CN103810703A - 一种基于图像处理的隧道视频运动目标检测方法 - Google Patents

Abstract

本发明提供一种基于图像处理的隧道视频运动目标检测方法，该方法包括以下步骤：建立初始背景模型；建立实时动态更新背景模型；构造局部结构相似性测度函数；构造局部灰度统计测度函数；根据局部结构相似性测度函数和局部灰度统计测度函数提取运动目标区域。本发明通过建立实时动态更新背景模型，可以有效抑制光照变化对隧道环境运动目标检测的影响，通过构造局部结构相似性测度函数和局部灰度统计测度函数，增大运动目标和背景信息的区分度，减少单一结构信息带来的检测误判，较好地分割出运动目标区域，提高了隧道环境运动目标检测的准确度。

Description

一种基于图像处理的隧道视频运动目标检测方法

技术领域

本发明涉及隧道交通安全监控技术领域，具体是一种基于图像处理的隧道视频运动目标检测方法。 

背景技术

随着我国经济社会建设飞速发展，汽车保有量也一步步攀升。汽车保有量的攀升使得道路交通拥挤加剧，交通事故频繁，能源浪费严重，环境质量恶化等。这些问题的出现对道路的畅通、安全、快速提出了越来越高的要求，也使得各类高等级智能化公路开始大面积建设和普及，随后我国公路***进入大发展、大跨越时期。我国是多山的国家，而隧道具有改善路网、节约土地等优点，所以逐渐成为公路建设的重要组成部分。隧道作为道路交通的重要组成部分之一，其安全性直接关系到人民的生命和财产安全。 

隧道内部构造复杂，相对封闭，致使其行车环境相当复杂，而且隧道内有大量种类繁多的设施，对隧道的运行管理显得尤为重要。尤其在高速公路隧道内，车速高、车流量大而且照明差、噪声大、空气质量差，容易导致交通事故的发生。同时，隧道内的事故较难处理，且其中断的时间长。因此，建立一套行之有效的、完善的隧道交通安全实时监控***，对于防止和减少隧道内各种事故的发生，最大可能地减小事故的破坏力是极其重要的。 

目前，国内外的视频检测***一般是针对高速公路或主干公路的，鲜有针对隧道这种特殊应用场景的。由于隧道内光线昏暗、复杂以及摄像机架设高度受限等不利因素，现有的视频检测***会出现目标识别低、误检率及事件误报率高等缺陷。常用运动目标检测方法有光流法、背景法、帧差分法等。其中，光流法建立在图像背景灰度变化较小假设上，对图像在时间和空间运动关系进行光流场分析，来分割运动目标边界。但是隧道内部环境变化对该算法影响极大，如光线变化明显、照明灯开启等。另外，该算法运动复杂度较高，限制其实际应用范围。背景法最核心环节是建立有效背景模型，模型准确性直接影响运动目标检测精度。常见高级背景模型有高斯混合模型和码本模型等。高斯混合模型假设现实背景图像灰度呈现多峰分布现象，采用若干按照不同权值叠加高斯分布来拟合背景图像特征，从而有效地提取运动目标。但是隧道环境对比度低、噪声污染严重，往往导致该模型检测效果不佳。码本模型采用量化、聚类技术来重构背景模型，将时间序列中每一个像素点量化到一个码本，用码本来代表背景压缩形式。该模型可以有效地克服光照变化和背景扰动等不确定因素影响，有效地分割运动目标。但是该模型背景训练样本量和目标分割阈值需要人为设定，若光照突变或者目标与背景比较接近，该检测方法误检率很大。 

中国发明专利《基于全方位计算机视觉的智能隧道安全监控装置》(专利号：ZL200610051633.0)技术方案中的运动对象检测模块，主要包括以下内容：用于从视频流中实时提取目标，对每个图像点采 用多个自适应混合高斯模型表示，设用来描述每个点颜色分布的高斯分布共有K个，各高斯分布分别具有不同的权值和优先级；各个高斯分布优先级从高到低的次序排序，取定背景权值部分和阈值，只有满足前若干个分布才被认为是背景分布，其它则是前景分布。 

对于上述运动检测模块，自适应混合高斯模型具有以下缺点： 

其一，对阴影敏感。由于隧道内部环境光线较弱，运动目标带有弱阴影，由于颜色与背景有差别，也会当作运动目标检测出来，将严重干扰混合高斯模型检测出来的运动目标区域，极大地影响了混合高斯模型检测目标的准确性。 

其二，对光线变化鲁棒性差。由于隧道内部环境照明昏暗，车灯开启带来光线灰度突变给混合高斯模型建立背景带来严重干扰，大大降低了背景模型准确性，直接增大运动检测的误检率。 

其三，对颜色不明显运动目标漏检。受隧道环境成像条件影响，视频数据颜色不明显，尤其灰色车辆和黑色车辆与背景信息差别不大。如果混合高斯模型设置阈值不当，容易造成灰色和黑色车辆漏检。 

其四，更新率参数影响较大。如果混合高斯模型更新率参数赋值较小，整个高斯模型无法构造出当前帧所需要的背景，导致背景建模时间拉长。如果给更新率参数赋值较大，建立模型速度虽然加快，但由于使用较大更新率参数，使得与当前像素相匹配的高斯成分总是占据较大权值，从而降低了整个高斯模型对视频中各种噪声的抑制作用。 

发明内容

本发明的目的在于提供一种基于图像处理的隧道视频运动目标检测方法，通过该方法能够对隧道视频运动目标进行实时检测，分析其运动行为轨迹，实时提取当前交通参数如车流量和平均速度等，以评估当前隧道交通运行状态，防止和减少隧道内各种事故的发生，最大可能地减小事故的破坏力。 

本发明的技术方案为： 

一种基于图像处理的隧道视频运动目标检测方法，包括以下步骤： 

(1)建立初始背景模型BG； 

(2)建立实时动态更新背景模型BG_t； 

(3)构造当前帧图像I_t与背景BG_t的局部结构相似性测度函数S(I_t，BG_t)； 

(4)构造当前帧图像I_t与背景BG_t的局部灰度统计测度函数DI_t； 

(5)判断当前帧图像I_t和背景BG_t中的对应像素点I_t(x，y)与BG_t(x，y)的结构相似性测度函数S(I_t，BG_t)和灰度统计测度函数DI_t是否满足S(I_t，BG_t)＜T_s且DI_t≥T_oust，若是，则当前帧图像像素点I_t(x，y)属于运动目标区域，若否，则属于背景区域；其中，T_s为结构 相似性测度阈值，T_oust为灰度统计测度阈值。 

所述的基于图像处理的隧道视频运动目标检测方法，步骤(1)中，建立初始背景模型BG包括以下步骤： 

(11)根据预设的相邻两帧之间差分图像的阈值，建立二值模板图像D_t： 

$D_t(x,y)=\left\{\begin{array}{c}1,|I_t(x,y)-I_{t-1}(x,y)|\&GreaterEqual;\mathrm{Th}\\ 0,|I_t(x,y)-I_{t-1}(x,y)|<\mathrm{Th}\end{array}\right.,$

其中，I_t表示当前帧图像，I_t-1表示前一帧图像，t表示当前时刻，t∈T，T表示一个周期；Th为预设阈值，D_t表示经过阈值Th分割后得到的二值模板图像； 

(12)根据当前帧图像I_t、前一帧图像I_t-1和二值模板图像D_t，构造模板图像MOBK_t： 

${\mathrm{MOBK}}_t(x,y)=\left\{\begin{array}{c}\mathrm{\&alpha;}\&times;I_t(x,y)+(1-\mathrm{\&alpha;})\&times;I_{t-1}(x,y),D_t(x,y)=1\\ (1-\mathrm{\&alpha;})\&times;I_t(x,y)+\mathrm{\&alpha;}\&times;I_{t-1}(x,y),D_t(x,y)=0\end{array}\right.,$

其中，α∈[0，0.1]； 

(13)计算模板图像MOBK_t在一个周期T内的和SUM： 

SUM(x，y)＝∑_t∈TMOBK_t(x，y)； 

(14)对模板图像MOBK_t在一个周期T内的和SUM求平均值，得到初始背景模型BG： 

BG=SUM/num， 

式中，num表示一个周期T内的视频帧数。 

所述的基于图像处理的隧道视频运动目标检测方法，步骤(2)中，建立实时动态更新背景模型BG_t包括以下步骤： 

(21)构造背景更新矩阵M_t： 

$M_t(x,y)=\left({\mathrm{\&Sigma;}}_{(x,y)\&Element;\mathrm{\&Omega;}}f(I_t(x,y),L_{I_{t-1}}(x,y))\right)/N_t,$

其中，M_t表示背景更新矩阵，I_t表示当前帧图像，

表示前一帧图像I_t-1中每一个像素点的邻域区域Ω内的像素平均值集合，N_t表示当前帧图像I_t中每一个像素点的邻域区域Ω内的像素点个数，将函数

定义为： 

$f(I_t(x,y),L_{I_{t-1}}(x,y))=\left\{\begin{array}{c}1,|I_t(x,y)-L_{I_{t-1}}(x,y)|\&GreaterEqual;\mathrm{\&sigma;}\\ 0,|I_t(x,y)-L_{I_{t-1}}(x,y)|<\mathrm{\&sigma;}\end{array}\right.,$

其中，σ为预设阈值，取正常数； 

(22)根据背景更新矩阵M_t，得到实时动态更新背景模型BG_t： 

BG_t＝M_t×I_t+(1-M_t)×BG_t-1， 

其中，BG_t表示当前帧背景，BG_t-1表示前一帧背景，I_t表示当前 帧图像，M_t表示背景更新矩阵。 

所述的基于图像处理的隧道视频运动目标检测方法，步骤(3)中，构造当前帧图像I_t与背景BG_t的局部结构相似性测度函数S(I_t，BG_t)包括以下步骤： 

(31)构造当前帧图像I_t与背景BG_t的局部亮度比较函数l(I_t，BG_t)： 

l(I_t，BG_t)＝(2f(I_t)f(BG_t)+c₁)/(f(I_t)²+f(BG_t)²+c₂)， 

其中，c₁、c₂为正常数，将函数f(I_t)定义为： 

$f\left(I_t\right)={\mathrm{\&Sigma;}}_{(x,y)\&Element;\mathrm{\&Omega;}}|I_t(x,y)-L_{I_t}(x,y)|/N_t,$

其中，

表示当前帧图像I_t中每一个像素点的邻域区域Ω内的像素平均值集合，N_t表示当前帧图像I_t中每一个像素点的邻域区域Ω内的像素点个数； 

(32)构造当前帧图像I_t与背景BG_t的局部对比度比较函数c(I_t，BG_t)： 

c(I_t，BG_t)＝(2g(I_t)g(BG_t)+c₁)/(g(I_t)²+g(BG_t)²+c₂)， 

其中，c₁、c₂为正常数，将函数g(I_t)定义为： 

$g\left(I_t\right)={\mathrm{\&Sigma;}}_{(x,y)\&Element;\mathrm{\&Omega;}}|I_t(x,y)-L_{I_t}(x,y)-f\left(I_t\right)|/N_t;$

(33)构造当前帧图像I_t与背景BG_t的局部结构比较函数p(I_t，BG_t)： 

p(I_t，BG_t)=(h(I_t，BG_t)+c₁)/(h(I_t)h(BG_t)+c₂)， 

其中，c₁、c₂为正常数，将函数h(I_t，BG_t)定义为： 

$\begin{array}{c}h(I_t,{\mathrm{BG}}_t)=\\ {\mathrm{\&Sigma;}}_{(x,y)\&Element;\mathrm{\&Omega;}}(I_t-f\left(I_t\right)-L_{I_t}-g\left(I_t\right))({\mathrm{BG}}_t-f\left({\mathrm{BG}}_t\right)-L_{{\mathrm{BG}}_t}-g\left({\mathrm{BG}}_t\right))/N_t\end{array};$

(34)根据当前帧图像I_t与背景BG_t的局部亮度比较函数l(I_t，BG_t)、局部对比度比较函数c(I_t，BG_t)和局部结构比较函数p(I_t，BG_t)，构造当前帧图像I_t与背景BG_t的局部相似性测度函数S(I_t，BG_t)： 

S(I_t，BG_t)=l(I_t，BG_t)^αc(I_t，BG_t)^βp(I_t，BG_t)^γ， 

其中，α＞0，β＞0，γ＞0分别表示各自函数的加权系数。 

所述的基于图像处理的隧道视频运动目标检测方法，步骤(4) 中，构造当前帧图像I_t与背景BG_t的局部灰度统计测度函数DI_t包括以下步骤： 

(1)通过以下公式计算得到当前帧图像I_t和背景BG_t的邻域平均差图像MDI_t和MDBG_t： 

${\mathrm{MDI}}_t={\mathrm{\&Sigma;}}_{(x,y)\&Element;\mathrm{\&Omega;}}|I_t(x,y)-L_{I_t}(x,y)|/N_t,$

${\mathrm{MDBG}}_t={\mathrm{\&Sigma;}}_{(x,y)\&Element;\mathrm{\&Omega;}}|{\mathrm{BG}}_t(x,y)-L_{{\mathrm{BG}}_t}(x,y)|/N_t,$

其中，

表示当前帧图像I_t中每一个像素点的邻域区域Ω内的像素平均值集合，

表示当前帧背景BG_t中每一个像素点的邻域区域Ω内的像素平均值集合，N_t表示当前帧图像I_t或者背景BG_t中每一个像素点的邻域区域Ω内的像素点个数； 

(2)对当前帧图像I_t和背景BG_t的邻域平均差图像MDI_t和MDBG_t进行差值绝对运算，即得到当前帧图像I_t与背景BG_t的局部灰度统计测度函数DI_t： 

DI_t=|MDI_t-MDBG_t|。 

所述的基于图像处理的隧道视频运动目标检测方法，步骤(5) 中，所述结构相似性测度阈值T_s预设为0.1；所述灰度统计测度阈值T_oust为采用大津算法计算得到。 

本发明通过建立实时动态更新背景模型，可以有效抑制光照变化对隧道环境运动目标检测的影响，通过构造局部结构相似性测度函数和局部灰度统计测度函数，增大运动目标和背景信息的区分度，减少单一结构信息带来的检测误判，较好地分割出运动目标区域，提高了隧道环境运动目标检测的准确度，以便于分析其运动行为轨迹，评估当前隧道交通运行状态，防止和减少隧道内各种事故的发生，最大可能地减小事故的破坏力。 

附图说明

图1是本发明的方法流程图； 

图2是隧道监控视频原图； 

图3是采用帧差分法对原图进行检测的结果； 

图4是采用高斯混合模型对原图进行检测的结果； 

图5是采用码本模型对原图进行检测的结果； 

图6是采用本发明的方法对原图进行检测的结果。 

具体实施方式

下面，结合附图和具体实施例进一步说明本发明。 

如图1所示，一种基于图像处理的隧道视频运动目标检测方法， 包括以下步骤： 

S1、初始背景建模 

设一个周期T内，I_t表示当前帧图像，I_t-1表示前一帧图像，t表示当前时刻，t∈T。相邻两帧之间差分图像和二值模板图像运算关系如下： 

$D_t(x,y)=\left\{\begin{array}{c}1,|I_t(x,y)-I_{t-1}(x,y)|\&GreaterEqual;\mathrm{Th}\\ 0,|I_t(x,y)-I_{t-1}(x,y)|<\mathrm{Th}\end{array}\right.---\left(1\right)$

式中，Th是预设阈值，本实施例中，取Th＝15，D_t(x，y)是经过阈值Th分割后得到的二值模板图像。 

根据二值模板图像D_t、当前帧图像I_t和前一帧图像I_t-1，可以得出下列模板图像： 

${\mathrm{MOBK}}_t(x,y)=\left\{\begin{array}{c}\mathrm{\&alpha;}\&times;I_t(x,y)+(1-\mathrm{\&alpha;})\&times;I_{t-1}(x,y),D_t(x,y)=1\\ (1-\mathrm{\&alpha;})\&times;I_t(x,y)+\mathrm{\&alpha;}\&times;I_{t-1}(x,y),D_t(x,y)=0\end{array}\right.---\left(2\right)$

式中，α∈[0，1]取较小值，本实施例中，α＝0.1。由式(1)、(2)可知，若t时刻像素点D(x，y)＝1，那么像素点I(x，y)是属于运动目标区域，参数α取较小值，降低其权重，使得模板MOBK_t尽量包含背景区域信息。将模板图像MOBK_t进行求和再求平均值得到初始训练背景图像： 

SUM(x，y)＝∑_t∈TMOBK_t(x，y)，BG＝SUM/num      (3) 

其中，num为一个周期T内的视频帧数。由式(3)的计算过程可知，经过均值滤波得到背景图像BG，再次降低了运动目标区域对构造背景模板的影响。帧差背景图像BG既继承了帧差分法对光照变化的鲁棒性，减少光照变化给背景模型建立带来的误差，又考虑到图像时间序列变化信息，对其进行均值滤波，使得背景模型具有较强稳定性。 

S2、背景更新 

在光照变化的运动目标检测过程中，背景是不断变化的，因此运动目标检测的好坏往往取决于背景更新是否准确及时，构建一个精确的背景模型可以有效地抑制光照变化对运动目标检测的影响。本发明提出了自适应的背景更新方法： 

BG_t=M_t×I_t+(1-M_t)×BG_t-1         (4) 

其中，BG_t表示当前帧背景，BG_t-1表示前一帧背景，I_t表示当前帧图像，M_t表示更新矩阵。 

$M_t(x,y)=\left({\mathrm{\&Sigma;}}_{(x,y)\&Element;\mathrm{\&Omega;}}f(I_t(x,y),L_{I_{t-1}}(x,y))\right)/N_t---\left(5\right)$

其中，N_t表示当前帧图像I_t中每一个像素点的邻域区域Ω内的像 素点个数，

表示前一帧图像I_t-1中每一个像素点的邻域区域Ω内的像素平均值集合，本实施例中，取邻域区域Ω的大小为3×3，即N_t=9。 

函数

定义如下： 

$f(I_t(x,y),L_{I_{t-1}}(x,y))=\left\{\begin{array}{c}1,|I_t(x,y)-L_{I_{t-1}}(x,y)|\&GreaterEqual;\mathrm{\&sigma;}\\ 0,|I_t(x,y)-L_{I_{t-1}}(x,y)|<\mathrm{\&sigma;}\end{array}\right.---\left(6\right)$

其中，σ是正常数阈值，本实施例中，σ＝10。 

可以看出，当坐标为(x，y)的像素点属于运动目标或者光照突变时，

差值较大，此时M_t(x，y)取值较大，M_t(x，y)≈1，加快图像背景更新，更好地分割出运动目标。当坐标为(x，y)的像素点属于图像背景时，

差值较小，相应地，M_t(x，y)取值较小，降低了当前帧图像对背景建立的干扰，保持了图像背景的稳定性。这样，通过建立动态更新可靠背景模型，无论是在背景变化不大的情况下，还是背景出现光场变化时，都能够及时更新真实背景。 

S3、构造当前帧图像I_t与背景BG_t的局部结构相似性测度函数 

隧道光照条件复杂变化导致监控图像受到噪声污染较严重，使得传统颜色亮度信息检测模型，仅仅依靠图像灰度统计信息，难以处理复杂背景变化。监控图像像素空域相邻时，呈现很强依赖信息，而这 些信息包含了图像结构信息。图像表面亮度是表面照度与反射系数的乘积，亮度信息在整个图像区域变化较大，但是局部结构信息受光照影响较小。 

鉴于运动目标的结构信息在隧道光照复杂环境下变化较小，是目标识别和检测的重要特征。所以，本发明通过计算当前帧图像I_t与背景BG_t的局部结构相似性测度来分割出当前帧的运动目标区域，构造图像局部结构相似性测度函数S(I_t，BG_t)，由亮度比较函数l(I_t，BG_t)、对比度比较函数c(I_t，BG_t)和结构比较函数p(I_t，BG_t)三个部分组成，定义如下： 

S(I_t，BG_t)=l(I_t，BG_t)^αc(I_t，BG_t)^βp(I_t，BG_t)^γ      (7) 

式中，α＞0，β＞0，γ＞0分别表示各自函数的加权系数。 

亮度比较函数l(I_t，BG_t)定义如下： 

l(I_t，BG_t)=(2f(I_t)f(BG_t)+c₁)/(f(I_t)²+f(BG_t)²+c₂)     (8) 

式中，c₁、c₂是正常数，设

是当前帧图像I_t中每一个像素点的邻域区域Ω内的像素平均值集合，函数f(I_t)计算公式如下： 

$f\left(I_t\right)={\mathrm{\&Sigma;}}_{(x,y)\&Element;\mathrm{\&Omega;}}|I_t(x,y)-L_{I_t}(x,y)|/N_t---\left(9\right)$

式中，N_t表示当前帧图像I_t中每一个像素点的邻域区域Ω内的像素点个数。 

函数f(BG_t)计算公式参照式(9)给出。 

对比度比较函数c(I_t，BG_t)以图像标准平均偏差为自变量，定义如下： 

c(I_t，BG_t)＝(2g(I_t)g(BG_t)+c₁)/(g(I_t)²+g(BG_t)²+c₂)    (10) 

式中，g(I_t)是计算当前帧图像I_t中每一个像素点I_t(x，y)的邻域区域Ω内的像素标准平均偏差，作为图像对比度的一个估计，其无偏估计离散形式如下： 

$g\left(I_t\right)={\mathrm{\&Sigma;}}_{(x,y)\&Element;\mathrm{\&Omega;}}|I_t(x,y)-L_{I_t}(x,y)-f\left(I_t\right)|/N_t---\left(11\right)$

g(BG_t)的具体表达式参照式(11)给出。 

结构比较函数p(I_t，BG_t)定义如下： 

p(I_t，BG_t)＝(h(I_t，BG_t)+c₁)/(h(I_t)h(BG_t)+c₂)     (12) 

式中，h(I_t，BG_t)是计算图像I_t和BG_t的标准平均协方差信息来刻画图像局部结构对比： 

$\begin{array}{c}h(I_t,{\mathrm{BG}}_t)=\\ {\mathrm{\&Sigma;}}_{(x,y)\&Element;\mathrm{\&Omega;}}(I_t-f\left(I_t\right)-L_{I_t}-g\left(I_t\right))({\mathrm{BG}}_t-f\left({\mathrm{BG}}_t\right)-L_{{\mathrm{BG}}_t}-g\left({\mathrm{BG}}_t\right))/N_t\end{array}---\left(13\right)$

h(I_t)等同于h(I_t，I_t)，h(BG_t)等同于h(BG_t，BG_t)；h(I_t，I_t)和h(BG_t，BG_t)的具体表达式参照式(13)给出。 

上述亮度比较函数l(I_t，BG_t)、对比度比较函数c(I_t，BG_t)和结构比较函数p(I_t，BG_t)是定义在图像局部平均差信息之上。这是因为当隧道监控图像运动目标和背景亮度信息差别不明显时，如灰色车辆，相比局部均值信息，局部平均差信息描述图像局部亮度与均值差别，一定程度上反映图像局部纹理信息。对于运动目标比较模糊的图像，可以有效降低图像背景对运动目标分割的影响，从而更好地提取出运动目标区域。 

结构相似性测度函数S(I_t，BG_t)满足以下三个条件： 

(1)对称性：S(I_t，BG_t)=S(BG_t，I_t) 

(2)有界性：S(I_t，BG_t)≤1 

(3)最大值唯一性：S(I_t，BG_t)＝1当且仅当I_t=BG_t

为了运算简便，本实施例中，将亮度比较函数l(I_t，BG_t)、对比度 比较函数c(I_t，BG_t)和结构比较函数p(I_t，BG_t)的加权系数设为α＝1，β＝1，γ＝1，得到简化的相似性测度函数： 

S(I_t，BG_t)＝l(I_t，BG_t)c(I_t，BG_t)p(I_t，BG_t) 

S4、构造当前帧图像I_t与背景BG_t的局部灰度统计测度函数DI_t

两帧图像的局部结构相似性测度函数虽然能够较好地识别运动目标，但是也将部分背景错判为目标部分，其主要原因是单一结构信息不能完全区分图像对应像素点是否属于运动目标部分。例如图像背景被杂波污染，导致若干像素点相似性测度函数较小，会导致误判为运动目标区域。所以，本发明考查两帧图像局部灰度统计信息，进一步增大图像背景和运动目标的区分度。 

本发明通过计算当前帧图像I_t与背景BG_t的局部灰度统计测度来分割出当前帧的运动目标区域，构造当前帧图像I_t与背景BG_t的局部灰度统计测度函数DI_t，具体如下： 

通过式(9)得到当前帧图像I_t和背景BG_t的邻域平均差图像MDI_t和MDBG_t： 

${\mathrm{MDI}}_t=\underset{(x,y)\&Element;\mathrm{\&Omega;}}{\mathrm{\&Sigma;}}|I_t(x,y)-L_{I_t}(x,y)|/N_t$

${\mathrm{MDBG}}_t=\underset{(x,y)\&Element;\mathrm{\&Omega;}}{\mathrm{\&Sigma;}}|{\mathrm{BG}}_t(x,y)-L_{{\mathrm{BG}}_t}(x,y)|/N_t$

对当前帧图像I_t和背景BG_t的邻域平均差图像MDI_t和MDBG_t进行差值绝对运算，得到MDI_t和MDBG_t的差值绝对图像，作为当前帧图像I_t和背景BG_t的局部灰度统计测度函数DI_t： 

DI_t=|MDI_t-MDBG_t|        (14) 

由邻域平均差图像MDI_t和MDBG_t可知，平均差图像考查了邻域像素值与其均值的差别，大大降低了背景信息影响，突出了运动目标部分，增大检测效果鲁棒性。局部灰度统计测度函数DI_t刻画当前帧图像I_t和背景BG_t的局部灰度显著差别。 

本发明采用大津算法计算局部灰度统计测度函数DI_t的阈值T_oust来自动提取运动目标区域，避免人为设置阈值的不足。假设局部灰度统计测度函数DI_t图像有L个灰度级，灰度值i的像素数为n_i，总的像素数为Num，各灰度值出现概率为p_i=n_i/Num。假设存在阈值Tbest将图像分割成两个区域，即背景类A＝(0，1，2，…，Tbest)和目标类B=(Tbest，Tbest+1，Tbest+2，…，L-1)。 

计算两类区域出现的概率，分别为： 

$p_A={\mathrm{\&Sigma;}}_{i=0}^{\mathrm{Tbest}}{p}_i,p_B={\mathrm{\&Sigma;}}_{i=\mathrm{Tbest}+1}^{L-1}{p}_i---\left(15\right)$

计算两类区域的灰度均值，分别为： 

${\mathrm{\&omega;}}_A={\mathrm{\&Sigma;}}_{i=0}^{\mathrm{Tbest}}i{p}_i/p_A,{\mathrm{\&omega;}}_B={\mathrm{\&Sigma;}}_{i=\mathrm{Tbest}+1}^{L-1}i{p}_i/p_B---\left(16\right)$

进一步得到整个图像的灰度均值为： 

${\mathrm{\&omega;}}_0=p_A{\mathrm{\&omega;}}_A+p_B{\mathrm{\&omega;}}_B={\mathrm{\&Sigma;}}_{i=0}^{L-1}i{p}_i---\left(17\right)$

由此可以得到两类区域的类间方差： 

σ²＝p_A(ω_A-ω₀)²+p_B(ω_B-ω₀)²                    (18) 

因为类间方差越大，两类区域的灰度差别越大，所以最大化式(18)来求得最佳阈值T_oust： 

T_oust＝Argmax_0≤i≤L-1p_A(ω_A-ω₀)²+p_B(ω_B-ω₀)²      (19) 

通过阈值T_oust对局部灰度统计测度函数DI_t图像进行分割得到二值图像： 

$O_{\mathrm{bject}}(x,y)=\left\{\begin{array}{c}1,{\mathrm{DI}}_t(x,y)\&GreaterEqual;T_{\mathrm{oust}}\\ 0,{\mathrm{DI}}_t(x,y)<T_{\mathrm{oust}}\end{array}\right.---\left(20\right)$

S5、判断当前帧图像I_t和背景BG_t中的对应像素点I_t(x，y)与BG_t(x，y)的结构相似性测度函数S(I_t，BG_t)和灰度统计测度函数DI_t是否满足S(I_t，BG_t)＜T_s且DI_t≥T_oust，若是，则当前帧图像I_t中的像素 点I_t(x，y)属于运动目标区域，若否，则属于背景区域；其中，T_s为结构相似性测度阈值，T_s∈(0，1)，本实施例中取T_s＝0.1，T_oust为灰度统计测度阈值，由大津算法计算得到，具体见式(15)～式(19)。 

如图2所示，为来自某市交警支队的隧道监控视频原图，该图像具有背景模糊、运动目标和阴影区分难度大等特点。本发明所有对比实验结果没有对二值图像进行技术处理。图2(a)是视频第711帧图像，运动目标具有细长拓扑结构特点；图2(b)是视频第1451帧图像，运动目标具有较明显边界轮廓；图2(c)是视频第473帧图像，运动目标包含了非机动车辆以及与背景近似的车辆；图2(d)是视频第2603帧图像，该图像含有多个运动目标。 

图3是采用帧差分法对图2中各帧图像进行检测的结果。该方法虽然降低了复杂光照影响，但难以分割运动目标与背景相近区域，将部分背景区域误判为运动目标。 

图4是采用高斯混合模型对图2中各帧图像进行检测的结果。该模型没有很好地将运动目标阴影与运动区域区分开来，难以分割运动目标与背景灰度相近区域，运动目标区域具有明显空洞。 

图5是采用码本模型对图2中各帧图像进行检测的结果。该模型对运动目标亮度明显区域分割效果较好，图像亮度变化对模型影响很大，如图5(d)中黑车区域。 

图6是采用本发明的方法对图2中各帧图像进行检测的结果。本发明取邻域Ω大小为3×3，即N_t=9。由于本发明采用了图像局部结构信息和图像局部灰度信息双重信息，提高了图像像素点区分度，降低了图像背景影响，较好地分割出运动目标。 

以上所述实施方式仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。 

Claims (6)

1.一种基于图像处理的隧道视频运动目标检测方法，其特征在于，包括以下步骤：

(1)建立初始背景模型BG；

(2)建立实时动态更新背景模型BG_t；

(3)构造当前帧图像I_t与背景BG_t的局部结构相似性测度函数S(I_t，BG_t)；

(4)构造当前帧图像I_t与背景BG_t的局部灰度统计测度函数DI_t；

(5)判断当前帧图像I_t和背景BG_t中的对应像素点I_t(x，y)与BG_t(x，y)的结构相似性测度函数S(I_t，BG_t)和灰度统计测度函数DI_t是否满足S(I_t，BG_t)＜T_s且DI_t≥T_oust，若是，则当前帧图像像素点I_t(x，y)属于运动目标区域，若否，则属于背景区域；其中，T_s为结构相似性测度阈值，T_oust为灰度统计测度阈值。

2.根据权利要求1所述的基于图像处理的隧道视频运动目标检测方法，其特征在于，步骤(1)中，建立初始背景模型BG包括以下步骤：

(11)根据预设的相邻两帧之间差分图像的阈值，建立二值模板图像D_t：

$D_t(x,y)=\left\{\begin{array}{c}1,|I_t(x,y)-I_{t-1}(x,y)|\&GreaterEqual;\mathrm{Th}\\ 0,|I_t(x,y)-I_{t-1}(x,y)|<\mathrm{Th}\end{array}\right.,$

其中，I_t表示当前帧图像，I_t-1表示前一帧图像，t表示当前时刻，t∈T，T表示一个周期；Th为预设阈值，D_t表示经过阈值Th分割后得到的二值模板图像；

(12)根据当前帧图像I_t、前一帧图像I_t-1和二值模板图像D_t，构造模板图像MOBK_t：

${\mathrm{MOBK}}_t(x,y)=\left\{\begin{array}{c}\mathrm{\&alpha;}\&times;I_t(x,y)+(1-\mathrm{\&alpha;})\&times;I_{t-1}(x,y),D_t(x,y)=1\\ (1-\mathrm{\&alpha;})\&times;I_t(x,y)+\mathrm{\&alpha;}\&times;I_{t-1}(x,y),D_t(x,y)=0\end{array}\right.,$

其中，α∈[0，0.1]；

(13)计算模板图像MOBK_t在一个周期T内的和SUM：

SUM(x，y)＝∑_t∈TMOBK_t(x，y)；

(14)对模板图像MOBK_t在一个周期T内的和SUM求平均值，得到初始背景模型BG：

BG=SUM/num，

式中，num表示一个周期T内的视频帧数。

3.根据权利要求1所述的基于图像处理的隧道视频运动目标检测方法，其特征在于，步骤(2)中，建立实时动态更新背景模型BG_t包括以下步骤：

(21)构造背景更新矩阵M_t：

$M_t(x,y)=\left({\mathrm{\&Sigma;}}_{(x,y)\&Element;\mathrm{\&Omega;}}f(I_t(x,y),L_{I_{t-1}}(x,y))\right)/N_t,$

其中，M_t表示背景更新矩阵，I_t表示当前帧图像，

表示前一帧图像I_t-1中每一个像素点的邻域区域Ω内的像素平均值集合，N_t表示当前帧图像I_t中每一个像素点的邻域区域Ω内的像素点个数，将函数

定义为：

$f(I_t(x,y),L_{I_{t-1}}(x,y))=\left\{\begin{array}{c}1,|I_t(x,y)-L_{I_{t-1}}(x,y)|\&GreaterEqual;\mathrm{\&sigma;}\\ 0,|I_t(x,y)-L_{I_{t-1}}(x,y)|<\mathrm{\&sigma;}\end{array}\right.,$

其中，σ为预设阈值，取正常数；

(22)根据背景更新矩阵M_t，得到实时动态更新背景模型BG_t：

BG_t＝M_t×I_t+(1-M_t)×BG_t-1，

其中，BG_t表示当前帧背景，BG_t-1表示前一帧背景，I_t表示当前帧图像，M_t表示背景更新矩阵。

4.根据权利要求1所述的基于图像处理的隧道视频运动目标检测方法，其特征在于，步骤(3)中，构造当前帧图像I_t与背景BG_t的局部结构相似性测度函数S(I_t，BG_t)包括以下步骤：

(31)构造当前帧图像I_t与背景BG_t的局部亮度比较函数l(I_t，BG_t)：

l(I_t，BG_t)＝(2f(I_t)f(BG_t)+c₁)/(f(I_t)²+f(BG_t)²+c₂)，

其中，c₁、c₂为正常数，将函数f(I_t)定义为：

$f\left(I_t\right)={\mathrm{\&Sigma;}}_{(x,y)\&Element;\mathrm{\&Omega;}}|I_t(x,y)-L_{I_t}(x,y)|/N_t,$

其中，

表示当前帧图像I_t中每一个像素点的邻域区域Ω内的像素平均值集合，N_t表示当前帧图像I_t中每一个像素点的邻域区域Ω内的像素点个数；

(32)构造当前帧图像I_t与背景BG_t的局部对比度比较函数c(I_t，BG_t)：

c(I_t，BG_t)＝(2g(I_t)g(BG_t)+c₁)/(g(I_t)²+g(BG_t)²+c₂)，

其中，c₁、c₂为正常数，将函数g(I_t)定义为：

$g\left(I_t\right)={\mathrm{\&Sigma;}}_{(x,y)\&Element;\mathrm{\&Omega;}}|I_t(x,y)-L_{I_t}(x,y)-f\left(I_t\right)|/N_t;$

(33)构造当前帧图像I_t与背景BG_t的局部结构比较函数p(I_t，BG_t)：

p(I_t，BG_t)=(h(I_t，BG_t)+c₁)/(h(I_t)h(BG_t)+c₂)，

其中，c₁、c₂为正常数，将函数h(I_t，BG_t)定义为：

$\begin{array}{c}h(I_t,{\mathrm{BG}}_t)=\\ {\mathrm{\&Sigma;}}_{(x,y)\&Element;\mathrm{\&Omega;}}(I_t-f\left(I_t\right)-L_{I_t}-g\left(I_t\right))({\mathrm{BG}}_t-f\left({\mathrm{BG}}_t\right)-L_{{\mathrm{BG}}_t}-g\left({\mathrm{BG}}_t\right))/N_t\end{array};$

(34)根据当前帧图像I_t与背景BG_t的局部亮度比较函数l(I_t，BG_t)、局部对比度比较函数c(I_t，BG_t)和局部结构比较函数p(I_t，BG_t)，构造当前帧图像I_t与背景BG_t的局部相似性测度函数S(I_t，BG_t)：

S(I_t，BG_t)＝l(I_t，BG_t)^αc(I_t，BG_t)^βp(I_t，BG_t)^γ，

其中，α＞0，β＞0，γ＞0分别表示各自函数的加权系数。

5.根据权利要求1所述的基于图像处理的隧道视频运动目标检测方法，其特征在于，步骤(4)中，构造当前帧图像I_t与背景BG_t的局部灰度统计测度函数DI_t包括以下步骤：

(1)通过以下公式计算得到当前帧图像I_t和背景BG_t的邻域平均差图像MDI_t和MDBG_t：

${\mathrm{MDI}}_t={\mathrm{\&Sigma;}}_{(x,y)\&Element;\mathrm{\&Omega;}}|I_t(x,y)-L_{I_t}(x,y)|/N_t,$

${\mathrm{MDBG}}_t={\mathrm{\&Sigma;}}_{(x,y)\&Element;\mathrm{\&Omega;}}|{\mathrm{BG}}_t(x,y)-L_{{\mathrm{BG}}_t}(x,y)|/N_t,$

其中，

表示当前帧图像I_t中每一个像素点的邻域区域Ω内的像素平均值集合，表示当前帧背景BG_t中每一个像素点的邻域区域Ω内的像素平均值集合，N_t表示当前帧图像I_t或者背景BG_t中每一个像素点的邻域区域Ω内的像素点个数；

(2)对当前帧图像I_t和背景BG_t的邻域平均差图像MDI_t和MDBG_t进行差值绝对运算，即得到当前帧图像I_t与背景BG_t的局部灰度统计测度函数DI_t：

DI_t=|MDI_t-MDBG_t|。

6.根据权利要求1所述的基于图像处理的隧道视频运动目标检测方法，其特征在于，步骤(5)中，所述结构相似性测度阈值T_s预设为0.1；所述灰度统计测度阈值T_oust为采用大津算法计算得到。

Images