用平均背景模型建立交通监控视频中的背景图像

江金铭，陈祎琼,姜腾飞，汪 超，张倩倩

(安徽农业大学 信息与计算机学院，合肥 230031)



用平均背景模型建立交通监控视频中的背景图像

江金铭，陈祎琼,姜腾飞，汪 超，张倩倩

(安徽农业大学 信息与计算机学院，合肥 230031)

交通监控视频中背景区域固定，用背景差方法提取运动车辆是非常有效的手段.背景图像的质量严重影响到背景差方法提取运动车辆的准确率.文章研究了运用平均背景模型提取背景图像的方法，详细描述了通过迭代累积得到背景图像和基于像素中间值得到背景图像的过程，并实验验证了两种平均背景模型,得到了背景图像，实验结果表明：平均背景模型能够较好的建立交通监控视频中的背景图像.

平均背景模型；迭代积累；像素中间值

研究交通监控视频中的平均背景模型，主要是为提取监控视频中的车辆信息服务.

运动目标检测方法一般是通过比对不同帧之间的变化，在变化区域内将运动目标与背景区分开来，常用的运动目标检测的方法主要有光流法、帧差法、背景差法[1，2，3，4].

交通监控视频中，一般车辆是在行驶过程中，在路口只会做短暂的停留(等红绿灯或者其他原因)，监控系统一般都是固定安装在某个路口或者路边,监控区域固定，如很多学者研究出了多种有效的建立背景模型的方法.这些建模方法大体上可以分为回归递推和非回归递推两类.回归算法根据当前帧之前的帧图像用回归的方式更新当前时刻的背景模型，在计算过程中不用维持保存背景估计帧的缓冲区.这类方法包括混合高斯模型背景建模[5]以及线性卡尔曼滤波法等；非回归背景建模方法主要有中值滤波方法[6]、平均背景模型[7]、Elgammal等人[8]提出基于核密度估计(KDE)的方法和 Olive 等人[9]提出的特征背景建模方法，这一类方法是动态的利用之前从某一帧开始到当前帧内容作为样本进行背景建模.

平均背景模型(Average Backgroundmodel)，是利用多帧图像的加权平均信息来提取背景的方法，是一种比较容易实现背景模型，且能够有效的提取交通监控视频中的背景.以下两种方法都能有效的建立平均背景模型，且比较容易实现.

1 通过迭代累积形成的平均背景模型

该种方法认为背景具有不变性，车辆在视频中是间断出现的，噪声考虑的是加性随机噪声，该方法通过对每帧图像的迭代相加来实现对真实背景的逼近[2].

平均背景模型建模的一般步骤为：

(1)初始时，假设视频第一帧图像I1(x,y)为背景B1(x,y)

(2)将每一帧图像进行迭代累积得到新的背景Bn(x,y) ，即

Bn(x,y)=σIn(x,y)+(1-σ)Bn-1(x,y)

(1)

式(1)中In(x,y)表示第n帧图像，Bn(x,y)表示迭代到第n帧图像的背景图像.σ是迭代系数，表示当前帧在背景积累过程的比重，且有0<σ<1.平均背景模型计算方法简单，但是σ需要由经验确定.本文测试时选取σ=0.05，即假设每一帧图像在背景图像中的比重比较小,实验结果如图1所示.

图1 平均背景模型提取的实验一视频背景图像

2 基于像素中间值的平均背景模型

前面通过迭代累积形成的平均背景模型受σ取值影响，σ需依赖于经验值确定，σ选取的不好则建立的背景图像效果大打折扣.平均背景模型也可以使用像素中间值来建立背景图像，算法实现也比较简单，这种算法不需要经验值参数.假设某段时间视频有M帧图像序列，基于像素中间值构建背景图像具体步骤如下：

(1)将每一帧图像灰度化得到灰度图像Gn(x,y)

(2)取视频帧在(x,y)点的灰度值中间值建立背景图像 ，即

B(x,y)=median(Gn(x,y))

(2)

式(2)中n从1到M,median表示取中间值，Gn(x,y)表示第n帧图像的灰度图像，B(x,y)表示背景图像.实验结果如图2所示.

图2 基于像素中间值提取的背景图像

从实验结果来看基于中间值建立的背景图像效果要比前面帧迭代的方法来的好，因此本文采用基于像素中间值的方法建立背景图像.

3 小结

综上可以看出，通过迭代累积形成的平均背景模型和基于像素中间值的平均背景模型都是交通监控视频中提取背景的有效办法，前者可以通过参数σ得到不同的效果，且帧数较多时得到的背景图像较好；后者对与固定场景的监控视频提取的背景几乎变化很小，不同的帧数得到的背景图像差别不是很大；两者都能够较好的得到监控视频的背景图像.

[1] 谢 立，胡玲玲，吕一品．面向智能视频监控系统运动目标检测的轮廓提取方法[J]．东南大学学报(自然科学版)，2012，42(1)：31-35．

[2] 王 会．基于视频的车辆异常行为检测[D]．沈阳工业大学硕士学位论文，2013，2.

[3] 钱 晋．基于背景差法的视频车辆检测算法研究[D]．上海交通大学硕士学位论文,2007．

[4] 王正玉．交通监控视频中机动车辆检索的关键技术研究[D]．昆明理工大学硕士学位论文,2012,3．

[5] Stauffer,C.,Grimson,W.E.L.．Adaptive Backgroundmixturemodels for Real-time Tracking[J].IEEEComputer Society Conf on Computer Vision and Pattern.Recognition,1999: 246-252.

[6] Lo,B.P.L.,Velastin,S.A.． Automatic Congestion Detection System For Underground Platforms[J].ISLVVIP,2001: 158-161.

[7] Wren C.,Azarhayejani A.,Darrell T.,et al.Real-time Tracking of the Human Body[J].IEEE Transactions on PAMI,1997,19(7): 780-785.

[8] Elgammal A,Hanvood D,Davis L S.Nonparametricmodel for Background Subtraction[J].Proceedings of ECCV 2000: 751-767.

[9] Oliver Nm.,Rosario B,Pentland A.P.A Bayesian Computer Vision System formodeling Human Interactions[J].IEEE Transactions on PAMI,2000,22(8): 831-843.

[10] 陈祎琼．基于车牌识别的交通监控视频中车辆检索技术的研究[D]．合肥工业大学硕士学位论文,2014,11．

Background Image of a Traffic Surveillance Video with Average Backgroundmodel

JIANG Jin-min,CHEN Yi-qiong,JIANG Teng-fei,WANG Chao,ZHANG Qian-qian

(Information and Computer School,Anhui Agricultural University,Hefei 230031,China)

The background region of an traffic surveillance video is commonly changeless,so extractingmoving vehicle based on Background Difference is very effective.The quality of background image seriously affects the accuracy of extractingmoving vehicle based on Background Difference.The article studies the way of getting the background image of a traffic surveillance video with Average Backgroundmodel ,describes in detail the process of obtaining the background image by iterative cumulative and obtaining the background image based on pixelmedian value,and tests the two average backgroundmodel by experiments.Therefore,the background image is obtained.The experimental results show that the average backgroundmodel can better establish the background image of traffic surveillance video.

Average Backgroundmodel; iterate and accumulate;pixelmedian value

2015-12-31基金项目：国家级大学生创新创业训练项目(201410364020);农业信息技术学科骨干培育项目(2014XKPY-64).作者简介：江金铭(1996-)，男，安徽农业大学通信工程专业学生,研究方向：数字图像处理.通讯作者：陈祎琼(1982-)，女，硕士，讲师，研究方向:数字图像处理，农业信息化.

TP391.41

A

1671-119X(2016)02-0041-03