[发明专利]一种基于背景更新与粒子群算法的运动车辆检测方法

说明书

技术领域

本发明涉及计算机视觉技术领域，尤其是一种基于背景更新与粒子群算法的运动车辆的检测方法。

背景技术

随着经济和科技的快速发展，人们的生活水平不断提高，交通工具逐渐被汽车所取代。车辆数量的增加在一定程度上解决了人们的出行问题并带来很大的便利，但是随着汽车数量的增加给交通带来了很大的压力，交通问题日益严重，车辆违章、交通秩序混乱、交通污染、交通拥堵。扩建公路、车辆限行短时间内解决了交通拥堵，但投入大量的人力、物力在解决交通问题上变得越来越不现实。因此，仅仅依靠增加人力和交通设施是不能改善恶劣的交通环境的。如何有效地解决交通问题是人们关注的焦点。

近年来，智能交通监控系统的应用越来越广泛，智能交通监控系统是将传感技术、数据传输技术、计算机视觉技术等先进技术有效地综合运用到交通系统中。它是一种高效、准确、全方位、实时监控的综合系统，无需人工监控，能够大范围发挥作用，使人、车、路更加协调地结合在一起，可以降低事故发生率，减少交通污染，从而提高交通运输效率及生产率。国内外不少学者通过视频监控对车辆进行检测、跟踪、车流量统计、车速监测等。车辆检测是实现车辆跟踪、车流量统计、车速监测的基础。对于车辆检测的研究，国内外学者做出了很大贡献。例如：WangY提出了一种基于联合随机域的运动车辆检测方法，该方法适用于存在运动阴影、灯光干扰以及各种天气状况，有效地实时检测视频流；ChenS采用基于三维大津法与高斯背景建模相结合的方法对运动车辆进行检测，该方法弥补了传统三维大津法的耗时和不满足实时需求的缺点；余烨提出了一种改进的Vibe的运动目标检测算法，为了避免样本的重复选取，该算法扩大了样本的取值范围，为了避免错误分类的扩散，采用了隔行更新方式更新像素邻域，采用小目标丢弃与空洞修复对检测结果进行优化，提高了检测效率；陈银提出了一种单高斯背景建模和meanshift原理相结合的方法进行运动目标检测，通过对更新后背景中不属于背景点的像素点进行meanshift修正，该方法克服了背景模型不能自适应更新的缺点；李响提出了一种基于局部运动补偿的二次分割目标检测的方法，该方法中采用两次分割有效地剔除了静态背景像素，得到前景目标和部分动态背景，为了降低噪声的影响，利用块匹配运动估计算法获得动态像素点的运动矢量，并补偿到运动初始区域；於时才提出了一种运动背景下的运动目标检测，该方法采用傅里叶变换进行背景补偿，采用六帧相邻图像差分相乘的方法增强运动目标的像素点，利用区域-分裂合并分割目标，是想了在复杂背景下较好地检测车运动运动目标；刘红海提出了一种采用随机样本来构建背景模型，将像素级更新和帧级更新相结合来进行背景更新，提高了响应速度。

然而，虽然以上方法能够很好地检测出运动目标，但在实际处理过程中上述方法都存在计算量大、实时性差、算法复杂等问题，不利于推广使用。

发明内容

本发明目的在于提供一种可实时更新背景图像并能提高运动目标提取准确性的基于背景更新与粒子群算法的运动车辆的检测方法。

为实现上述目的，本发明所述方法包括以下步骤：

(1)图像预处理

获取视频图像，对采集的视频图像采用双边滤波方法去除噪声；

(2)阈值分割

设定粒子群中各参数，并初始化粒子群，根据灰度图像直方图的熵函数的定义，计算各个粒子的适应度函数值，采用极大熵图像分割方法并结合粒子群优化算法，利用粒子群优化算法优化阈值，获取最优分割阈值；

(3)背景更新

读取经过双边滤波之后的图像序列，提取背景图像，采用Surendra算法进行背景实时更新；在背景实时更新过程中，采用步骤(2)中的方法获取图像最佳阈值从而得到二值图像，根据二值图像的像素值更新背景图像；

(4)背景差分

采用背景差分法将获取的实施背景图像与视频图像作差，得到运动车辆前景区域；采用步骤(2)中的方法获取准确阈值分割图像，得到运动车辆前景区域的二值图像；

(5)形态学处理

对二值图像进行形态学处理，去除不属于运动目标的区域，得到较完整的车辆图像信息。

步骤(2)中利用粒子群算法选取最优分割阈值的具体步骤为：

a、设定粒子群中各参数，并初始化粒子群，设定最大惯性因子W_max＝0.9，最小惯性因子W_min＝0.1，学习因子分别为C₁＝2.0，C₂＝2.0；

b、根据熵函数的定义计算各个粒子的适应度函数值；