CN106780548A - 基于交通视频的运动车辆检测方法 - Google Patents

Abstract

本发明公开了一种基于交通视频的运动车辆检测方法，包括以下步骤：S1：通过装置于车辆内的摄像机实时的采集车辆信息，将获得的车辆行驶视频按照帧分割成一系列的图像序列，并对图像进行灰度化、二值化及降噪预处理；S2：背景建模，是对背景图像中的每一个像素点建立起模型分布，实时更新模型参数；S3：将预处理后的当前帧图像采用Canny边缘检测来提取边缘信息，获取图像的结构特征和边缘信息；S4：根据获取的边缘信息，对每一像素建立基于边缘的混合高斯模型；S5：基于边缘信息的混合高斯模型参数的更新；S6：像素点值与最佳描述背景高斯分布进行匹配，将前景目标提取出来，实现运动车辆的检测。

Description

基于交通视频的运动车辆检测方法

技术领域

本发明涉及一种基于交通视频的运动车辆检测方法。

背景技术

现如今，随着当今经济的高速发展，交通运输行业得到了显著的发展，机动车保有量迅速地增长，仅仅依靠修建道路设施和人工管理很难解决现存的交通问题,采用智能化的交通控制与管理系统来最大限度地行使现有道路体系的通行能力势在必行。对运动车辆的有效检测可以统计出一定时间内车辆流量、车流密度等交通流信息，根据此信息作出相应的道路管理与控制；对运动车辆的有效跟踪可以计算出车辆的行车速度、行车轨迹等交通信息，对此信息进行分析，预测出车辆在未来时间内的行为而做出相应的处理(如对超速、违章车辆发出警告，对交通事故的肇事车辆进行追踪等)。

智能交通系统的发展，随着基于交通视频图像序列的运动车辆检测与跟踪技术的发展而迅速崛起，基于交通视频图像序列的运动车辆检测和跟踪技术广泛应用于智能交通系统当中，是整个智能交通系统最底层的一个模块，也是最重要的模块。致力于车辆检测、跟踪研究的学者们取得了大量的、可观的研究成果，但是视频图像帧序列来源于架设在室外的摄像机，受到突然改变的光照条件、车辆的阴影、车距大小等等的影响，导致场景的动态不固定性，这样对运动车辆检测中所运用到的算法提出更加严格、苛刻的要求；传统的跟踪算法对快速行驶的运动车辆、被遮挡的运动车辆、尺度变化的运动车辆等的跟踪往往达不到预期的结果。

发明内容

本发明要解决的技术问题是提供一种基于交通视频的运动车辆检测方法。

基于交通视频的运动车辆检测方法，包括以下步骤：

S1：通过装置于车辆内的摄像机实时的采集车辆信息，将获得的车辆行驶视频按照帧分割成一系列的图像序列，并对图像进行灰度化、二值化及降噪预处理；

S2：背景建模，是对背景图像中的每一个像素点建立起模型分布，实时更新模型参数；

S3：将预处理后的当前帧图像采用Canny边缘检测来提取边缘信息，获取图像的结构特征和边缘信息；

S4：根据获取的边缘信息，对每一像素建立基于边缘的混合高斯模型；

S5：基于边缘信息的混合高斯模型参数的更新，把长时间驻留组成静止目标区域的像素点归纳为组成背景区域的像素点，短暂驻留目标的像素点慢慢减弱，直到此区域的像素点被一个新出现的运动目标的像素点完全替代；

S6：像素点值与最佳描述背景高斯分布进行匹配，将前景目标提取出来，实现运动车辆的检测。

进一步的，所述背景建模具体如下：

S2-1：用一个赋予权值为w_i,t，维数为n(灰度图像取1)的时间序列{X(x,y,i),1≤i≤t}来表示视频序列图像中像素点的值，任何时候这些像素点的值服从相同的分布且相互独立，采用K个独立的高斯分布(均值向量为μ_i,t，协方差矩阵为∑_i,t的正态分布)概率密度函数的加权和来描述X_t的概率函数表达式表示为：

其中，G_i(X_t,μ_i,t,∑_i,t)为第i个高斯分布；

S2-2：此对组成背景区域像素点的最佳描述是w_i,t/|∑_i,t|比值较大的高斯分布，把描述每个像素点的K个高斯分布的w_i,t/|∑_i,t|由大到小的顺序排列，大于阈值T的前B个高斯分布作为描述组成背景区域的模型：

其中，T(0.5≤T≤1)作为预先设定的阈值很好地表现出组成背景区域像素点出现的概率。

进一步的，所述Canny边缘检测具体方法如下：

S3-1：平滑图像中数据的阵列是像素点f(x,y)与标准差是σ的高斯平滑滤波器H(x,y；σ)进行卷积的表达式表示为：

S(x,y)＝H(x,y；σ)*f(x,y)，

使用2×2一阶有限差分，梯度幅值和方向角分别为：

θ(x,y)＝arctan(P₂(x,y)/P₁(x,y))

其中，

其中，M(x,y)为边缘强度；θ(x,y)为正交于边缘方向的法向矢量；

S3-2：计算图像灰度的偏导数P₁(x,y)、P₂(x,y)，计算出边缘强度为M(x,y)和方向θ(x,y)；

S3-3：某个像素点的灰度值与8邻域的8个像素灰度值作比较，如果不是最大值，则该像素点不是边缘像素点而把此像素点的值置为0，以此来决定出局部极大值；

S3-4：通过步骤S3-3得到了非极大值抑制的图像，在此基础上使用高阈值τ₁和低阈值τ₂(τ₁≈τ₂)分割图像得到了T_h[x,y]和T_l[x,y]两个阈值边缘图像，图像T_h[x,y]不包含假边缘，但造成轮廓上可能的间断，因此需在T_h[x,y]中把边缘连接成轮廓，达到轮廓端点时，在图像T_l[x,y]的8邻域位置内寻找可以连接到利用阈值τ₁得到的间断轮廓上的边缘像素点，重复此操作直到T_h[x,y]图像中的所有间断连接起来。

进一步的，基于边缘信息的混合高斯模型建立具体如下：

1)初始化：

K个边缘混合高斯模型中的第一个高斯分布的均值为第一帧图像像素点灰度值的平均值，协方差为较大的初始值V₀，权系数初始化为1，其它高斯分布均值为0，协方差为较大的初始值V₀，权系数为0；

2)匹配校验：

每帧图像中的每个像素点X_t的值满足|X_t-μ_i,t|≤2.5δ_i,t时，此像素点与边缘高斯分布G_i(X_t,μi_,t,Σ_i,t)相匹配。

进一步的，基于边缘信息的混合高斯模型参数的更新具体如下：

S5-1：均值向量μ_i,t，协方差矩阵∑_i,t、权系数w_i,t的更新：

1)像素点X_t对应的K个高斯模型中，如果存在大于或者是等于一个高斯分布满足|X_t-μ_i,t|≤2.5δ_i,t时：

对于不满足|X_t-μ_i,t|≤2.5δ_i,t的高斯分布，μ_i,t和Σ_i,t不进行更新，满足|X_t-μ_i,t|≤2.5δ_i,t的μ_i,t和Σ_i,t更新为：

μ_i,t＝(1-ρ)·μ_i,t-1+ρ·X_t，

Σ_i,t＝(1-ρ)Σ_i,t-1+ρ·diag[(X_t-μ_i,t)^T(X_t-μ_i,t)]，

ρ＝α·G_i(X_t|μ_i,t,Σ_i,t)，

其中，X_t表示的通过边缘检测得到的边缘像素点的值，α为学习因子；

2)像素点X_t对应的K个高斯模型中，如果没有一个高斯分布满足|X_t-μ_i,t|≤2.5δ_i,t时，需要将K个模型中w_i,t/|Σ_i,t|最小的G_j模型参数重新赋值：

w_j,t＝w₀,μ_j,t＝X,

其中，j＝min_i{w_i,t-1},i＝1,...,k；

3)在t时刻的K个边缘高斯分布权系数w_i,t更新为：

w_i,t＝(1-α)·w_i,t-1+α(M_i,t)，

其中，不匹配时高斯分布G_i(X_t,μ_i,t,∑_i,t)相应的权值将衰减，因此若t时刻的像素值X_t与高斯分布G_i(X_t,μ_i,t,∑_i,t)相匹配，则M_i,t＝1，否则M_i,t＝0。

S5-2：参数估计学习因子α的动态调整：

1)用连续三帧差来动态调整α：

其中，λ反映了连续三帧像素值都明显发生变化的比率；“∧”表示与运算；H为在线学习获得的判定两帧间像素值发生变化的阈值；

2)参数估计学习因子α的动态调整依据：

在满足1)中公式的情况下：

当α<0.1时，α＝2*α；

当α>0.1时，α的值保持不变；

在不满足1)中公式的情况下：

当α<0.05时，α＝0.5*α；

当α>0.05时，α的值保持不变。

进一步的，所述前景目标提取具体方法如下：

S6-1：场景背景的建立：t时刻，对于描述组成背景区域像素点的最佳前B个高斯分布中，如果当前视频图像帧中的像素点的值满足|X_t-μ_i,t|≤2.5δ_i,t，则把该像素归纳为组成背景区域的像素点，满足匹配关系的像素点映射到背景图像的像素点值更新为该像素点对应高斯模型(K个高斯模型中权值最大的高斯模型)的均值；

S6-2：运动前景检测：t时刻，对于描述组成背景区域像素点的最佳前B个高斯分布中，如果当前视频图像帧中的像素点的值不满足|X_t-μ_i,t|≤2.5δ_i,t，则把该像素归纳为组成前景区域的像素点，不满足匹配关系的像素点映射到背景图像的像素点值不做更新处理，维持背景图像中原有的像素值。

高斯混合模型的基本思想是：在摄像机固定的情况下，组成背景区域的像素点在一定时间内出现的频率高，组成背景区域的像素点在颜色、灰度方面比较集中。颜色、灰度集中的地方像素点对应高斯分布的方差较小，出现频率高的像素点，概率密度函数对应的权值较大。

本发明的有益效果是：

本发明利用视频图像帧中的边缘像素点建立混合高斯模型，建立的混合高斯模型中各个高斯分布的均值和方差在学习因子自适应、动态调整的情况下能够加快收敛的速度，实时地将变化场景更新(建立适合当前场景的背景模型)，根据视频图像中像素值与最佳描述背景高斯分布的匹配关系及时、有效地检测到运动车辆。

具体实施方式

以下具体实施例对本发明作进一步阐述，但不作为对本发明的限定。

基于交通视频的运动车辆检测方法，包括以下步骤：

S1：通过装置于车辆内的摄像机实时的采集车辆信息，将获得的车辆行驶视频按照帧分割成一系列的图像序列，并对图像进行灰度化、二值化及降噪预处理；

S2：背景建模，是对背景图像中的每一个像素点建立起模型分布，实时更新模型参数；

S3：将预处理后的当前帧图像采用Canny边缘检测来提取边缘信息，获取图像的结构特征和边缘信息；

S4：根据获取的边缘信息，对每一像素建立基于边缘的混合高斯模型；

S5：基于边缘信息的混合高斯模型参数的更新，把长时间驻留组成静止目标区域的像素点归纳为组成背景区域的像素点，短暂驻留目标的像素点慢慢减弱，直到此区域的像素点被一个新出现的运动目标的像素点完全替代；

S6：像素点值与最佳描述背景高斯分布进行匹配，将前景目标提取出来，实现运动车辆的检测。

所述背景建模具体如下：

S2-1：用一个赋予权值为w_i,t，维数为n(灰度图像取1)的时间序列{X(x,y,i),1≤i≤t}来表示视频序列图像中像素点的值，任何时候这些像素点的值服从相同的分布且相互独立，采用K个独立的高斯分布(均值向量为μ_i,t，协方差矩阵为∑_i,t的正态分布)概率密度函数的加权和来描述X_t的概率函数表达式表示为：

其中，G_i(X_t,μ_i,t,∑_i,t)为第i个高斯分布；

S2-2：此对组成背景区域像素点的最佳描述是w_i,t/|∑_i,t|比值较大的高斯分布，把描述每个像素点的K个高斯分布的w_i,t/|∑_i,t|由大到小的顺序排列，大于阈值T的前B个高斯分布作为描述组成背景区域的模型：

其中，T(0.5≤T≤1)作为预先设定的阈值很好地表现出组成背景区域像素点出现的概率。

所述Canny边缘检测具体方法如下：

S3-1：平滑图像中数据的阵列是像素点f(x,y)与标准差是σ的高斯平滑滤波器H(x,y；σ)进行卷积的表达式表示为：

S(x,y)＝H(x,y；σ)*f(x,y)，

使用2×2一阶有限差分，梯度幅值和方向角分别为：

θ(x,y)＝arctan(P₂(x,y)/P₁(x,y))

其中，

其中，M(x,y)为边缘强度；θ(x,y)为正交于边缘方向的法向矢量；

S3-2：计算图像灰度的偏导数P₁(x,y)、P₂(x,y)，计算出边缘强度为M(x,y)和方向θ(x,y)；

S3-3：某个像素点的灰度值与8邻域的8个像素灰度值作比较，如果不是最大值，则该像素点不是边缘像素点而把此像素点的值置为0，以此来决定出局部极大值；

S3-4：通过步骤S3-3得到了非极大值抑制的图像，在此基础上使用高阈值τ₁和低阈值τ₂(τ₁≈τ₂)分割图像得到了T_h[x,y]和T_l[x,y]两个阈值边缘图像，图像T_h[x,y]不包含假边缘，但造成轮廓上可能的间断，因此需在T_h[x,y]中把边缘连接成轮廓，达到轮廓端点时，在图像T_l[x,y]的8邻域位置内寻找可以连接到利用阈值τ₁得到的间断轮廓上的边缘像素点，重复此操作直到T_h[x,y]图像中的所有间断连接起来。

进一步的，基于边缘信息的混合高斯模型建立具体如下：

1)初始化：

K个边缘混合高斯模型中的第一个高斯分布的均值为第一帧图像像素点灰度值的平均值，协方差为较大的初始值V₀，权系数初始化为1，其它高斯分布均值为0，协方差为较大的初始值V₀，权系数为0；

2)匹配校验：

每帧图像中的每个像素点X_t的值满足|X_t-μ_i,t|≤2.5δ_i,t时，此像素点与边缘高斯分布G_i(X_t,μ_i,t,∑_i,t)相匹配。

基于边缘信息的混合高斯模型参数的更新具体如下：

S5-1：均值向量μ_i,t，协方差矩阵∑_i,t、权系数w_i,t的更新：

1)像素点X_t对应的K个高斯模型中，如果存在大于或者是等于一个高斯分布满足|X_t-μ_i,t|≤2.5δ_i,t时：

对于不满足|X_t-μ_i,t|≤2.5δ_i,t的高斯分布，μ_i,t和∑_i,t不进行更新，满足|X_t-μ_i,t|≤2.5δ_i,t的μ_i,t和∑_i,t更新为：

μ_i,t＝(1-ρ)·μ_i,t-1+ρ·X_t，

∑_i,t＝(1-ρ)∑_i,t-1+ρ·diag[(X_t-μ_i,t)^T(X_t-μ_i,t)]，

ρ＝α·G_i(X_t|μ_i,t,∑_i,t)，

其中，X_t表示的通过边缘检测得到的边缘像素点的值，α为学习因子；

2)像素点X_t对应的K个高斯模型中，如果没有一个高斯分布满足|X_t-μ_i,t|≤2.5δ_i,t时，需要将K个模型中w_i,t/|∑_i,t|最小的G_j模型参数重新赋值：

w_j,t＝w₀,μ_j,t＝X,

其中，j＝min_i{w_i,t-1},i＝1,...,k；

3)在t时刻的K个边缘高斯分布权系数w_i,t更新为：

w_i,t＝(1-α)·w_i,t-1+α(M_i,t)，

其中，不匹配时高斯分布G_i(X_t,μ_i,t,∑_i,t)相应的权值将衰减，因此若t时刻的像素值X_t与高斯分布G_i(X_t,μ_i,t,∑_i,t)相匹配，则M_i,t＝1，否则M_i,t＝0。

S5-2：参数估计学习因子α的动态调整：

1)用连续三帧差来动态调整α：

其中，λ反映了连续三帧像素值都明显发生变化的比率；“∧”表示与运算；H为在线学习获得的判定两帧间像素值发生变化的阈值；

2)参数估计学习因子α的动态调整依据：

在满足1)中公式的情况下：

当α<0.1时，α＝2*α；

当α>0.1时，α的值保持不变；

在不满足1)中公式的情况下：

当α<0.05时，α＝0.5*α；

当α>0.05时，α的值保持不变。

所述前景目标提取具体方法如下：

S6-1：场景背景的建立：t时刻，对于描述组成背景区域像素点的最佳前B个高斯分布中，如果当前视频图像帧中的像素点的值满足|X_t-μ_i,t|≤2.5δ_i,t，则把该像素归纳为组成背景区域的像素点，满足匹配关系的像素点映射到背景图像的像素点值更新为该像素点对应高斯模型(K个高斯模型中权值最大的高斯模型)的均值；

S6-2：运动前景检测：t时刻，对于描述组成背景区域像素点的最佳前B个高斯分布中，如果当前视频图像帧中的像素点的值不满足|X_t-μ_i,t|≤2.5δ_i,t，则把该像素归纳为组成前景区域的像素点，不满足匹配关系的像素点映射到背景图像的像素点值不做更新处理，维持背景图像中原有的像素值。

Claims (6)

1.基于交通视频的运动车辆检测方法，其特征在于，包括以下步骤：

S1：通过装置于车辆内的摄像机实时的采集车辆信息，将获得的车辆行驶视频按照帧分割成一系列的图像序列，并对图像进行灰度化、二值化及降噪预处理；

S2：背景建模，是对背景图像中的每一个像素点建立起模型分布，实时更新模型参数；

S3：将预处理后的当前帧图像采用Canny边缘检测来提取边缘信息，获取图像的结构特征和边缘信息；

S4：根据获取的边缘信息，对每一像素建立基于边缘的混合高斯模型；

S5：基于边缘信息的混合高斯模型参数的更新，把长时间驻留组成静止目标区域的像素点归纳为组成背景区域的像素点，短暂驻留目标的像素点慢慢减弱，直到此区域的像素点被一个新出现的运动目标的像素点完全替代；

S6：像素点值与最佳描述背景高斯分布进行匹配，将前景目标提取出来，实现运动车辆的检测。

2.根据权利要求1所述的运动车辆检测方法，其特征在于，所述背景建模具体如下：

S2-1：用一个赋予权值为w_i,t，维数为n(灰度图像取1)的时间序列{X(x,y,i),1≤i≤t}来表示视频序列图像中像素点的值，任何时候这些像素点的值服从相同的分布且相互独立，采用K个独立的高斯分布(均值向量为μ_i,t，协方差矩阵为∑_i,t的正态分布)概率密度函数的加权和来描述X_t的概率函数表达式表示为：

$Q\left(X_t\right)=\underset{i=1}{\overset{K}{\&Sigma;}}{w}_{i,t}\&CenterDot;G_i(X_t,{\mathrm{\&mu;}}_{i,t},{\mathrm{\&Sigma;}}_{i,t}),$

$G_i(X_t,{\mathrm{\&mu;}}_{i,t},{\mathrm{\&Sigma;}}_{i,t})=\frac{1}{{\left(2\mathrm{\&pi;}\right)}^{\frac{\mathrm{\&pi;}}{2}}|{\mathrm{\&Sigma;}}_{i,t}{|}^{\frac{1}{2}}}*e^{-\frac{1}{2}{(x_t-{\mathrm{\&mu;}}_{i,t})}^T{\mathrm{\&Sigma;}}^{-1}(X_t-{\mathrm{\&Sigma;}}_{i,t})},$

其中，G_i(X_t,μ_i,t,∑_i,t)为第i个高斯分布；

S2-2：此对组成背景区域像素点的最佳描述是w_i,t/|∑_i,t|比值较大的高斯分布，把描述每个像素点的K个高斯分布的w_i,t/|∑_i,t|由大到小的顺序排列，大于阈值T的前B个高斯分布作为描述组成背景区域的模型：

$B=\arg \left(\underset{b}{\min }\right(\underset{i=1}{\overset{b}{\mathrm{\&Sigma;}}}{w}_{i,t}>T\left)\right),$

其中，T(0.5≤T≤1)作为预先设定的阈值很好地表现出组成背景区域像素点出现的概率。

3.根据权利要求1所述的运动车辆检测方法，其特征在于，所述Canny边缘检测具体方法如下：

S3-1：平滑图像中数据的阵列是像素点f(x,y)与标准差是σ的高斯平滑滤波器H(x,y；σ)进行卷积的表达式表示为：

S(x,y)＝H(x,y；σ)*f(x,y)，

使用2×2一阶有限差分，梯度幅值和方向角分别为：

$M(x,y)=\sqrt{P_1^2(x,y)+P_1^2(x,y)},$

θ(x,y)＝arctan(P₂(x,y)/P₁(x,y)),

其中，

其中，M(x,y)为边缘强度；θ(x,y)为正交于边缘方向的法向矢量；

S3-2：计算图像灰度的偏导数P₁(x,y)、P₂(x,y)，计算出边缘强度为M(x,y)和方向θ(x,y)；

S3-3：某个像素点的灰度值与8邻域的8个像素灰度值作比较，如果不是最大值，则该像素点不是边缘像素点而把此像素点的值置为0，以此来决定出局部极大值；

S3-4：通过步骤S3-3得到了非极大值抑制的图像，在此基础上使用高阈值τ₁和低阈值τ₂(τ₁≈τ₂)分割图像得到了T_h[x,y]和T_l[x,y]两个阈值边缘图像，图像T_h[x,y]不包含假边缘，但造成轮廓上可能的间断，因此需在T_h[x,y]中把边缘连接成轮廓，达到轮廓端点时，在图像T_l[x,y]的8邻域位置内寻找可以连接到利用阈值τ₁得到的间断轮廓上的边缘像素点，重复此操作直到T_h[x,y]图像中的所有间断连接起来。

4.根据权利要求1所述的运动车辆检测方法，其特征在于，基于边缘信息的混合高斯模型建立具体如下：

1)初始化：

K个边缘混合高斯模型中的第一个高斯分布的均值为第一帧图像像素点灰度值的平均值，协方差为较大的初始值V₀，权系数初始化为1，其它高斯分布均值为0，协方差为较大的初始值V₀，权系数为0；

2)匹配校验：

每帧图像中的每个像素点X_t的值满足|X_t-μ_i,t|≤2.5δ_i,t时，此像素点与边缘高斯分布G_i(X_t,μ_i,t,Σ_i,t)相匹配。

5.根据权利要求1所述的运动车辆检测方法，其特征在于，基于边缘信息的混合高斯模型参数的更新具体如下：

S5-1：均值向量μ_i,t，协方差矩阵Σ_i,t、权系数w_i,t的更新：

1)像素点X_t对应的K个高斯模型中，如果存在大于或者是等于一个高斯分布满足|X_t-μ_i,t|≤2.5δ_i,t时：

对于不满足|X_t-μ_i,t|≤2.5δ_i,t的高斯分布，μ_i,t和Σ_i,t不进行更新，满足|X_t-μ_i,t|≤2.5δ_i,t的μ_i,t和∑_i,t更新为：

μ_i,t＝(1-ρ)·μ_i,t-1+ρ·X_t，

∑_i,t＝(1-ρ)∑_i,t-1+ρ·diag[(X_t-μ_i,t)^T(X_t-μ_i,t)]，

ρ＝α·G_i(X_t|μ_i,t,∑_i,t)，

其中，X_t表示的通过边缘检测得到的边缘像素点的值，α为学习因子；

2)像素点X_t对应的K个高斯模型中，如果没有一个高斯分布满足|X_t-μ_i,t|≤2.5δ_i,t时，需要将K个模型中w_i,t/|Σ_i,t|最小的G_j模型参数重新赋值：

$w_{j,t}=w_0,{\mathrm{\&mu;}}_{j,t}=X,{\mathrm{\&Sigma;}}_{j,t}=V_0={\mathrm{\&sigma;}}_0^{2}I,$

其中，j＝min_i{w_i,t-1},i＝1,...,k；

3)在t时刻的K个边缘高斯分布权系数w_i,t更新为：

w_i,t＝(1-α)·w_i,t-1+α(M_i,t)，

其中，不匹配时高斯分布G_i(X_t,μ_i,t,∑_i,t)相应的权值将衰减，因此若t时刻的像素值X_t与高斯分布G_i(X_t,μ_i,t,Σ_i,t)相匹配，则M_i,t＝1，否则M_i,t＝0；

S5-2：参数估计学习因子α的动态调整：

1)用连续三帧差来动态调整α：

${\mathrm{Dif}}_1=\left\{\begin{array}{cc}1,& |I_n(i,j)-I_{n-1}(i,j)|>H\\ 0,& others\end{array}\right.,$

${\mathrm{Dif}}_2=\left\{\begin{array}{cc}1,& |I_n(i,j)-I_{n-2}(i,j)|>H\\ 0,& others\end{array}\right.,$

其中，λ反映了连续三帧像素值都明显发生变化的比率；“∧”表示与运算；H为在线学习获得的判定两帧间像素值发生变化的阈值；

2)参数估计学习因子α的动态调整依据：

在满足1)中公式的情况下：

当α<0.1时，α＝2*α；

当α>0.1时，α的值保持不变；

在不满足1)中公式的情况下：

当α<0.05时，α＝0.5*α；

当α>0.05时，α的值保持不变。

6.根据权利要求1所述的运动车辆检测方法，其特征在于，所述前景目标提取具体方法如下：

S6-1：场景背景的建立：t时刻，对于描述组成背景区域像素点的最佳前B个高斯分布中，如果当前视频图像帧中的像素点的值满足|X_t-μ_i,t|≤2.5δ_i,t，则把该像素归纳为组成背景区域的像素点，满足匹配关系的像素点映射到背景图像的像素点值更新为该像素点对应高斯模型(K个高斯模型中权值最大的高斯模型)的均值；

S6-2：运动前景检测：t时刻，对于描述组成背景区域像素点的最佳前B个高斯分布中，如果当前视频图像帧中的像素点的值不满足|X_t-μ_i,t|≤2.5δ_i,t，则把该像素归纳为组成前景区域的像素点，不满足匹配关系的像素点映射到背景图像的像素点值不做更新处理，维持背景图像中原有的像素值。