403 Forbidden.docVIP

403 Forbidden 摘要：智能交通视频检测技术，是一项利用计算机视觉技术分析视频图像，对运动车辆检测及识别以获得交通信息的技术。在实际交通路况下，摄像机常处于静止状态，并且镜头焦距是固定的。本文以此情形下获取的车流量视频为对象，提出快速自适应灰度归类算法重构背景，即融合灰度归类算法与帧间差分算法，对前景像素采用灰度归类算法获取背景灰度值，以重构背景图像。仿真结果表明本算法在处理效果和处理时间上都大大优于传统算法。 关键词：智能交通；视频检测；快速自适应灰度归类 中图分类号：TP391.41 视频检测技术[1]作为智能交通管理系统的核心，已成为一个热门的研究领域。视频检测技术通过对视频图像的检测与识别，可以对道路交通流、路况等实时监控，提取车流量信息（车流量、车速等），实现对道路车辆状况的智能化监控。 常用的基于视频的运动目标提取[2]算法有：灰度等级法、帧间差分法、背景差分法等等。背景差分法由于具有算法简单、计算量小和不容易产生空洞等优点，在视频检测技术中得到广泛应用。背景差分法是一种最为简单和有效提取运动前景的方法，完全克服帧间差分法的缺点，故提背景提取算法以及背景更新策略是该算法的核心内容。在传统背景重构算法中，基于统计的灰度归类算法[3]由于实现简单得到较为广泛的应用。但是其算法复杂度随着训练帧数和帧分辨率的增加呈线性增长，这在实时交通视频处理中不能得到较为广泛的应用。由于灰度归类算法对像素点采用一视同仁的方式处理，这在计算上造成了极大的冗余。于此，本文提出快速自适应灰度归类算法以降低灰度归类算法的复杂度。 1快速自适应灰度归类算法 1.1背景重构算法 本文根据如下准则重定义前景像素点和背景像素点：在视频图像序列中，所有出现过运动前景的像素点称为前景像素点F（x，y）、未出现过运动前景的像素点称为背景像素点B（x，y），x，y为像素点的横纵坐标，k为样本序列的第k帧。 本文借鉴帧间差分法的思想，它是基于背景像素点的灰度值和位置都不变这一原则来检测前景运动目标的，通过对不同时刻的2幅图像进行差分运算得到差分图像。在实际计算过程中，差分是指将两帧相邻目标图像逐点相减，形成差分图。 帧间差分法能够大致估计存在于两帧图像中的前景像素点，但它利用相关性极强的相邻帧序列进行检测，运动前景在相邻两帧的位置相距较近，帧差图像中容易产生孔洞，导致将前景像素点F（x，y），误判为背景像素点B（x，y），导致提取的背景参考帧中含有运动前景。 综上所述，本文提出快速自适应灰度归类算法重构背景，基本思想是在视频序列中选取相距较远的两帧差分将图像像素分为F（x，y）、B（x，y）,然后保留B（x，y），对前景像素点F（x，y）进行统计分析，得出背景像素点灰度值。对具体实现过程如下： （1）任意选取一组监控图像中的K帧用于背景重构。 （2）任意选取间隔为L的两帧图像，我们选择第K帧和第K-L帧图像f（x，y，k），f（x，y，k-L）,两帧相减获得帧差图D（x，y）： Dk（x，y） ?fk（x，y）-fk-L（x，y）?（1） 采用如下判决准则： （x，y）∈backgroundD（x，y）＜T frontD（x，y）≥T（2） 将帧差图的像素分为运动前景像素点F（x，y）、背景像素点B（x，y）。 （3）设BK（x，y）为背景参考帧。 对背景像素点B（x，y）直接作为背景参考帧的灰度值。即 BK（x，y） B（x，y） if（x，y）∈background（3） 对运动前景覆盖过的像素点F（x，y）进行像素灰度归类处理提取背景像素灰度值，具体实现步骤如下：将F（x，y）的灰度取值范围（0~255）等分为N个区间。N的取值可根据前景与背景之间的对比度确定。对所选的K帧图像，计算F（x，y）在各帧所处的灰度区间，统计各灰度区间像素点出现的频率并选取最高频率区间内的像素点平均值 作为背景像素点灰度值。即 这样仅对前景像素点操作，极大地降低了算法复杂度，满足实时性重构背景的要求。 1.2实验结果 利用本文提出的快速自适应灰度归类背景重构算法对大量实际视频图像序列进行背景重构与运动分割，这里选择一例来进行说明，并与传统灰度归类算法对比。在这里，我们选取白天交通视频VIDEO作为测试样本，效果如下： 图1本文算法重构背景帧 图2传统算法提取背景帧 图3第157帧本文算法提取前景 图4第157帧传统算法提取前景 本文初始化背景图像，取视频的前30帧构成视频序列样本，设置L 15，取第30帧与第15帧做帧差后获取运动前景的位置，在采用统计分析，获得图1所得的背景帧，结果表明图1效果明显高于图2，且算法复杂度大大降低。图3为采用本文所提取的背景帧做背景差分，图4为采用传统算法做背景差分所得到的效果图，可以看出图4有明显的孔洞，效果明显劣于图3。 2结论 本