APP下载

视频图像中的车辆检测及阴影去除方法研究

2015-05-04郑晓曦袁高帅胡晓东

数字技术与应用 2014年12期

郑晓曦++袁高帅++胡晓东

摘要:视频监控系统成为近年来的研究热点。文中针对交通智能视频检测系统的车辆检测问题,采用基于高斯混合模型方法来检测视频中的运动车辆,结合车辆阴影纹理不变的特性分割阴影,实现了运动车辆的检查识别和阴影去除。仿真实验达到了预期效果。

关键词:车辆检测 背景建模 阴影去除

中图分类号:TP391.41 文献标识码:A 文章编号:1007-9416(2014)12-0097-02

Abstract:Video monitoring system has become a hot research topic in recent years. Aiming at the detection problem of the traffic video detection system, the Gauss mixture model based method is used to detect moving vehicles in video in this paper, combined with the characteristic of vehicle shadow texture invariant to segment the shadow, realize the detection and shadow removal of moving vehicles. The simulation experiment has achieved the desired effect.

Key Words:vehicle detection;background-modeling;shade removal

1 引言

在基于视频的车辆检测中,由于车辆阴影的出现会给车辆检测造成目标粘连、目标失真和目标丢失等错误,从而导致车辆检测不够准确, 因此必须对其阴影进行检测与去除。

当前运动目标的检测方法主要有光流法、帧间差分法和背景差分法[1]。光流法虽然能够在不知道场景任何信息的条件下,检测出独立运动的对象,但是多数光流法的计算复杂、耗时,难以满足实时检测的要求。帧间差分法尽管检测速度快、对光照不敏感,但不能检测静止或者速度慢的物体、产生空洞。背景差分法能完整地分割出运动目标,但自适应能力较差。

目前对阴影的研究主要分为两类检测方法,即基于阴影模型和基于特征的方法。基于阴影模型的方法依赖先验几何模型,如目标的三维形状和光照模型。阴影的形状和位置都可以精确的计算出,但很难满足实施性需求。基于特征的方法是利用阴影的颜色、梯度和纹理不变的特征来分割阴影。但当目标与阴影颜色相近时基于颜色特征的方法就不行了。基于阴影纹理不变的特性来分割阴影适用于背景纹理清晰且均匀的情况。所以本文主要采用基于特征的方法,即基于纹理的算法来消除阴影。

2 基于混合高斯背景建模的运动目标提取

本文采用混合高斯背景建模[2]的减背景方法来实现运动车辆的提取。混合高斯背景建模是基于像素样本统计信息的背景表示方法,利用像素在较长时间内大量样本值的概率密度等统计信息(如模式数量、每个模式的均值和标准差)表示背景,然后使用统计差分(如3σ原则)进行目标像素判断,可以对复杂动态背景进行建模。

在混合高斯背景模型中,认为像素之间的颜色信息互不相关,对各像素点的处理都是相互独立的。对于视频图像中的每一个像素点,其值在序列图像中的变化可看作是不断产生像素值的随机过程,即用高斯分布来描述每个像素点的颜色呈现规律(单模态,多模态)。公式2-1是由K个基本高斯分布函数线性组合成的高斯混合模型。

其中为基本高斯分布函数的个数,高斯分布函数为第个混合组分由均值和协方差矩阵控制,为方差,为单位矩阵,为归一化参数,满足:

高斯混合模型用于背景建模时,对每个像素分别建模。当处理彩色图像时,假定图像像素点R、G、B三色通道相互独立并具有相同的方差。在我们的研究中,RGB的3个颜色通道分别用一个单独的高斯函数进行描述,即用3个高斯函数来综合描述一个像素点的颜色信息,即取值为3。

高斯混合模型的背景建模具体过程如下:

(1)每个新像素值同当前K个模型按下式进行比较,直到找到匹配新像素值的分布模型,即同该模型的均值偏差在内:

(2)如果所匹配的模式符合背景要求,则该像素属于背景,否则属于前景;

(3)各模式权值按如下公式更新,其中是学习速率,对于匹配的模式,,否则,然后各模式的权重进行归一化:

(4)未匹配模式的均值与标准差不变,匹配模式的参数按照如下公式更新:

(5)如果步骤1)中没有任何匹配模式,则权重最小的模式被替换,即该模式的均值为当前像素值,标准差为初始较大值,权重为较小值;

(6)各模式根据按降序排列,权重大、标准差小的模式排列靠前;

(7)选前个模式作为背景,满足下式,参数表示背景所占比例:

根据经验,学习速率要与视频帧率相配合,并考虑背景可能发生变化的频率。在一般情况下,取=0.02能得到满意效果。

3 基于纹理特征的阴影去除

采用基于混合高斯模型的减背景方法得到目标区域,但该区域往往包含了运动车辆的投射阴影,需要进一步去除阴影。实验发现,图像中运动车辆阴影区域纹理特征有以下特性:对于图像中的浅阴影来说,纹理基本保持不变,而对于图像中的重阴影来说,几乎不存在纹理[3]。根据这一特性,我们利用一阶梯度表示纹理,并运用sobel 算子计算每个像素点的一阶梯度值,通过设定相应阈值区分阴影和非阴影,实现车辆阴影的检测。

根据sobel算子,背景像素点各通道水平和垂i直方向的一阶梯度计算式如式(3-1) 和式(3-2)所示,当前帧像素各通道水平和垂直方向的一阶梯度计算如式(3-3)和式(3-4)所示。

其中代表背景像素点(i,j)处的RGB三通道颜色值;代表当前帧像素点(i,j)处的RGB三通道颜色值下标代表三个颜色通道。

根据阴影的特性,如果是重阴影处,一阶梯度值应该接近为0, 而如果是浅阴影处,背景和当前帧梯度值相近,那么阴影的判断准则如下(、为阈值):

(3-5)

用基于纹理的阴影检测能够较好地实现阴影检测,将这些标记为阴影点的像素从前景中去除,即可得到属于车辆的前景。

4 实验结果及分析

实验环境为Intel Dual-core Duo T5850 2.16GHz CPU、2GB内存,Visual Studio 2010开发平台,运用OpenCV2.4.3进行编程实现。

为了验证文中的阴影检测算法的性能,我们将多种阴影检测算法分别对样本数据进行检测。样本数据为一段学校入口的车辆视频,该视频阴影面积较大,但阴影亮度值较高,属于浅阴影。通过实验证明,针对该段视频,阴影检测的阈值选为=2.3,=35。

图1为不同算法进行车辆阴影检测时的结果。首先获得车辆视频帧图(a),对原始视频序列图像使用混合高斯模型进行背景建模,得到背景图像(b)。将原始视频图像与背景图像相减得到图像(c)。图像(d)、(e)和(f)分别为基于纹理特征、颜色特征、几何特征去除阴影后的图像。由检测结果可以看出,基于颜色特征的阴影去除算法不适合车辆图像,基于几何特征的阴影去除会引起车辆区域失真,本文算法能够较好地检测到车辆视频中的运动车辆并分割出阴影区域。

5 结语

本文采用了针对视频车辆目标检测的准确识别算法,并结合基于纹理特征的阴影去除算法得到去掉阴影的运动目标。实验证明,此方法能够快速、准确的在动态视频中分割出运动车辆和去除阴影,但是还存在一定的不足,还没有考虑车子相互遮挡的情况,因此还需要不断改进。

参考文献

[1]赵旭东,刘鹏,唐降龙,刘家锋.一种适应户外光照变化的背景建模及目标检测方法[J].自动化学报,2011,37(8): 915-922.

[2]张红颖,李鸿,孙毅刚.基于混合高斯模型的阴影去除算法[J].计算机应用,2013,01:31-34.

[3]余孟泽,刘正熙,骆键.融合纹理特征和阴影属性的阴影检测方法[J].计算机工程与设计,2011,32(10):3431-3434.

[4]Andres Sanin, Conrad Sanderson, Brian C. Lovell.Improved Shadow Removal for Robust Person Tracking in Surveillance Scenarios[C].International Conference on Pattern Recognition, 2010:141-144.

[5]LIU Z, HUANG K Q, TAN T N. Cast shadow removal in a hierarchical manner using MRF[J].IEEE Transactions on Circuits and Systems for Video Technology,2012,22(1):56-66.