一种基于自适应局部特征背景模型的车辆检测方法
【专利摘要】本发明提供了一种基于自适应局部特征背景模型的车辆检测方法，首先在像素预定义的区域使用自适应的距离阈值计算纹理，通过最近计算的特征构建背景模型，输入视频帧和背景模型之间的差值通过自适应局部均值二值化模式的纹理特征进行计算，根据当前帧的输入像素的自适应局部均值二值模式特征和背景模型的自适应局部均值二值模式特征之间的汉明距离将像素点分为背景和前景，最后基于联合保守更新和随机采样的方法更新背景模型来适应不断变化的光照和动态背景。本发明可以有效解决背景模型在复杂交通场景中容易被突然或者逐渐变化的光照所污染的问题。
【专利说明】
一种基于自适应局部特征背景模型的车辆检测方法
技术领域
[0001] 本发明涉及智能交通研究领域，尤其是复杂城市交通场景中的车辆检测方法研 究。
【背景技术】
[0002] 近年来，作为智能交通系统和智慧城市的重要部分，城市交通的智能化得到了更 多的关注，目前，在城市的很多交通卡口都安装了视频传感器，每天都会产生成千上万的视 频数据，而城市交通中交通密度大，交通拥堵严重，各道路使用者呈现多样性，从城市交通 复杂的背景中得到运动的前景对城市交通和城市公共安全至关重要，然而找到一个通用的 鲁棒的城市交通车辆的前景检测和分割的方法依然是一个挑战。
[0003] 在车辆检测的过程中，当前背景模型在复杂交通场景中容易被突然或者逐渐变化 的光照所污染，从而使得检测变得困难。
【发明内容】
[0004] 发明目的：为了解决现有技术存在的问题，有效地解决背景模型在复杂交通场景 中容易被突然或者逐渐变化的光照所污染的问题，本发明提供一种基于自适应局部特征背 景模型的车辆检测方法。
[0005] 技术方案:一种基于自适应局部特征背景模型的车辆检测方法，包括以下步骤：
[0006] (1)视频传感器实时采集交通场景视频图像，定义图像中的像素点在以当前像素 为中心的像素块内的自适应局部二值模式特征为ALMP，计算公式为：
[0007]
[0008]
[0009]
[001 0]式中，位置(X，y)是像素块的中心像素，ix,y是在(X，y)位置处的中心像素点的像素 值，i X, y, P对应(X，y)位置处中心像素点的邻域P个像素点的集合中第P个像素点的像素值，m 是像素块中中心像素点与其邻域像素的平均值，T为自适应距离阈值；
[0011] (2)将采集到的图像的像素点作为样本，计算最近N个被采集到的图像的每个像素 点的ALMP特征为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)，对背景 模型B(x，y)进行初始化；
[0012] (3)背景模型初始化后，设采集的像素点在第t帧的ALMP特征为It(x，y)，然后计算 It(x，y)与b M(x，y)之间的汉明距离，判断视频图像中的像素点为背景或前景；
[0013] (4)基于联合保守更新和随机采样的方法更新背景模型。
[0014] 有益效果：相比较现有技术，本发明可以有效地解决背景模型在复杂交通场景中 容易被突然或者逐渐变化的光照所污染的问题。
【附图说明】
[0015] 图1为本发明预定义的5X5的像素块；
[0016]图2为自适应局部均值二值模式的计算过程。
【具体实施方式】
[0017] 下面结合附图和【具体实施方式】，对本发明作进一步说明。
[0018] 该方法包括以下步骤：
[0019] (1)视频传感器实时采集交通场景视频图像，定义图像中的像素点在以当前像素 为中心的像素块内的自适应局部二值模式特征为ALMP，计算公式为：
[0020]
[0021]
[0022]
[0023] 式中，位置(X，y)是像素块的中心像素，Uy是在(X，y)位置处的中心像素点的像素 值，i X, y, P对应(X，y)位置处中心像素点的邻域P个像素点的集合中第P个像素点的像素值，m 是像素块中中心像素点与其邻域像素的平均值，T为自适应距离阈值;式中，位置(x，y)是像 素块的中心像素，ALMP (x，y)是在(x，y)位置的像素点的自适应局部均值二值模式特征，U y 是在(x，y)位置处的中心像素点的像素值，Uy,P对应(x，y)位置处中心像素点的邻域P个像 素点的集合中第P个像素点的像素值，m是块中中心像素点与其邻域像素的平均值，T为自适 应距离阈值。中心像素的邻域可以为块内的所有P个像素点也可以为P个像素点的子集。块 的大小和P的数量及邻域编码模式可以根据实际应用的情况选择。在本方法中，ALMP特征在 预定义大小为η Xη的像素块内计算得到，本实施例的像素块大小为5 X 5，如图1所示，图中C 表示中心像素，N表示用来计算二值模式的领域像素，图2为自适应局部均值二值模式的计 算过程，且中心像素的邻域像素点为块内像素点的子集。
[0024] 为了提高城市交通场景纹理特征的鲁棒性，在初始化背景模型时引入了基于韦伯 定律的自适应距离阈值Τ，它是由19世纪的实验心里学家厄恩斯特韦伯提出并模拟了 HSV的 感知特性。韦伯定律定量地描述了人对于物理刺激的反映。最小可觉差(JND)是一个最小的 值，该值是改变刺激强度最小的量以在感官体验产生一个明显的变化。韦伯指出，最小可觉 差A I对初始刺激强度I成线性比例，这种关系被称为韦伯定律，表示为：
[0025] Δ I/I = c (4)
[0026] 式中，c是一个常数被称为韦伯比。在视觉感知中，韦伯定律实际上描述了人的视 觉系统辨别亮度的能力。A I在黑色的背景下很小而在白色背景下很大，这是由于△ I对I是 一个直接的比例。受韦伯定律描述了人的视觉系统能够感知明显的强度变化的视觉能力并 且通过最小可觉差人的视觉系统能够感知背景亮度变化直接的比例变化的这一事实，本方 法提出了一种与平均样本强度直接比例变化的自适应距离阈值T。也就是，这个距离阈值在 小的平均样本值时是低的而在大的平均样本值时是高的。在局部均值二值模式中，按如下 所示映射到韦伯定律:样本的平均样本值m可以被看成初始化强度I，距离阈值T被看作最小 可觉差，邻域像素值与平均样本强度值之间的差值可以看成强度的变化。因此，基于韦伯定 律，本方法设置：
[0027] T/m = c (5)
[0028] 上式中，m为平局样本强度值，如果为了得到自适应距离阈值T，必须先得到韦伯比 例c。利用视觉感知如何被建模并且利用图像处理中峰值信噪比测量来估计重建图像D与原 始参考图像R的误差水平，寻找可以接受的韦伯比例的值。对于强度范围在[0,255]灰度图 像的重建图像与原始图像的峰值信噪比，利用η个像素并在分贝下利用对数的定义如下：
[0029]
[0030] 式中
I平均绝对误差，CldPr1是重建图像D和原始图像R的第i个像素强 度。峰值信噪比的值用来比较两个或更多的从同一个原始图像重建的扭曲图像。对于原始 图像R和它的两张重建图像DjPD2,人的视觉系统只有在峰值信噪比的差值满足如下的条件 才能可以察觉到〇 1和出是不同的。
[0031]
[0032] 也就是
[0033]
[0034] 由式(7)可知原始图像R和重建图像D之间的峰值信噪比不限定于任何特定尺寸的 图像。为了反映基于像素的平均纹理二值模式特征，本方法假设n= 1和I I D1-RI 11= I I-m I， 其中m和I分别是对应于平均样本强度的原始参考强度值和对应于中心像素的所有近邻像 素点观测到的像素值。假设IjPI 2是两个观测到的强度值，可以得到当满足以下条件时，人 的视觉系统可以察觉到IjPI2之间的差异：
[0035]
(9)
[0036]根据式(9)估计参数c推测IjPI2的强度在满足式（10)的情况下是不同的：
[0037]
(10)
[0038] 上式中Tw是固定的感知阈值，使用式(2)和(5)，使m+cm和m-cm为从样本均值m的两 侦幡到大小正好的观测值，接着利用式(10)得到如下结论：
[0039]
[0042] 通过式（12)，我们得到0<c<l的结论并且发现当0<Tw<4，c对T w的导数大约为
[0040]
[0041] 〇. 11，也就3
参数c和Tw为线性的关系，并且c可以被线 性地估计为c = 0. lllw。通过经验敏感性分析，为了最小化人的噪声的影响，对于所有的工 作环境我们确定Iw= 1，因此可以将c简单地估计为0.11。结果是我们可以得出平均样本强 度和相应的距离阈值之间的关系为T = 0.1 lm的结论。然而，在复杂图像的极端黑暗或者明 亮区域，韦伯定律的线性关系不能够精确地描述人类视觉感知强度和平均样本值之间的关 系。一个自然的解决方案是截止那些平均样本的值太高或太低的距离阈值，因此需要设定 上限阈值Ti，下限阈值Th，设置范围[Ti ,Th] = [255 X 10% ,255X90%]，并且该范围满足韦 伯定律的线性关系，因此自适应的距离阈值被估计为：
[0043] T = cmin{max[m，Ti]，Th} (13)
[0044] 因此，式(2)也可以写成
[0045]
[0046] (2)将采集到的图像的像素点作为样本，计算最近N个被采集到的图像的每个像素 点的ALMP特征为bM(x，y)，Me [I，N]，并使用bM(x，y)，Me [I，N]描述背景模型B(x，y)，对背景 模型B(x，y)进行初始化;采用基于式（15)的间隔帧的初始化模型，该方法能够有效地降低 缓慢行驶或临时停车的车辆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是定义的时间间隔，I1(Xj)是第一帧在位置(x，y)处的局部均值二值模式 特征，11+(Ν-υXK(X，y)是第I+(N-1) X K帧在(X，y)处的局部均值二值模式特征。
[0050] (3)背景模型初始化后，设采集的像素点在第t帧的ALMP特征为It(x，y)，然后计算 It(x，y)与b M(x，y)之间的汉明距离，判断视频图像中的像素点为背景或前景。也就是，像素 点在第t帧的ALMP特征I t(x，y)与背景模型的ALMP特征bM(x，y)，Me [I，N]比较，而其是被检 测为前景或者背景主要根据以下的判别公式：
[0051]
[0052]
[0053] (18)
[0054] (19；
[0055] 上述公式中，十为二进制异或运算符，dist(It(x，y)，bM(x，y))为It(x，y)与第_贞 ALMP特征bM(x，y)，Me [I，N]之间的汉明距离，R为最大的汉明距离阈值，如果dist(It(x，y)， bM(x，y))<R，意味着当前ALMP特征与相应的背景样本的ALMP特征相匹配，此时NM(x，y) = 1， 否则，NM(Xj)=Oc3SUm(Xj)是所有背景样本的满足dist(It(x，y)，bM(x，y))<R条件的数 量。F t(x，y) = l表示当前的像素为前景像素，而Ft(x，y)=0为背景像素。Th是一个固定的全 局最小匹配的数量。在上下文中，小的R值意味着模型必须是非常精确的以将像素点归为背 景，而一个大的R值将导致对不相关变化有更好的抵抗力，但也更加地困难检测与背景非常 相似的前景目标。对于任一个背景像素模型，合理的样本数量对于平衡精度、计算复杂度和 模型的敏感度非常重要。使用更少的样本将导致较高的敏感度并且有较低的计算复杂度但 同时精度较低。
[0056] (4)基于联合保守更新和随机采样的方法更新背景模型。将输入的像素进行分类 后，为了使模型适应背景变化，背景模型需要被实时地进行更新，本实施例采用基于联合保 守更新和随机采样的方法更新背景模型。保守更新也就是前景像素从未被用来填充背景模 型，而随机采样策略意味着背景模型中的并不需要每一个像素点都被更新。这一更新方法 与ViBe的更新策略很相似。在城市交通场景中，当前像素的ALMP特征与样本中非背景的 ALMP特征之间的汉明距离很大，因此我们运用像素点的ALMP特征更新具备最大汉明距离的 样本特征来进一步消除模型中非背景的样本和提高模型的精度。我们更新背景模型从1 + (N-I) XK帧开始，如果输入的像素点被认定为背景点，则按照下面的步骤来更新背景模型： [0057] (41)首先记录背景模型中当前像素点的自适应局部均值二值模式ALMP特征与背 景模型中具有最大汉明距离的样本，设更新背景的概率为1/Θ;本实施例中θ = 16;
[0058] (42)然后通过当前像素点的自适应局部均值二值模式ALMP特征以1/Θ概率更新步 骤(2)中的样本；
[0059] (43)最后随机以1/Θ概率更新模型中当前像素点的邻域中的样本。
【主权项】
1. 一种基于自适应局部特征背景模型的车辆检测方法，其特征在于，包括以下步骤： (1) 视频传感器实时采集交通场景视频图像，定义图像中的像素点在以当前像素为中 心的像素块内的自适应局部二值模式特征为ALMP，计算公式为：式中，位置(X，y)是像素块的中心像素，ix,y是在(X，y)位置处的中心像素点的像素值， U y, P对应(X，y)位置处中心像素点的邻域P个像素点的集合中第P个像素点的像素值，m是像 素块中中心像素点与其邻域像素的平均值，T为自适应距离阈值； (2) 将采集到的图像的像素点作为样本，计算最近N个被采集到的图像的每个像素点的 ALMP特征为bM(x，y)，Me [1，N]，并使用bM(x，y)，Me [1，N]描述背景模型B(x，y)，对背景模型 B(x，y)进行初始化； ⑶背景模型初始化后，设采集的像素点在第t帧的ALMP特征为It(x，y)，然后计算It(x， y)与bM(x，y)之间的汉明距离，判断视频图像中的像素点为背景或前景； (4)基于联合保守更新和随机采样的方法更新背景模型。2. 根据权利要求1所述的基于自适应局部特征背景模型的车辆检测方法，其特征在于， 所述步骤(3)的判断公式为：其中，dist(It(x，y)，bM(x，y))为It(x，y)与第Μ帧bM(x，y)，Me [1，N]之间的汉明距离，Φ 为二进制异或运算符，R为设定的汉明距离阈值，sum(x，y)是所有背景样本满足dist(It(x， y)，bM(x，y))<R条件的数量，Ft(x，y) = l表示当前的像素为前景像素，而Ft(x，y)=0为背景 像素，Th是一个固定的全局最小匹配的数量。3. 根据权利要求1或2所述的基于自适应局部特征背景模型的车辆检测方法，其特征在 于，所述自适应距离阈值T的计算方法为： T = cmin{max[m，Ti]，Th}其中，Th为上限阈值，Τι为下限阈值，Tw为固定的感知阈值，I占12为对应于中心像素的 邻域像素点观测到的两个像素值，C为韦伯比例，ε-〇+。4. 根据权利要求1或2所述的基于自适应局部特征背景模型的车辆检测方法，其特征在 于，所述中心像素点的领域为像素块内所有Ρ个像素点或Ρ个像素点的子集。5. 根据权利要求1或2所述的基于自适应局部特征背景模型的车辆检测方法，其特征在 于，所述步骤(2)包括:采用间隔帧初始化背景模型，定义公式为： 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为时间间隔，IKxj)是第一帧在位置(x，y)处的ALMP特征，I1+(N-1)XK(x，y)是第1 + (N-1) XK帧在(x，y)处的ALMP特征。6. 根据权利要求1或2所述的基于自适应局部特征背景模型的车辆检测方法，其特征在 于，所述步骤(4)中基于联合保守更新和随机采样的方法包括： (41) 首先记录背景模型中当前像素点的ALMP特征与背景模型中具有最大汉明距离的 样本，设更新背景的概率为1/Θ; (42) 然后通过当前像素点的自适应局部均值二值模式特征以1/Θ概率更新步骤(2)中 的样本； (43) 最后随机以1/Θ概率更新模型中当前像素点的邻域中的样本。
【文档编号】G06K9/00GK106056062SQ201610361751
【公开日】2016年10月26日
【申请日】2016年5月27日
【发明人】赵池航, 张运胜, 陈爱伟
【申请人】东南大学