一種基于自適應局部特征背景模型的車輛檢測方法
【專利摘要】本發明提供了一種基于自適應局部特征背景模型的車輛檢測方法，首先在像素預定義的區域使用自適應的距離閾值計算紋理，通過最近計算的特征構建背景模型，輸入視頻幀和背景模型之間的差值通過自適應局部均值二值化模式的紋理特征進行計算，根據當前幀的輸入像素的自適應局部均值二值模式特征和背景模型的自適應局部均值二值模式特征之間的漢明距離將像素點分為背景和前景，最后基于聯合保守更新和隨機采樣的方法更新背景模型來適應不斷變化的光照和動態背景。本發明可以有效解決背景模型在復雜交通場景中容易被突然或者逐漸變化的光照所污染的問題。
【專利說明】
一種基于自適應局部特征背景模型的車輛檢測方法
技術領域
[0001] 本發明涉及智能交通研究領域，尤其是復雜城市交通場景中的車輛檢測方法研 究。
【背景技術】
[0002] 近年來，作為智能交通系統和智慧城市的重要部分，城市交通的智能化得到了更 多的關注，目前，在城市的很多交通卡口都安裝了視頻傳感器，每天都會產生成千上萬的視 頻數據，而城市交通中交通密度大，交通擁堵嚴重，各道路使用者呈現多樣性，從城市交通 復雜的背景中得到運動的前景對城市交通和城市公共安全至關重要，然而找到一個通用的 魯棒的城市交通車輛的前景檢測和分割的方法依然是一個挑戰。
[0003] 在車輛檢測的過程中，當前背景模型在復雜交通場景中容易被突然或者逐漸變化 的光照所污染，從而使得檢測變得困難。

【發明內容】

[0004] 發明目的：為了解決現有技術存在的問題，有效地解決背景模型在復雜交通場景 中容易被突然或者逐漸變化的光照所污染的問題，本發明提供一種基于自適應局部特征背 景模型的車輛檢測方法。
[0005] 技術方案:一種基于自適應局部特征背景模型的車輛檢測方法，包括以下步驟：
[0006] (1)視頻傳感器實時采集交通場景視頻圖像，定義圖像中的像素點在以當前像素 為中心的像素塊內的自適應局部二值模式特征為ALMP，計算公式為：
[0007]
[0008]
[0009]
[001 0]式中，位置(X，y)是像素塊的中心像素，ix,y是在(X，y)位置處的中心像素點的像素 值，i X, y, P對應(X，y)位置處中心像素點的鄰域P個像素點的集合中第P個像素點的像素值，m 是像素塊中中心像素點與其鄰域像素的平均值，T為自適應距離閾值；
[0011] (2)將采集到的圖像的像素點作為樣本，計算最近N個被采集到的圖像的每個像素 點的ALMP特征為b M(x，y)，Me [I，N]，并使用bM(x，y)，Me [I，N]描述背景模型B(x，y)，對背景 模型B(x，y)進行初始化；
[0012] (3)背景模型初始化后，設采集的像素點在第t幀的ALMP特征為It(x，y)，然后計算 It(x，y)與b M(x，y)之間的漢明距離，判斷視頻圖像中的像素點為背景或前景；
[0013] (4)基于聯合保守更新和隨機采樣的方法更新背景模型。
[0014] 有益效果：相比較現有技術，本發明可以有效地解決背景模型在復雜交通場景中 容易被突然或者逐漸變化的光照所污染的問題。
【附圖說明】
[0015] 圖1為本發明預定義的5X5的像素塊；
[0016]圖2為自適應局部均值二值模式的計算過程。
【具體實施方式】
[0017] 下面結合附圖和【具體實施方式】，對本發明作進一步說明。
[0018] 該方法包括以下步驟：
[0019] (1)視頻傳感器實時采集交通場景視頻圖像，定義圖像中的像素點在以當前像素 為中心的像素塊內的自適應局部二值模式特征為ALMP，計算公式為：
[0020]
[0021]
[0022]
[0023] 式中，位置(X，y)是像素塊的中心像素，Uy是在(X，y)位置處的中心像素點的像素 值，i X, y, P對應(X，y)位置處中心像素點的鄰域P個像素點的集合中第P個像素點的像素值，m 是像素塊中中心像素點與其鄰域像素的平均值，T為自適應距離閾值;式中，位置(x，y)是像 素塊的中心像素，ALMP (x，y)是在(x，y)位置的像素點的自適應局部均值二值模式特征，U y 是在(x，y)位置處的中心像素點的像素值，Uy,P對應(x，y)位置處中心像素點的鄰域P個像 素點的集合中第P個像素點的像素值，m是塊中中心像素點與其鄰域像素的平均值，T為自適 應距離閾值。中心像素的鄰域可以為塊內的所有P個像素點也可以為P個像素點的子集。塊 的大小和P的數量及鄰域編碼模式可以根據實際應用的情況選擇。在本方法中，ALMP特征在 預定義大小為η Xη的像素塊內計算得到，本實施例的像素塊大小為5 X 5，如圖1所示，圖中C 表示中心像素，N表示用來計算二值模式的領域像素，圖2為自適應局部均值二值模式的計 算過程，且中心像素的鄰域像素點為塊內像素點的子集。
[0024] 為了提高城市交通場景紋理特征的魯棒性，在初始化背景模型時引入了基于韋伯 定律的自適應距離閾值Τ，它是由19世紀的實驗心里學家厄恩斯特韋伯提出并模擬了 HSV的 感知特性。韋伯定律定量地描述了人對于物理刺激的反映。最小可覺差(JND)是一個最小的 值，該值是改變刺激強度最小的量以在感官體驗產生一個明顯的變化。韋伯指出，最小可覺 差A I對初始刺激強度I成線性比例，這種關系被稱為韋伯定律，表示為：
[0025] Δ I/I = c (4)
[0026] 式中，c是一個常數被稱為韋伯比。在視覺感知中，韋伯定律實際上描述了人的視 覺系統辨別亮度的能力。A I在黑色的背景下很小而在白色背景下很大，這是由于△ I對I是 一個直接的比例。受韋伯定律描述了人的視覺系統能夠感知明顯的強度變化的視覺能力并 且通過最小可覺差人的視覺系統能夠感知背景亮度變化直接的比例變化的這一事實，本方 法提出了一種與平均樣本強度直接比例變化的自適應距離閾值T。也就是，這個距離閾值在 小的平均樣本值時是低的而在大的平均樣本值時是高的。在局部均值二值模式中，按如下 所示映射到韋伯定律:樣本的平均樣本值m可以被看成初始化強度I，距離閾值T被看作最小 可覺差，鄰域像素值與平均樣本強度值之間的差值可以看成強度的變化。因此，基于韋伯定 律，本方法設置：
[0027] T/m = c (5)
[0028] 上式中，m為平局樣本強度值，如果為了得到自適應距離閾值T，必須先得到韋伯比 例c。利用視覺感知如何被建模并且利用圖像處理中峰值信噪比測量來估計重建圖像D與原 始參考圖像R的誤差水平，尋找可以接受的韋伯比例的值。對于強度范圍在[0,255]灰度圖 像的重建圖像與原始圖像的峰值信噪比，利用η個像素并在分貝下利用對數的定義如下：
[0029]
[0030] 式中
I平均絕對誤差，CldPr1是重建圖像D和原始圖像R的第i個像素強 度。峰值信噪比的值用來比較兩個或更多的從同一個原始圖像重建的扭曲圖像。對于原始 圖像R和它的兩張重建圖像DjPD2,人的視覺系統只有在峰值信噪比的差值滿足如下的條件 才能可以察覺到〇 1和出是不同的。
[0031]
[0032] 也就是
[0033]
[0034] 由式(7)可知原始圖像R和重建圖像D之間的峰值信噪比不限定于任何特定尺寸的 圖像。為了反映基于像素的平均紋理二值模式特征，本方法假設n= 1和I I D1-RI 11= I I-m I， 其中m和I分別是對應于平均樣本強度的原始參考強度值和對應于中心像素的所有近鄰像 素點觀測到的像素值。假設IjPI 2是兩個觀測到的強度值，可以得到當滿足以下條件時，人 的視覺系統可以察覺到IjPI2之間的差異：
[0035]
(9)
[0036]根據式(9)估計參數c推測IjPI2的強度在滿足式（10)的情況下是不同的：
[0037]
(10)
[0038] 上式中Tw是固定的感知閾值，使用式(2)和(5)，使m+cm和m-cm為從樣本均值m的兩 偵幡到大小正好的觀測值，接著利用式(10)得到如下結論：
[0039]
[0042] 通過式（12)，我們得到0<c<l的結論并且發現當0<Tw<4，c對T w的導數大約為
[0040]
[0041] 〇. 11，也就3
參數c和Tw為線性的關系，并且c可以被線 性地估計為c = 0. lllw。通過經驗敏感性分析，為了最小化人的噪聲的影響，對于所有的工 作環境我們確定Iw= 1，因此可以將c簡單地估計為0.11。結果是我們可以得出平均樣本強 度和相應的距離閾值之間的關系為T = 0.1 lm的結論。然而，在復雜圖像的極端黑暗或者明 亮區域，韋伯定律的線性關系不能夠精確地描述人類視覺感知強度和平均樣本值之間的關 系。一個自然的解決方案是截止那些平均樣本的值太高或太低的距離閾值，因此需要設定 上限閾值Ti，下限閾值Th，設置范圍[Ti ,Th] = [255 X 10% ,255X90%]，并且該范圍滿足韋 伯定律的線性關系，因此自適應的距離閾值被估計為：
[0043] T = cmin{max[m，Ti]，Th} (13)
[0044] 因此，式(2)也可以寫成
[0045]
[0046] (2)將采集到的圖像的像素點作為樣本，計算最近N個被采集到的圖像的每個像素 點的ALMP特征為bM(x，y)，Me [I，N]，并使用bM(x，y)，Me [I，N]描述背景模型B(x，y)，對背景 模型B(x，y)進行初始化;采用基于式（15)的間隔幀的初始化模型，該方法能夠有效地降低 緩慢行駛或臨時停車的車輛融入到背景模型的概率。
[0047] B(x，y) = {bi(x，y)，b2(x，y)，···，bM(x，y)，···，bN(x，y)}
[0048] ={Ii(x，y)，Ii+K(x，y)，…，Ii+(m-i)xK(x，y)，…，Ii+(n-i)xK(x，y)} (15)
[0049] 其中，K是定義的時間間隔，I1(Xj)是第一幀在位置(x，y)處的局部均值二值模式 特征，11+(Ν-υXK(X，y)是第I+(N-1) X K幀在(X，y)處的局部均值二值模式特征。
[0050] (3)背景模型初始化后，設采集的像素點在第t幀的ALMP特征為It(x，y)，然后計算 It(x，y)與b M(x，y)之間的漢明距離，判斷視頻圖像中的像素點為背景或前景。也就是，像素 點在第t幀的ALMP特征I t(x，y)與背景模型的ALMP特征bM(x，y)，Me [I，N]比較，而其是被檢 測為前景或者背景主要根據以下的判別公式：
[0051]
[0052]
[0053] (18)
[0054] (19；
[0055] 上述公式中，十為二進制異或運算符，dist(It(x，y)，bM(x，y))為It(x，y)與第_貞 ALMP特征bM(x，y)，Me [I，N]之間的漢明距離，R為最大的漢明距離閾值，如果dist(It(x，y)， bM(x，y))<R，意味著當前ALMP特征與相應的背景樣本的ALMP特征相匹配，此時NM(x，y) = 1， 否則，NM(Xj)=Oc3SUm(Xj)是所有背景樣本的滿足dist(It(x，y)，bM(x，y))<R條件的數 量。F t(x，y) = l表示當前的像素為前景像素，而Ft(x，y)=0為背景像素。Th是一個固定的全 局最小匹配的數量。在上下文中，小的R值意味著模型必須是非常精確的以將像素點歸為背 景，而一個大的R值將導致對不相關變化有更好的抵抗力，但也更加地困難檢測與背景非常 相似的前景目標。對于任一個背景像素模型，合理的樣本數量對于平衡精度、計算復雜度和 模型的敏感度非常重要。使用更少的樣本將導致較高的敏感度并且有較低的計算復雜度但 同時精度較低。
[0056] (4)基于聯合保守更新和隨機采樣的方法更新背景模型。將輸入的像素進行分類 后，為了使模型適應背景變化，背景模型需要被實時地進行更新，本實施例采用基于聯合保 守更新和隨機采樣的方法更新背景模型。保守更新也就是前景像素從未被用來填充背景模 型，而隨機采樣策略意味著背景模型中的并不需要每一個像素點都被更新。這一更新方法 與ViBe的更新策略很相似。在城市交通場景中，當前像素的ALMP特征與樣本中非背景的 ALMP特征之間的漢明距離很大，因此我們運用像素點的ALMP特征更新具備最大漢明距離的 樣本特征來進一步消除模型中非背景的樣本和提高模型的精度。我們更新背景模型從1 + (N-I) XK幀開始，如果輸入的像素點被認定為背景點，則按照下面的步驟來更新背景模型： [0057] (41)首先記錄背景模型中當前像素點的自適應局部均值二值模式ALMP特征與背 景模型中具有最大漢明距離的樣本，設更新背景的概率為1/Θ;本實施例中θ = 16;
[0058] (42)然后通過當前像素點的自適應局部均值二值模式ALMP特征以1/Θ概率更新步 驟(2)中的樣本；
[0059] (43)最后隨機以1/Θ概率更新模型中當前像素點的鄰域中的樣本。
【主權項】
1. 一種基于自適應局部特征背景模型的車輛檢測方法，其特征在于，包括以下步驟： (1) 視頻傳感器實時采集交通場景視頻圖像，定義圖像中的像素點在以當前像素為中 心的像素塊內的自適應局部二值模式特征為ALMP，計算公式為：式中，位置(X，y)是像素塊的中心像素，ix,y是在(X，y)位置處的中心像素點的像素值， U y, P對應(X，y)位置處中心像素點的鄰域P個像素點的集合中第P個像素點的像素值，m是像 素塊中中心像素點與其鄰域像素的平均值，T為自適應距離閾值； (2) 將采集到的圖像的像素點作為樣本，計算最近N個被采集到的圖像的每個像素點的 ALMP特征為bM(x，y)，Me [1，N]，并使用bM(x，y)，Me [1，N]描述背景模型B(x，y)，對背景模型 B(x，y)進行初始化； ⑶背景模型初始化后，設采集的像素點在第t幀的ALMP特征為It(x，y)，然后計算It(x， y)與bM(x，y)之間的漢明距離，判斷視頻圖像中的像素點為背景或前景； (4)基于聯合保守更新和隨機采樣的方法更新背景模型。2. 根據權利要求1所述的基于自適應局部特征背景模型的車輛檢測方法，其特征在于， 所述步驟(3)的判斷公式為：其中，dist(It(x，y)，bM(x，y))為It(x，y)與第Μ幀bM(x，y)，Me [1，N]之間的漢明距離，Φ 為二進制異或運算符，R為設定的漢明距離閾值，sum(x，y)是所有背景樣本滿足dist(It(x， y)，bM(x，y))<R條件的數量，Ft(x，y) = l表示當前的像素為前景像素，而Ft(x，y)=0為背景 像素，Th是一個固定的全局最小匹配的數量。3. 根據權利要求1或2所述的基于自適應局部特征背景模型的車輛檢測方法，其特征在 于，所述自適應距離閾值T的計算方法為： T = cmin{max[m，Ti]，Th}其中，Th為上限閾值，Τι為下限閾值，Tw為固定的感知閾值，I占12為對應于中心像素的 鄰域像素點觀測到的兩個像素值，C為韋伯比例，ε-〇+。4. 根據權利要求1或2所述的基于自適應局部特征背景模型的車輛檢測方法，其特征在 于，所述中心像素點的領域為像素塊內所有Ρ個像素點或Ρ個像素點的子集。5. 根據權利要求1或2所述的基于自適應局部特征背景模型的車輛檢測方法，其特征在 于，所述步驟(2)包括:采用間隔幀初始化背景模型，定義公式為： B(x，y) = {bi(x，y)，b2(x，y)，···，bM(x，y)，···，bN(x，y)} =Ui(x，y)，Ii+K(x，y)，···，Ii+(m-ι)χκ(χ，5〇，···，Ii+(n-i)xK(x，yM 式中，K為時間間隔，IKxj)是第一幀在位置(x，y)處的ALMP特征，I1+(N-1)XK(x，y)是第1 + (N-1) XK幀在(x，y)處的ALMP特征。6. 根據權利要求1或2所述的基于自適應局部特征背景模型的車輛檢測方法，其特征在 于，所述步驟(4)中基于聯合保守更新和隨機采樣的方法包括： (41) 首先記錄背景模型中當前像素點的ALMP特征與背景模型中具有最大漢明距離的 樣本，設更新背景的概率為1/Θ; (42) 然后通過當前像素點的自適應局部均值二值模式特征以1/Θ概率更新步驟(2)中 的樣本； (43) 最后隨機以1/Θ概率更新模型中當前像素點的鄰域中的樣本。
【文檔編號】G06K9/00GK106056062SQ201610361751
【公開日】2016年10月26日
【申請日】2016年5月27日
【發明人】趙池航, 張運勝, 陳愛偉
【申請人】東南大學