摘要：本文提出了一种改进的基于直方图的背景重建与更新模型，首先将图像灰度级平分为M份，然后统计各区间像素数，取最大统计数区间的中值为背景。在背景更新时，把图像区分为目标区域与非目标区域，并用不同的方法对它们进行更新。实验结果表明，本文的背景重建模型具有速度快、鲁棒性强、效果好的特点;背景更新方法能快速地更新背景，并能有效消除运动目标对背景更新的影响。

　　关键词：背景重建、背景更新、视频序列

　　中图分类号:TP391.4 文献标识码:A

　　Abstract: An improved algorithm of background reconstruction and updating based on histogram is presented. Firstly, the image gray level is divided into M, and in each part, the pixels are calculated. Secondly, the median of the maximal part is taken as background image. The image is divided into the target area and the non-target regions with different ways to update. The experimental results show that reconstruction of the background by this method is fast, more robust and effectively; The background image is updating quickly by the method，and the effect of background image is removed from active objects effectively.

　　Key words: background reconstruction, background updating, video sequence

　　引言：

　　随着计算机多媒体技术的发展，视频图像处理技术在ITS中的应用越来越广泛。交通场景中车辆对象的实时检测是基于视频的交通检测系统中最重要也是最基本的步骤，检测的正确与否直接关系到智能交通系统决策的正确性。目前, 常用的运动目标检测方法有: 帧差法、光流法和背景差分。帧差法的特点是复杂度较低、计算量小，便于实时应用，在动态环境下有很强的自适应性, 但是这样分割出来的分离出来的区域实际上是物体前后两个位置的“或”区域, 不利于进一步分析与识别, 采用这种方法时, 还需要考虑如何选择合适的帧间隔;光流法计算复杂、耗时,而且对环境光线等噪声特别敏感，但光流法不需要预先知道场景的任何信息,而只需要知道相邻视频帧之间的像素运动信息, 另外,光流法属于基于运动的检测方法,它在处理跟踪问题时要比背景差分算法更容易一些;背景差法的原理和算法设计简单，并且在根据实际情况确定阈值且进行处理后，所得结果直接反映了运动目标的位置、大小、形状等信息，能够得到比较精确的运动目标信息。因此目前城市交通图像处理中普遍采用的方法为背景差法。但实际中的背景很复杂, 存在各种各样的干扰, 而且随时间不断变化，背景差分法的难点从是对背景图像的提取与更新。

　　背景提取及更新的好坏直接影响后续运动目标的检测，甚至使整个系统瘫痪。近年来，许多国内外学者提出了许多背景建模方法。Friedman和Russell提出了时间平均模型，即将一定帧数的各像素点对应的灰度值求平均作为这像素点的背景值，该方法的特点是计算简单，但是只适合运动目标不多的情况。Stauffer和Grimson提出的混合高斯模型(Mixture of Gaussian, MOG),使用混合高斯分布模型来表征图像帧中每一个像素点的特征,当获得新的图像帧时, 更新混合高斯分布模型,在每一个时间段上选择混合高斯分布模型的子集来表征当前的背景,如果当前图像的像素点与混合高斯分布模型相匹配, 则判定该点为背景点, 否则判定该点为前景点。该方法的特点是自适应性强，但计算量比较大。还有一些其它的方法，如Monnet等人提出的动态纹理背景模型，Fernando等提出的PCA模型，Saleemi等提出的时空联合分布背景模型等。

原始背景重建 视频序列记录了视频目标在一段时间内的运动和变化信息，因而理想的视频分析方法是在一定时长的时间范围内对数据进行分析并充分利用帧间的相关信息。在视频序列的每一帧图像中, 图像上某个点的像素灰度值可表示为：，(=1,2,…,N)为帧数，N为背景估计的总帧数。假设图像为灰度图像，则的取值范围为，本文所讨论的图像都是RGB图像经过灰度变换后得到的灰度图像。

　　分析视频序列可得，视频图像中的任意一个像素点有两种状态: 一是代表运动的车辆的情况, 称为图像的前景点, 另一种就是没有车辆遮挡的情况, 称为图像的背景点。由于车辆是在不断运动，一般情况下，在一段时间内某一像素点出现次数最多灰度值的应该是图像的背景点，故可统计图像中每一个像素点在整个视频序列中的直方图，把出现次数最多的灰度值作为视频的背景点。即：

表示像素点的直方图统计，表示在第帧图像时的背景。

观察视频序列，由于受到光线与噪声的影响，就算背景没有发生改变，背景灰度值也并不是固定的某一值，而会是在某个小区间内波动，所以可对式进行如下改进：

首先将灰度区间分成等份，然后统计各个像素点以这些区间为单位的直方图，把最大值的区间的中值作为该点的背景点。即：

为各区间的统计数，(=1,2,…,M)。

　　背景更新 随着时间的推移，现场光线、背景物体等发生改变，导致背景发生了变化。如果没有及时的更新背景图像，长时间就会导致极大的误差。背景模型不仅要求能更新背景图像，而且要求能快速响应这个变化。本文采用如下方法对背景进行更新。

首先, 以当前帧图像和背景图像做差分, 通过二值化、形态学运算得到图像的非目标区域与目标区域。对于目标区域，可用上一帧背景代替当前帧背景。

　　对于非目标区域，通常情况下，当前背景图像的灰度值与当前帧和前一帧背景有关，即当前背景可用前一帧背景与当前帧和加权和代替。

 1/2    1 2 下一页 尾页