车辆计数
摘要：智能交通系统在现代交通系统中的应用越来越广泛，对视频中的车辆计数是其中的一个应用分支。
本文的主要工作是对一段视频中的车辆计数，首先将传统的背景重建方法与基于
T
分布的变化检测相结合
进行背景重建得到道路的背景。其次，应用背景抑制法对图像中的运动目标提取，其中用大津法确定分割
图像的阈值时，所得阈值能将运动目标与背景很好的分割。最后考虑到车辆的运动很规律，所以选择在道
路上设置四个虚拟检测窗口来检测运动车辆，由实验结果得该方法几乎没有漏检或错检车辆。
关键字：
T
分布，大津法，虚拟检测窗口
1 背景重建
背景重建是实现车辆计数的第一项准
备工作，根据所建立背景模型的不同，所要
确定的量也不同，背景模型可以分为两类，
即:统计背景模型和确定背景模型。统计的
方法是把背景建模为一个统计变量，需要确
定的是模型的各项参数，确定的方法就是把
背景的每一象素的灰度值确定出来。背景的
重建可以分为两部分:一、初始背景的确立;
二、背景的更新。本文采用的是确定型背景
模型，因为视频时间比较短而且场景比较稳
定所以没有对背景进行更新。
1.1 基于
T
分布的动态背景重建
本文提出的背景算法属于确定背景模
型，我们利用多帧图像逐渐恢复出一帧完整
的背景图像。本文假设摄像机是不动的，即
使存在摄像机的运动，经过全局运动的补偿，
也可以认为是静止的。
1.1.1 基于
T
分布的变化检测
对于相邻帧来说外界环境几乎不发生
变化，所以可以认为象素值的变化是由对象
运动或噪声引起，相邻帧的背景区域的象素
如果没有噪声的影响，可以认为是没有变化
的。噪声来源于摄像机，我们把摄像机的噪
声 建 模 为 加 性 高 斯 噪 声 ， 设 其 方 差 为
2
camera
�
。第
i
帧图像可以表示为：
),,(),,(),,(
1
iyxniyxfiyxf ��
其 中
),,( iyxf
，
),,(
1
iyxf
，
),,( iyxn
分
别表示第
i
帧图像的观测值，实际值和噪声。
根据上式，相邻帧差为：
)1,,(),,(),,(
11
��� iuxfiuxfiyxdif
)1,,(),,( ��� iyxniyxn
),,( iyxdif
表示在
),( yx
点处帧差值，令：
)1,,(),,(),,( ��� iyxniyxniyxd
),,( iyxn
，
)1,,( �iyxn
分别是相邻两帧的
噪声，概率密度相同且相互独立的随机变量，
由于我们把摄像机的噪声建模为加性高斯
噪声，由概率论的知识，
),,( iyxd
也满足
正态分布，均值为 0，方差是摄像机噪声方
差的两倍。
下面利用假设检验的知识来检测图像
中的每一个象素点是否发生变化，由于噪声
的影响，通过单个象素检测往往容易出错，
在以待检测点象素为中心的邻域内对象素
点进行检测的可靠性要高，设第
I
帧以点
),( yx
为中心的窗口
W
，大小为
NN �
，
由于帧差图像中噪声是独立的，则背景区域
象素不为 0 的帧差值是由噪声引起的。对于
背景点，帧差的均值为 0，可以进行如下假
设：
0:,0:
10
��
��
HH
但是摄像机的
噪声未知，我们要对满足正态分布的随机变
量的均值进行检验，所以采用
T
分布，构造
