0 引言

    伴隨計(jì)算機(jī)視覺(jué)^[1]這門(mén)學(xué)科的發(fā)展，運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)^[2]成為視頻運(yùn)動(dòng)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(dòng)或者攝像機(jī)的運(yùn)動(dòng)等問(wèn)題帶來(lái)的影響，提高魯棒性，是近些年來(lái)研究的熱點(diǎn)問(wèn)題。

    攝像機(jī)靜止情況下的運(yùn)動(dòng)目標(biāo)檢測(cè)方法主要分為幀間差分法^[3]、光流場(chǎng)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(dòng)目標(biāo)檢測(cè)問(wèn)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(shí)時(shí)性，但特定條件下會(huì)出現(xiàn)Ghost區(qū)域以及對(duì)于動(dòng)態(tài)背景處理效果不理想等問(wèn)題。針對(duì)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(duì)于和背景區(qū)分不開(kāi)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(cè)方面的效果。

    針對(duì)ViBe算法的不足，本文提出IViBe(Improved Visual Background Extractor)算法。通過(guò)幀間差分法消除Ghost區(qū)域的影響，并加入動(dòng)態(tài)背景復(fù)雜度的度量，實(shí)時(shí)地更新距離閾值和背景模型的更新率，從而降低了動(dòng)態(tài)背景對(duì)檢測(cè)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(dòng)情況下的運(yùn)動(dòng)目標(biāo)檢測(cè)。

1 基于IViBe算法的運(yùn)動(dòng)目標(biāo)檢測(cè)

    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(cè)、Ghost區(qū)域的去除、基于動(dòng)態(tài)背景復(fù)雜度的背景模型更新這幾個(gè)方面介紹IViBe算法；最后聯(lián)合運(yùn)動(dòng)補(bǔ)償算法將IViBe算法應(yīng)用到攝像機(jī)運(yùn)動(dòng)情況下的動(dòng)態(tài)目標(biāo)檢測(cè)問(wèn)題。

    首先，利用視頻序列的第一幀構(gòu)建初始樣本集；其次，對(duì)于下一幀圖像，統(tǒng)計(jì)每個(gè)像素點(diǎn)與其對(duì)應(yīng)背景模型的歐氏距離小于距離閾值的個(gè)數(shù)，稱(chēng)之為匹配個(gè)數(shù)，通過(guò)比較其與匹配閾值的關(guān)系，區(qū)分前、背景點(diǎn)。并與利用幀間差分法得出的前景點(diǎn)進(jìn)行邏輯“與”運(yùn)算得出最終的前景點(diǎn)檢測(cè)結(jié)果；然后，若某一像素點(diǎn)為背景點(diǎn)，則按照一定的概率更新其對(duì)應(yīng)的背景模型；最后，根據(jù)背景動(dòng)態(tài)程度的度量值，實(shí)時(shí)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(diǎn)具有相似空間分布的特點(diǎn)，對(duì)圖像中每一個(gè)像素點(diǎn)構(gòu)建一個(gè)樣本集。假設(shè)第一幀圖像中任一像素點(diǎn)I的坐標(biāo)為(x，y)，則在其8鄰域內(nèi)隨機(jī)選取N個(gè)像素點(diǎn)作為像素點(diǎn)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(cè)

    在背景模型構(gòu)建完成之后，對(duì)于新的一幀圖像，計(jì)算像素點(diǎn)與樣本集之間的歐氏距離，統(tǒng)計(jì)距離小于設(shè)定的距離閾值R的個(gè)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(gè)數(shù)n(x，y)小于閾值min，表示該像素點(diǎn)v(x，y)與該像素點(diǎn)的背景樣本集相似程度較低，即被判斷為前景點(diǎn)，反之則為背景點(diǎn)。

    為了避免某一樣本長(zhǎng)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(diǎn)完成判別之后，若該像素點(diǎn)屬于背景點(diǎn)，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(gè)樣本值v_i(x，y)并用當(dāng)前像素點(diǎn)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(dòng)目標(biāo)在視頻中由運(yùn)動(dòng)目標(biāo)轉(zhuǎn)變?yōu)楸尘皶r(shí)，由于不能及時(shí)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(guò)幀間差分法得到的前景點(diǎn)與ViBe算法得到的前景點(diǎn)結(jié)果進(jìn)行邏輯“與”運(yùn)算，去除Ghost區(qū)域。

    實(shí)驗(yàn)結(jié)果如圖2所示，本實(shí)驗(yàn)選取的是Walking視頻序列，由實(shí)驗(yàn)結(jié)果可以看出，經(jīng)過(guò)ViBe算法得出的實(shí)驗(yàn)結(jié)果在第44幀檢測(cè)出結(jié)果的同時(shí)仍然存在第2幀中的運(yùn)動(dòng)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(cè)結(jié)果的準(zhǔn)確性。

1.4 基于動(dòng)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€(gè)固定的更新率1/δ(x，y)，但對(duì)于動(dòng)態(tài)背景情況下，例如水的波紋、樹(shù)葉的抖動(dòng)等，就會(huì)出現(xiàn)大量背景點(diǎn)被錯(cuò)誤地檢測(cè)為前景點(diǎn)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(dòng)態(tài)背景。當(dāng)背景動(dòng)態(tài)程度變化時(shí)，如若背景中某一個(gè)像素點(diǎn)動(dòng)態(tài)程度較高，則對(duì)應(yīng)該點(diǎn)的像素值變化必然比較大，反之應(yīng)該無(wú)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(lái)度量背景動(dòng)態(tài)程度。

    本文根據(jù)動(dòng)態(tài)背景復(fù)雜度σ(x，y)實(shí)時(shí)更新距離閾值，對(duì)于背景動(dòng)態(tài)程度較大的視頻序列，適當(dāng)增大距離閾值，降低動(dòng)態(tài)背景對(duì)檢測(cè)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(gè)系數(shù)，分別取值為0.16和0.01。

    而對(duì)于背景模型更新概率1/δ(x，y)，采用和距離閾值較為類(lèi)似的處理方式對(duì)更新概率進(jìn)行自適應(yīng)處理。即當(dāng)該像素點(diǎn)被判別為前景像素點(diǎn)時(shí)，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(diǎn)為背景點(diǎn)時(shí)，才會(huì)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(dòng)補(bǔ)償?shù)哪繕?biāo)檢測(cè)

    LK光流法用于計(jì)算兩幀圖像中對(duì)應(yīng)像素點(diǎn)運(yùn)動(dòng)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(dòng)場(chǎng)。當(dāng)物體和圖像背景中存在相對(duì)運(yùn)動(dòng)時(shí)，運(yùn)動(dòng)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(dòng)物體的位置檢測(cè)出來(lái)。

    通過(guò)LK光流法求出每一像素點(diǎn)運(yùn)動(dòng)方向向量之后，通過(guò)對(duì)整幅圖像采用線(xiàn)性插值定理就可以得到運(yùn)動(dòng)補(bǔ)償后的圖像。如圖3所示，補(bǔ)償過(guò)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(dòng)背景影響。

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

2 實(shí)驗(yàn)結(jié)果及分析

2.1 IViBe算法對(duì)一般動(dòng)態(tài)背景的目標(biāo)檢測(cè)

    本算法測(cè)試硬件平臺(tái)為AMD A6，4 GB RAM，軟件開(kāi)發(fā)環(huán)境為Windows10、Matlab2014a。在本實(shí)驗(yàn)中，使用了20個(gè)樣本值作為每個(gè)像素點(diǎn)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(dòng)態(tài)背景中overpass、fountain01、canoe這3個(gè)視頻序列完成IViBe算法對(duì)動(dòng)態(tài)背景的魯棒性測(cè)試，并選取了ViBe算法進(jìn)行了對(duì)比實(shí)驗(yàn)。

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

    為了進(jìn)一步研究IViBe算法對(duì)目標(biāo)檢測(cè)的準(zhǔn)確度，采用正確分類(lèi)比PCC，對(duì)改進(jìn)算法與原算法進(jìn)行了對(duì)比，如式（3）所示：

其中，TP是正確檢測(cè)為前景像素點(diǎn)的個(gè)數(shù)；TN是正確檢測(cè)為背景像素點(diǎn)的個(gè)數(shù)；FP是被錯(cuò)誤檢測(cè)為前景像素點(diǎn)的背景像素點(diǎn)個(gè)數(shù)；FN是被錯(cuò)誤檢測(cè)為背景像素點(diǎn)的前景像素點(diǎn)個(gè)數(shù)。選取上述3個(gè)視頻計(jì)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(duì)攝像機(jī)運(yùn)動(dòng)情況下的動(dòng)目標(biāo)檢測(cè)

    由于ViBe算法是針對(duì)攝像機(jī)靜止情況下的運(yùn)動(dòng)目標(biāo)檢測(cè)，并不適用于攝像機(jī)運(yùn)動(dòng)的情況，會(huì)產(chǎn)生大量的前景點(diǎn)，但是利用LK光流法通過(guò)連續(xù)兩幀計(jì)算每個(gè)像素點(diǎn)的運(yùn)動(dòng)向量，并使用該運(yùn)動(dòng)向量對(duì)前一幀圖片進(jìn)行運(yùn)動(dòng)補(bǔ)償，然后通過(guò)幀間差分法得到初始運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果和利用IViBe算法對(duì)結(jié)果進(jìn)行“與”處理，從而可以得出最終的運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果如圖7所示。

    在圖7中，由于攝像機(jī)的運(yùn)動(dòng)使得ViBe算法檢測(cè)出的結(jié)果中，大部分背景像素點(diǎn)都被錯(cuò)誤地檢測(cè)為前景點(diǎn)，如圖7(c)所示，而根據(jù)全局運(yùn)動(dòng)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(cè)出了被錯(cuò)誤檢測(cè)為前景點(diǎn)的背景點(diǎn)。

3 結(jié)束語(yǔ)

    本文針對(duì)傳統(tǒng)ViBe算法中Ghost區(qū)域以及在動(dòng)態(tài)背景下的傳統(tǒng)ViBe算法中大量背景點(diǎn)被錯(cuò)誤檢測(cè)為前景點(diǎn)這一缺陷進(jìn)行了分析與改進(jìn)。針對(duì)Ghost區(qū)域，本文采用了IViBe算法和幀間差分法的結(jié)合，通過(guò)前景點(diǎn)檢測(cè)結(jié)果相“與”去除了Ghost區(qū)域。對(duì)于動(dòng)態(tài)背景，本文采用了樣本集的標(biāo)準(zhǔn)差作為該像素點(diǎn)的背景動(dòng)態(tài)程度度量方式，利用此度量值實(shí)時(shí)地更新距離閾值和更新率，并測(cè)試了對(duì)于動(dòng)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(dòng)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(dòng)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(dòng)目標(biāo)檢測(cè)方法[J].電子與信息學(xué)報(bào)，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）