摘 要： 提出了一種簡單有效的自適應閾值選擇機制，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。實驗結果表明，該算法能在各種環境變化情況下自動得到合適的閾值，提高了運動區域檢測的準確性。
關鍵詞： 運動目標；背景更新；閾值自適應；二值化
隨著平安城市的建設、智能相機在交通監控的推廣和普及以及數字圖像分析技術不斷地提高，關于智能交通系統的需求越來越豐富和多樣。在智能交通系統視頻分析中，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圖像處理起著至關重要的作用。運動物體的檢測需要二值化處理，這涉及閾值的選擇。大多數運動區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選擇方法，通過實驗數據可以看出，本文算法計算量很小，而且可以得到較好的運動區域檢測結果。
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，將這些運動區域的像素值丟棄，只對非運動區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。
像素級更新方法結合了時間幀差法和背景差法，可以很好地適應場景中的微小變化，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域個數大于整體圖像的一定百分比，則背景發生了大范圍的變化。
?。?）若連續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。可以發現，當前幀圖像沒有運動物體時，對差分圖像作直方圖的統計，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的直方圖分別如圖1、圖2所示。這個現象是合理的，因為圖像的噪聲是服從高斯分布的?？梢愿鶕撝狈綀D計算出均值μ和方差σ，根據高斯分布，橫軸區間（μ-2.58σ，μ+2.58σ）內的面積為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。根據均值和方差確定二值化的閾值，即：
當圖像亮度發生整體變化時，直方圖中峰值的位置也發生了變化，如圖3所示。二值化閾值能夠自適應地得到合理的閾值，從而得到較好的運動區域。
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，如果前景像素占整幅圖像的大多數，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域的均值和方差，但是這里對整幅圖像進行了直方圖統計，如果只對背景區域進行直方圖統計，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幀數，如果該計數器的值很大，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域。這樣就得到了的真正背景區域，然后用當前幀中真正的背景區域與背景圖像對應的區域作差分，再對該差分進行直方圖統計，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，得到正確的運動區域，如圖4（f）所示。
通過對差分圖像直方圖的分析發現，在沒有運動物體的情況下，幀差直方圖服從高斯分布，根據該高斯分布得到了自適應的二值化閾值。當運動區域占整幅圖像的大部分面積時，通過只對背景區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，很適合用于構建嵌入式實時視頻分析系統。
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.概率論與數理統計[M].北京：國防工業出版社，2010.