（统计学专业论文）基于统计方法的交通事件检测.pdf

独创性声明 本人声明，所呈交的论文是本人在导师指导下进行的研究工作 及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地 方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包 含为获得武汉理工大学或其他教育机构的学位或证书而使用过的材 料。与我一同工作的同志对本研究所做的任何贡献均己在论文中作 了明确的说明并表示了谢意。 学位论文使用授权书 叩良 本人完全了解武汉理工大学有关保留、使用学位论文的规定， 即学校有权保留并向国家有关部门或机构送交论文的复印件和电子 版，允许论文被查阅和借阅。本人授权武汉理工大学可以将本学位 论文的全部内容编入有关数据库进行检索，可以采用影印、缩印或 其他复制手段保存或汇编本学位论文。同时授权经武汉理工大学认 可的国家有关机构或论文数据库使用或收录本学位论文，并向社会 公众提供信息服务。 j 研究生( 签名) ：判h导师( 签名) ：彳卜咱期沙嘞“f k f 、i f 为 理 件 息 且能够自适应地进行背景更新。此模型能够很好的克服光照变化、昼夜交替、 天气转化等外界环境的干扰，具有较强的自适应能力。 2 以自适应背景更新模型为基础，研究高速公路运动目标检测方法。由于 场景的干扰，本文分两步对运动目标进行提取：基于背景差分的目标粗提取和 目标精确提取。 3 建立了一种基于自适应误差累积的事件检测模型。该模型提出了前背景 和后背景的提取与更新策略，以及基于该模型的静止目标提取方法。同时对事 件检测中各关键参数的选取规则进行了研究与实验分析。 4 对检测出的事件进一步分析，提出了几种对事故进行验证的方法，同时 对事故进行了分类，便于交通事故的管理，最后提出了交通参数提取的方法。 试验结果表明，本文所建立的模型可以在外界环境变化较为剧烈的情况下 有效地检测出交通事故，并且能够对事故进行分类，例如停车、抛洒物、行人、 交通堵塞等。 关键词高速公路事件检测，误差累积模型，目标跟踪，交通参数提取 a b s t r a c t w i t ht h er a p i dd e v e l o p m e n to fh i g h w a y s ，a l li n t e l l i g e n tt r a n s p o r t a t i o ns y s t e m h a sb e c o m et h ef o c u so fd o m e s t i ca n df o r e i g ns t u d i e s a sac o r ec o m p o n e n to f i n t e l l i g e n tt r a n s p o r t a t i o n ，t h ek e yt e c h n o l o g yo f t r a f f i ci n c i d e n td e t e c t i o na f f e c t st h e e n t i r et r a f f i cm a n a g e m e n ts y s t e mp e r f o r m a n c e f r o mt h ev i d e op e r s p e c t i v e , w e c o n s t r u c ts t a t i s t i c a lm o d e lo fi m a g es e q u e n c e s ，a n dp u tf o r w a r das t a t i s t i c a lm o d e l f o re v e n td e t e c t i o n ，t h em a i nw o r ka sf o l l o w s ： 1 ) a l la d a p t i v eb a c k g r o u n di n i t i a l i z a t i o na n du p d a t em o d e l ，w h i c hc a l le x t r a c t b a c k g r o u n df r o ms e q u e n c ei m a g e sc o n t a i n i n gi n t e r f e r e n c ei n f o r m a t i o n ( s u c ha sa l a r g en u m b e ro fm o v i n go b j e c t s ，c h a n g e si nt h ee x t e r n a le n v i r o n m e n t , e t c ) ，a n dt h e b a c k g r o u n dc a l lu p d a t ea d a p t i v e l y t h i sm o d e lc a l l o v e r c o m et h el i g h tc h a n g e s ， a l t e r n a t eo fd a ya n dn i g h t ，w e a t h e rc o n v e r s i o no ft h ei n t e r f e r e n c eo ft h ee x t e r n a l e n v i r o n m e n t ，a n dh a v es t r o n ga d a p t i v ea b i l i t y 2 ) b a s e do nt h ea d a p t i v eb a c k g r o u n du p d a t em o d e l ，w es t u d y t h em o v i n gt a r g e t d e t e c t i o nm e t h o do nh i g h w a y a st h ed i s t u r b a n c eo ft h ee x t e r n a ls c e n e ，t h em o v i n g t a r g e t sw e r e e x t r a c t e di nt w os t e p s ：c r u d ee x t r a c t i o nb a s e do nb a c k g r o u n d s u b t r a c t i o na n da c c u r a t ee x t r a c t i o n 3 ) p r o p o s e da d a p t i v ee r r o rc u m u l a t i v em o d e lo fi n c i d e n td e t e c t i o n t h e m o d e l p r e s e n t e dp r e - b a c k g r o u n da n db a c k g r o u n de x t r a c t i n g a n du p d a t i n gs t r a t e g i e sa n d o b j e c td e t e c t i o nb a s e do nt h i sm o d e l m e a n w h i l e , t h er u l ef o rm cs e l e c t i o no fk e y p a r a m e t e r si ne v e n td e t e c t i o nw a s s t u d i e d 4 ) f u r t h e ra n a l y s i so fe v e n t sd e t e c t e d ，s e v e r a lw a y sw a sp r o p o s e dt ov e r i f yt h e a c c i d e n t , a n dt h ea c c i d e n tw a sc l a s s i f i e di no r d e rt oh e l pw i t ht r a f f i cm a n a g e m e n t a n df i n a l l yp r o p o s e dt r a f f i cp a r a m e t e re x t r a c t i o nm e t h o d t h er e s u l t ss h o wt h a tt h ep r o p o s e da l g o r i t h mc a nb ee f f e c t i v e i tc a l ld e t e c tt r a f f i c a c c i d e n t s ，a n da c c i d e n t sc a nb ec l a s s i f i e d ，s u c ha sp a r k i n g , s p i l l e dm a t e r i a l s ， p e d e s t r i a n , a n dt r a f f i cc o n g e s t i o na n ds oo n k e y w o r d s ：f r e e w a yi n c i d e n td e t e c t i o n ，e r r o r a c c u m u l a t i o nm o d e l ，t a r g e t t r a c k i n g , 触伍cp a r a m e t e re x t r a c t i o n 目录 摘要i a b s t r a c t i i 第1 章绪论1 1 1 研究背景和意义1 1 2 国内外研究现状2 1 2 1 国外研究现状2 1 2 2 国内研究现状3 1 3 主要工作及内容安排3 1 3 1 论文的主要工作3 1 3 2 论文组织结构。4 1 4 以、结5 第2 章相关理论基础6 2 1 图像的数学模型6 2 1 1 图像滤波6 2 1 2 图像直方图6 2 2 图像分析的统计模型。7 2 2 1 马尔科夫随机场模型7 2 2 2 贝叶斯图像分析8 2 3 小结8 第3 章基于自适应背景模型的运动目标检测9 3 1 背景建模9 3 1 1 多帧平均值9 3 1 2 统计直方图1 1 3 1 3 统计中值法1 2 3 1 4 非参数估计1 3 3 1 5 常用的背景提取算法分析比较1 4 3 2 运动目标检测1 4 3 2 1 基于置信度的背景提取方法1 4 3 2 2 算法流程1 7 3 3 运动目标粗分割1 9 3 3 1 背景更新策略1 9 3 3 2 运动目标分割提取2 0 3 4 目标的精确提取2 3 3 4 1 滤波去噪。2 4 3 4 2 形态学后处理2 5 3 5 小结。2 6 第4 章基于自适应误差累积的交通事件检测。2 7 4 1 自适应误差累积模型2 8 4 1 1 实时的后背景提取方法2 9 4 1 2 记忆的前后背景提取方法。2 9 4 1 3 阈值的自适应选取与更新3 1 4 2 相关参数选取研究3 2 4 2 1 初始化背景图片选取张数3 2 4 2 2 背景更新率口3 4 4 2 3 序列图片选取间隔s e t k 3 5 4 2 4 累积误差间隔k 3 5 4 3 可疑目标检测3 7 4 3 1 基于背景帧差法的运动目标提取3 7 4 3 2 累积误差差分法提取静止目标3 7 4 3 3 事故车辆提取3 8 4 4 基于形态与区域特征的事故提取与验证3 9 4 4 1 检测区域的自适应提取3 9 4 4 2 摄像机抖动检测与消除4 1 4 4 3 基于区域特征的事故验证4 2 4 4 4 基于回溯跟踪的事故验证4 2 4 5 交通参数提取4 2 4 5 1 车流量统计4 3 4 5 2 车速检测4 3 4 6 实验结果4 4 4 7 小结。4 5 第5 章总结与展望4 6 5 1 工作总结4 6 5 2 展望。4 6 致谢4 8 参考文献4 9 攻读硕士学位期间参加的项目及发表文章5 3 武汉理工大学硕士学位论文 1 1 研究背景和意义 第1 章绪论 高速公路交通事件是指由于恶劣环境、道路病患、车况故障、违章操作或 其他因素共同作用下，造成高速公路车辆损坏、交通堵塞、物资损失、路产损 毁、人员伤亡等一系列人们主观上不愿发生的交通事件。对于如何规避高速公 路恶性交通事故的发生，交通管理和高速公路运营单位一方面利用各种媒体和 信息发布方式，向广大出行者进行交通安全方面的宣传教育；另一方面以道路 沿线的交通标志、标牌、标线、显示标志、信息显示情报板，禁令、警示、提 示和指示司乘人员，遵守交通规章制度，减少交通事故的发生。同时纷纷采取 现有的高科技技术，集成各种机电设施进行智能管控，达到对交通事件的预测 目的，在交通事件发生初期就及时得到情报，交管部门和高速公路管理部门在 短时间内启动应急预案，对交通事件现场进行施救。高速公路事件检测系统的 完善有助于提高高速公路的营运水平；有利于客货车的安全行驶；有利于降低 车流对环境的污染：可以实现高速公路管理者对事故的快速反应。 交通事件检测根据信号传感器的不同可以分为很多类别，例如基于线圈的 检测，基于占有率的检测、基于视频的检测等等。然而在实际应用中，由于视 频信号的获取相对简单，施工较为方便，重要的是可以做到可视化，因此基于 视频的解决方案受到了行业的青睐。国外视频监控的研发起步很早，在2 0 世 纪9 0 年代就有视频监控在交通事件检测中应用的实际例子，也滋生了一系列 基于视频的事件检测系统。我国在视频处理方面也展开了大量的研究，然而在 高速公路的行业应用产品一直很难令人满意，这与高速公路场景多变，外界环 境干扰太大是分不开的。因此研究适用于高速公路场景的事件检测算法对于我 国高速公路的发展是有深远意义的。 武汉理工大学硕士学位论文 1 2 国内外研究现状 1 2 1 国外研究现状 国外在计算机视觉方面的研究走在了世界的前列，尤其在美国，基于计算 机视觉理论的算法研究在2 0 世纪9 0 年代得到了快速的发展，其中基于视频监 控的算法更是有了丰富的安防行业的应用。随着国际反恐力度的增强，视频监 控得到了更加迅猛的发展。直到目前，视频监控依然是研究的热点，各国在视 频监控领域的重视力度逐渐增强。美国早在2 0 0 0 年推出了一款视频监控系统 v s a m 。这套系统能够自适应完成多种目标的识别与监控，由于其稳定性，仅仅 需要摄像机不需要人力，所以被广泛用于军事中，或者非常危险的场合中的监 型堋。在交通行业的应用起源于t r i p 系统，此系统主要用于检测交通流量信息， 然而这套系统并不能做到完全的自动化，需要人工的参与来完成记录工作。后 来比较有竞争力的交通事件检测产品是a u t o s c o p e 和c i t i l o g 系统。这些系统 均得到了非常成功的商业应用，它们能够从车流的实际视频中提取各项交通参 数，检测交通事故的发生。到目前为止，依然是行业中为数不多的成功产品。 日本学者s h u n s u k e i s o , s l l 等人在理论研究方面较为领先，他们提出了时空马 尔可夫随机场的事件检测算法，此算法后来被广泛用于事件检测产品中，能够 完全自动化的实现各种交通事故的报警，例如车辆停止、交通堵塞等。2 0 0 1 年 y - kj u n g 和g e r a r dm e d i o n i 等人提出了一种检测运动目标轨迹的算法。此算法首 先对背景进行建模，然后用帧差法提取运动目标，对于运动目标进行轨迹提取， 进而根据轨迹判断是否有交通事故发生【3 ，”l 。mb r a n d ，vk e t t n a k e r 提出了一种 隐马尔可夫熵最小的算法，通过对视频进行马尔可夫建模，求解出联合分布的 熵最小条件从而建立了事件检测的与事故分割算法。文献 1 0 1 和【1 1 】提出了用多 摄像头监控解决大场景的事件检测方法。s r i n i v a s a n 队蚓等人提出了一种基于神 经网络和状态空间变换的城市交通车辆检测算法。 在交通事故检测中，有一个关键的技术就是摄像机标定。因为无论检测车 辆速度、车辆大小等都需要对摄像机进行标定才能准确得到真实的参数信息。 然而对于高速公路应用场景，由于摄像机太多，安装的高度角度等都不会一样， 因此对于摄像机进行逐个标定会很麻烦。d a n i e ld a i l e y 等人提出了一个非校准 摄像头的估计平均速度的算法，此算法不需估计校准摄像头的参数就可以估计 2 武汉理工大学硕士学位论文 出车辆速度。此算法仅需要利用图像序列里有用的几何关系、帧间的车辆运动 轨迹估计及车辆长度分布。后来有学者提出了一种时空马尔可夫随机场( m r f ) 的算法，此算法后来被广泛用于交通监控及事件检测1 2 蚓。除此之外，基于红 外与模糊神经网络分类法、基于形态学方法、基于粒子滤波的方法、和非参数 回归及卡尔曼滤波等方法也都被引入到事件检测中1 6 ，1 7 ，1 8 1 。 1 2 2 国内研究现状 在我国，视频检测技术应用研究起步较晚，目前自主研发的产品应用还 不够广泛，主要依赖于国外进口的一些产品，例如c i t i l o g 和t r a f f i c o n 等【l 剐。 近几年，我国交通事业飞速发展，特别是国家相关部门开始筹划高速公路全 程监控，随之带来的交通事故隐患逐渐增多，如何有效的对高速公路进行监 管、及时有效的对事故进行预防和警报是我国各交通管理部门关注的事情。 另外很多高校、公司的视野也纷纷转入到了智能交通领域。北京、深圳、上 海、杭州等众多安防领域的公司纷纷投入到i t s 系统的研发，特别是事件检 测系统的研发中，例如中科卓视、汉王、至睿、海康威视、大华科技、高德 威、哈工大、亚洲视觉等【3 】。这些公司推出的系统虽然在一定程度上实现了 视频检测的功能，但是大多对场景要求很高，或者需要较好的视频输入信号， 在实际应用中还是存在很多问题，不能达到实用的要求，和国外的相关产品 存在着一定的差距。因此需要在交通事件检测的研究上继续加强，不断的改 善目前算法的缺点，早日研究出灵敏性强、鲁棒性高的事件检测算法，进而 推出自主品牌的高性能事件检测系统。 1 3 主要工作及内容安排 1 3 1 论文的主要工作 本文从统计理论出发，结合计算机视觉相关理论，研究了高速公路场景 中的运动目标检测、交通事故检测、交通参数提取、交通事故分类等问题。 主要研究内容如下： 1 ) 背景建模 3 武汉理工大学硕士学位论文 首先分析了目前已有的背景建模算法，目前现有的背景建模算法存在 两方面的问题：一是对周围环境的变化难以适应，二是有些复杂的背景建 模算法计算复杂性高，难以满足目前实时性的要求。针对目前模型存在的 不足，本文研究一种基于直方图统计的背景建模方法，该方法不仅有较强 的适应性而且计算复杂性低，能够满足实时检测的要求。 2 ) 运动目标检测 由于外界环境干扰较强，传统的帧差法或者前景估计法检测出的运动 目标通常存在较大的误差，经常会检测出一些伪目标。针对目前这一难题， 本文提出了粗分割与细分割相结合的运动目标提取算法，综合使用常用的 滤波算法以及形态学方法，能够精确提取出运动目标。 3 ) 自适应误差累积的交通事件检测 目前常见的交通事故检测算法均采用背景建模、运动目标提取、跟踪 判断的方式进行。由于此方法容易受到外界环境的干扰，同时由于跟踪的 算法开销较大，对于多目标的跟踪精度难以保证，因此实际应用中会出现 很多误报或者漏报情况。本文提出了一种基于自适应误差累积模型的交通 事件检测算法，该算法不通过对运动目标进行跟踪就能够识别出发生事故 的车辆。 4 ) 交通参数提取 文章的最后阐述了常用交通参数提取的方法，作为事件检测系统的辅 助，给交通管理部门提供相应的数据。 1 3 2 论文组织结构 本论文的组织结构如下： 第一章介绍了本文的研究意义以及国内外进展情况和目前研究中存在的 问题，并提出了本文的研究内容和主要任务。 第二章介绍了与事件检测相关的基本理论知识。包括数字图像的数学模 型和图像分析的统计模型。 第三章介绍了基于自适应背景模型的运动目标检测方法。本章详细分析 了各种背景建模的特点并结合实际提出了一种新的自适应背景模型以及运动 4 武汉理工大学硕士学位论文 目标检测方法。 第四章介绍了基于累积误差的交通事故检测方法。本章提出了一种不同 于常规方法的事故检测方法，即通过静止的观点利用累积误差来判断是否有 事故发生，并对发生的事故进行分类。 第五章是全文总结，回顾了本文的主要工作和取得的成果。同时提出了 进一步的努力方向。 1 4 小结 本章介绍了论文的研究背景及意义，详细分析了国内外研究进展及现状， 制定了本文的研究内容及目标。最后对本文的章节安排进行了介绍。 5 武汉理工大学硕士学位论文 第2 章相关理论基础 2 1 图像的数学模型 数字图像可以看成是像素组成的矩阵厂= ( 五，) = ，f = l ，m ，j = l ，捍) 。 z ，是像素可能的像素值的集合，对于二值图像而言z 。j 的取值为0 和1 ，对于 8 位的灰度图像而言五，的可能取值为0 到2 5 5 的整数值，对于图像上特定的坐 标点o ，) 其灰度值由五，表示。坐标点f ，j 分别表示图像的第f 行与歹列。 2 1 1 图像滤波 记w = ( ，) = ( 吆f 七= 一p ，- p + 1 , - - - p ，l - - - - - - p ，一p + 1 ，p ) 是一个实数矩阵， 可以将一幅新的图像g 看成是有图像f 经过线性滤波得到， 蜀，= 圭杰，厶 + ， k = - pi = - p 一个简单的3 x 3 的均值滤波可以表示为： 彩= 慝葛 另外滤波可以用来对图像进行边缘增强。 2 1 2 图像直方图 ( 2 - 1 ) 2 - 2 ) 图像的一个重要的特点是其自身的直方图，对于灰度图像 厂= ( ，) = ( 丘，f = l ，m ，_ ，= l ，刀) ，其中五，矿，矿是一些实数的集合。图 像的直方图定义如下： 噍= 删( 瓴办：五，厶) ，k = 1 ，k 1 2 - 3 ) 6 武汉理工大学硕士学位论文 其中c a r d ( a ) 代表集合么中元素的个数。 图2 - 1 原始图像与其对应的直方图 2 2 图像分析的统计模型 2 2 1 马尔科夫随机场模型 记随机图像x = ( x l ，s s ) ，其中s 代表像素的坐标集。我们假设每个坐标 点ses 有一个通过此坐标的邻域所定义的集合mc s ，满足以下条件： st n t ， t 萑m 当且仅当j m 通常用到的领域形式如图2 2 所示。 i c 图2 - 2 常用的四邻域和八邻域 对于坐标s = g ，j ) 有如下的四邻域和八邻域集合： 7 武汉理工大学硕士学位论文 j = 砸一l a ( f + l 力，( f ，j 一1 ) 瓴+ 1 ) ) k = q 一1 n ( f + l ，力，g j 一1 ) ，g + 1 ) ，( f l , j 一1 ) ( f l ，歹+ 1 ) ，o + 1 ，+ 1 ) ，( f + 1 歹一1 ) ( 2 - 4 ) 假设x = ( 鼍，s s ) 是离散随机变量的集合，取值在集合y 中。我们可以称x 为玛尔马夫随机场，如果以下条件成立： p “墨= x l x , ，t s ) = m 五= x l x , ，t e n , ) ，x e v ，s e s ( 2 5 ) 2 2 2 贝叶斯图像分析 使用贝叶斯进行图像分析的一个通常的方法是假设存在一个给定的马尔 科夫随机场的数字图像x ，同时我们得到一副失真的图像y ，现在要解决的 问题是通过x 来重构出图像y 。对于观测值】，= ( 】：，s s ) 的一个简单的模型 是假设对于给定的x ，变量】：是独立的，并且其分布仅仅由鼍唯一确定。 因此我们假设如下： f r ( r 2 y l x ) 2 1 - i s “r , 2 只l 置) ( 2 6 ) j e j 从l ，重构x 是一个很困难的计算问题，目前有一系列的迭代算法，他们 大多数是基于马尔科夫链以及蒙特卡洛算法【2 0 ，2 1 1 。 2 3 小结 本章介绍了相关的理论基础知识。首先介绍了图像的数学模型，然后引 入了图像分析的相关统计模型，如马尔科夫随机场、贝叶斯图像分析等这些 都是后续章节所要用到的一些基本理论。 8 武汉理工大学硕士学位论文 第3 章基于自适应背景模型的运动目标检测 目标检测和跟踪在任何基于视频监控的系统中是非常重要的，目前有很多 目标检测算法，例如基于特征的目标检测、基于模板的目标检测、基于背景差 分的目标检测以及基于帧间差的目标检测。其中背景差法是目前在运动目标检 测中应用的最广的算法。此方法首先要应用统计方法对背景进行建模，然后通 过当前帧图像与背景的差异，找出差异较大的那些像素点。 由于背景差分法对于背景的要求较高，然而在实际应用中由于外界环境的 干扰，例如光照变化、灯杆或者路边树的阴影、风吹摄像头引起的画面抖动、 日夜交替、突然的天气改变等。这些外界环境的突变都会对背景差分法产生影 响，因此如何建立好背景模型是研究的重点。本文将研究一种自适应的背景初 始化与更新模型，并进行运动目标的检测。 3 1 背景建模 背景是随时间以及实际情况的变化而不断变化的，但是在一定时间内背 景的变化在容忍的误差范围之内。人的视觉系统主要通过亮度来区分物体， 因此，为了减少计算量通常只取视频序列中的亮度分量进行处理。在摄像机 镜头固定的情况下如果没有运动物体，则认为当前图像为背景。然而在交通 繁忙的路段很难找出一段时间内没有车辆通过的场景，因此需要运用一些统 计方法从连续的视频输入图片中提取出完整的背景图像。常见的背景提取算 法有以下几种。 3 1 1 多帧平均值 对于高速公路这一应用场景，图像背景即是画面中不动的目标，例如路面、 静止的电线杆、道路两侧的树木等。正常情况下，对于路面图像上特定的一点 “，) ，在一段时间之内会有车辆经过，也会无车辆经过的时刻。在车流量较为 均匀的假设前提下，可以认为在大多数时间段，点( f ，歹) 的像素值代表的背景真 实的像素值。因此可以将在一段时间内点( f ，) 处的像素值进行算术平均，用平 均值代替此点处的像素值，这样既可以真是反映出点( f ，j ) 的背景值，又能起到 9 武汉理工大学硕士学位论文 去噪的效果。 b a c k g r o u n d ( 而力= 专善慨( 枷 3 1 ) 式( 3 1 ) 对应于均值滤波。其中b a c k g r o u n d ( x ，少) 表示背景图像，n 表示平均帧 i m a g e ，( x ，y ) 表示第i 帧序列图像。 图3 - 11 0 帧图像合成的背景图3 - 22 0 帧图像合成的背景 图3 - 34 0 帧图像合成的背景图3 - 46 0 帧图像合成的背景 从式( 3 1 ) 可以看出，多帧平均法合成背景模型简单，计算量较小。然而 也有其自身的缺陷。此模型的前提条件要求一段时间内车辆是均匀通过的，即 大多数时间，对于特定的某点像素而言其更接近于真实的背景值。因此对于车 流量很大的场景而言，此背景合成方法存在一定的误差，容易生成伪背景。 上面分别是1 0 帧、2 0 帧、4 0 帧和6 0 帧视频图像的均值生成的背景图。 观察图( 3 1 ) 、( 3 2 ) 、( 3 3 ) 和( 3 4 ) ，在提取背景图上方有透明状的车辆轮 廓，在1 0 帧图片的时候表现得尤为严重，随着合成背景的帧数的递增，车辆 逐渐淡化，但依然可以看见车辆的轮廓，可以预见，只有当帧数达到足够多的 时候( 比如说1 0 0 帧) ，提取的背景才比较纯净。但是，这也反映多帧平均值 1 0 武汉理工大学硕士学位论文 法的严重缺陷：需要较多内存来存储合成背景的帧，同时也加大了运算量。 3 1 2 统计直方图 正如3 1 1 多帧平均背景建模的假设条件所述，需要满足一段时间经过图像 上某点( f ，) 的车辆很少，大部分时间点( f ，) 处的像素值能够代表真实的背景 值。由于平均法抗噪能力差，例如某时刻f 有一辆白色的车辆经过黑色的路面 点o ，) ，则虽然经过像素平均后可以消除一部分误差，但是由于白色车辆噪声 过大，用平均法难以彻底消除噪声的影响。同样在车辆均与通过的假设前提下， 可以统计某点处的像素值的分布情况来确定此处背景值。因为在此假设前提下， 点以，) 处出现概率最大的像素值应该为此点处的背景值，此方法即为统计直方 图法。然而由于外界光线的干扰，点o ，_ ，) 处的背景像素值会发生一定的波动， 但是波动会控制在某一固定范围内。基于此种考虑，可以统计点( f ，j f ) 在时间轴 上像素变化在某一范围内的直方图情况，即分区域的直方图统计。 分区域进行的直方图统计的计算量要小于一般的直方图统计，但采用分区 域的统计，所提取的背景受灰度区间总数的影响较大，若较大则和基于像 素的直方图统计相似，若取值较小会导致图像可用的灰度级数减少，背景也 会发生失真的情况。 用公式表示直方图统计为： 取y ，炉 117 粥2 y ，m ) - - k ，2 ( 3 - 2 ) b a c k g r o u n d ( x , y ) = m a x ( p ( x ，y ，七) ) k = 0 , 1 ，2 2 5 5( 3 - 3 ) 式( 3 2 ) 中：m ，j ，后) 表示像素点( x ，y ) 处灰度为k 出现的次数，i m a g e i ( x ，y ，m ) 表示某一帧图像像素点“y ) 处亮度值。式( 3 - 3 ) 表示该像素点在时间序列上 灰度出现频率最大值为该像素点的背景灰度值。 武汉理工大学硕士学位论文 图3 - 5 分区域统计直方图得到的背景 该方法同样是基于车辆较少，且均匀通过的假设前提下进行的，与帧平 均法相比其准确率更高，但是计算量比帧平均要大。 3 1 3 统计中值法 统计中值是顺序统计学中的一个概念，即一组随机变量五，屯，将其值 按照从小到大或者从大到小的顺序排列后，排在中间的变量以。对于图片中某 点( f ，_ ，) 处的像素值在时间轴上形成的一些样本点五，而，毛，用其统计中值作 为其背景像素值。有统计中值发展而来的中值滤波的基本思想是把数字图像或 数字序列中一个像素点的值，用其邻域中各像素点值的中值代替。其定义为： 对一维序列五，而， ，把，个数据按大小排列为而，薯2 ，。讫，则： 炉础以昂硝协9 乜争) 3 4 lt c 学 1 2 武汉理工大学硕士学位论文 图3 - 65 帧中值法得到的背景 图3 71 0 帧中值法得到的背景 图3 6 和图3 7 分别是s 帧和1 0 帧图片通过中值法提取的背景图片，显 然，针对浙江杭甬高速公路，在晴朗的天气状况和一般车流量的交通状况的 条件下，中值法是比较适合提取背景的，所取的帧数5 帧即可达到提取完整 无损和清晰的背景图片，大大的提高节省程序运行的时间效率和节省内存空 间需求，这对于实时要求很高的运动目标检测是十分必要的。当然，并不是 所有的场景用中值法提取背景都合适，在有雾天气或者夜晚，以及交通流量 较大的复杂场景环境下中值法是不能够满足提取精度要求的。 3 1 4 非参数估计 在背景建模中，另一种广泛采用的非参数建模方法是核密度估计法。非参 模型估计可以直接从数据样本中估计出未知密度函数，在样本足够充分时，核 密度估计能接近收敛于任何概率密度函数。文献【2 瑚中将点( f ，_ ，) 处的像素值按照 时间顺序记录为五，恐，- x d b ( ) = 专喜舡“一而) 3 6 ) 式中五是特征矢量。若选择高斯k e r n e l 则式c 3 6 ) 可进一步表示为： 一渤南f 掣 仔7 ， 若当前像素概率密度小于预设阈值，则认为是前景像素，否则属于背景像素。 1 3 武汉理工大学硕士学位论文 根据( 3 8 ) 可以独立地计算每个通道像素的标准差： 乃= 2 0 l ，= 1 ，j 乃。上6 8 压，2 1 d 其中，是数据样本中相邻两帧同一像素绝对差的中值，即 ( 3 - 8 ) = m e d i a n ( x t ，厂薯“，i ) ( 3 - 9 ) 核密度估计法可以较快地适应场景变化，不需对背景的概率分布形式进行 假设，也不需要参数估计，可以很好的处理背景中光照变化、摄像机抖动、树 叶摇动以及阴影等情况，但不足之处是内存占用量多，计算量大。 3 1 5 常用的背景提取算法分析比较 帧平均法模型简单计算量小，然而其抗噪能力差，不能区分前景与背景， 可以用作车流量较小的情况下背景的初始化建模；直方图统计法抗噪能力强， 然而其计算量较大，需要较大的内存空间；统计中值法由于计算速度快，但是 有些情况下容易丢失小的目标；非参数统计法由于不需要预先知道背景像素的 分布，能自适应对背景更新，对环境有一定的适应能力，其缺点是计算量太大， 需要消耗较大的内存空间。 3 2 运动目标检测 运动目标检测的目的是为了检测视频序列中的运动目标，在高速公路上 这些目标一般是汽车，行人等。但由于外界环境的多变，例如飘动的云彩、 阴影等。这些都使得有效目标的检测很困难，本节内容主要研究快速有效的 检测运动目标的算法。 3 2 1 基于置信度的背景提取方法 在3 1 中分析了目前各种背景提取算法的本质，以及各算法的优缺点，可 以发现目前很多算法都普遍存在的问题是对于车流量较大，或者车流不是均匀 通过的情况下会出现错误的背景估计。虽然统计直方图根据概率估计图像上每 一点的像素值作为背景的像素值，但是依然不能克服车流量的影响。基于以上 1 4 武汉理工大学硕士学位论文 情况的分析，本节引入统计估计理论中的置信度的念，选取置信度最大的灰度 作为背景的像素值。 图3 - 8 典型的公路交通状况 图3 8 样本采自于浙江省杭甬高速公路，特别是远处车辆粘连严重。为 此，取1 0 0 帧等时间间隔的高速公路视频流截图，将彩色的r g b 图像批量转 化成灰度图，取某个像素点( 比如坐标为( 5 0 ，5 0 ) 的像素点) ，绘制其在 1 0 0 帧连续等时间间隔图像的条形图： 图3 - 9 分布较为均衡的像素点条形图 该条形图显示了坐标为( 5 0 ，5 0 ) 的像素点在1 0 0 帧图片中的灰度值分 布情况，利用m a t l a b 可以计算出这个像素点灰度值的平均值是1 9 1 。显然， 这个像素点的灰度值基本上没有变化，均衡的排列在1 9 1 的上下波动，且波 1 5 武汉理工大学硕士学位论文 动幅度极小，具有很强的稳定性。这种现象表明，坐标为( 5 0 ，5 0 ) 的像素 点一直处于背景像素点，其背景像素值可以取其平均值1 9 1 。 图3 - 1 0 分布不平衡的单个像素点条形图 下面取坐标为( 1 7 0 ，1 0 0 ) 的像素点，绘制其条形图。观察图像，发现 该像素点的灰度值最大接近2 5 0 ，最小值接近0 ( 真实最小灰度值是2 2 ) ，灰 度值变化幅度很大，粗糙的感性认知就是，该像素点有前景运动目标通过。 该像素点的平均灰度值是1 4 3 ，我们能不能将其均值1 4 3 作为该像素点的背 景值呢? 。图3 1 1 和图3 1 2 的的统计结果( m a t l a b 计算结果是该像素点最 大频数对应的灰度值是1 4 4 ) 表明该均值也可以作为背景值。 图3 - 1 1 单像素点的灰度变化曲线图3 - 1 2 像素点的单峰统计直方图 那么是不是所有的像素点的背景值都取平均值是合理的呢，下面再取另 外一个像素点，其坐标为( 1 7 0 ，1 0 0 ) ，绘制该像素点在1 0 0 帧图片中灰度 值的统计直方图如图3 1 3 。 图3 1 3 的统计直方图表明此点处的灰度直方图呈现出双峰的状态，在图中 标记峰值1 、2 。若直接根据直方图法选取概率最大的灰度作为背景的灰度则会 1 6 武汉理工大学硕士学位论文 产生错误的结论。因为呈现出双峰的直方图表明在一段时间内有两种灰度出现 在此点处的频率很大，在这种情况下应该选取置信度最大的作为背景的灰度值。 图3 - 1 3 图像素点的多峰统计图 通过对大量高速公路实际录像实验，图像上某点的像素的直方图一般呈 现出两种状态：单峰与多峰。对于单峰状态而言背景建模相对简单，因为干 扰因素较小，可以用此峰值对背景进行估计。对于多峰直方图而言，般是 由于存在较大的干扰而形成的，因此在估计背景的时候需要结合每个峰值的 置信度进行二次判断，选取置信度最大的点作为背景的估计。试验结果如图 3 1 4 和3 1 5 。 图3 一1 4 最大值外的若干个极值点图3 1 5 多峰态中极大值置信度最高点 3 2 2 算法流程 具体算法流程如下： 1 7 武汉理工大学硕士学位论文 第一步：读取f r a m n u m 帧图像，分别对每一点出的灰度值在时间维度上进 行直方图统计： d j r 8 ( i ，) = ( 锄：o ，抄“纸以朋= a r g 呲m a ；x 掰l ( f r e q u e n c y ( i ，j ，七) ) ( 3 1 0 ) 式( 3 1 0 ) e e f r e q u e n c y ( i ，j ，k ) 表示像素点( ，j ) 处灰度值为k 出现的频数， i m a g e p i e ( i ，g r a y ) 表示第p c 帧图像像素点( ，) 的灰度值。 第二步：直接得到的直方图通常存在一些噪声点，因此首先对直方图进行 平滑，方便找到直方图的极值点： 鲫“，j ) - a r g 啾m a ；x ：，l ，( f r e q u e n c y ( i ，j ，七) ) ( 3 1 1 ) 分别计算各峰值点附近的置信度是否大于8 0 ，若存在大于8 0 的置信度则 认为此直方图呈单峰态，直接估计出背景，否则寻找存在最大置信度的峰值 点。 在多个峰值缈一2 0 ，力缈嗽。a ，j ) 中，计算 碱o ，力爿g r a y l o ，j ) 一目吼。o ，) i( 3 1 2 ) 帆o ，_ ) = ( 碣溉a ，) 矗娩o ，j ) ) 1 3 1 3 ) 取成既m ( f ，j f ) 处的峰值点的灰度为背景灰度，算法流程图见图3 一1 7 。图3 - 1 6 是用改进的背景提出方法得到的初始背景，背景图片比较纯净，消除了运动目 标的影响。 图3 - 1 6 用统计直方图和多帧平均值法生成的背景图像 1 8 武汉理工大学硕士学位论文 l 读取f f # u - 愤驾霉* 统