0 引言

基于视频的交通目标分割是图像处理技术在智能交通系统中一项重要应用。近年来，采用视频图像技术对道路上的动态和静态车辆目标进行检测已经是交通智能化的发展趋势。德国卡尔斯鲁厄技术实验室的Sommer等^[1]针对Faster R-CNN的生成候选区域集和检测器部分进行改进，使之能够更好地克服弱目标带来的特征损失。韩国延世大学的Hwang等^[2]提出一种分层概率网络系统，该方法用于道路交叉口的交通事故检测。土耳其伊斯坦布尔大学的Ömer等^[3]提出一种用于城市交叉口的交通事故检测算法，该算法利用轨迹聚类技术学习正常的交通轨迹，并通过隐马尔可夫聚类分析检测出异常的车辆轨迹，进而根据车辆每段轨迹的对数似然值的协方差进行事故检测。葡萄牙科英布拉大学的Monteiro等^[4]提出了一种基于缓存历史像素的停止车辆检测方法。吉林大学的王殿海等^[5]利用像素级时间序列特征检测静止物体，有效地识别禁停区域的停驶车辆。西北工业大学袁媛等^[6]提出了一种新的逐检测跟踪框架，用于道路交叉口的车辆跟踪。西安电子科技大学的宋彬等^[7]提出压缩感知和深度学习的车辆类型检测方法，使用压缩感知理论进行目标定位，生成目标显著性图，在使用卷积神经网络将其分为不同类型，能够较快速地进行多类车辆目标的分类。山东大学的刘朝晖等^[8]提出了雾天成像模型并分析了图像特征，使用快速区域卷积神经网络对4种程度的雾天目标进行检测，取得了较好的结果。中国海洋大学的刘鹏等^[9]提出了一种基于交通监控视频中运动车辆跟踪算法，使用当前帧中的车速和加速度定义帧间运动矢量，可以达到令人满意的跟踪精度并满足实时性要求。长安大学杨睿宁等^[10]提出了一种基于改进YOLOv5s的路侧目标检测模型，在检测精度、模型体积以及检测速度上相比现阶段算法模型有提升，该算法模型适用于复杂交通场景下的路侧目标检测任务。华北电力大学刘书刚等^[11]在YOLOv4中使用MobileNetV3结构替换YOLOv4的主干特征提取网络，同时在网络结构中加入注意力模块，有效提升检测精度，在优化交通场景目标检测上具有可行性。中国矿业大学袁小平等^[12]提出了一种基于YOLOv4框架的复杂交通场景下的目标检测算法，实时性有了显著提升，更加适用于复杂交通场景下的目标检测任务。

现阶段针对涉及交通场景下的车辆目标检测的研究主要集中在两个方面，其一是对于视频监控中动态目标的检测，其二是对于图像中静态车辆目标的检测，将两类目标检测统一使用视频技术处理的解决方案较匮乏。

1 交通视频图像试验仿真及经典模型存在问题分析

视频车辆检测的目的是将车辆区域从交通背景中提取出来。车辆区域的有效分割是特征提取以及后续分析的关键。然而，由于交通场景复杂且伴随着各种动态变化，如天气条件、光线变化、车辆阴影等的影响，因此如何准确地获取车辆区域已成为视频检测中的一大难点。现阶段交通视频车辆的分割算法中经典的感兴趣区域提取方法可以归纳为两类常用的数学模型，包括帧间差分模型和背景减除模型^[13-14]。

视频的帧间差分模型是一种图像间先验关联，描述图像序列差异的数学模型，在解决实际交通视频车辆目标检测的问题时，由于视频帧间差分只针对背景和动态目标，因此只能检测出交通场景中的运动车辆，对停驶状态车辆无效；由于车辆的阴影是跟随车辆运动而同步运动的，因此图像帧间差分不能消除运动车辆的阴影，如图 1(c)所示；由于车辆处于运动状态，因此图像帧间差分将拉伸车辆长度，产生“双影”现象，如图 1(f)所示。

背景减除模型^[15](又名背景差分模型)也是常用的交通视频车辆检测数学模型之一，它的基本原理是输入图像与背景图像进行比较，通过判断灰度等特征的变化，或用直方图等统计信息的变化来分割出车辆，通常分割出的车辆称为前景车辆。在解决实际交通视频车辆目标检测的问题时，由于背景环境光照变化和树木扰动等现象，图像差分并不能将背景完全消除。由于停驶车辆静止后会融入背景，因此该模型只能检测出运动车辆。背景减除模型在实现车辆的检测过程中易受车辆阴影的干扰。

以上试验仿真和分析可以表明，现阶段通用的两类基于交通视频车辆目标检测的数学模型存在以下两个亟待解决的问题：(1)传统算法模型的道路前景目标提取只是对运动前景目标的提取，并未对新出现在道路区域内的静止前景目标进行提取。(2)实际道路环境非常复杂，行人、车辆等干扰因素较多，传统算法模型主要依赖帧间先验知识进行感兴趣区域的提取，对于道路区域以外干扰因素的排除能力还不成熟。

本研究针对经典车辆分割算法的不足，提出一种对称帧差分约束下的交通视频中车辆分割算法，采用对称差分思想将相邻的三帧连续图像进行两次差分，将高清监控视频帧分区域进行背景提取与更新，对于结果图像中运动车辆目标通过自适应阈值进行分割检测，同时停驶车辆目标通过背景更新筛选进行分割。

2 对称帧差分约束下的交通视频图像背景提取及更新算法

交通场景具有动态性，光照、阴影以及交通场景的动态变化都会影响检测的准确性。因此，如何选取有效的方法提取交通背景并实时更新是车辆目标能够顺利提取的关键。

Surendra算法能较快地适应背景图像的实时变化，特别是对光照的变化适应能力很强，这就为在一天当中的不同时段、不同天气状况下提取背景带来了便利^[13]。所采用的帧间差分法虽能快速地检测出相邻两帧中产生运动的目标区域，但其检测的运动区域比实际的要大，往往出现“双影”现象，如图 2所示。而采用对称差分法将相邻的三帧图像进行两次差分，能准确地检测出当前帧的运动区域^[16]，如图 3所示。

本研究采用对称差分法实现运动区域的获取，并利用Surendra算法的思想提取初始背景图像。首先，利用背景差分法和对称差分法，从而计算出运动区域的二值掩码M_i。

(1)

(2)

(3)

式中，I_i为第i帧图像矩阵；I_i-1为第i-1帧图像矩阵；T₀和T₁为两个不同经验阈值。

通过对称差分法可以获取运动车辆的轮廓区域，利用对称差分法实现当前帧运动区域的提取，通过获得运动区域，可得到当前的瞬时背景如下：

(4)

获取运动区域M_i之后，即可根据背景提取策略获取当前的背景图像。最终获取的背景图像表示为瞬时背景TB_i与当前背景B_i-1的加权和：

(5)

式中，TB_i为第i帧瞬时背景图像矩阵；B_i-1为前帧背景图像矩阵。

初始背景获取的整个流程如图 4所示。当迭代一定步数之后，获取的背景中不再有运动目标区域，初始背景图像的提取结束。

试验中发现，式(5)中的权值α对于背景的质量有很大的影响。本研究以视频highwayII为例对该算法进行试验，初始背景如图 5(a)所示，可以发现：当权值α较大时，建立的背景存在大量噪声，即出现刚驶过的车辆留下的鬼影，提取出的背景如图 5(b)所示；而权值α较小时，背景中很长一段时间内将存在初始背景中的车辆，背景提取的时间较长，提取出的背景如图 5(c)所示。α值过大容易导致图像被过快地吸收进背景图像，而α过小会使得图像对背景变化的适应时间显著延长。因此，α的取值必须两者兼顾，试验中α选为0.01，提取出的背景如图 5(d)所示。

提取出初始背景之后，即可采用一定的背景更新策略实时更新背景，以适应背景的变化。首先通过初始背景提取中背景差分法和对称差分法提取出运动区域M_i，然后对于该运动区域，需要判断其是否为虚假运动区域，进而有效地更新背景图像。

判断某一像素是否属于虚假目标点，通常采用跳跃度和稳定度两个参数进行判定。跳跃度表示像素点灰度图产生跳跃的程度，稳定度表示像素点在经过一系列不稳定变化后保持稳定的程度。与文献[17-18]相似，采用如下两个函数描述：

跳跃度T，采用像素点当前的灰度值与前5帧对应像素点灰度差值的绝对值的最大值表示：

(6)

式中，I_i-k为前帧第k帧图像；稳定度S，通过衡量像素点从某一帧到当前帧的灰度变化，表示为：

(7)

式中，k通常取为5~10；I_i+j为第i+j帧的图像矩阵。

对于运动区域M_i中的像素点，通过这两个函数分别计算其跳跃度T和稳定度S。当T和S小于一定的阈值时，该点为静止点，即虚假目标点。因此，对选择更新法作出改进，采用如下背景更新方式：

(8)

式中B_k-1为前帧图像背景矩阵。

对于运动区域，其对应区域上的像素点不更新；对于背景及噪声区域，利用一阶卡尔曼滤波以更新率α₂进行更新；对于虚假运动区域，则使用更快的更新率α₁进行更新，从而将虚假目标较快地从背景中清除。采用这种背景更新策略，能够起到实时、动态更新背景的作用，适用于由于光线、天气等光照条件的变化或其他原因引起背景变化的交通环境。

同时，本研究在目标点集约束的更新机制的基础上提出基于自适应分布数约束的混合高斯模型背景选择更新方法。通过背景选择更新机制实现前景目标的检测，利用自适应分布数的混合高斯模型算法提高高斯混合模型的计算效率，实现对道路前景目标的准确分离。

传统的混合高斯背景建模法只能检测运动的前景目标，场景中由运动到静止的物体很快会被更新成为背景。因此为了能够保证感兴趣目标长期保留在前景目标中，以方便后期高语义分析，本研究通过背景的选择性更新，背景选择性更新的原理如下：

(9)

式中，BG_n为当前背景；BG_n－1为原先背景。当检测不到目标的时候，对背景进行更新；否则，不进行背景更新。

同时，针对采用固定分布数不能很好地描述道路交通复杂环境的变化问题，本研究提出自适应分布数增加和丢弃方法。若采集的视频图像样本x_j找不到任何一个与之相匹配的分布，就说明原有背景模型不能准确描述交通道路环境的实际变化，需要生成一个新的分布C_k，往往把参数初始值设为μ_k=x_j，根据经验可以得到：w_k取较小值，σ_k取较大值。但新生成的分布，可能是由于摄像机的噪声或者移动目标的个别特殊灰度造成的，这样的分布产生后很少有新样本与之匹配，为了避免模型分布数过多，必须把它们除去。我们采用的策略：每处理M帧图像，就检查当前所有的分布，若分布C_k的权重w_k小于阈值1/M就将其放弃。这样既实现了模型分布数的自适应增加和丢弃，又能够更好地适应道路交通环境的变化。

试验结果如图 6所示，其中图 6(c)为传统的混合高斯背景建模，图 6(d)为增加了背景选择更新后的混合高斯背景建模。通过对比我们可以发现，在图 6(c)中，第550帧前景图像中的遗洒物已经被更新为背景的一部分，无法对视频中的遗洒物进行进一步研究；而在图 6(d)中，可以清楚地看到视频第550帧，道路中的遗洒物仍然出现在前景图像中。

使用本研究所提算法获取的, 使用的视频中，一车辆停止一段时间之后又运动。由图中可以看出，采用传统背景更新算法，对于静止车辆，其位置发生变化但没有能够在背景图像中及时更新，背景图像中仍然存在该静止的车辆。而本研究方法能够及时反映图像中车辆由静止到运动的状态变化，能够获取准确的背景图像。

3 不同状态车辆图像去影与自适应阈值分割算法

车辆的分割是交通视频检测中的关键技术，是后续图像处理和分析的前提，车辆分割是否准确直接影响到后续处理及检测结果。本研究首先利用车辆阴影的特征和车辆边缘信息，提出一种基于车辆边缘修正的阴影检测与去除算法，增强复杂背景的车辆分割检测特征；其次对于运动车辆目标通过自适应阈值进行分割，同时对于静止车辆目标通过背景更新筛选进行分割。

3.1 基于车辆边缘修正的阴影检测与去除算法

该算法使用特定的数学模型将高斯成分标记为运动目标的影子。为了检测移动影子，需要一种能够分离色彩信息和亮度信息的颜色模型。该颜色模型需要既能够充分利用高斯混合模型，又能够与高斯混合模型相兼容。当前色彩和亮度与背景的色彩和亮度做差分，如果颜色和亮度的差分结果都在相应的阈值范围内，则当前像素被认为移动影子点。本研究使用了一种有效的颜色计算模型。该颜色计算模型由背景像素RGB均值的位置向量E、预期的色度线‖E‖、色度失真d和亮度阈值τ来构成。对给定的像素观测值I，亮度失真a和颜色失真c，移动影子可以从背景模型中计算出来，即：

(10)

(11)

在混合高斯模型的每个成分为球星高斯分布的假设下，第K个成分的标准差σ_k可以被置为d。由于利用向量的点乘来计算a和c的过程比较繁琐，将a设置为2.5倍的标准差，并且τ＜c＜1。如果一个样本被判断为背景，并且满足上述条件，就将其当作移动影子。前景图中灰色部分是检测出来的移动影子。

大多数阴影检测算法都是基于彩色空间的，虽然彩色图像包含大量的信息，但彩色图像包含3个颜色通道，其计算量一般都较大。而灰度图像虽然不像彩色图像包含丰富的颜色信息，但灰度空间的处理一般都较简单。因此，通过对灰度图像进行分析研究，从而提出一种基于灰度空间的阴影检测与去除算法，将有助于提高算法的实时性。本研究利用阴影的特征和车辆边缘信息，提出一种基于车辆边缘修正的阴影检测与去除算法。

(1) 阴影区域初步检测

可以获得阴影的一个重要视觉特征，即阴影的灰度显著异于背景，且其存在一定的线性关系。在实际图像中，阴影的灰度与背景灰度的比值并不恰好等于一个常数C，而是分布在C附近的一个区间内。因此，为检测出因太阳光照射而产生的车辆阴影，可根据这一特征获取阴影的初步检测模型：

(12)

式中，I_i (x, y)为当前帧图像中坐标(x, y)处的灰度值；B_i (x, y)为背景图像中对应像素点的灰度值；M_i (x, y)表示分割出的车辆二值掩模图像在坐标(x, y)处的值。

通过试验分析，α, β分别取值为0和0.4。对于车辆区域(即M_i (x, y)=1)内的像素点，根据阴影光照模型，如果该像素点在背景图像中的灰度值与其在当前帧图像中的灰度值的比值在区间[α, β]内，那么该像素点为车辆阴影，令 S_i (x, y)=1。因此，根据这一模型，即可获取当前帧图像中的阴影区域 S_i (x, y)。

通过该方法即可实现阴影区域的初步检测，从而实现阴影区域的初步去除，如图 7(c)所示。所获取的车辆区域 M′_i(x, y)表示为：

(13)

式中 S_i (x, y)为当前帧图像阴影区域矩阵。

(2) 车辆区域边缘修正

通过上述模型检测到的阴影区域中，由于车辆某些区域的像素点与阴影点相似，也满足该判断条件，尤其是车辆的边缘区域，因而有必要采用边缘信息对车辆区域进行修正。本研究在采用上述方法分割出车辆区域的基础上，首先对当前帧图像中的前景图像和二值掩码图像分别采用Sobel边缘检测算子获取其边缘信息，进而获取车身边缘信息来修正车辆区域。

通过Sobel边缘检测算子获取的前景区域边缘和区域轮廓，分析前景区域边缘可以发现，阴影区域内部的边缘很少，而车辆区域边缘信息丰富。因此，采用如下算法进一步获取车辆区域边缘。

(14)

这样，将上述方法获取的车辆区域边缘e_i (x, y)对车辆区域 M′_i(x, y)进行修正，因此可获取最终的车辆区域为：

(15)

采用本研究提出的基于车辆边缘修正的阴影，能够获取出比较准确的车辆区域，如图 8(c)所示。

3.2 自适应分割阈值的选取

对于分割阈值T，通常根据经验或大量试验分析选取为某一固定值，该方法只能适用于某一静止场景或理想情况^[15]。为实现更准确的分割，本研究在考虑类间方差的同时，考虑类的内聚性，将其作为阈值选取的一个标准，采用“最大方差比”自适应阈值选取算法，该算法能跟随环境变化动态调整分割阈值，能够准确地检测车辆目标。其基本原理如下：设图像灰度级1~M，第i级像素n_i个，总像素，则第i级灰度出现的概率为P_i=n_i/N。设灰度门限值为k，则图像像素按灰度级被分为前景目标C₀={1, 2, …, k}和背景C₁={k+1, …, M}两类。

对于图像中的目标类和背景类，将每个像素与相应类中心μ_i的方差D(k)定义为类的分散度。每个类的分散度越小，即其内聚性越强，则分类效果越好。其公式表示如下：

(16)

(17)

为获得准确的分类效果，本研究综合考虑C₀和C₁两类之间的方差和各自类的内聚性，即应使得σ_B²最大且D₀ (k), D₁ (k)最小。因此，定义最佳阈值为：

(18)

另外，当交通场景中没有出现目标时，OTSU阈值会很低，此时分割出来的二值图像会出现大块白色区域，将背景误判为目标。因此，本研究做出改进，在阈值Threshold低于20时，令Threshold=20。

3.3 运动车辆分割

本研究提出的背景提取及更新算法，能够比较可靠地获取实时背景图像。由于背景帧中只包含静止的物体，因此通过背景差分法获得背景差分图像，并利用上述的自适应分割阈值法对该差分图像设置分割阈值，即可分割出视频图像中的前景运动车辆，如图 9所示。

(19)

(20)

(21)

(22)

式中，B_i (x, y), B₀ (x, y)分别为实时更新的背景帧和某一定时更新的背景帧在坐标(x, y)处的灰度值组成的矩阵; D_i (x, y)为当前帧图像中的停驶车辆，将D_i (x, y)二值化后即得到停驶车辆的二值掩码图像M_i (x, y), 如图 10所示。

4 试验结果与分析

本研究设计了交通视频中运动和停驶两种状态下的车辆目标进行交通视频车辆分割方法的有效性验证^[19-20]。

为验证本研究车辆检测算法的对于运动车辆目标分割的有效性，选取342个实时采集的动态交通视频为测试样本。同时，为了直观地显示选择某一帧作为结果图像，分别使用Surendra算法、混合高斯方法和本研究的算法进行了试验, 如表 1所示。

由图 11的检测效果可以看出，Surendra算法所检测的车辆空洞现象比较严重，检测效果较差。由于交通视频受到光线、噪声的影响，导致混合高斯法检测的车辆出现粘连的现象，提取出的车辆噪声较多，检测结果不准确。而本研究算法虽存在少量的空洞现象，但能检测出较完整、准确的车辆。

为验证本研究车辆检测算法对于静止车辆目标分割的有效性，采集127个车辆目标静止状态下的视频作为测试样本，为直观展示遴选某一帧作为结果图像，分别采用小波变换和OTSU方法以及本研究算法进行试验，如表 2所示。

如图 12所示，两张所采用的视频图像中，其一是两辆车发生碰撞停止状态，其二是车辆停驶路边状态。OTSU方法由于固定了目标类间相似度阈值，导致在阴影状态等与感兴趣目标有像素连通区域分割不准确；小波变换方法由于小波函数的局部超限，导致分割区域局部会有明显的带状和间断点状的过分割和欠分割现象；通过本研究方法能够将发生停驶的车辆较完整、准确地检测出来，分割所产生的噪声可以通过后续处理消除。

5 结论

本研究提出应用于交通视频分析的对称帧差分约束下的交通视频中车辆自适应分割算法。在研究现阶段背景提取及更新算法的基础上，利用对称帧差分思想进行交通视频中背景提取及更新。对于分割阈值的选取，利用图像内感兴趣目标区域的相似性判据改进OTSU算法的固定阈值选取方式，从而获取自适应的车辆分割阈值。在此基础上，对于视频图像中的运动车辆便可通过背景差分法进行分割，对于停驶车辆，利用背景图像的变化进行分割。通过实时采集动态交通视频和存在静止状态车辆目标的交通视频两组数据作为测试样本，通过试验分析验证了本研究所提算法的有效性和稳定性。下一步的研究主要是针对交通安全威胁目标进行识别和分类，进一步提升交通智能化监控和预警水平。