CN105447890A - 一种抗光照影响的运动车辆检测方法 - Google Patents

Abstract

本发明公开了一种抗光照影响的运动车辆检测方法，该方法包括如下步骤：获取视频序列图像；利用帧差法提取视频序列图像中的运动区域图像；对运动区域图像的直方图进行分析，判断该图像是否为光照不均匀图像，如果是则消除光照影响后再背景差分；利用同态滤波算法消除运动区域图像的光照不均匀；利用背景差分算法对消除光照不均匀后的运动区域图像进行运动车辆检测，得到检测结果。本发明抗光照影响的运动车辆检测方法，利用帧差法提取运动区域图像，之后只对运动区域图像进行处理，可以大大减少后续运算量，提高运算效率；利用同态滤波函数进行滤波，有效消除了光照不均匀影响，使得检测结果更准确。

Description

一种抗光照影响的运动车辆检测方法

技术领域

本发明涉及一种抗光照影响的运动车辆检测方法，属于图像处理技术领域。

背景技术

运动目标检测技术是国内外视频监控领域研究的热点和难点之一。目前常用的运动目标检测方法有：帧间差分法、背景差分法和光流法。帧间差分法的优点是算法实现简单，程序设计复杂度低；对光线等场景变化不太敏感，能够适应各种动态环境，稳定性较好；但不能提取出对象的完整区域，只能提取出边界，同时依赖于选择的帧间时间间隔。背景差分法检测运动目标速度快，检测准确，算法简单，易于实现；但通常运算速度慢，易受光线变化的影响，对目标阴影的去除效果差。光流法的原理是给图像中的每一个像素点赋予一个速度矢量，形成一个图像运动场，在运动的一个特定时刻，图像上的点与三维物体上的点一一对应，这种对应关系可由投影关系得到，根据各个像素点的速度矢量特征，可以对图像进行动态分析；但对于视频监控系统来说，所用的图像基本都是摄像机静止状态下摄取得，所以对有实时性和准确性要求的系统来说，纯粹使用光流法来检测目标不太实际，而且该方法计算复杂度高，需要特殊硬件支持，不利于实时实现。

同态滤波算法是把频率过滤和灰度变换结合起来的一种图像处理方法，它依靠图像的照度/反射率模型作为频域处理的基础，利用压缩亮度范围和增强对比度来改善图像的质量。使用这种方法可以使图像处理符合人眼对于亮度响应的非线性特性，避免了直接对图像进行傅立叶变换处理的失真。同态滤波能减少低频成分并增加高频，从而减少光照变化并锐化边缘或细节，广泛应用于不均匀光照下图像的补偿。

发明内容

本发明所要解决的技术问题是：提供一种抗光照影响的运动车辆检测方法，利用同态滤波算法消除光照的影响，使得运动车辆检测较高更好。

本发明为解决上述技术问题采用以下技术方案：

一种抗光照影响的运动车辆检测方法，包括如下步骤：

步骤1，获取视频序列图像；

步骤2，利用帧差法提取视频序列图像中的运动区域图像；

步骤3，对运动区域图像的直方图进行分析，判断该图像是否为光照不均匀图像，如果是则转到步骤4，否则转到步骤5；

步骤4，利用同态滤波算法消除运动区域图像的光照不均匀；

步骤5，利用背景差分算法对运动区域图像进行运动车辆检测，得到检测结果。

优选的，步骤2所述利用利用帧差法提取视频序列图像中的运动区域图像的具体过程为：将视频序列图像中相邻两帧图像的灰度相减后得到的差值与预先设定的阈值进行比较，若大于该阈值，则判断为运动区域图像，其中，A_k(i,j)为视频序列图像中第k帧图像的像素点(i,j)的灰度，k＝1,2,…,S，S为视频序列图像的总帧数。

优选的，步骤3所述直方图的公式为：其中，p(r_b)为运动区域图像中灰度为r_b的像素出现的频率，n_b为运动区域图像中灰度为r_b的像素数，n为运动区域图像中的总像素数，L为灰度等级。

优选的，步骤4所述同态滤波算法的滤波函数H(u,v)为：其中，Rh为高频增益，Rl为低频增益，D(u,v)为频率点(u,v)距离滤波器中心D₀的距离，e为自然常数。

优选的，所述步骤5的具体过程为：设定时间间隔H，每隔H从视频序列图像中获取相邻两帧图像做帧间差分，差分次数共M次，M＜S，S为视频序列图像的总帧数，利用M次差分图像建立背景图像，将运动区域图像中像素点的灰度与背景图像中对应像素点的灰度相减，当差值大于设定阈值T_h时，判断为运动车辆。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1、本发明抗光照影响的运动车辆检测方法，利用帧差法提取运动区域图像，之后只对运动区域图像进行处理，可以大大减少后续运算量，提高运算效率。

2、本发明抗光照影响的运动车辆检测方法，利用同态滤波函数进行滤波，能够在保留低频分量的同时，对高频分量进行增强，有效消除了光照不均匀影响。

3、本发明抗光照影响的运动车辆检测方法，对消除光照影响后的运动区域图像继续处理，使得检测结果更准确。

附图说明

图1是本发明抗光照影响的运动车辆检测方法的整体流程图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

如图1所示，为本发明抗光照影响的运动车辆检测方法的整体流程图，包括如下几步。

1、利用帧差法搜索感兴趣区域

两帧帧差法的基本原理就是将前后两帧图像对应像素点的灰度相减，在环境亮度变化不大的情况下，若对应像素灰度相差很小，则可以认为此处景物是静止的，若图像区域某处的灰度变化很大，则可以认为这是由于图像中的运动物体引起的。

帧差法差分图像的公式如下：

P＝|A(i,j,k)-A(i,j,k-1)|，

其中，P表示差分图像，A(i,j,k)、A(i,j,k-1)分别表示第k和k-1帧图像的亮度分值，(i,j)表示图像像素点。

本发明首先利用帧差法，检测出目标图像中的运动区域图像，之后再只对运动区域图像进行处理，可以大大减少后续运算量，提高运算效率。

2、基于直方图的光照不均匀图像鉴别方法

一般在白天光照比较好时，目标检测准确率较高。夜晚或者天气不好的时候，由于受到停车场内灯光以及车灯的影响，图像很容易光照不均匀，会对检测结果的准确性造成影响。通过对运动区域图像直方图进行分析，确定该图像是否为不均匀图像。

设运动区域图像f(x,y)在范围[0,G]内共有L个灰度级，其归一化的直方图定义为：

$p\left(r_b\right)=\frac{n_b}{n},b=1,2,...,L,$

其中，p(r_b)表示运动区域图像中灰度级为r_b的像素出现的频率，n_b表示运动区域图像中灰度级为r_b的像素数，n表示运动区域图像中的总像素数。

设p(r_b)的方差为D_p，给定阈值d，b＜d时的p(r_b)总和占b＝1,2,…,L时p(r_b)总和的比例为η，则

$D_p=\frac{1}{L}\underset{b=1}{\overset{L}{\Σ}}{\[p\left(r_b\right)-\frac{1}{L-2}(\underset{b=1}{\overset{L}{\Σ}}p\left(r_b\right)-p_{\max }(r_b)-p_{\min }(r_b\left)\right)\]}^2,b=1,2,...,L,$

$\mathrm{\η}=\frac{{\mathrm{\Σ}}_{b=1}^{d}p\left(r_b\right)}{{\mathrm{\Σ}}_{b=1}^{L}p\left(r_b\right)},b=1,2,...,L,$

根据需要设定阈值D_p ^*、η^*，若满足D_p＞D_p ^*且η＞η^*，则认为该图像是光照不均匀图像。

3、同态滤波算法

同态滤波是一种在频域中同时将图像亮度范围进行压缩和将图像对比度进行增强的方法。同态滤波的目的是通过对图像作非线性变换，使构成图像的非可加性因素成为可加性的，从而容易进行滤波处理。

对于运动区域为光照不均匀图像f(x,y)，利用同态滤波对光照不均匀进行消除。光照不均匀图像可由入射分量和反射分量组成，分别用i(x,y)和r(x,y)表示。图像f(x,y)可表示为：

f(x,y)＝i(x,y)r(x,y)，

对上式两边取对数，然后傅立叶变换，可得：

F(z(x,y))＝F(lni(x,y))+F(lnr(x,y))，

上式可表示为：Z(u,v)＝i(u,v)+r(u,v)。

用滤波函数H(u,v)对Z(u,v)进行处理，以Rh代表高频增益，Rl代表低频增益，D(u,v)代表频率(u,v)距离滤波器中心D₀(u0,v0)的距离。当Rh＞1，Rl＜1时，该滤波函数能同时抑制照明分量和增强反射分量。利用高斯型高通滤波器修改得到的滤波函数为：

$H(u,v)=(Rh-Rl)(1-e^{-\frac{eD(u,v)}{{D_0}^2}})+Rl.$

利用该同态滤波函数作为滤波器进行滤波后，能够在保留低频分量的同时，对高频分量进行增强，使暗区域的图像也清晰地显示出来，有效去除了光照影响。

4、利用背景差分算法进行目标检测

4.1对于利用同态滤波处理后的运动区域图像，采用背景差分算法，进行目标检测。方法如下：

1)捕获某一时间段的视频序列图像其中k为帧序，S为视频序列的总帧数。

2)设A_k(i,j)和A_k+1(i,j)为视频序列中捕获的相邻两帧图像(1≤k≤S)，通过相邻两帧图像进行差分处理，检测出属于背景的像素点，采用灰度值进行差分。背景函数BAC¹为：

其中，T为阈值。

3)用同样的方法在时间间隔H后继续捕获相邻两帧图像做帧间差分，直至获得差分图像序列，设差分次数为M，则差分序列共有M帧图像。

4)利用M帧差分图像建立背景，该方法假设被运动目标遮挡的背景至少会露出1次，这样就可以用下列公式提取出背景：

${\mathrm{BAC}}^2(i,j)=\frac{1}{R}\underset{m=1}{\overset{M}{\Σ}}{\mathrm{BAC}}_m^1(i,j),$

其中，BAC²表示M个背景函数的平均值，R为不为0的次数。至此，就完成了背景重建的工作。

5)将待检测帧中每一个像素点的灰度值和背景图像中对应像素点相减，当差值大于一定阈值T_h时，则判断为运动目标，方程为：

d(i,j)＝|A(i,j)-BAC2(i,j)|，

若d(i,j)＞T_h，则该点为运动目标像素点，否则为背景点。

4.2阈值T_h的取法

阈值T_h的取值非常重要，若过大，则会将一些运动目标像素点误认为是背景像素点；若过小，则会将背景像素点误认为是运动目标像素点，这都是我们不想看到的。因此，提出了一个运用当前图像平均灰度值来确定动态阈值的方法：

1)求出当前帧图像中的最小和最大灰度值，令初始阈值等于这两个值的平均值；

2)根据阈值将图像分割成目标和背景两部分，求出两部分的平均灰度值L₁和L₂：

$L_1=\frac{{\&Sigma;}_{A(i,j)<T}A(i,j)}{{\&Sigma;}_{A(i,j)<T}N},L_2=\frac{{\&Sigma;}_{A(i,j)\&GreaterEqual;T}A(i,j)}{{\&Sigma;}_{A(i,j)\&GreaterEqual;T}N};$

其中，A(i,j)表示当前帧中的像素点灰度值，N表示当前图像中像素的个数。

3)用L₁和L₂的平均值作为分割阈值T_h：

4.3背景更新

提取出来的背景模型可能受到一些突发情况的干扰，比如光照的变化、树叶的抖动，原属于背景中的景物突然运动等。为了克服这些干扰，使背景模型能够对外界变化具有自适应性，必须实时地对背景模型进行更新，具体的更新方法是：在物体的检测中，对于被判断为属于物体的像素点，仍然保持原来的背景灰度值，不予更新；被判断为是背景的点，依照下述规则更新背景模型：

B_a+1(i,j)＝αB_a(i,j)+(1-α)A(i,j)，

其中，α∈(0,1)为更新率，A(i,j)表示当前帧中的像素点灰度值。由此可见，由于背景模型的更新并不完全取决于当前像素点的值，而且与以前帧具有相关性，因此背景模型可以在长时间内保持相对稳定。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (5)

1.一种抗光照影响的运动车辆检测方法，其特征在于，包括如下步骤：

步骤1，获取视频序列图像；

步骤2，利用帧差法提取视频序列图像中的运动区域图像；

步骤3，对运动区域图像的直方图进行分析，判断该图像是否为光照不均匀图像，如果是则转到步骤4，否则转到步骤5；

步骤4，利用同态滤波算法消除运动区域图像的光照不均匀；

步骤5，利用背景差分算法对运动区域图像进行运动车辆检测，得到检测结果。

2.如权利要求1所述抗光照影响的运动车辆检测方法，其特征在于，步骤2所述利用利用帧差法提取视频序列图像中的运动区域图像的具体过程为：将视频序列图像中相邻两帧图像的灰度相减后得到的差值与预先设定的阈值进行比较，若大于该阈值，则判断为运动区域图像，其中，A_k(i,j)为视频序列图像中第k帧图像的像素点(i,j)的灰度，k＝1,2,…,S，S为视频序列图像的总帧数。

3.如权利要求1所述抗光照影响的运动车辆检测方法，其特征在于，步骤3所述直方图的公式为：其中，p(r_b)为运动区域图像中灰度为r_b的像素出现的频率，n_b为运动区域图像中灰度为r_b的像素数，n为运动区域图像中的总像素数，L为灰度等级。

4.如权利要求1所述抗光照影响的运动车辆检测方法，其特征在于，步骤4所述同态滤波算法的滤波函数H(u,v)为：其中，Rh为高频增益，Rl为低频增益，D(u,v)为频率点(u,v)距离滤波器中心D₀的距离，e为自然常数。

5.如权利要求1所述抗光照影响的运动车辆检测方法，其特征在于，所述步骤5的具体过程为：设定时间间隔H，每隔H从视频序列图像中获取相邻两帧图像做帧间差分，差分次数共M次，M＜S，S为视频序列图像的总帧数，利用M次差分图像建立背景图像，将运动区域图像中像素点的灰度与背景图像中对应像素点的灰度相减，当差值大于设定阈值T_h时，判断为运动车辆。