摘  要： 提出了一種簡單有效的自適應(yīng)閾值選擇機制，并將背景信息嵌入到閾值選擇中，提高了閾值選擇的準確性。實驗結(jié)果表明，該算法能在各種環(huán)境變化情況下自動得到合適的閾值，提高了運動區(qū)域檢測的準確性。
關(guān)鍵詞： 運動目標；背景更新；閾值自適應(yīng)；二值化

　隨著平安城市的建設(shè)、智能相機在交通監(jiān)控的推廣和普及以及數(shù)字圖像分析技術(shù)不斷地提高，關(guān)于智能交通系統(tǒng)的需求越來越豐富和多樣。在智能交通系統(tǒng)視頻分析中，運動物體的檢測是很多圖像處理的第一步，運動物體檢測的好壞對于后續(xù)圖像處理起著至關(guān)重要的作用。運動物體的檢測需要二值化處理，這涉及閾值的選擇。大多數(shù)運動區(qū)域檢測文獻對閾值的選擇沒有深入的分析。常用的背景建模算法（例如混合高斯模型、貝葉斯模型、碼本方法）雖然效果不錯，但是計算量較大，在某一些應(yīng)用場合并不實用，例如嵌入式一體機。本文提出了一個簡單有效的閾值自適應(yīng)選擇方法，通過實驗數(shù)據(jù)可以看出，本文算法計算量很小，而且可以得到較好的運動區(qū)域檢測結(jié)果。
　本文主要介紹了背景圖像的初始化和背景圖像的更新策略，提出了一種簡單有效的閾值選擇方法，并進一步分析其缺陷，對此提出了改進策略，提高了閾值選擇的魯棒性。最后從實際視頻分析中驗證了算法的有效性。
1 背景圖像的初始化及更新
1.1 背景圖像初始化
　基于背景差分可以得到較完整的運動區(qū)域，因此需要首先獲得背景圖像。這里采用參考文獻[6]的方法來完成背景圖像的初始化及背景更新。通過相鄰幀差分的二值圖像找到運動的像素，將這些運動區(qū)域的像素值丟棄，只對非運動區(qū)域的像素值進行累加，最后求平均。該算法可以很好地消除運動目標的影響，得到較完整的背景圖像。



　像素級更新方法結(jié)合了時間幀差法和背景差法，可以很好地適應(yīng)場景中的微小變化，特別是光線的緩慢變化，基本消除了累積性誤差，且在場景內(nèi)存在物體移入與移出時能夠及時有效地對背景進行更新。如果場景光線發(fā)生大范圍突變、背景全局變化等問題，像素級更新就難以反映出這種全局變化，這時需要幀級圖像更新。
　幀級更新的步驟如下：
?。?）若在當前幀與背景圖像差分后二值圖運動區(qū)域個數(shù)大于整體圖像的一定百分比，則背景發(fā)生了大范圍的變化。
?。?）若連續(xù)多幀中這一比值依然很大，則按本文背景提取算法重新提取背景。
2 運動區(qū)域檢測及閾值選擇
　得到背景圖像，將當前圖像與背景圖像作差分，然后對差分作二值化，得到前景圖像。圖像的二值化涉及閾值選擇問題，顯然自適應(yīng)的閾值比固定閾值要好，這是因為圖像場景光照變化，很難找到一個固定的閾值適用于各種時間段?？梢园l(fā)現(xiàn)，當前幀圖像沒有運動物體時，對差分圖像作直方圖的統(tǒng)計，直方圖分布在-255~255之間，該直方圖分布服從高斯分布。沒有運動物體和有運動物體的幀差分及對應(yīng)的直方圖分別如圖1、圖2所示。這個現(xiàn)象是合理的，因為圖像的噪聲是服從高斯分布的?？梢愿鶕?jù)該直方圖計算出均值μ和方差σ，根據(jù)高斯分布，橫軸區(qū)間（μ-2.58σ，μ+2.58σ）內(nèi)的面積為99.73%。均值μ的選擇是尋找直方圖中最大值的位置，然后對均值μ附近區(qū)域計算方差σ。其中，均值反映了圖像的整體亮度信息，方差反映了圖像的噪聲信息。根據(jù)均值和方差確定二值化的閾值，即：

　當圖像亮度發(fā)生整體變化時，直方圖中峰值的位置也發(fā)生了變化，如圖3所示。二值化閾值能夠自適應(yīng)地得到合理的閾值，從而得到較好的運動區(qū)域。

　該方法中隱含了一個假定，那就是背景像素占整幅圖像的大多數(shù)，如果前景像素占整幅圖像的大多數(shù)，如圖4（a）、圖4（b）所示，那么均值就不是背景的均值，而是前景個數(shù)最多的直方圖位置，這樣計算出的均值和方差就是不正確的，尤其是在對圖像感興趣區(qū)域（ROI）進行視頻分析時，如圖4（c）和圖4（d）所示。因為需要計算的是背景區(qū)域的均值和方差，但是這里對整幅圖像進行了直方圖統(tǒng)計，如果只對背景區(qū)域進行直方圖統(tǒng)計，那么得到的均值和方差就是合理的。

　這里可以利用背景更新中的計數(shù)器sTime（x，y，t）中包含的信息，它描述了一個像素位置屬于背景的持續(xù)幀數(shù)，如果該計數(shù)器的值很大，則表明該像素位置一直屬于背景，那么判斷該像素位置屬于背景區(qū)域是比較可靠的。這里假定sTime（x，y，t）>t，則該像素屬于真正的背景區(qū)域。這樣就得到了的真正背景區(qū)域，然后用當前幀中真正的背景區(qū)域與背景圖像對應(yīng)的區(qū)域作差分，再對該差分進行直方圖統(tǒng)計，如圖4（e）所示，計算均值和方差，該均值和方差是屬于背景區(qū)域的均值和方差，得到的閾值是正確的二值化閾值。最后再用該閾值對當前圖像與背景差分作二值化，得到正確的運動區(qū)域，如圖4（f）所示。
　通過對差分圖像直方圖的分析發(fā)現(xiàn)，在沒有運動物體的情況下，幀差直方圖服從高斯分布，根據(jù)該高斯分布得到了自適應(yīng)的二值化閾值。當運動區(qū)域占整幅圖像的大部分面積時，通過只對背景區(qū)域進行差分直方圖分析，得到了正確的閾值，進一步提高了閾值選擇的魯棒性。實驗證明，本文提出的算法簡單有效，很適合用于構(gòu)建嵌入式實時視頻分析系統(tǒng)。
參考文獻
[1] HU W， TAN T， WANG L， et al. A survey on visual surveillance of object motion and behaviors[J]. Transactions on Systems， Man， and Cybernetics—Part C： Applications and Reviews，2004，34 （3）：334–352.
[2] POPPE R. Vision-based human motion analysis： an overview [J]. Computer Vision and Image Understanding （CVIU），2007，108 （1-2） ：4-18.
[3] STAUER C， GRIMSON W. Learning patterns of activity using real-time tracking[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22（8）：747-757.
[4] Li L， Huang W， Gu I， et al. Foreground object detection from videos containing complex background[C]. The Eleventh ACM International Conference on Multimedia， New York，USA： ACM， 2003：2-10.
[5] KIM K， CHALIDABHONGSE T H， HARWOOD D， et al. Real-time foreground-background segmentation using codebook model[J]. Real Time Imaging，2005，11（3）：172-185.
[6] 樊曉亮，楊晉吉.基于幀間差分的背景提取與更新算法[J].計算機工程，2011，37（22）：159-161.
[7] 祝東進，郭大偉，劉曉.概率論與數(shù)理統(tǒng)計[M].北京：國防工業(yè)出版社，2010.