0 引 言
    基于視頻的車輛檢測(cè)技術(shù)是在傳統(tǒng)電視監(jiān)視系統(tǒng)基礎(chǔ)上發(fā)展起來(lái)的，以車輛檢測(cè)技術(shù)、攝像機(jī)和計(jì)算機(jī)圖像處理技術(shù)為基礎(chǔ)，來(lái)大范圍地對(duì)車輛施行檢測(cè)和識(shí)別的新興技術(shù)。與傳統(tǒng)檢測(cè)技術(shù)相比，它具有處理速度快、安裝維護(hù)便捷且費(fèi)用低、監(jiān)視范圍廣、可獲得各種交通參數(shù)等諸多優(yōu)點(diǎn)。隨著圖像處理技術(shù)和微電子技術(shù)的發(fā)展，視頻檢測(cè)技術(shù)在交通運(yùn)輸系統(tǒng)中的發(fā)展?jié)摿薮蟆?br />    在典型的交通自動(dòng)監(jiān)控系統(tǒng)中，用一個(gè)靜態(tài)的攝像機(jī)實(shí)時(shí)監(jiān)控固定區(qū)域，通過(guò)對(duì)車輛目標(biāo)的提取、分類和跟蹤等操作，進(jìn)一步提取交通參數(shù)。所以，從視頻流中實(shí)時(shí)分割車輛目標(biāo)是交通自動(dòng)監(jiān)控系統(tǒng)的一個(gè)基本環(huán)節(jié)。提取車輛目標(biāo)的流程主要包含運(yùn)用算法將前景車輛從拍攝的圖像中提取出來(lái)，并對(duì)其進(jìn)行陰影檢測(cè)，去除陰影。該文依照此流程選取合適的前景提取算法——背景差分法，實(shí)時(shí)進(jìn)行背景更新，對(duì)前景中產(chǎn)生的陰影進(jìn)行分析，并提出合理有效的陰影去除方法。

l 基于視頻的車輛檢測(cè)
    背景差分法是車輛運(yùn)動(dòng)檢測(cè)系統(tǒng)中的一種常用算法。該算法通過(guò)實(shí)時(shí)維護(hù)一個(gè)背景模型，將當(dāng)前幀消除背景影響即可獲得前景圖像。而路面、樹木、建筑物等一直處于靜止?fàn)顟B(tài)，因此被當(dāng)作背景通過(guò)差分被去除。經(jīng)過(guò)處理后的圖像理論上只包括運(yùn)動(dòng)目標(biāo)，直接進(jìn)行二值化，提取目標(biāo)即可，但實(shí)際上這時(shí)由于攝像機(jī)的抖動(dòng)以及路面光線變化、風(fēng)吹草動(dòng)、車輛目標(biāo)本身的陰影和其他因素對(duì)檢測(cè)結(jié)果的影響是很大的，往往造成很大的誤差，甚至錯(cuò)誤。在提取前景后針對(duì)不同的陰影，去除之以獲得真實(shí)的車輛目標(biāo)。
1．1 背景建模
    將開(kāi)始的n幀圖像用于背景建模(采用n=200)。對(duì)相鄰一定間隔的兩幀圖像作差值，獲得差值圖像A。即有：

式中：N為A相應(yīng)位置的差值，得到二值化的幀差掩模圖像N；“1”為對(duì)應(yīng)變化的像素；“O”為對(duì)應(yīng)沒(méi)有變化的像素。
    在幀差掩模序列中，對(duì)于長(zhǎng)時(shí)間沒(méi)有變化的像素點(diǎn)，即幀差掩模圖像序列在一段時(shí)間內(nèi)該像素點(diǎn)都保持為“O”，則認(rèn)為此像素點(diǎn)對(duì)應(yīng)于背景像素，將原始圖像中該點(diǎn)像素值拷貝到理想背景圖像中，同時(shí)設(shè)置此理想背景像素點(diǎn)的狀態(tài)為“背景像素”。此過(guò)程完成后，可能有的理想背景像素點(diǎn)的狀態(tài)還未轉(zhuǎn)換成“背景像素”，即未被重建，則在后續(xù)過(guò)程中繼續(xù)執(zhí)行上述步驟，對(duì)已重建
的背景像素點(diǎn)，轉(zhuǎn)而進(jìn)行背景更新。
1．2 背景更新
    在獲得背景圖像后，隨著時(shí)間的推移，場(chǎng)景內(nèi)會(huì)有很多變化，其中比較明顯的是光照亮度的變化和背景物體的移動(dòng)，這就需要對(duì)背景圖像不斷地進(jìn)行更新。文中采用一種當(dāng)前圖像和背景圖像加權(quán)的方式進(jìn)行更新。更新方法為：記當(dāng)前圖像中像素值為I(x，y)，背景圖像中像素值為I*(x，y)，對(duì)應(yīng)的幀差掩模圖像N(x，y)=0，則I(x，y)為背景像素，I(x，y)與I*(x，y)按照式(2)進(jìn)行加權(quán)：

式中：α為更新系數(shù)，關(guān)系著更新速度，而更新速度要求背景能夠捕捉亮度的變化，同時(shí)又不能讓瞬間的變化長(zhǎng)時(shí)間存在。假設(shè)取α=O．1，當(dāng)圖像亮度大面積變化時(shí)，整個(gè)背景像素的均值將發(fā)生較大幅度的改變，所以當(dāng)均值改變大于一定范圍時(shí)，為了能夠更快地更新背景，取α=0．2。
    若|I(x，y)一I*(x，y)|大于閾值或N(x，y)=1，則I(x，y)為前景像素；如果I(x，y)連續(xù)長(zhǎng)時(shí)間作為前景像素，則需要重建此像素點(diǎn)的背景，重新按照背景重建步驟恢復(fù)背景。

1．3 運(yùn)動(dòng)目標(biāo)提取
    在獲得重建的背景之后，可以根據(jù)當(dāng)前圖像和背景圖像的差值求得運(yùn)動(dòng)目標(biāo)。為了減少計(jì)算量和干擾，可以預(yù)先設(shè)定感興趣區(qū)域，以后的處理只是在感興趣區(qū)域進(jìn)行。設(shè)視頻序列圖像為I(x，y)，當(dāng)前的背景圖像為I*(x，y)，背景差圖像D(x，y)=||I(x，y)一I*(x，y)||。利用閾值來(lái)計(jì)算車輛圖像像素模板圖像：

式中：δ為一個(gè)較小的閾值，模板圖像M(x，y)中的為1的點(diǎn)表示車輛圖像區(qū)域，為0的點(diǎn)表示背景圖像區(qū)域。單純地利用灰度值差異來(lái)求取的車輛信息并不完整：若閾值選取過(guò)大，會(huì)使得車輛某些部分被認(rèn)為是背景，使得車輛圖像殘缺，獲得車輛的信息不準(zhǔn)確，甚至是陰影部分的信息還沒(méi)有消除，而車輛部分的信息卻已經(jīng)大部分消除(見(jiàn)圖3)；若閾值選取過(guò)小，由于光照的原因形成的陰影會(huì)和車輛連接在一起，變成車輛的一部分(見(jiàn)圖4)，但是這種方法可以很好地保留車輛的完整信息，只要可以把陰影部分的干擾消除，就可以達(dá)到很好的效果。因此，精確地去掉陰影在車輛信息的提取過(guò)程中起著關(guān)鍵的作用。

2 陰影檢測(cè)及消除
    運(yùn)動(dòng)車輛和路面物體在光照作用下不可避免地產(chǎn)生陰影。靜止物的陰影可通過(guò)背景差分去除，但由于鏡頭的抖動(dòng)、靜止物體的再活動(dòng)等，陰影部分不可能完全去除而產(chǎn)生噪聲(以下簡(jiǎn)稱為外陰影)；目標(biāo)車輛自身陰影及目標(biāo)之間的投影(以下簡(jiǎn)稱為內(nèi)陰影)。本文采用基于粗糙集陰影邊緣點(diǎn)分類的方法，較好地實(shí)現(xiàn)了陰影邊緣的檢測(cè)。
2．1 陰影邊緣點(diǎn)的分類
    假設(shè)陰影區(qū)域和非陰影區(qū)域存在著一個(gè)過(guò)渡帶，即認(rèn)為邊緣是有寬度的。
    (1)外陰影與內(nèi)陰影的灰度相差較大通過(guò)大量圖像發(fā)現(xiàn)：外陰影的平均灰度要比內(nèi)陰影的平均灰度低，在同一淺色背景下表現(xiàn)為對(duì)比度大些。此時(shí)對(duì)求得的集合A1，A2(A1表示剔除噪聲后，所有像素中梯度大的像素組成的集合；A2表示剔除噪聲后，所有像素的最大鄰域差值大的像素組成的集合。A1，A2即為需要的像素集合)。分別求K(x，y)，H(x，y)，K(x，y)為像素點(diǎn)的梯度，H(x，y)為鄰域函數(shù)。在A1中，A<K(x，y)<B的值對(duì)應(yīng)的像素點(diǎn)集為集合N。K(x，y)≥B的值對(duì)應(yīng)的像素點(diǎn)集為M集合；在A2中，合理選取參數(shù)得C<H(x，y)<D對(duì)應(yīng)的點(diǎn)集合為R，H(x，y)≥D對(duì)應(yīng)的點(diǎn)集合為S，使得M與R，N與S盡可能相等。由此，可以初步得出N(=S)為外陰影邊緣點(diǎn)，M(=R)為內(nèi)陰影邊緣點(diǎn)。
    (2)外陰影與內(nèi)陰影的灰度相差不大這樣求得的K(x，y)或H(x，y)不能分為兩個(gè)較明顯的區(qū)間，此時(shí)僅求H(x，y)即可。
2．2 部分假邊緣點(diǎn)的處理
    如果外陰影和內(nèi)陰影分布不均勻，即外陰影內(nèi)部某些點(diǎn)的K(x，y)，H(x，y)恰好屬于內(nèi)陰影邊緣點(diǎn)的，會(huì)產(chǎn)生誤判。此時(shí)應(yīng)在內(nèi)陰影的M(R)中去掉這些點(diǎn)，方法如下：對(duì)內(nèi)陰影邊緣點(diǎn)集M(R)逐一進(jìn)行統(tǒng)計(jì)，使該點(diǎn)向四周移動(dòng)，若都能碰到屬于外陰影邊緣高梯度點(diǎn)(梯度大于或等于B的點(diǎn))或高最大鄰域灰度差的點(diǎn)(最大鄰域灰度差大于或等于D的點(diǎn))，則該點(diǎn)是外陰影的內(nèi)部點(diǎn)，將其從內(nèi)陰影邊緣點(diǎn)集M(R)中去掉。這樣，剩下的點(diǎn)均為真正的邊緣點(diǎn)了。
2．3 邊緣細(xì)化和連續(xù)
    因假設(shè)邊緣是有寬度的，為更精確地檢測(cè)邊緣，需對(duì)邊緣進(jìn)行細(xì)化。具體方法是如果兩個(gè)邊緣點(diǎn)的梯度方向相同，且相互位于法線上，保留最大鄰域差。這樣可得到較高定位精度的細(xì)化邊緣離散點(diǎn)。
    為將離散點(diǎn)連成線，需建立三叉樹，依次檢查M和N中每個(gè)像素點(diǎn)，根據(jù)不同方向，判斷前趨點(diǎn)和后繼點(diǎn)。對(duì)每一個(gè)邊緣點(diǎn)確定了前趨點(diǎn)和后繼點(diǎn)之后，即可從邊線的起點(diǎn)出發(fā)，依次得到直線上的每個(gè)像素點(diǎn)，從而獲得連續(xù)的陰影邊緣，進(jìn)而消除陰影。

3 結(jié) 語(yǔ)
    近年來(lái)，隨著計(jì)算機(jī)、圖像處理、人工智能、模式識(shí)別、視頻傳輸?shù)燃夹g(shù)的不斷發(fā)展，基于視頻的車輛檢測(cè)技術(shù)得到了越來(lái)越廣泛的應(yīng)用。
    本文在最常見(jiàn)的背景差分法的基礎(chǔ)上，通過(guò)選取小閾值，獲得含陰影部分的前景目標(biāo)，利用基于粗糙集分類方法求得陰影邊緣點(diǎn)，從而消除陰影。在此過(guò)程中，使用了一種云除假邊緣點(diǎn)的方法，利用最大鄰域灰度差及邊緣梯度，既得到了真正的邊緣點(diǎn)又去除了噪聲，然后對(duì)邊緣點(diǎn)進(jìn)行了細(xì)化和連續(xù)，得到了單寬度的陰影邊緣。該算法簡(jiǎn)單，易操作，精確度高，可用于實(shí)際應(yīng)用中。