摘  要： 针对复杂环境中道路背景图像的快速获取问题，提出了一种快速有效的道路背景提取和更新算法。应用改进的多帧平均算法提取背景，采用改进的Surendra算法对背景进行更新。实验结果表明，该算法能够减轻初始静止车辆对背景建立的影响，能及时消除由于初始帧中目标移动而造成的鬼影，对光线变化鲁棒性高、速度快、更新效果好。
关键词： 背景提取；背景更新；帧间差分；背景差分

　基于计算机视觉的运动目标检测技术是智能交通领域的重要研究课题，有着广阔的应用前景。目前的运动目标检测方法主要有光流法[1]、帧间差分法[2]和背景差分法[3-6]等。光流法计算复杂、抗噪性能差，需要强大的硬件支持。帧间差分法利用图像视频序列中相邻帧图像之间的差分来提取运动物体。该方法对场景变化不太敏感，稳定性好，有较强的自适应性，但一般不能完全提取出所有相关的特征像素点。背景差分法是目前运动目标检测和分类中应用较普遍的方法，其基本思想是用当前帧与背景图像进行差分来提取运动目标，该方法能得到比较精确的运动目标信息，可保持目标的完整性。但实际场景中的道路背景不是一成不变的，如何有效地实现背景图像的建立与更新是背景差分法的关键问题。
　目前的道路背景建立算法主要有多帧平均法[4]、统计直方图法[5]和高斯模型估计法[6]等。在这些方法中，背景初始化与背景更新采用相同的方法，虽然初始背景参考帧不会受到场景中运动目标的影响，但背景更新的速度受到牵制。背景建立过程中运算量较大，占用内存时间长，当环境发生变化时，背景提取和更新达不到实时的理想效果。本文提出了一种将平均法与Surendra背景更新算法[7-8]相结合的背景提取及更新算法，实验表明，该算法能够快速获取并保持较高质量的背景图像，具有较好的鲁棒性和适应性。
1 背景建立的基本方法
1.1 多帧平均法
　多帧平均法（TABI）是一种经典的背景提取及更新方法，其原理是统计图像序列每一像素的灰度平均值作为背景像素的灰度值，用一定时间的序列图像进行累加平均，运动区域的灰度偏差被消除，从而得到一个与当前静态场景相似的背景图像。按式（1）获得背景图像：


    Surendra背景更新算法存在的问题是，若初始帧不是一个理想背景而是有运动物体存在，则在背景更新过程中会有“鬼影”车辆出现，导致后续的检测工作出现严重偏差。使用含有运动车辆的道路背景进行车辆检测，会产生不理想的甚至错误的分割结果。
2 改进的背景提取与更新算法
　均值法参数少、速度快，背景建立受初始帧是否有静止车辆影响小，但需要存储大量样本序列累计出背景图像后才可得到理想的背景图像。Surendra算法稳定、实时地进行选择性更新，但若初始帧含有运动车辆，则在更新过程中该运动物体变成静止的“鬼影”车辆，严重影响检测结果。本文将两者结合起来，首先用改进的均值法进行背景粗提取消除连续“鬼影”，然后用改进的Surendra算法做背景更新，充分利用两种方法的优点，克服单一方法的不足。
2.1 背景粗提取
　传统的多帧平均法只是对每一像素在图像序列中连续出现的灰度值做平均，导致在背景建立过程中混入运动车辆像素点留下的被“污染”痕迹。相比背景图像，像素点在有车经过时灰度变化较大，若用一定的阈值过滤掉一部分差异变化较大的点，则可以打乱被污染区域的连续性，之后利用车辆的物理特征，可实现在提取背景的过程中对车辆的检测。背景粗提取算法步骤如下：
　（1）采用递推公式求取k帧图像的平均值MEANk：

2.2 背景更新
　随着时间的推移和光照以及一些不可预测的路面情况等外部条件的不断变化，路面背景亮度发生缓慢或骤然的改变。如果一直用上述提取的背景做固定背景，随着时间的延续，必然会造成越来越大的误差。要保证系统长时间正常运行，需要适时地进行背景更新以保证背景图像的准确性和实时性。
　Surendra算法通过帧间差分图像二值化后的空洞确定运动区域和非运动区域，但通常简单的形态学二值化所确定的运动区域间断而不完整，导致背景图像被车辆间断处的残留“鬼影”所污染，因此需进一步处理二值化图像。本文采用边缘检测与形态学运算相结合的办法提取出更为准确的运动区域，从而提高背景更新的准确性。改进算法如下：
　（1）应用Roberts算子对当前帧图像做边缘检测，得到边缘点集合SFk。
　（2）将当前帧与背景差分得到的运动区域bwk与边缘点集合SFk作“或”运算，然后对“或”运算结果进行由上而下、由左至右的空洞填充，填充结束后去除不被利用的边缘点集合，得到完整的运动区域R。过程如图2所示。

　背景检测与更新技术在运动车辆检测中具有重要作用。本文提出了一种新的道路背景提取与更新算法，该算法采用改进的均值法进行背景粗提取，应用改进的Surendra算法做背景更新，能很好地适应外界条件的变化，背景建立速度快、鲁棒性强，具有较好的应用价值。
参考文献
[1] 王新余，张桂林.基于光流的运动目标实时检测方法研究[J].计算机工程与应用，2004（1）：43-46.
[2] STRINGA E， REGAZZONI C S. Real-time video-shot detection for scene surveillance applications[J].IEEE Transactions on Image Processing， 2000（1）：69-79.
[3] VERSAVEL J. Road safety through video detection[C].Proceedings of 1999 IEEE/IEEJ/JSAI International Conference on Intelligent Transportation Systems，1999：753-757.
[4] Wu Bingfei， JUANG J， TSAI Pingsung， et al. A new vehicle detection approach in traffic jam conditions[J].Computational Intelligence in Image and Signal Processing， 2007（3）：1-6.
[5] Chen B S， Lei Y Q.Indoor and outdoor people detection and shadow suppression by exploiting HSV color information[C]. The Fourth International Conference on Computer and Information Technology， Washington，DC，USA：IEEE Computer Society， 2004：137-142.
[6] STAUFFER C， ERIC W， CRIMSON L. Learning patterns of activity using real-time tracking[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22（8）：747-757.
[7] GUPTE S， MASOUND O. Detection and classification of vehicles[J]. IEEE Transaction on intelligent transportation systems，2002，3（1）：37-47.
[8] 王正勤，刘富强.自适应背景提取算法的比较[J].计算机工程，2008，12（34）：220-223.
[9] 刘喆.基于计算机视觉的运动车辆检测与跟踪算法研究[D].北京：北京工业大学，2009.
[10] 袁伟才，徐向民.一种有效的动态背景提取及更新方法[J].计算机工程与应用，2010，46（4）：191-192.
[11] 雷波，李清泉.复杂交通场景中车辆视频检测的背景提取与更新[J].武汉大学学报（信息科学版），2009，34（8）：906-909.