0 引言

    伴隨計算機(jī)視覺^[1]這門學(xué)科的發(fā)展，運(yùn)動目標(biāo)檢測技術(shù)^[2]成為視頻運(yùn)動目標(biāo)分析的核心內(nèi)容。如何消除光照的變化、背景的擾動或者攝像機(jī)的運(yùn)動等問題帶來的影響，提高魯棒性，是近些年來研究的熱點問題。

    攝像機(jī)靜止情況下的運(yùn)動目標(biāo)檢測方法主要分為幀間差分法^[3]、光流場法^[4]和背景建模方法。比較流行的背景建模算法主要有STAUFFER C和GRIMSON W E L^[5]提出的混合高斯背景模型，解決了多模態(tài)環(huán)境下顏色分布不集中的運(yùn)動目標(biāo)檢測問題。BARNICH O等人^[6，7]提出了ViBe(Visual Background Extractor)算法，具有很好的魯棒性和實時性，但特定條件下會出現(xiàn)Ghost區(qū)域以及對于動態(tài)背景處理效果不理想等問題。針對ViBe算法的不足， GUANG A H等人^[8]提出了自適應(yīng)的距離閾值，對于和背景區(qū)分不開的前景取得了較好的效果。QIN L等人^[9]在基于ViBe算法的基礎(chǔ)上加入了Gabor濾波器，增加了Ghost區(qū)域的消融速度，并根據(jù)此濾波器更新模型。FAN Z等人^[10]提出了使用空間信息和自適應(yīng)閾值改進(jìn)了ViBe算法在陰影檢測方面的效果。

    針對ViBe算法的不足，本文提出IViBe(Improved Visual Background Extractor)算法。通過幀間差分法消除Ghost區(qū)域的影響，并加入動態(tài)背景復(fù)雜度的度量，實時地更新距離閾值和背景模型的更新率，從而降低了動態(tài)背景對檢測結(jié)果造成的影響。并利用全局補(bǔ)償將該算法應(yīng)用到了攝像機(jī)運(yùn)動情況下的運(yùn)動目標(biāo)檢測。

1 基于IViBe算法的運(yùn)動目標(biāo)檢測

    IViBe算法流程框架如圖1所示。本文將從背景模型的建立、前景目標(biāo)檢測、Ghost區(qū)域的去除、基于動態(tài)背景復(fù)雜度的背景模型更新這幾個方面介紹IViBe算法；最后聯(lián)合運(yùn)動補(bǔ)償算法將IViBe算法應(yīng)用到攝像機(jī)運(yùn)動情況下的動態(tài)目標(biāo)檢測問題。

    首先，利用視頻序列的第一幀構(gòu)建初始樣本集；其次，對于下一幀圖像，統(tǒng)計每個像素點與其對應(yīng)背景模型的歐氏距離小于距離閾值的個數(shù)，稱之為匹配個數(shù)，通過比較其與匹配閾值的關(guān)系，區(qū)分前、背景點。并與利用幀間差分法得出的前景點進(jìn)行邏輯“與”運(yùn)算得出最終的前景點檢測結(jié)果；然后，若某一像素點為背景點，則按照一定的概率更新其對應(yīng)的背景模型；最后，根據(jù)背景動態(tài)程度的度量值，實時更新距離閾值和更新概率。

1.1 背景模型的建立

    ViBe算法利用相鄰像素點具有相似空間分布的特點，對圖像中每一個像素點構(gòu)建一個樣本集。假設(shè)第一幀圖像中任一像素點I的坐標(biāo)為(x，y)，則在其8鄰域內(nèi)隨機(jī)選取N個像素點作為像素點I的初始樣本集中的樣本值。設(shè)當(dāng)前幀像素值為v(x，y)，背景樣本值為v_i(x，y)，則初始樣本集為M_I(x，y)={v₁(x，y)，v₂(x，y)，v₃(x，y)，…，v_N(x，y)}，至此，初始背景模型構(gòu)建完成。

1.2 前景目標(biāo)檢測

    在背景模型構(gòu)建完成之后，對于新的一幀圖像，計算像素點與樣本集之間的歐氏距離，統(tǒng)計距離小于設(shè)定的距離閾值R的個數(shù)n(x，y)，并與預(yù)先設(shè)定的匹配閾值min進(jìn)行比較。當(dāng)匹配個數(shù)n(x，y)小于閾值min，表示該像素點v(x，y)與該像素點的背景樣本集相似程度較低，即被判斷為前景點，反之則為背景點。

    為了避免某一樣本長期保留在背景模型中，從而影響背景模型的精確性，引入了隨機(jī)更新機(jī)制，即當(dāng)像素點完成判別之后，若該像素點屬于背景點，則有1/δ(x，y)的概率更新背景樣本集，即從背景樣本中隨機(jī)選取一個樣本值v_i(x，y)并用當(dāng)前像素點v(x，y)取代。

1.3 Ghost區(qū)域的去除

    在ViBe算法中，如果在視頻第一幀中存在待檢目標(biāo)，或者當(dāng)運(yùn)動目標(biāo)在視頻中由運(yùn)動目標(biāo)轉(zhuǎn)變?yōu)楸尘皶r，由于不能及時更新背景模型，從而導(dǎo)致在后續(xù)幀當(dāng)中將背景誤判為前景，即為Ghost區(qū)域。

    在IViBe算法中通過幀間差分法得到的前景點與ViBe算法得到的前景點結(jié)果進(jìn)行邏輯“與”運(yùn)算，去除Ghost區(qū)域。

    實驗結(jié)果如圖2所示，本實驗選取的是Walking視頻序列，由實驗結(jié)果可以看出，經(jīng)過ViBe算法得出的實驗結(jié)果在第44幀檢測出結(jié)果的同時仍然存在第2幀中的運(yùn)動目標(biāo)區(qū)域，即為Ghost區(qū)域，在圖2(c)中以白色邊框作為標(biāo)記。而IViBe算法則成功地去除了Ghost區(qū)域，提高了檢測結(jié)果的準(zhǔn)確性。

1.4 基于動態(tài)背景復(fù)雜度的背景模型更新

    在ViBe算法中，背景模型更新?lián)碛幸粋€固定的更新率1/δ(x，y)，但對于動態(tài)背景情況下，例如水的波紋、樹葉的抖動等，就會出現(xiàn)大量背景點被錯誤地檢測為前景點的情況，所以固定的更新率和距離閾值不能很好地適用于動態(tài)背景。當(dāng)背景動態(tài)程度變化時，如若背景中某一個像素點動態(tài)程度較高，則對應(yīng)該點的像素值變化必然比較大，反之應(yīng)該無變化或變化較小。所以本文提出利用像素值背景模型樣本集的標(biāo)準(zhǔn)差σ(x，y)來度量背景動態(tài)程度。

    本文根據(jù)動態(tài)背景復(fù)雜度σ(x，y)實時更新距離閾值，對于背景動態(tài)程度較大的視頻序列，適當(dāng)增大距離閾值，降低動態(tài)背景對檢測結(jié)果造成的影響，反之則減小適當(dāng)距離閾值。這樣就可以保證R(x，y)一直處于合理的變化范圍之內(nèi)。距離閾值的更新公式如式(1)所示：

其中α，β是預(yù)先設(shè)定的一個系數(shù)，分別取值為0.16和0.01。

    而對于背景模型更新概率1/δ(x，y)，采用和距離閾值較為類似的處理方式對更新概率進(jìn)行自適應(yīng)處理。即當(dāng)該像素點被判別為前景像素點時，適當(dāng)減小背景模型更新概率，反之適當(dāng)增大背景模型的更新概率，并且只有當(dāng)該像素點為背景點時，才會進(jìn)行背景模型的更新。背景模型更新方式如式(2)所示：

其中γ是預(yù)先設(shè)定好的系數(shù)，取值為0.1。

1.5 聯(lián)合LK光流法及運(yùn)動補(bǔ)償?shù)哪繕?biāo)檢測

    LK光流法用于計算兩幀圖像中對應(yīng)像素點運(yùn)動信息，利用鄰域信息匹配出光流矢量，從而形成了整幅圖像的運(yùn)動場。當(dāng)物體和圖像背景中存在相對運(yùn)動時，運(yùn)動物體所形成的速度矢量則必然不同于鄰域背景的速度矢量，從而將運(yùn)動物體的位置檢測出來。

    通過LK光流法求出每一像素點運(yùn)動方向向量之后，通過對整幅圖像采用線性插值定理就可以得到運(yùn)動補(bǔ)償后的圖像。如圖3所示，補(bǔ)償過后的圖像和第12幀灰度圖像相比，消除了第12幀中的運(yùn)動背景影響。

    對補(bǔ)償后的圖像，利用幀間差分法得出補(bǔ)償前景點，將IViBe算法得出的前景點結(jié)果與補(bǔ)償前景點結(jié)果進(jìn)行“與”運(yùn)算，進(jìn)而得出最終的前景點判別結(jié)果。

2 實驗結(jié)果及分析

2.1 IViBe算法對一般動態(tài)背景的目標(biāo)檢測

    本算法測試硬件平臺為AMD A6，4 GB RAM，軟件開發(fā)環(huán)境為Windows10、Matlab2014a。在本實驗中，使用了20個樣本值作為每個像素點的樣本集，距離閾值初始值設(shè)為20，min設(shè)為2，背景模型的更新率初始值設(shè)為1/16，選取的視頻序列集是changedetection數(shù)據(jù)集^[11]中的動態(tài)背景中overpass、fountain01、canoe這3個視頻序列完成IViBe算法對動態(tài)背景的魯棒性測試，并選取了ViBe算法進(jìn)行了對比實驗。

    圖4～圖6為IViBe算法在動態(tài)背景中的魯棒性測試結(jié)果。在本文實驗中的動態(tài)背景分別為水中波紋、樹葉的擾動、噴泉。可以看出，IViBe算法可以很好地抑制動態(tài)背景的干擾。

    為了進(jìn)一步研究IViBe算法對目標(biāo)檢測的準(zhǔn)確度，采用正確分類比PCC，對改進(jìn)算法與原算法進(jìn)行了對比，如式（3）所示：

其中，TP是正確檢測為前景像素點的個數(shù)；TN是正確檢測為背景像素點的個數(shù)；FP是被錯誤檢測為前景像素點的背景像素點個數(shù)；FN是被錯誤檢測為背景像素點的前景像素點個數(shù)。選取上述3個視頻計算其PCC均值，并和原始ViBe算法進(jìn)行了比較，如表1所示，可以看出IViBe算法相比于ViBe算法有了一定程度上的提升。

2.2 IViBe算法對攝像機(jī)運(yùn)動情況下的動目標(biāo)檢測

    由于ViBe算法是針對攝像機(jī)靜止情況下的運(yùn)動目標(biāo)檢測，并不適用于攝像機(jī)運(yùn)動的情況，會產(chǎn)生大量的前景點，但是利用LK光流法通過連續(xù)兩幀計算每個像素點的運(yùn)動向量，并使用該運(yùn)動向量對前一幀圖片進(jìn)行運(yùn)動補(bǔ)償，然后通過幀間差分法得到初始運(yùn)動目標(biāo)檢測結(jié)果和利用IViBe算法對結(jié)果進(jìn)行“與”處理，從而可以得出最終的運(yùn)動目標(biāo)檢測結(jié)果。實驗結(jié)果如圖7所示。

    在圖7中，由于攝像機(jī)的運(yùn)動使得ViBe算法檢測出的結(jié)果中，大部分背景像素點都被錯誤地檢測為前景點，如圖7(c)所示，而根據(jù)全局運(yùn)動補(bǔ)償后，結(jié)合幀間差分法和IViBe算法得出的結(jié)果則大部分正確地檢測出了被錯誤檢測為前景點的背景點。

3 結(jié)束語

    本文針對傳統(tǒng)ViBe算法中Ghost區(qū)域以及在動態(tài)背景下的傳統(tǒng)ViBe算法中大量背景點被錯誤檢測為前景點這一缺陷進(jìn)行了分析與改進(jìn)。針對Ghost區(qū)域，本文采用了IViBe算法和幀間差分法的結(jié)合，通過前景點檢測結(jié)果相“與”去除了Ghost區(qū)域。對于動態(tài)背景，本文采用了樣本集的標(biāo)準(zhǔn)差作為該像素點的背景動態(tài)程度度量方式，利用此度量值實時地更新距離閾值和更新率，并測試了對于動態(tài)背景的魯棒性，取得了良好的效果。最后，本文利用LK光流法進(jìn)行全局運(yùn)動補(bǔ)償，并使用改進(jìn)的ViBe算法和幀間差分法進(jìn)行結(jié)合取代并不適用于攝像機(jī)運(yùn)動情況下的ViBe算法，取得了良好效果。

參考文獻(xiàn)

[1] KANATANI K.Statistical optimization for geometric computation：Theory and practice[J].University Japan，1996，32(6)：646.

[2] YILMAZ A，JAVED O，SHAH M.Object tracking：a survey[J].Acm Computing Surveys，2006，38(4)：81-93.

[3] 甘明剛，陳杰，劉勁，等.一種基于三幀差分和邊緣信息的運(yùn)動目標(biāo)檢測方法[J].電子與信息學(xué)報，2010，32(4)：894-897.

[4] PAUL M，HAQUE S M E，CHAKRABORTY S.Human detection in surveillance videos and its applications-a review[J].Eurasip Journal on Advances in Signal Processing，2013(1)：1-16.

[5] STAUFFER C，GRIMSON W E L.Adaptive background mixture models for real-time tracking[C].CVPR.IEEE Computer Society，1999：2246.

[6] BARNICH O，VAN DROOGENBROECK M.ViBe：A universal background subtraction algorithm for video sequences[J].IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society，2011，20(6)：1709-24.

[7] BARNICH O，VAN DROOGENBROECK M.ViBE：a powerful random technique to estimate the background in video sequences[C].IEEE International Conference on Acoustics.IEEE，2009：945-948.

[8] GUANG A H，WANG J，XI C.Improved visual background extractor using an adaptive distance threshold[J].Journal of Electronic Imaging，2014，23(6)：063005.

[9] QIN L，SHENG B，LIN W，et al.GPU-accelerated video background subtraction using gabor detector[J].Journal of Visual Communication & Image Representation，2015，32(C)：1-9.

[10] FAN Z，LU Z，LI J，et al.Robust motion detection based on the enhanced ViBe[J].Ieice Transactions on Information & Systems，2015，E98.D(9)：1724-1726.

[11] WANG Y，JODOIN P M，PORIKLI F，et al.CDnet 2014：An expanded change detection benchmark dataset[C].Computer Vision & Pattern Recognition Workshops.IEEE，2014：393-400.

作者信息:

胡昭華1，2，張維新1，王  玨1，邵曉雯1，卞飛飛1

（1.南京信息工程大學(xué) 電子與信息工程學(xué)院，江蘇 南京210044；

2.南京信息工程大學(xué) 江蘇省大氣環(huán)境與裝備技術(shù)協(xié)同創(chuàng)新中心，江蘇 南京210044）