0 引 言
    基于視頻的車輛檢測技術(shù)是在傳統(tǒng)電視監(jiān)視系統(tǒng)基礎(chǔ)上發(fā)展起來的，以車輛檢測技術(shù)、攝像機和計算機圖像處理技術(shù)為基礎(chǔ)，來大范圍地對車輛施行檢測和識別的新興技術(shù)。與傳統(tǒng)檢測技術(shù)相比，它具有處理速度快、安裝維護便捷且費用低、監(jiān)視范圍廣、可獲得各種交通參數(shù)等諸多優(yōu)點。隨著圖像處理技術(shù)和微電子技術(shù)的發(fā)展，視頻檢測技術(shù)在交通運輸系統(tǒng)中的發(fā)展?jié)摿薮蟆?br />    在典型的交通自動監(jiān)控系統(tǒng)中，用一個靜態(tài)的攝像機實時監(jiān)控固定區(qū)域，通過對車輛目標(biāo)的提取、分類和跟蹤等操作，進一步提取交通參數(shù)。所以，從視頻流中實時分割車輛目標(biāo)是交通自動監(jiān)控系統(tǒng)的一個基本環(huán)節(jié)。提取車輛目標(biāo)的流程主要包含運用算法將前景車輛從拍攝的圖像中提取出來，并對其進行陰影檢測，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，實時進行背景更新，對前景中產(chǎn)生的陰影進行分析，并提出合理有效的陰影去除方法。

l 基于視頻的車輛檢測
    背景差分法是車輛運動檢測系統(tǒng)中的一種常用算法。該算法通過實時維護一個背景模型，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)作背景通過差分被去除。經(jīng)過處理后的圖像理論上只包括運動目標(biāo)，直接進行二值化，提取目標(biāo)即可，但實際上這時由于攝像機的抖動以及路面光線變化、風(fēng)吹草動、車輛目標(biāo)本身的陰影和其他因素對檢測結(jié)果的影響是很大的，往往造成很大的誤差，甚至錯誤。在提取前景后針對不同的陰影，去除之以獲得真實的車輛目標(biāo)。
1．1 背景建模
    將開始的n幀圖像用于背景建模(采用n=200)。對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”為對應(yīng)變化的像素；“O”為對應(yīng)沒有變化的像素。
    在幀差掩模序列中，對于長時間沒有變化的像素點，即幀差掩模圖像序列在一段時間內(nèi)該像素點都保持為“O”，則認(rèn)為此像素點對應(yīng)于背景像素，將原始圖像中該點像素值拷貝到理想背景圖像中，同時設(shè)置此理想背景像素點的狀態(tài)為“背景像素”。此過程完成后，可能有的理想背景像素點的狀態(tài)還未轉(zhuǎn)換成“背景像素”，即未被重建，則在后續(xù)過程中繼續(xù)執(zhí)行上述步驟，對已重建
的背景像素點，轉(zhuǎn)而進行背景更新。
1．2 背景更新
    在獲得背景圖像后，隨著時間的推移，場景內(nèi)會有很多變化，其中比較明顯的是光照亮度的變化和背景物體的移動，這就需要對背景圖像不斷地進行更新。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，同時又不能讓瞬間的變化長時間存在。假設(shè)取α=O．1，當(dāng)圖像亮度大面積變化時，整個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，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)長時間作為前景像素，則需要重建此像素點的背景，重新按照背景重建步驟恢復(fù)背景。

1．3 運動目標(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動目標(biāo)。為了減少計算量和干擾，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)||。利用閾值來計算車輛圖像像素模板圖像：

式中：δ為一個較小的閾值，模板圖像M(x，y)中的為1的點表示車輛圖像區(qū)域，為0的點表示背景圖像區(qū)域。單純地利用灰度值差異來求取的車輛信息并不完整：若閾值選取過大，會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有消除，而車輛部分的信息卻已經(jīng)大部分消除(見圖3)；若閾值選取過小，由于光照的原因形成的陰影會和車輛連接在一起，變成車輛的一部分(見圖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程中起著關(guān)鍵的作用。

2 陰影檢測及消除
    運動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背景差分去除，但由于鏡頭的抖動、靜止物體的再活動等，陰影部分不可能完全去除而產(chǎn)生噪聲(以下簡稱為外陰影)；目標(biāo)車輛自身陰影及目標(biāo)之間的投影(以下簡稱為內(nèi)陰影)。本文采用基于粗糙集陰影邊緣點分類的方法，較好地實現(xiàn)了陰影邊緣的檢測。
2．1 陰影邊緣點的分類
    假設(shè)陰影區(qū)域和非陰影區(qū)域存在著一個過渡帶，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)為對比度大些。此時對求得的集合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)為像素點的梯度，H(x，y)為鄰域函數(shù)。在A1中，A<K(x，y)<B的值對應(yīng)的像素點集為集合N。K(x，y)≥B的值對應(yīng)的像素點集為M集合；在A2中，合理選取參數(shù)得C<H(x，y)<D對應(yīng)的點集合為R，H(x，y)≥D對應(yīng)的點集合為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，M(=R)為內(nèi)陰影邊緣點。
    (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)不能分為兩個較明顯的區(qū)間，此時僅求H(x，y)即可。
2．2 部分假邊緣點的處理
    如果外陰影和內(nèi)陰影分布不均勻，即外陰影內(nèi)部某些點的K(x，y)，H(x，y)恰好屬于內(nèi)陰影邊緣點的，會產(chǎn)生誤判。此時應(yīng)在內(nèi)陰影的M(R)中去掉這些點，方法如下：對內(nèi)陰影邊緣點集M(R)逐一進行統(tǒng)計，使該點向四周移動，若都能碰到屬于外陰影邊緣高梯度點(梯度大于或等于B的點)或高最大鄰域灰度差的點(最大鄰域灰度差大于或等于D的點)，則該點是外陰影的內(nèi)部點，將其從內(nèi)陰影邊緣點集M(R)中去掉。這樣，剩下的點均為真正的邊緣點了。
2．3 邊緣細(xì)化和連續(xù)
    因假設(shè)邊緣是有寬度的，為更精確地檢測邊緣，需對邊緣進行細(xì)化。具體方法是如果兩個邊緣點的梯度方向相同，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。
    為將離散點連成線，需建立三叉樹，依次檢查M和N中每個像素點，根據(jù)不同方向，判斷前趨點和后繼點。對每一個邊緣點確定了前趨點和后繼點之后，即可從邊線的起點出發(fā)，依次得到直線上的每個像素點，從而獲得連續(xù)的陰影邊緣，進而消除陰影。

3 結(jié) 語
    近年來，隨著計算機、圖像處理、人工智能、模式識別、視頻傳輸?shù)燃夹g(shù)的不斷發(fā)展，基于視頻的車輛檢測技術(shù)得到了越來越廣泛的應(yīng)用。
    本文在最常見的背景差分法的基礎(chǔ)上，通過選取小閾值，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，從而消除陰影。在此過程中，使用了一種云除假邊緣點的方法，利用最大鄰域灰度差及邊緣梯度，既得到了真正的邊緣點又去除了噪聲，然后對邊緣點進行了細(xì)化和連續(xù)，得到了單寬度的陰影邊緣。該算法簡單，易操作，精確度高，可用于實際應(yīng)用中。