摘? 要：隨著智能交通技術的發展，智能交通系統中交通檢測已經成為計算機視覺技術應用的一項重要課題。序列圖像中車輛檢測與跟蹤在智能交通領域中起著關鍵作用。車輛檢測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。為解決基于背景差分的車輛檢測辦法易受交通狀況影響的問題，首先建立基于區間分布的自適應背景模型，然后利用改進的背景更新算法對建立的背景模型選擇性更新。實驗結果表明，該算法在交通堵塞或臨時停車等復雜交通環境中有很好的背景提取和更新效果。與經典的算法相比，該車輛檢測算法在實時性和準確性方面都有所提高。

　　? 基于背景的差分辦法能解決基于幀間差分辦法和光流法中的問題，并且計算簡單，但是背景容易受到交通環境和光強度的影響，理想的背景不容易獲得，所以，自適應環境變化的背景模型對運動車輛檢測的精確性起著非常重要的作用。

　　1 算法描述

　　算法（Algorithm）是一系列解決問題的清晰指令，算法代表著用系統的方法描述解決問題的策略機制。也就是說，能夠對一定規范的輸入，在有限時間內獲得所要求的輸出。如果一個算法有缺陷，或不適合于某個問題，執行這個算法將不會解決這個問題。不同的算法可能用不同的時間、空間或效率來完成同樣的任務。一個算法的優劣可以用空間復雜度與時間復雜度來衡量。

　　智能交通系統是目前世界和各國交通運輸領域競先研究和開發的熱點，基于背景差分的辦法是從視頻流中檢測運動物體常用的方法，是目前研究的重點。由于受到交通狀況、天氣和光強度等因素的影響，不容易獲得理想的背景，尤其在交通堵塞、車輛行動緩慢或者臨時停車等情況下，背景更新率低。

　　圖1為車輛檢測流程圖。首先，建立基于區間分布的快速自適應背景模型，然后利用改進的基于ε-δ的背景更新算法對建立的背景模型進行選擇性更新，結合閾值分割和形態學操作實現運動車輛的提取。實驗結果表明，本文提出的算法對于復雜交通環境（交通堵塞、車流量非常大、車流緩慢、交通堵塞或臨時停車等情況）有很好的背景提取和更新效果，與經典的算法相比，在實時性和準確性方面都有所提高。

　　2 自適應背景模型

　　為了解決車輛檢測精確度問題，國內外學者在背景建模方面做了大量的研究。參考文獻[4]利用視頻圖像中最近N幀的像素點的平均值的作為背景模型，這種方法在多個運動目標或者運動目標行動緩慢時，對于頻繁變化的像素，需要多個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程中沒有運動車輛并且建立背景模型的時間較長，不能滿足實際應用的需要。本文提出簡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，可以統計出每個坐標點像素值的分布，并設定出現頻率高的像素值作為背景模型中對應點的像素值。但是這種方法計算量比較大，并且對光線和背景的逐漸改變適應性差。

　　在定義了ui（x,y）和Ci（x,y）后，建立背景模型的細節步驟如下：

　　（1）確定當前像素屬于哪個區間，設定為i。

　　（2）計算ui（x,y）和Ci（x,y）。

　　（3）根據Ci（x,y）把區間從小到大分類。

　　（4）設定Ci（x,y）最大的區間的ui（x,y）作為背景模型Mt中對應點的像素值。

　　（5）對視頻流各幀所有像素點重復步驟（1）~（4）。

?