如下：
1对于N帧的视频图像Ixyt，设Ixyt1为基准图像。第k帧图像与
基准图像差异记为Fxytk差异动态矩阵记为Dxytk，变化阈值选为T：
Fxytk
10
Ixytk

Ixytk1
T
3
Dxytk
Dx0
y
tk
1


1Fxytk

0且Dxytk1
m
4
2Dxytk记录像素的变化，并进行实时更新。当Dxytkm时，可知该位置短时间灰度变化不大，将该位置的像素更新为背景。更新的背景模型记为Bxytk，背景更新公式为：
BxytkIxytk1Bxytk1
5
决定了背景缓存平滑滤波程度及更新速度，由经验取00501。使用Matlab经过差异积累背景建模得到的部分图像如下：
图46
f可见背景建模的效果基本理想，但仍需进一步改进。背景建模后对运动前景进行检测和处理，这里分别使用了Otsu算法和形态学滤波法进行处理，发现形态学滤波方法最佳。形态学的基本思想是使用具有一定形态的结构元素来度量和提取图像中的对应形状，从而实现对图像进行分析和识别。这里使用了形态学滤波法的开操作，开操作主要是为了消除离散点和毛刺，即对图像进行平滑。其Otsu算法与形态学滤波法处理的图像如下：
图5
比较二图可知形态学滤波效果更佳且运动目标从远处过来时会逐渐变大，这一点利于计算。图像的后处理
为了更好标志图像的车辆，这里使用了边缘检测作为后处理的方法。它能剔除不相关的信息，保留图像重要的结构属性。边缘检测最常用的算子是Ca
y算子，其步骤如下：
1用高斯滤波器对图像进行滤波，去除图像中的部分噪声；2用高斯算子的一阶微分对图像进行滤波，得到图像梯度的强度和方向；3对梯度进行非抑制和滞后阈值处理，得到边缘图像。边缘检测的最终图像如下：
图67
f观察图6可知汽车轮廓比较明显，轮廓比较小的是小轿车，轮廓最大的是公交车。过轮廓对汽车的特征表现不够，这一点需要增强。
42数据处理
对两个视频进行图像处理后，忽略前几秒不稳定显示的视频，开始计算视频一中每一分钟通过事故横断面和从上游路口涌现的大、中、小型机动车及电瓶车的数量及排队长度。之所以选择一分钟，是因为附件五显示上游路口信号周期为60秒，如果选取30秒的话，上游路口会出现数量上升下降的周期性，不便于数据分析。为简化模型，将视频中车辆分为大中小三类，因为小轿车是该交通要段的主要交通工具，故作为标准车当量，中型车是小型客车等，其标准车当量为15，大型车为公交，它的标准车当量为2。最后统计视频中事故的持续时间和排队长r