摘 要：為解決基于背景差分的車輛檢測(cè)辦法易受交通狀況影響的問(wèn)題，首先建立基于區(qū)間分布的自適應(yīng)背景模型，然后利用改進(jìn)的背景更新算法對(duì)建立的背景模型選擇性更新。實(shí)驗(yàn)結(jié)果表明，該算法在交通堵塞或臨時(shí)停車等復(fù)雜交通環(huán)境中有很好的背景提取和更新效果。與經(jīng)典的算法相比，該車輛檢測(cè)算法在實(shí)時(shí)性和準(zhǔn)確性方面都有所提高。

　　隨著智能交通技術(shù)的發(fā)展，智能交通系統(tǒng)中交通檢測(cè)已經(jīng)成為計(jì)算機(jī)視覺(jué)技術(shù)應(yīng)用的一項(xiàng)重要課題。序列圖像中車輛檢測(cè)與跟蹤在智能交通領(lǐng)域中起著關(guān)鍵作用。車輛檢測(cè)常用的方法有基于幀間的差分辦法、光流法和基于背景的差分辦法?；诒尘暗牟罘洲k法能解決基于幀間差分辦法和光流法中的問(wèn)題，并且計(jì)算簡(jiǎn)單，但是背景容易受到交通環(huán)境和光強(qiáng)度的影響，理想的背景不容易獲得，所以，自適應(yīng)環(huán)境變化的背景模型對(duì)運(yùn)動(dòng)車輛檢測(cè)的精確性起著非常重要的作用。

　　1 算法描述

　　算法（Algorithm）是一系列解決問(wèn)題的清晰指令，算法代表著用系統(tǒng)的方法描述解決問(wèn)題的策略機(jī)制。也就是說(shuō)，能夠?qū)σ欢ㄒ?guī)范的輸入，在有限時(shí)間內(nèi)獲得所要求的輸出。如果一個(gè)算法有缺陷，或不適合于某個(gè)問(wèn)題，執(zhí)行這個(gè)算法將不會(huì)解決這個(gè)問(wèn)題。不同的算法可能用不同的時(shí)間、空間或效率來(lái)完成同樣的任務(wù)。一個(gè)算法的優(yōu)劣可以用空間復(fù)雜度與時(shí)間復(fù)雜度來(lái)衡量。

　　智能交通系統(tǒng)是目前世界和各國(guó)交通運(yùn)輸領(lǐng)域競(jìng)先研究和開(kāi)發(fā)的熱點(diǎn)，基于背景差分的辦法是從視頻流中檢測(cè)運(yùn)動(dòng)物體常用的方法，是目前研究的重點(diǎn)。由于受到交通狀況、天氣和光強(qiáng)度等因素的影響，不容易獲得理想的背景，尤其在交通堵塞、車輛行動(dòng)緩慢或者臨時(shí)停車等情況下，背景更新率低。

　　圖1為車輛檢測(cè)流程圖。首先，建立基于區(qū)間分布的快速自適應(yīng)背景模型，然后利用改進(jìn)的基于ε-δ的背景更新算法對(duì)建立的背景模型進(jìn)行選擇性更新，結(jié)合閾值分割和形態(tài)學(xué)操作實(shí)現(xiàn)運(yùn)動(dòng)車輛的提取。實(shí)驗(yàn)結(jié)果表明，本文提出的算法對(duì)于復(fù)雜交通環(huán)境（交通堵塞、車流量非常大、車流緩慢、交通堵塞或臨時(shí)停車等情況）有很好的背景提取和更新效果，與經(jīng)典的算法相比，在實(shí)時(shí)性和準(zhǔn)確性方面都有所提高。

　　2 自適應(yīng)背景模型

　　為了解決車輛檢測(cè)精確度問(wèn)題，國(guó)內(nèi)外學(xué)者在背景建模方面做了大量的研究。參考文獻(xiàn)[4]利用視頻圖像中最近N幀的像素點(diǎn)的平均值的作為背景模型，這種方法在多個(gè)運(yùn)動(dòng)目標(biāo)或者運(yùn)動(dòng)目標(biāo)行動(dòng)緩慢時(shí)，對(duì)于頻繁變化的像素，需要多個(gè)高斯混合分布才能反映背景像素的變化。這些方法要求在背景模型的建立過(guò)程中沒(méi)有運(yùn)動(dòng)車輛并且建立背景模型的時(shí)間較長(zhǎng)，不能滿足實(shí)際應(yīng)用的需要。本文提出簡(jiǎn)單有效的背景模型和更新的方法。

　　2.1 背景模型的建立

　　在視頻圖像序列中，可以統(tǒng)計(jì)出每個(gè)坐標(biāo)點(diǎn)像素值的分布，并設(shè)定出現(xiàn)頻率高的像素值作為背景模型中對(duì)應(yīng)點(diǎn)的像素值。但是這種方法計(jì)算量比較大，并且對(duì)光線和背景的逐漸改變適應(yīng)性差。