一種基于背景更新與粒子群算法的運動車輛檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計算機視覺技術(shù)領(lǐng)域，尤其是一種基于背景更新與粒子群算法的運動 車輛的檢測方法。
【背景技術(shù)】
[0002] 隨著經(jīng)濟和科技的快速發(fā)展，人們的生活水平不斷提高，交通工具逐漸被汽車所 取代。車輛數(shù)量的增加在一定程度上解決了人們的出行問題并帶來很大的便利，但是隨著 汽車數(shù)量的增加給交通帶來了很大的壓力，交通問題日益嚴重，車輛違章、交通秩序混亂、 交通污染、交通擁堵。擴建公路、車輛限行短時間內(nèi)解決了交通擁堵，但投入大量的人力、物 力在解決交通問題上變得越來越不現(xiàn)實。因此，僅僅依靠增加人力和交通設(shè)施是不能改善 惡劣的交通環(huán)境的。如何有效地解決交通問題是人們關(guān)注的焦點。
[0003] 近年來，智能交通監(jiān)控系統(tǒng)的應(yīng)用越來越廣泛，智能交通監(jiān)控系統(tǒng)是將傳感技術(shù)、 數(shù)據(jù)傳輸技術(shù)、計算機視覺技術(shù)等先進技術(shù)有效地綜合運用到交通系統(tǒng)中。它是一種高效、 準確、全方位、實時監(jiān)控的綜合系統(tǒng)，無需人工監(jiān)控，能夠大范圍發(fā)揮作用，使人、車、路更加 協(xié)調(diào)地結(jié)合在一起，可以降低事故發(fā)生率，減少交通污染，從而提高交通運輸效率及生產(chǎn) 率。國內(nèi)外不少學(xué)者通過視頻監(jiān)控對車輛進行檢測、跟蹤、車流量統(tǒng)計、車速監(jiān)測等。車輛檢 測是實現(xiàn)車輛跟蹤、車流量統(tǒng)計、車速監(jiān)測的基礎(chǔ)。對于車輛檢測的研究，國內(nèi)外學(xué)者做出 了很大貢獻。例如：WangY提出了一種基于聯(lián)合隨機域的運動車輛檢測方法，該方法適用于 存在運動陰影、燈光干擾以及各種天氣狀況，有效地實時檢測視頻流；ChenS采用基于三維 大津法與高斯背景建模相結(jié)合的方法對運動車輛進行檢測，該方法彌補了傳統(tǒng)三維大津法 的耗時和不滿足實時需求的缺點；余燁提出了一種改進的Vibe的運動目標檢測算法，為了 避免樣本的重復(fù)選取，該算法擴大了樣本的取值范圍，為了避免錯誤分類的擴散，采用了隔 行更新方式更新像素鄰域，采用小目標丟棄與空洞修復(fù)對檢測結(jié)果進行優(yōu)化，提高了檢測 效率；陳銀提出了一種單高斯背景建模和meanshift原理相結(jié)合的方法進行運動目標檢 測，通過對更新后背景中不屬于背景點的像素點進行meanshift修正，該方法克服了背景 模型不能自適應(yīng)更新的缺點；李響提出了一種基于局部運動補償?shù)亩畏指钅繕藱z測的方 法，該方法中采用兩次分割有效地剔除了靜態(tài)背景像素，得到前景目標和部分動態(tài)背景，為 了降低噪聲的影響，利用塊匹配運動估計算法獲得動態(tài)像素點的運動矢量，并補償?shù)竭\動 初始區(qū)域；於時才提出了一種運動背景下的運動目標檢測，該方法采用傅里葉變換進行背 景補償，采用六幀相鄰圖像差分相乘的方法增強運動目標的像素點，利用區(qū)域-分裂合并 分割目標，是想了在復(fù)雜背景下較好地檢測車運動運動目標；劉紅海提出了一種采用隨機 樣本來構(gòu)建背景模型，將像素級更新和幀級更新相結(jié)合來進行背景更新，提高了響應(yīng)速度。
[0004] 然而，雖然以上方法能夠很好地檢測出運動目標，但在實際處理過程中上述方法 都存在計算量大、實時性差、算法復(fù)雜等問題，不利于推廣使用。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明目的在于提供一種可實時更新背景圖像并能提高運動目標提取準確性的 基于背景更新與粒子群算法的運動車輛的檢測方法。
[0006] 為實現(xiàn)上述目的，本發(fā)明所述方法包括以下步驟：
[0007] (1)圖像預(yù)處理
[0008] 獲取視頻圖像，對采集的視頻圖像采用雙邊濾波方法去除噪聲；
[0009] ⑵閾值分割
[0010] 設(shè)定粒子群中各參數(shù)，并初始化粒子群，根據(jù)灰度圖像直方圖的熵函數(shù)的定義，計 算各個粒子的適應(yīng)度函數(shù)值，采用極大熵圖像分割方法并結(jié)合粒子群優(yōu)化算法，利用粒子 群優(yōu)化算法優(yōu)化閾值，獲取最優(yōu)分割閾值；
[0011] ⑶背景更新
[0012] 讀取經(jīng)過雙邊濾波之后的圖像序列，提取背景圖像，采用Surendra算法進行背景 實時更新；在背景實時更新過程中，采用步驟（2)中的方法獲取圖像最佳閾值從而得到二 值圖像，根據(jù)二值圖像的像素值更新背景圖像；
[0013] (4)背景差分
[0014] 采用背景差分法將獲取的實施背景圖像與視頻圖像作差，得到運動車輛前景區(qū) 域；采用步驟（2)中的方法獲取準確閾值分割圖像，得到運動車輛前景區(qū)域的二值圖像；
[0015] (5)形態(tài)學(xué)處理
[0016] 對二值圖像進行形態(tài)學(xué)處理，去除不屬于運動目標的區(qū)域，得到較完整的車輛圖 像信息。
[0017] 步驟（2)中利用粒子群算法選取最優(yōu)分割閾值的具體步驟為：
[0018] a、設(shè)定粒子群中各參數(shù)，并初始化粒子群，設(shè)定最大慣性因子W_= 0. 9,最小慣 性因子W_= 〇. 1，學(xué)習(xí)因子分別SC1= 2.0,C2= 2.0;
[0019] b、根據(jù)熵函數(shù)的定義計算各個粒子的適應(yīng)度函數(shù)值；
[0020] c、根據(jù)適應(yīng)度函數(shù)計算各個粒子的個體極值和種群極值，比較個體極值和種群極 值，如果個體極值優(yōu)于種群極值，則該個體極值為種群極值；
[0021] d、更新各個粒子的速度和位置；
[0022] e、當(dāng)算法達到最大迭代次數(shù)，此時獲得的全局極值為所求的最優(yōu)閾值。
[0023] 步驟（3)中采用Surendra算法進行背景實時更新的具體步驟如下：
[0024] a、將雙邊濾波后的第一幀圖像作為初始背景圖像B。(X，y);
[0025] b、采用步驟（2)中方法獲取最優(yōu)閾值T，求得幀差圖像的二值圖像，
[0029] 其中，IiJx，y)為前一幀灰度圖像，IiU,y)為當(dāng)前灰度圖像，BiJx，y)為前一幀 背景圖像，B1(Xj)為當(dāng)前背景圖像，D1(Xj)為二值圖像在（x，y)點的像素值，a為背景更 新速度；
[0030] 通過對幀差圖像的像素點的灰度進行判斷，若該像素點的灰度值大于閾值，那么 背景圖像對應(yīng)位置的像素點保持不變；否則就利用當(dāng)前幀對背景圖像進行替換更新，提取 出背景圖像。
[0031] 與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點：可實時更新背景圖像，既能適應(yīng)簡單的交 通環(huán)境又能克服復(fù)雜環(huán)境的影響，提高檢測目標的準確率。
【附圖說明】
[0032] 圖1是本發(fā)明方法的步驟流程圖。
[0033] 圖2是本發(fā)明實施例1中不同環(huán)境下的視頻圖像。
[0034] 圖3是對圖2進行雙邊濾波后的結(jié)果圖。
[0035] 圖4是對圖3進行提取視頻圖像背景的結(jié)果圖。
[0036] 圖5是對圖4進行背景差分圖像的結(jié)果圖。
[0037] 圖6是對圖5進行運動車輛檢測的結(jié)果圖。
[0038] 圖7是本發(fā)明實施例1中對比不同閾值方法的檢測準確率圖表。
【具體實施方式】
[0039] 下面結(jié)合附圖對本發(fā)明做進一步說明：
[0040] 實施例1 :
[0041] 如圖1所示，本發(fā)明所述方法包括以下步驟：
[0042](1)圖像預(yù)處理
[0043] 為了本發(fā)明的可行性，選取三種不同的交通環(huán)境進行試驗，如圖2所示；
[0044] 視頻在采集和傳輸過程中，會產(chǎn)生很多噪聲，噪聲會影響后續(xù)工作的進行，因此， 先采用雙邊濾波的方法去除噪聲，再對圖像進行處理。雙邊濾波的去噪效果取決于兩個方 差參數(shù) 〇JPOP〇1^比Os在降低噪聲方面更重要。O1^要根據(jù)噪