跟着智能交通技能的开展，智能交通体系中交通检测现已成为核算机视觉技能运用的一项重要课题。序列图画中车辆检测与盯梢在智能交通范畴中起着要害作用。车辆检测常用的方法有依据帧间的差分方法、光流法和依据布景的差分方法。依据帧间的差分方法可以简略快速地提取出物体的运动信息，但存在检测出的运动方针方位不精确、物体在运动方向上被拉伸等问题，并且很难完成多方针检测。光流法因为噪声、多光源、暗影和遮挡等原因，核算出的光流场散布不十分牢靠，且光流场的核算实时性和实用性较差。依据布景的差分方法能处理依据帧间差分方法和光流法中的问题，并且核算简略,可是布景简略遭到交通环境和光强度的影响，抱负的布景不简略取得，所以，自习惯环境改动的布景模型对运动车辆检测的精确性起着十分重要的作用。
1 算法描绘
智能交通体系是现在国际和各国交通运输范畴竞先研讨和开发的热门，依据布景差分的方法是从视频流中检测运动物体常用的方法，是现在研讨的要点。因为遭到交通状况、气候和光强度等要素的影响，不简略取得抱负的布景，尤其在交通堵塞、车辆举动缓慢或许暂时泊车等状况下，布景更新率低。
图1为车辆检测流程图。首要，树立依据区间散布的快速自习惯布景模型，然后运用改善的依据ε-δ的布景更新算法对树立的布景模型进行选择性更新，结合阈值切割和形态学操作完成运动车辆的提取。该算法既坚持了较高的核算功率，也确保了杂乱城市交通环境中车辆检测的精确度。试验成果表明，本文提出的算法关于杂乱交通环境(交通堵塞、车流量十分大、车流缓慢、交通堵塞或暂时泊车等状况)有很好的布景提取和更新作用，与经典的算法(混合高斯均匀[1]、核密度估量[2])比较，在实时性和精确性方面都有所进步。
2 自习惯布景模型
为了处理车辆检测精确度问题，国内外学者在布景建模方面做了很多的研讨[3]。参考文献[4]运用视频图画中最近N帧的像素点的均匀值的作为布景模型，这种方法在多个运动方针或许运动方针举动缓慢时，布景会被远景方针污染。参考文献[5]运用前几帧的像素散布树立高斯散布模型，关于频频改动的像素，需求多个高斯混合散布[6]才干反映布景像素的改动。这些方法要求在布景模型的树立过程中没有运动车辆并且树立布景模型的时刻较长，不能满意实践运用的需求。本文提出简略有用的布景模型和更新的方法。
2.1 布景模型的树立
在视频图画序列中，可以核算出每个坐标点像素值的散布，并设定呈现频率高的像素值作为布景模型中对应点的像素值。可是这种方法核算量比较大，并且对光线和布景的逐步改动习惯性差。
在界说了ui(x,y)和Ci(x,y)后，树立布景模型的细节过程如下：
(1)确认当时像素归于哪个区间，设定为i。
(2)核算ui(x,y)和Ci(x,y)。
(3)依据Ci(x,y)把区间从小到大分类。
(4)设定Ci(x,y)最大的区间的ui(x,y)作为布景模型Mt中对应点的像素值。
(5)对视频流各帧一切像素点重复过程(1)~(4)。
2.2 布景模型更新
经过上述几个过程，得到能自习惯光强度改动的布景模型。但在车辆拥堵、暂时泊车或许车辆运动缓慢的状况下，布景模型简略犯错，导致车辆检测精确性下降。为了在杂乱交通状况下也能得到抱负的布景模型，论文在传统σ-δ布景更新方法[7]根底上提出了一个是否更新布景模型的判别标准。
3 运动方针提取
在取得重建的布景之后，可以依据当时图画和布景图画的差值求得运动方针。布景差图画为D(x,y)=I(x,y)-B(x,y)。图画中一切低于这一阈值的像素集将被界说为布景， 而高于这一阈值的像素集界说为运动方针。选用归一化的方法,即低于阈值的赋0值, 高于阈值的赋1值。不管以何种方法选取阈值, 取单阈值切割后的图画可界说为:
阈值切割的中心是阈值的选取问题。若阈值选取过大，会使车辆的某些部分被认为是布景，使得车辆图画残损，取得的车辆信息不精确；若阈值选取过小，因为光照的原因构成的暗影会和车辆粘连在一起，变成了车辆的一部分。因而选取适宜的阈值对运动车辆部分精确地提取出来十分要害。
本文选取依据最大方差理论的大津法作为视频车辆检测中阈值切割的处理算法。取阈值将物体从布景中分离出来,实践上便是将图画中的一切像素分为2组,或归于物体像素,或归于布景像素。由概率论中的理论得知,若使待切割的2组数据方差最大,则得到2组数据的错分概率最小。
经过阈值切割现已可以成功地切割出运动车辆。大津法切割得到的二值图画仍然在车辆内部存在黑色像素点的问题。为了使检测到的运动方针完好而接连，对布景帧差法得到的二值图画进行形态学胀大与腐蚀。试验证明，经过三次胀大与腐蚀之后的图画，可以根本添补运动方针的空泛。
4 试验成果
本文以智能交通中车辆主动监督体系为运用布景，经过试验证明提出方法的正确性。运用固定在三脚架上的摄像机在室外吸取不同场景的视频进行试验。试验渠道为PC机Matlab7.0仿真。
图3为自习惯布景模型的提取。选取特别的暂时泊车状况,本文提出的算法可以自习惯提取出布景模型。本文提出的算法在第621帧时可以得到抱负的布景模型,如图3所示；而运用高斯散布提取布景模型的方法则在1 460帧时才干取得如图所示的抱负的布景模型。所以该算法比传统的算法在核算速度上有所进步，可以实时性地检测出运动车辆。
图4为一段城市交通视频,图5为城市交通视频中暂时泊车状况,其间左下角为原始视频，右下角为本文算法提取的布景模型，左上角为检测出的运动物体，右上角为标定检测出的运动车辆。图4别离取了城市交通视频的第59帧和第114帧，图5选取了第618帧和第673帧，可以看出在繁忙的城市交通中，本文提出的算法可以精确地检测出运动车辆。
从图4中可以看出在城市交通场景中运动车辆可以实时地提取出抱负的布景模型。经过布景差分方法并结合阈值切割和形态学操作，精确地得到了运动区域。
从图5可以看到暂时泊车时，可以精确提取出布景模型。当车辆经过时间短的泊车又并入车流时，布景中这个车辆渐渐变得含糊，并且在运动方针提取时提取了该车辆。阐明该算法可以在进步核算速度的一起确保检测精确度。
本文以布景模型的树立和选择性更新为根底完成车辆检测。为了习惯快速改动的交通环境，本文提出一个自习惯的布景模型算法。在树立自习惯布景模型后，运用灰度图画与布景模型差分完成运动方针提取。结合依据最大方差理论的大津法求取阈值进行阈值切割，最终运用形态学胀大和腐蚀操作添补阈值切割后运动方针的空泛，标定出视频图画中的运动车辆。仿真试验证明，提出的算法在像素水平上树立自习惯光强度等环境改动布景模型，一起估量交通流量的巨细，经过对交通流量的估量判别是否更新布景模型。本文提出的算法关于杂乱交通环境(交通堵塞，车流量十分大，车流缓慢，交通堵塞或暂时泊车等状况)有很好的布景提取和更新作用，并且能实时精确地提取出运动车辆的完好信息。
