其中()为当前帧影响背景图像的程度,可根据不同时段取值,如在背景变化比较快的时段取较大值,在变化较慢的时候取较小值。该更新方法的优点在于把图像分为目标区域与非目标区域,并分别采用不同的方法对其进行更新,即能检测到背景的细微变化,快速地完成更新操作,又能使运动目标的图素值没有影响背景。根据式、即可完成对背景的实时更新。 实验结果与分析 本文采用一段帧大小为320*240的RGB交通视频为分析对象,首先在程序中对RGB图像进行灰度变换,转换成灰度图像再进行背景重建与更新。M取32,即将256个灰度级平分为32段,每段长度为8。取0.05,可根据需要适当改变的取值,即改变当前帧影响背景的程度。本文采用每隔两帧进行处理的方法。实验表明,本文的背景重建方法较传统的基于直方图统计的背景模型速度快,从图2右侧图像很容易看出本文背景提取方法可以很好的还原出背景图像,背景图像上并没有传统背景模型的问题,即背景图像上并没有由于运动目标引起的阴影,背景图像最上方有少许阴影是因为摄像机拍摄范围过广,使运动目标的速度相对很低甚至静止,可以通过调整摄像机的拍摄范围得到解决。图2右侧图像为背景更新得到的新背景,本文区分目标区域与非目标区域的更新方法,使目标的移动没有影响背景的更新,从而不会使更新的背景图像因为目标的影响而留下的阴影。
图1 第4帧与第181帧图像
图2 本文方法提取的背景及更新得到的背景 结论 本文提出了一种改进的基于直方图统计的背景重建模型,通过计算每个区间内像素灰度值提取背景,有效地降低了普通直方图统计模型的计算量,基于区域的背景更新方法使得当目标运动时,目标像素灰度值并没有影响到背景的更新,只有外界光线等的变化时才会使背景进行更新,并可根据不同时段选择不同的当前帧影响背景更新的程度。本文提出的背景重建与更新方法,能有效地进行背景重建与更新,优于传统背景重建与更新模型,而且实验也证实,当运动目标移动过慢或运动目标过多时,需要更多的帧来重建背景。
参考文献
[1] ZUGUANG Y, HUADONGM, YIMIN W. Tracking Ground Vehicles in Heavy2traffic Video by Grouping Tracks of Vehicle Corners[A]//ITSC’2007 [C]. 2007: 396 - 399.
[2] Avery R P, Wang Y, Scott Rutherford G. Length- Based Vehicle Classification Using Images from Uncalibrated Video Cameras [J].Proceedings of the 7th International IEEE Conference on Intelligent Transportation Systems, October 2004, 737- 742.
[3] JUN K, YING Z, YINGHUA L. A Novel Background Extraction and Updating Algorithm for Vehicle Detection and Tracking [A]//FSKD’2007 [C]. 2007, 3: 464 - 468.
[4] SETCHELL C J. App lications of Computer Vision to Road2Traffic Monitoring, PhD thesis in the Faculty of Engineering[D].Department of Electrical and Electronic Engineering,University of Bristol.September 1997.
[5] Surendra Gupte, et al. Detection and Classification of Vehicles[J].IEEE Transactions on Intelligent Transportation Systems, 2002,(3): 37- 47.
2008,3-3:245-247.
[6] Gup te S, Masoud O, Martin R, etal. Detection and classification of Vehicles[ J ]. Intelligent Transportation Systems, IEEE Trans, 2002, 3 (1) : 37247.
[7] 肖梅,韩崇昭,张雷.一种视频序列的背景提取算法[J].光电工程.2005,32(4):78-81.
[8]高丽,杨树元,梁军利,等.视频序列中运动目标的自动提取[J].北京理工大学学报,2006,26(3):231-232.