№．４ 陕西科技大学学报 Ａｕ．２０１１ｇＶｏｌ．２９ ＪＯＵＲＮＡＬＯＦＳＨＡＡＮＸＩＵＮＩＶＥＲＳＩＴＹＯＦＳＣＩＥＮＣＥ ＆ＴＥＣＨＮＯＬＯＧＹ · ３９·（）１０００５８１１２０１１０４００３９０４－－－ 文章编号：
基于视频的改进背景差分法车辆检测与遮挡分离
李秦君，党宏社，王明伟
（）陕西科技大学电气与信息工程学院，陕西西安 ７１００２１
摘 要：视频检测法已成为智能交通系统领域中车辆检测技术的一个研究热点．作者构建了一
个基于智能交通的视频目标检测与遮挡粘连检测及分割系统，提出了采用改进的基于自适应
背景更新的背景差分法检测运动目标，通过对视频序列图像的分析，先分割图像，获得前景运
动车辆目标及剪除前景对象后的背景图像，然后采用背景自适应更新、动态阈值更新、背景自
动提取等方法实现，研究了车辆间遮挡粘连的检测和对象分离的方法．
关键词：视频；车辆检测；背景差分法；遮挡检测
中图法分类号：ＴＮ９５７．５１ 文献标识码：Ａ
０ 引 言
视频监控方法通过分析拍摄的交通图像序列，对交通目标进行检测、识别和跟踪，并对其行为进行分析和判断．与其它检测手段相比，视频监控方式可以同时获得多种重要路况状态信息，有利于实现交通管理的智能化，具有很大的发展潜力．
在智能交通视频监控中，无论采用什么解决方案，首先必须能够检测分割出交通场景中的目标．因此，车辆检测与分割方法的研究，在交通视频监控系统中具有重要的意义．背景差分法是当前应用比较广泛的一种方法，该方法是在假定获得理想背景图的基础上，将当前输入各帧图像和理想背景图像相减，得到的像素值非零（实际应用中会设定一个阈值）部分即为运动物体，这样无论什么场景都会比较精确地得到运动区域，但是背景容易受环境、天气和光线变化的影响，因此需要不断地更新．车辆分割的难点主要是场景中存在的阴影以及车辆间的遮挡粘连，针对这种情况，本文提出采用基于自适应背景更新的背景差分方法检测运动目标，并研究了车辆间遮挡粘连的分割方法．
１ 视频图像分割及车辆分离
探测车辆的第一步是分割图像从而将车辆从背景中分离出来．分割方法需要精确地从背景中分离出车辆，并且要求速度快，能实时操作，不受光线和天气条件变化的影响，初始化步骤尽可能减少．我们选择采用自适应背景差分法来实现分割，其中我们采用了一种更简单、更可靠的方法来实现背景更新．此外，我
（们的方法自动地从视频序列提取背景，所以不需要手动初始化．我们的分割技术分为３个任务：分割；１）
１］（）（）背景更新；背景提取［２３．
１．１ 分割
对于每一个视频序列（简称当前图像）帧，我们提取当前图像与当前背景的差异给出差分图像．差分图
对象模型是一个二进制图像，其所有对应前景目标的像素值为１，像是给一个二进制对象模型设定阈值．
收稿日期：２０１１０６０９－－
，作者简介：李秦君（男，陕西省宝鸡市人，讲师，硕士，研究方向：电子信息技术、信息处理技术１９７７－）
），）基金项目：咸阳市２编号：陕西科技大学自然科学基金项目（编号：０１０年科技计划项目（２０１０Ｋ０８－０７ＺＸ０９－３３
陕西科技大学学报第２·４９卷０·
所有其它像素设置为０．
１．２ 自适应背景更新
该方法的基本原理是修改从当前图像（被称为当前背景）中减除前景对象所得到的背景图片，以便近
我们采用当前背景和当前视频序列帧的加权平均值来更新背景．然而，当前图像似于当前视频帧的背景，
也包含前景对象，因此在做更新前，我们需要把像素归类为前景和背景的像素，然后只使用从当前图像得到的背景像素来修改目前的背景．否则，背景图片会被前景中的物体污染．二进制对象的遮罩是用来区分背景像素与前景像素的，对象的遮罩作为选通功能决定哪些图片样本用于更新背景．在遮罩为０的位置（，，对应于背景像素）当前图像被采样．在遮罩为１的位置（对应前景像素）当前背景被采样．这样做得到的
）所示：结果就是我们所说的瞬时背景．将当前背景为瞬时，当前背景的加权平均值如式（１
（）ＣＢ＝ＩＢ＋（１－ＣＢ１αα）
分配给当前和瞬时背景的权重影响更新的速度．我们希望更新的速度足够快，以便能够迅速捕获光照变化，但同时又希望速度相对缓慢足以使瞬时变化（因为所谓的摄像机自动增益控制是被激活的）不需要持续过长时间．根据已有经验，确定权重为０．我们发现这样做可以得到更新速度和瞬时变化灵敏度的１，
２］最好折衷［．
１．３ 动态阈值更新
从当前背景中减除当前图像后，由此而产生差分图像阈值，得到二进制对象的区块．由于背景是动态变化的，因此静态阈值不能用于计算对象的区块．此外，由于对象的遮罩本身是用于更新当前背景的，不良
因此我们需要一种在当前背景变化时及时更新阈值的方法，将差分图像用的阈值设定将导致不良的分割，
于更新阈值．在我们的图像中，背景是图像的主要组成部分，因此差分图像应该主要由大量低值像素以及少量高值像素构成．我们用这样一个直观现象来确定阈值，在差分图像直方图中低值像素取值高而高值像素取值低．
１．４ 背景自动提取
在公路交通视频序列中，可能无法获取背景图像．一种实用的方法可以自动地从视频图像序列中提取出背景来．这里，我们假设背景是静止的，任何具有显著运动的对象都被认为是前景的一部分．我们所提的方法以视频图像为对象，并逐步建立随时间变化的背景图像
．
图１ 在照明条件下背景的自适应改变
上述背景和阈值是以周期性的时间间隔定期进行更新的．为了提取背景，我们通过从两个连续更新间隔中减除图像的方法计算二进制运动遮罩，所有在这些更新间隔之间有移动的像素都被认为是前景的一
（（（部分．为了计算帧ｉ的运动遮罩，使用从一个更新间隔ｉ到另一个更新间隔ｉ的二进制ＭＭｉ）ＯＭｉ）ＯＭｉ）
）对象遮罩．运动遮罩由公式（计算得到：２
·４１·
（）ＭＭｉ＝～ＯＭｉ－１·ＯＭｉ２
该运动遮罩现在用作选择函数来计算如上所述的瞬时背景．在整个一帧序列中的当前背景等同于在第４期李秦君等：基于视频的改进背景差分法车辆检测与遮挡分离当前图像中的背景．
１．５ 自适应背景减除结果
（）））如图１所示，说明了上述自适应背景减除法的有效性．图２（是白天的图像，这幅图像作为ａｅａ～（
（））、（））算法的初始背景．图２是在黄昏时的相同图像．图２（和（显示背景自适应算法如何更新背景，ｂｃｄｅ
３］（）使得它密切匹配图２的背景［ｂ．
２ 粘连遮挡的检测和对象分离
在这里，我们提出粘连检测与分割技术．通过分析运动区块的融合区域及其轨迹，我们可以找出粘连阻塞的发生情况．
２．１ 运动估计
运动车辆被视为刚体运动．我们使用块匹配的方法，搜索每个像素的运动矢量．块匹配不能提供精确
（）的运动矢量，尤其是对平滑区域而言．我们补充添加两个约束条件来提高运动矢量精度：只对纹理区块１
（）做块匹配，块匹配搜索过程是在某个固定的方向上运行的（因为车辆是向一个固定方向移动的）固定２．
方向块匹配方法需要的计算较少，并产生相对于传统的全搜索方法而言更精确的运动矢量．
２．２ 运动矢量变换
）由于存在立体投影，运动矢量将同一车辆对象归在相同的图像中是不均匀的，如图２（所示．我们设ａ
（）计一种运动矢量变换方法来将非均匀运动区块转换为均匀运动区块，如图２所示
．ｂ
由于运动区块的方向并不随投影而改变，因此我
们只需要找到一个转换函数，使同一运动对象区域的
运动向量数量相等．在这里，我们校正同一车辆的运
取在运动区域质心的运动向量作为动区块使之均匀，
参考，并变换位于同一区域的所有运动向量为参考速
率．由于车辆是在固定方向上运动的，因此所确定的
要找到每个路径的参考速运动矢量的方向是相同的．
我们将车辆经过第Ｋ个图像帧的质心时的速度度，
进行平均．
在每一个位置上，我们通过乘一个比例因子将运动矢量变换为一个常数．对于在同一路径上不同速率
，，和（我们应用缩放比例并进行运动矢量补偿．在同一个路径上的速率应是一样的，的任意两点（′）ｉｉ′，ｊ）ｊ
每个运动矢量的比例因子是经离线训练过程而获得的．在训练过程中，为每个路径ｐ及每个图像帧给定一组运动矢量和一组运动矢量常数．在每个位置，我们可以从训练图像序列得到一系列的比例因子，然后
４，５］通过采取平均值得到最终的比例因子［．图２ 运动矢量变换
２．３ 遮挡检测和隔离区
有两种方法来检测阻塞：轨迹不连续检测法和运动区域分析法．运动矢量校准后，如果一个二进制小圆点的运动区块不均匀，则我们就知道发生了闭塞．一个区域的均匀性取决于其对指定区域的运动区块的方差．如果方差较大，且超过一定的阈值，那么该区域是一个可能的闭塞区域．但是，如果二进制小圆形区域尺寸过小，那么就不可能是闭塞了．基于两辆车闭塞区域的运动区块的均匀性，我们可以将闭塞区域分
？可能会在闭塞轮廓中发现两割为两个独立的区域．由于两车的速度是不同的，在运动矢量校准后，我们？
套运动矢量．在确定好阈值以后，我们可以将运动区块划分为两个不同的区块，将相应区域分割为两个分离的区域．
，在这里，我们提出一种分割方法，消除所谓的“切割区”将闭塞区域分隔成两个独立的区域．为了找到
陕西科技大学学报第２·４９卷２·
切割区域，我们使用标签标注方法将闭塞区域标注为两个区域．该标记法在侧
然后我们使用形态学膨胀的方法扩大标面剪影中找到两个不同的运动区块，
记的区域，这两个区块将相互重叠交叉，并生成一个名为“切割区域”的交叉区
域，如图３所示．
通过消除切割区域，我们可以将二进制侧面剪影切割成两个对象．分裂的
图３ 切割区域提取区域可能不够精确，我们用开放操作将两个区域分离开，如图４所示．但是，开
如果操作的对象核心的尺寸太小，
则开放操放操作将危及分离的二进制剪影，
作不能有效地分离两个车辆，因此我们最好的权衡
是选择可以分割这两辆车的开放核心．如果这两辆车
都是可分离的，那么至少有一辆车可以被识别出，否
图４ 遮挡区域分离
６，７］无法识别了［．则如果这两辆车仍然闭合的像一辆车，则这种合并就
３ 结束语
对于来自公路上的视频监控图像，本文提出了一种自适应背景更新的车辆检测法，能够自动提取并自动更新背景，满足车辆检测及背景更新的实时性要求，同时能适应环境变化，此外文中还研究了车辆间粘连遮挡的检测和对象分离的方法．
参考文献
［］，，［１Ｂ．Ｌ．ＴｓｅｎＣ．ＬｉｎＪ．Ｒ．Ｓｍｉｔｈ．ＲｅａｌｉｍｅＶｉｄｅｏＳｕｒｖｅｉｌｌａｎｃｅｆｏｒＴｒａｆｆｉｃＭｏｎｉｔｏｒｉｎＵｓｉｎＶｉｒｔｕａｌＬｉｎｅＡｎａｌｓｉｓＣ］．Ｐｒｏｃ．ｏｆ ｇｇｇｙ －Ｔ
２００２，２００２：５４１５４４．ＩＣＭＥ’－
［］严捷丰．交通视频监控中的车辆检测与分割方法研究［中国科学技术大学博士学位论文，２Ｄ］．合肥：２００８：４８５７．－
［］，，，［］３ＳｕｒｅｎｄｒａＧｕｔｅＯｓａｍａＭａｓｏｕｄＲｏｂｅｒｔＦ．Ｋ．Ｍａｒｔｉｎｅｔａｌ．ＤｅｔｅｃｔｉｏｎａｎｄｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｖｅｈｉｃｌｅｓＪ．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎ ｐ－
，（），ｔｅｌｌｉｅｎｔＴｒａｎｓｏｒｔａｔｉｏｎＳｓｔｅｍｓ２００２，３１４１３４１７． －ｇｐｙ
［］林海涵，唐慧明．］（）：基于视频的车辆检测和分析算法［江南大学学报（自然科学版），４Ｊ．２００７，６３３２３３２６．－
［］张玲，陈丽敏，］（）：何伟，等．基于视频的改进帧差法在车流量检测中的应用［重庆大学学报，５Ｊ．２００４，２７５３１３４．－
［］吴江，］）：宜国荣，郑振东．基于视频动态投影的实时车辆流量检测系统［计算机工程，６Ｊ．２００１，２７（１１２５６４．－
ＶＩＤＥＯ－ＢＡＳＥＤ ＭＯＤＩＦＩＥＤＢＡＣＫＧＲＯＵＮＤＤＩＦＦＥＲＥＮＣＥ ＭＥＴＨＯＤ
ＤＥＴＥＣＴＩＯＮＡＮＤＯＣＣＬＵＳＩＯＮＳＥＰＡＲＡＴＩＯＮＶＥＨＩＣＬＥ
，ＷＡＮＧ ＬＩＱｉｎＤＡＮＧ ＨｏｎｓｈｅＭｉｎｕｎ，ｗｅｉ ｇｊｇ－－－
（，Ｓ，ＸｉｎｅｅｒｉｎＳｃｈｏｏｌｏｆＥｌｅｃｔｒｉｃａｌａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｈａａｎｘｉＵｎｉｖｅｒｓｉｔｏｆＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｉ′ａｎ ｇｇｙｇｙ
）７１００２１，Ｃｈｉｎａ
：ＡｂｓｔｒａｃｔＶｉｄｅｏｄｅｔｅｃｔｉｏｎｈａｓｂｅｃｏｍｅａｖｅｈｉｃｌｅｄｅｔｅｃｔｉｏｎｔｅｃｈｎｏｌｏｒｅｓｅａｒｃｈｆｏｃｕｓｉｎｔｈｅｆｉｅｌｄ ｇｙ
ｏｆｉｎｔｅｌｌｉｅｎｔｔｒａｎｓｏｒｔａｔｉｏｎｓｓｔｅｍ．Ｗｅｂｕｉｌｄａｖｉｄｅｏｂａｓｅｄｔａｒｅｔｄｅｔｅｃｔｉｏｎａｎｄｏｃｃｌｕｓｉｏｎ ｇｐｙｇ－
ｄｅｔｅｃｔｉｏｎａｎｄｓｅｍｅｎｔａｔｉｏｎｉｎｉｎｔｅｌｌｉｅｎｔｔｒａｎｓｏｒｔａｔｉｏｎｓｓｔｅｍ，ｒｏｏｓｅｄａｍｏｄｉｆｉｅｄｂａｃｋ ｇｇｐｙｐｐ－
，ｒｏｕｎｄｓｕｂｔｒａｃｔｉｏｎｍｏｖｉｎｔａｒｅｔｓｄｅｔｅｃｔｉｏｎｂａｓｅｄｏｎａｄａｔｉｖｅｂａｃｋｒｏｕｎｄｕｄａｔｉｎｔｈｒｏｕｈ ｇｇｇｐｇｐｇｇ
，ａｎａｌｓｉｓｔｏｔｈｅｖｉｄｅｏｉｍａｅｓｅｕｅｎｃｅｓｅｍｅｎｔｅｄｉｍａｅｔｏｏｂｔａｉｎｆｏｒｅｒｏｕｎｄｍｏｖｉｎｖｅｔｈｅ ｙｇｑｇｇｇｇ －
，，ｄｈｉｃｌｅｓａｎｄｔｈｅｂａｃｋｒｏｕｎｄｉｍａｅａｎｄｔｈｅｎａｄｏｔａｄａｔｉｖｅｂａｃｋｒｏｕｎｄｕｄａｔｅｎａｍｉｃ ｇｇｐｐｇｐｙ
，ｔｈｒｅｓｈｏｌｄｕｄａｔｉｎａｕｔｏｍａｔｉｃｅｘｔｒａｃｔｉｏｎｂａｃｋｒｏｕｎｄｔｏｒｅａｌｉｚｅｔｈｅａｉｍ．Ｒｅｓｅａｒｃｈｔｈｅｏｃｃｌｕ ｐｇｇ－
ｓｉｏｎｄｅｔｅｃｔｉｏｎｂｅｔｗｅｅｎｖｅｈｉｃｌｅｓａｎｄｏｂｅｃｔｓｅａｒａｔｉｏｎｍｅｔｈｏｄ． ｊｐ
：；；；Ｋｅｗｏｒｄｓｖｉｄｅｏｖｅｈｉｃｌｅｄｅｔｅｃｔｉｏｎｂａｃｋｒｏｕｎｄｄｉｆｆｅｒｅｎｃｅｍｅｔｈｏｄｏｃｃｌｕｓｉｏｎｄｅｔｅｃｔｉｏｎ ｇｙ
№．４ 陕西科技大学学报 Ａｕ．２０１１ｇＶｏｌ．２９ ＪＯＵＲＮＡＬＯＦＳＨＡＡＮＸＩＵＮＩＶＥＲＳＩＴＹＯＦＳＣＩＥＮＣＥ ＆ＴＥＣＨＮＯＬＯＧＹ · ３９·（）１０００５８１１２０１１０４００３９０４－－－ 文章编号：
基于视频的改进背景差分法车辆检测与遮挡分离
李秦君，党宏社，王明伟
（）陕西科技大学电气与信息工程学院，陕西西安 ７１００２１
摘 要：视频检测法已成为智能交通系统领域中车辆检测技术的一个研究热点．作者构建了一
个基于智能交通的视频目标检测与遮挡粘连检测及分割系统，提出了采用改进的基于自适应
背景更新的背景差分法检测运动目标，通过对视频序列图像的分析，先分割图像，获得前景运
动车辆目标及剪除前景对象后的背景图像，然后采用背景自适应更新、动态阈值更新、背景自
动提取等方法实现，研究了车辆间遮挡粘连的检测和对象分离的方法．
关键词：视频；车辆检测；背景差分法；遮挡检测
中图法分类号：ＴＮ９５７．５１ 文献标识码：Ａ
０ 引 言
视频监控方法通过分析拍摄的交通图像序列，对交通目标进行检测、识别和跟踪，并对其行为进行分析和判断．与其它检测手段相比，视频监控方式可以同时获得多种重要路况状态信息，有利于实现交通管理的智能化，具有很大的发展潜力．
在智能交通视频监控中，无论采用什么解决方案，首先必须能够检测分割出交通场景中的目标．因此，车辆检测与分割方法的研究，在交通视频监控系统中具有重要的意义．背景差分法是当前应用比较广泛的一种方法，该方法是在假定获得理想背景图的基础上，将当前输入各帧图像和理想背景图像相减，得到的像素值非零（实际应用中会设定一个阈值）部分即为运动物体，这样无论什么场景都会比较精确地得到运动区域，但是背景容易受环境、天气和光线变化的影响，因此需要不断地更新．车辆分割的难点主要是场景中存在的阴影以及车辆间的遮挡粘连，针对这种情况，本文提出采用基于自适应背景更新的背景差分方法检测运动目标，并研究了车辆间遮挡粘连的分割方法．
１ 视频图像分割及车辆分离
探测车辆的第一步是分割图像从而将车辆从背景中分离出来．分割方法需要精确地从背景中分离出车辆，并且要求速度快，能实时操作，不受光线和天气条件变化的影响，初始化步骤尽可能减少．我们选择采用自适应背景差分法来实现分割，其中我们采用了一种更简单、更可靠的方法来实现背景更新．此外，我
（们的方法自动地从视频序列提取背景，所以不需要手动初始化．我们的分割技术分为３个任务：分割；１）
１］（）（）背景更新；背景提取［２３．
１．１ 分割
对于每一个视频序列（简称当前图像）帧，我们提取当前图像与当前背景的差异给出差分图像．差分图
对象模型是一个二进制图像，其所有对应前景目标的像素值为１，像是给一个二进制对象模型设定阈值．
收稿日期：２０１１０６０９－－
，作者简介：李秦君（男，陕西省宝鸡市人，讲师，硕士，研究方向：电子信息技术、信息处理技术１９７７－）
），）基金项目：咸阳市２编号：陕西科技大学自然科学基金项目（编号：０１０年科技计划项目（２０１０Ｋ０８－０７ＺＸ０９－３３
陕西科技大学学报第２·４９卷０·
所有其它像素设置为０．
１．２ 自适应背景更新
该方法的基本原理是修改从当前图像（被称为当前背景）中减除前景对象所得到的背景图片，以便近
我们采用当前背景和当前视频序列帧的加权平均值来更新背景．然而，当前图像似于当前视频帧的背景，
也包含前景对象，因此在做更新前，我们需要把像素归类为前景和背景的像素，然后只使用从当前图像得到的背景像素来修改目前的背景．否则，背景图片会被前景中的物体污染．二进制对象的遮罩是用来区分背景像素与前景像素的，对象的遮罩作为选通功能决定哪些图片样本用于更新背景．在遮罩为０的位置（，，对应于背景像素）当前图像被采样．在遮罩为１的位置（对应前景像素）当前背景被采样．这样做得到的
）所示：结果就是我们所说的瞬时背景．将当前背景为瞬时，当前背景的加权平均值如式（１
（）ＣＢ＝ＩＢ＋（１－ＣＢ１αα）
分配给当前和瞬时背景的权重影响更新的速度．我们希望更新的速度足够快，以便能够迅速捕获光照变化，但同时又希望速度相对缓慢足以使瞬时变化（因为所谓的摄像机自动增益控制是被激活的）不需要持续过长时间．根据已有经验，确定权重为０．我们发现这样做可以得到更新速度和瞬时变化灵敏度的１，
２］最好折衷［．
１．３ 动态阈值更新
从当前背景中减除当前图像后，由此而产生差分图像阈值，得到二进制对象的区块．由于背景是动态变化的，因此静态阈值不能用于计算对象的区块．此外，由于对象的遮罩本身是用于更新当前背景的，不良
因此我们需要一种在当前背景变化时及时更新阈值的方法，将差分图像用的阈值设定将导致不良的分割，
于更新阈值．在我们的图像中，背景是图像的主要组成部分，因此差分图像应该主要由大量低值像素以及少量高值像素构成．我们用这样一个直观现象来确定阈值，在差分图像直方图中低值像素取值高而高值像素取值低．
１．４ 背景自动提取
在公路交通视频序列中，可能无法获取背景图像．一种实用的方法可以自动地从视频图像序列中提取出背景来．这里，我们假设背景是静止的，任何具有显著运动的对象都被认为是前景的一部分．我们所提的方法以视频图像为对象，并逐步建立随时间变化的背景图像
．
图１ 在照明条件下背景的自适应改变
上述背景和阈值是以周期性的时间间隔定期进行更新的．为了提取背景，我们通过从两个连续更新间隔中减除图像的方法计算二进制运动遮罩，所有在这些更新间隔之间有移动的像素都被认为是前景的一
（（（部分．为了计算帧ｉ的运动遮罩，使用从一个更新间隔ｉ到另一个更新间隔ｉ的二进制ＭＭｉ）ＯＭｉ）ＯＭｉ）
）对象遮罩．运动遮罩由公式（计算得到：２
·４１·
（）ＭＭｉ＝～ＯＭｉ－１·ＯＭｉ２
该运动遮罩现在用作选择函数来计算如上所述的瞬时背景．在整个一帧序列中的当前背景等同于在第４期李秦君等：基于视频的改进背景差分法车辆检测与遮挡分离当前图像中的背景．
１．５ 自适应背景减除结果
（）））如图１所示，说明了上述自适应背景减除法的有效性．图２（是白天的图像，这幅图像作为ａｅａ～（
（））、（））算法的初始背景．图２是在黄昏时的相同图像．图２（和（显示背景自适应算法如何更新背景，ｂｃｄｅ
３］（）使得它密切匹配图２的背景［ｂ．
２ 粘连遮挡的检测和对象分离
在这里，我们提出粘连检测与分割技术．通过分析运动区块的融合区域及其轨迹，我们可以找出粘连阻塞的发生情况．
２．１ 运动估计
运动车辆被视为刚体运动．我们使用块匹配的方法，搜索每个像素的运动矢量．块匹配不能提供精确
（）的运动矢量，尤其是对平滑区域而言．我们补充添加两个约束条件来提高运动矢量精度：只对纹理区块１
（）做块匹配，块匹配搜索过程是在某个固定的方向上运行的（因为车辆是向一个固定方向移动的）固定２．
方向块匹配方法需要的计算较少，并产生相对于传统的全搜索方法而言更精确的运动矢量．
２．２ 运动矢量变换
）由于存在立体投影，运动矢量将同一车辆对象归在相同的图像中是不均匀的，如图２（所示．我们设ａ
（）计一种运动矢量变换方法来将非均匀运动区块转换为均匀运动区块，如图２所示
．ｂ
由于运动区块的方向并不随投影而改变，因此我
们只需要找到一个转换函数，使同一运动对象区域的
运动向量数量相等．在这里，我们校正同一车辆的运
取在运动区域质心的运动向量作为动区块使之均匀，
参考，并变换位于同一区域的所有运动向量为参考速
率．由于车辆是在固定方向上运动的，因此所确定的
要找到每个路径的参考速运动矢量的方向是相同的．
我们将车辆经过第Ｋ个图像帧的质心时的速度度，
进行平均．
在每一个位置上，我们通过乘一个比例因子将运动矢量变换为一个常数．对于在同一路径上不同速率
，，和（我们应用缩放比例并进行运动矢量补偿．在同一个路径上的速率应是一样的，的任意两点（′）ｉｉ′，ｊ）ｊ
每个运动矢量的比例因子是经离线训练过程而获得的．在训练过程中，为每个路径ｐ及每个图像帧给定一组运动矢量和一组运动矢量常数．在每个位置，我们可以从训练图像序列得到一系列的比例因子，然后
４，５］通过采取平均值得到最终的比例因子［．图２ 运动矢量变换
２．３ 遮挡检测和隔离区
有两种方法来检测阻塞：轨迹不连续检测法和运动区域分析法．运动矢量校准后，如果一个二进制小圆点的运动区块不均匀，则我们就知道发生了闭塞．一个区域的均匀性取决于其对指定区域的运动区块的方差．如果方差较大，且超过一定的阈值，那么该区域是一个可能的闭塞区域．但是，如果二进制小圆形区域尺寸过小，那么就不可能是闭塞了．基于两辆车闭塞区域的运动区块的均匀性，我们可以将闭塞区域分
？可能会在闭塞轮廓中发现两割为两个独立的区域．由于两车的速度是不同的，在运动矢量校准后，我们？
套运动矢量．在确定好阈值以后，我们可以将运动区块划分为两个不同的区块，将相应区域分割为两个分离的区域．
，在这里，我们提出一种分割方法，消除所谓的“切割区”将闭塞区域分隔成两个独立的区域．为了找到
陕西科技大学学报第２·４９卷２·
切割区域，我们使用标签标注方法将闭塞区域标注为两个区域．该标记法在侧
然后我们使用形态学膨胀的方法扩大标面剪影中找到两个不同的运动区块，
记的区域，这两个区块将相互重叠交叉，并生成一个名为“切割区域”的交叉区
域，如图３所示．
通过消除切割区域，我们可以将二进制侧面剪影切割成两个对象．分裂的
图３ 切割区域提取区域可能不够精确，我们用开放操作将两个区域分离开，如图４所示．但是，开
如果操作的对象核心的尺寸太小，
则开放操放操作将危及分离的二进制剪影，
作不能有效地分离两个车辆，因此我们最好的权衡
是选择可以分割这两辆车的开放核心．如果这两辆车
都是可分离的，那么至少有一辆车可以被识别出，否
图４ 遮挡区域分离
６，７］无法识别了［．则如果这两辆车仍然闭合的像一辆车，则这种合并就
３ 结束语
对于来自公路上的视频监控图像，本文提出了一种自适应背景更新的车辆检测法，能够自动提取并自动更新背景，满足车辆检测及背景更新的实时性要求，同时能适应环境变化，此外文中还研究了车辆间粘连遮挡的检测和对象分离的方法．
参考文献
［］，，［１Ｂ．Ｌ．ＴｓｅｎＣ．ＬｉｎＪ．Ｒ．Ｓｍｉｔｈ．ＲｅａｌｉｍｅＶｉｄｅｏＳｕｒｖｅｉｌｌａｎｃｅｆｏｒＴｒａｆｆｉｃＭｏｎｉｔｏｒｉｎＵｓｉｎＶｉｒｔｕａｌＬｉｎｅＡｎａｌｓｉｓＣ］．Ｐｒｏｃ．ｏｆ ｇｇｇｙ －Ｔ
２００２，２００２：５４１５４４．ＩＣＭＥ’－
［］严捷丰．交通视频监控中的车辆检测与分割方法研究［中国科学技术大学博士学位论文，２Ｄ］．合肥：２００８：４８５７．－
［］，，，［］３ＳｕｒｅｎｄｒａＧｕｔｅＯｓａｍａＭａｓｏｕｄＲｏｂｅｒｔＦ．Ｋ．Ｍａｒｔｉｎｅｔａｌ．ＤｅｔｅｃｔｉｏｎａｎｄｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｖｅｈｉｃｌｅｓＪ．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎ ｐ－
，（），ｔｅｌｌｉｅｎｔＴｒａｎｓｏｒｔａｔｉｏｎＳｓｔｅｍｓ２００２，３１４１３４１７． －ｇｐｙ
［］林海涵，唐慧明．］（）：基于视频的车辆检测和分析算法［江南大学学报（自然科学版），４Ｊ．２００７，６３３２３３２６．－
［］张玲，陈丽敏，］（）：何伟，等．基于视频的改进帧差法在车流量检测中的应用［重庆大学学报，５Ｊ．２００４，２７５３１３４．－
［］吴江，］）：宜国荣，郑振东．基于视频动态投影的实时车辆流量检测系统［计算机工程，６Ｊ．２００１，２７（１１２５６４．－
ＶＩＤＥＯ－ＢＡＳＥＤ ＭＯＤＩＦＩＥＤＢＡＣＫＧＲＯＵＮＤＤＩＦＦＥＲＥＮＣＥ ＭＥＴＨＯＤ
ＤＥＴＥＣＴＩＯＮＡＮＤＯＣＣＬＵＳＩＯＮＳＥＰＡＲＡＴＩＯＮＶＥＨＩＣＬＥ
，ＷＡＮＧ ＬＩＱｉｎＤＡＮＧ ＨｏｎｓｈｅＭｉｎｕｎ，ｗｅｉ ｇｊｇ－－－
（，Ｓ，ＸｉｎｅｅｒｉｎＳｃｈｏｏｌｏｆＥｌｅｃｔｒｉｃａｌａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｈａａｎｘｉＵｎｉｖｅｒｓｉｔｏｆＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｉ′ａｎ ｇｇｙｇｙ
）７１００２１，Ｃｈｉｎａ
：ＡｂｓｔｒａｃｔＶｉｄｅｏｄｅｔｅｃｔｉｏｎｈａｓｂｅｃｏｍｅａｖｅｈｉｃｌｅｄｅｔｅｃｔｉｏｎｔｅｃｈｎｏｌｏｒｅｓｅａｒｃｈｆｏｃｕｓｉｎｔｈｅｆｉｅｌｄ ｇｙ
ｏｆｉｎｔｅｌｌｉｅｎｔｔｒａｎｓｏｒｔａｔｉｏｎｓｓｔｅｍ．Ｗｅｂｕｉｌｄａｖｉｄｅｏｂａｓｅｄｔａｒｅｔｄｅｔｅｃｔｉｏｎａｎｄｏｃｃｌｕｓｉｏｎ ｇｐｙｇ－
ｄｅｔｅｃｔｉｏｎａｎｄｓｅｍｅｎｔａｔｉｏｎｉｎｉｎｔｅｌｌｉｅｎｔｔｒａｎｓｏｒｔａｔｉｏｎｓｓｔｅｍ，ｒｏｏｓｅｄａｍｏｄｉｆｉｅｄｂａｃｋ ｇｇｐｙｐｐ－
，ｒｏｕｎｄｓｕｂｔｒａｃｔｉｏｎｍｏｖｉｎｔａｒｅｔｓｄｅｔｅｃｔｉｏｎｂａｓｅｄｏｎａｄａｔｉｖｅｂａｃｋｒｏｕｎｄｕｄａｔｉｎｔｈｒｏｕｈ ｇｇｇｐｇｐｇｇ
，ａｎａｌｓｉｓｔｏｔｈｅｖｉｄｅｏｉｍａｅｓｅｕｅｎｃｅｓｅｍｅｎｔｅｄｉｍａｅｔｏｏｂｔａｉｎｆｏｒｅｒｏｕｎｄｍｏｖｉｎｖｅｔｈｅ ｙｇｑｇｇｇｇ －
，，ｄｈｉｃｌｅｓａｎｄｔｈｅｂａｃｋｒｏｕｎｄｉｍａｅａｎｄｔｈｅｎａｄｏｔａｄａｔｉｖｅｂａｃｋｒｏｕｎｄｕｄａｔｅｎａｍｉｃ ｇｇｐｐｇｐｙ
，ｔｈｒｅｓｈｏｌｄｕｄａｔｉｎａｕｔｏｍａｔｉｃｅｘｔｒａｃｔｉｏｎｂａｃｋｒｏｕｎｄｔｏｒｅａｌｉｚｅｔｈｅａｉｍ．Ｒｅｓｅａｒｃｈｔｈｅｏｃｃｌｕ ｐｇｇ－
ｓｉｏｎｄｅｔｅｃｔｉｏｎｂｅｔｗｅｅｎｖｅｈｉｃｌｅｓａｎｄｏｂｅｃｔｓｅａｒａｔｉｏｎｍｅｔｈｏｄ． ｊｐ
：；；；Ｋｅｗｏｒｄｓｖｉｄｅｏｖｅｈｉｃｌｅｄｅｔｅｃｔｉｏｎｂａｃｋｒｏｕｎｄｄｉｆｆｅｒｅｎｃｅｍｅｔｈｏｄｏｃｃｌｕｓｉｏｎｄｅｔｅｃｔｉｏｎ ｇｙ