B₀(x,y)；

b、采用步骤(2)中方法获取最优阈值T，求得帧差图像的二值图像，

$D_i\left(x,y\right)=\left\{\begin{array}{cc}1& \left|I_i\left(x,y\right)-I_{i-1}\left(x,y\right)\right|>T\\ 0& \left|I_i\left(x,y\right)-I_{i-1}\left(x,y\right)\right|\≤T\end{array}\right.$

c、根据b中二值图像的像素值更新背景图像B_i(x,y)，得到：

$B_i(x,y)=\left\{\begin{array}{cc}{B}_{i-1}(x,y)& D_i(x,y)=1\\ {\mathrm{\αI}}_i(x,y)+(1-\mathrm{\α})B_{i-1}(x,y)& D_i(x,y)=0\end{array}\right.$

其中，I_i-1(x,y)为前一帧灰度图像，I_i(x,y)为当前灰度图像，B_i-1(x,y)为前一帧背景图像，B_i(x,y)为当前背景图像，D_i(x,y)为二值图像在(x,y)点的像素值，α为背景更新速度；

通过对帧差图像的像素点的灰度进行判断，若该像素点的灰度值大于阈值，那么背景图像对应位置的像素点保持不变；否则就利用当前帧对背景图像进行替换更新，提取出背景图像。

与现有技术相比，本发明具有如下优点：可实时更新背景图像，既能适应简单的交通环境又能克服复杂环境的影响，提高检测目标的准确率。

附图说明

图1是本发明方法的步骤流程图。

图2是本发明实施例1中不同环境下的视频图像。

图3是对图2进行双边滤波后的结果图。

图4是对图3进行提取视频图像背景的结果图。

图5是对图4进行背景差分图像的结果图。

图6是对图5进行运动车辆检测的结果图。

图7是本发明实施例1中对比不同阈值方法的检测准确率图表。

具体实施方式

下面结合附图对本发明做进一步说明：

实施例1：

如图1所示，本发明所述方法包括以下步骤：

(1)图像预处理

为了本发明的可行性，选取三种不同的交通环境进行试验，如图2所示；

视频在采集和传输过程中，会产生很多噪声，噪声会影响后续工作的进行，因此，先采用双边滤波的方法去除噪声，再对图像进行处理。双边滤波的去噪效果取决于两个方差参数σ_s和σ_r，σ_r比σ_s在降低噪声方面更重要。σ_r要根据噪声的情况而定，比较σ_r取不同值时的信噪比，信噪比最大时的去噪效果最好。预处理结果如图3所示。

(2)阈值分割

设定粒子群中各参数，并初始化粒子群，根据灰度图像直方图的熵函数的定义，计算各个粒子的适应度函数值，采用极大熵图像分割方法并结合粒子群优化算法，利用粒子群优化算法优化阈值，获取最优分割阈值；

极大熵阈值分割法是通过测量图像灰度直方图的熵并找到最佳分割阈值，使背景和目标区别开来。当直方图的熵函数取最大值时所对应的灰度值为所求的最大阈值。线性变化权重的粒子群优化算法通过与极大熵图像分割方法结合，在复杂图像中能够获得很好的分割效果和鲁棒性。

粒子群算法选取最优分割阈值的具体步骤为：

a、设定粒子群中各参数，并初始化粒子群，设定最大惯性因子W_max＝0.9，最小惯性因子W_min＝0.1，学习因子分别为C₁＝2.0，C₂＝2.0；

b、根据熵函数的定义计算各个粒子的适应度函数值；

c、根据适应度函数计算各个粒子的个体极值和种群极值，比较个体极值和种群极值，如果个体极值优于种群极值，则该个体极值为种群极值；

d、更新各个粒子的速度和位置；

e、当算法达到最大迭代次数，此时获得的全局极值为所求的最优阈值。

(3)背景更新

读取经过双边滤波之后的图像序列，提取背景图像，采用Surendra算法进行背景实时更新；在背景实时更新过程中，采用步骤(2)中的方法获取图像最佳阈值从而得到二值图像，根据二值图像的像素值更新背景图像；

图4为得到的背景图像，采用Surendra算法进行背景实时更新的具体步骤如下：

a、将双边滤波后的第一帧图像作为初始背景图像B₀(x,y)；

b、采用步骤(2)中方法获取最优阈值T，求得帧差图像的二值图像，

$D_i\left(x,y\right)=\left\{\begin{array}{cc}1& \left|I_i\left(x,y\right)-I_{i-1}\left(x,y\right)\right|>T\\ 0& \left|I_i\left(x,y\right)-I_{i-1}\left(x,y\right)\right|\≤T\end{array}\right.$

c、根据b中二值图像的像素值更新背景图像B_i(x,y)，得到：

$B_i(x,y)=\left\{\begin{array}{cc}{B}_{i-1}(x,y)& D_i(x,y)=1\\ {\mathrm{\αI}}_i(x,y)+(1-\mathrm{\α})B_{i-1}(x,y)& D_i(x,y)=0\end{array}\right.$

其中，I_i-1(x,y)为前一帧灰度图像，I_i(x,y)为当前灰度图像，B_i-1(x,y)为前一帧背景图像，B_i(x,y)为当前背景图像，D_i(x,y)为二值图像在(x,y)点的像素值，α为背景更新速度；

通过对帧差图像的像素点的灰度进行判断，若该像素点的灰度值大于阈值，那么背景图像对应位置的像素点保持不变；否则就利用当前帧对背景图像进行替换更新，提取出背景图像。

(4)背景差分

提取前N+1帧图像的背景图像，并与第N+1帧图像进行背景差分运算，得到运动车辆前景区域；采用步骤(2)中的方法获取准确阈值分割图像，得到运动车辆前景区域的二值图像。如图5为得到的背景差分图像。

(5)形态学处理

经过步骤(4)之后的二值图像存在误判断为运动目标区域的小区域，去除不属于运动区域的小区域，得到较完整地车辆信息。

(6)运动车辆检测

为了本发明的可行性，选取三种不同的交通环境进行试验，实验结果如图6所示，从图中可以看出本文方法不仅能适用于简单背景、车速较慢的环境，而且在复杂背景、噪声较大、车速较快的情况下，采用该方法均能够克服外界环境的不利影响，准确地检测出运动车辆，提高检测的准确率。为了进一步验证本文算法的有效性，计算两种求阈值方法的检测准确率，如图7所示。

以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (3)

1.一种基于背景更新与粒子群算法的运动车辆检测方法，其特征在于，所述方法包括以下步骤：

(1)图像预处理

获取视频图像，对采集的视频图像采用双边滤波方法去除噪声；

(2)阈值分割

设定粒子群中各参数，并初始化粒子群，根据灰度图像直方图的熵函数的定义，计算各个粒子的适应度函数值，采用极大熵图像分割方法并结合粒子群优化算法，利用粒子群优化算法优化阈值，获取最优分割阈值；

(3)背景更新

读取经过双边滤波之后的图像序列，提取背景图像，采用Surendra算法进行背景实时更新；在背景实时更新过程中，采用步骤(2)中的方法获取图像最佳阈值从而得到二值图像，根据二值图像的像素值更新背景图像；

(4)背景差分

采用背景差分法将获取的实施背景图像与视频图像作差，得到运动车辆前景区域；采用步骤(2)中的方法获取准确阈值分割图像，得到运动车辆前景区域的二值图像；

(5)形态学处理

对二值图像进行形态学处理，去除不属于运动目标的区域，得到较完整的车辆图像信息。

2.根据权利要求1所述的一种基于背景更新与粒子群算法的运动车辆检测方法，其特征在于，步骤(2)中利用粒子群算法选取最优分割阈值的具体步骤为：

a、设定粒子群中各参数，并初始化粒子群，设定最大惯性因子W_max＝0.9，最小惯性因子W_min＝0.1，学习因子分别为C₁＝2.0，C₂＝2.0；

b、根据熵函数的定义计算各个粒子的适应度函数值；

c、根据适应度函数计算各个粒子的个体极值和种群极值，比较个体极值和种群极值，如果个体极值优于种群极值，则该个体极值为种群极值；

d、更新各个粒子的速度和位置；

e、当算法达到最大迭代次数，此时获得的全局极值为所求的最优阈值。

3.根据权利要求1所述的一种基于背景更新与粒子群算法的运动车辆检测方法，其特征在于，步骤(3)中采用Surendra算法进行背景实时更新的具体步骤如下：

a、将双边滤波后的第一帧图像作为初始背景图像B₀(x,y)；

b、采用步骤(2)中方法获取最优阈值T，求得帧差图像的二值图像，

$D_i\left(x,y\right)=\left\{\begin{array}{cc}1& \left|I_i\left(x,y\right)-I_{i-1}\left(x,y\right)\right|>T\\ 0& \left|I_i\left(x,y\right)-I_{i-1}\left(x,y\right)\right|\≤T\end{array}\right.$

c、根据b中二值图像的像素值更新背景图像B_i(x,y)，得到：

$B_i(x,y)=\left\{\begin{array}{cc}{B}_{i-1}(x,y)& D_i(x,y)=1\\ {\mathrm{\αI}}_i(x,y)+(1-\mathrm{\α})B_{i-1}(x,y)& D_i(x,y)=0\end{array}\right.$

其中，I_i-1(x,y)为前一帧灰度图像，I_i(x,y)为当前灰度图像，B_i-1(x,y)为前一帧背景图像，B_i(x,y)为当前背景图像，D_i(x,y)为二值图像在(x,y)点的像素值，α为背景更新速度；

通过对帧差图像的像素点的灰度进行判断，若该像素点的灰度值大于阈值，那么背景图像对应位置的像素点保持不变；否则就利用当前帧对背景图像进行替换更新，提取出背景图像。