王海全，邱衛(wèi)根，譚臺哲

(1. 廣東工業(yè)大學(xué) 計(jì)算機(jī)學(xué)院，廣東 廣州510006;2. 河源廣工大協(xié)同創(chuàng)新研究院，廣東 河源517000)

背景差分法以其相對較好的噪聲抑制能力和較低的計(jì)算復(fù)雜度，成為實(shí)際應(yīng)用中運(yùn)動目標(biāo)檢測的首選。背景差分法的關(guān)鍵主要體現(xiàn)在背景模型的選擇和更新機(jī)制的設(shè)計(jì)上。一般的背景差分方法，如混合高斯算法(Gaussian Mixture Model)［1］、碼本算法(Codebook)［2］等，對光照敏感，且需要幾十幀的圖像進(jìn)行背景模型的構(gòu)建，實(shí)時性差。Olivier B 等人在一致性建模算法(SACON)［3］和SOBS 算法［4］的啟發(fā)下，提出了ViBe 算法［5］。

ViBe 算法是一種非參數(shù)化聚類背景建模方法，在不同環(huán)境下具有良好的適應(yīng)性和實(shí)時性［6］，檢測效果明顯。傳統(tǒng)的ViBe 算法仍然存在一些缺陷，例如，光照突然變化時，ViBe 算法會將大面積的背景點(diǎn)誤檢為前景點(diǎn)，即使經(jīng)過了很長時間，也難以重新將其歸類為背景。同時，ViBe 算法背景模型的單幀初始化方式容易引入鬼影區(qū)域，而且該算法模型更新策略并不能很好地處理噪聲。針對這些不足，本文依據(jù)光照變化并不會改變圖像的紋理特征這一特性，提出運(yùn)用尺度不變局部三值模式(SILTP)［7］對圖像進(jìn)行紋理特征提取，通過比較SILTP 值來對前后景像素進(jìn)行分類，實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的算法對光照變化取得了較好的魯棒性。此外，本文采用20 幀圖像進(jìn)行背景模型的初始化，并且更新策略改進(jìn)為替代異常值的方式，實(shí)驗(yàn)顯示，改進(jìn)后的算法在處理鬼影區(qū)域和抑制噪聲方面取得了明顯的效果提升。

1 ViBe 算法思想和SILTP 算子

1.1 ViBe 算法思想

ViBe 算法首次將隨機(jī)化的方法引入到背景模型中，同時根據(jù)圖像中相鄰像素的時空一致性原則，采用單幀初始化策略和隨機(jī)信息傳播機(jī)制。

1)背景模型表示:屬于背景中每一個像素的背景模型用N 個背景樣本組成(N 取值為20)，定義I(x)為歐式空間中位于x 處的像素，Ik為選取的樣本像素，則像素I(x)對應(yīng)的背景模型M(x)如式(1)所示

2)背景模型初始化:與其他背景差分算法不同的是，ViBe 算法采用單幀初始化策略。如圖1a 所示，在第一幀中，從I(x)的八鄰域NG(x)里隨機(jī)多次選取N(N 取值為20)個像素值，存放到對應(yīng)的背景模型的N 個樣本中。如式(2)所示，定義M0(x)作為第一幀的背景模型

3)像素分類:在2－D 歐式空間中，定義SR(I(x))是以像素I(x)為中心，距離R(R 取20 個像素)為半徑的球體(見圖1b)。設(shè)定閾值#min(#min 取值為2)，當(dāng)集合M(x)與SR(I(x))的交集大于#min 時，則判定I(x)為背景像素，反之，則為前景像素。

圖1 像素的8 鄰域和像素分類

4)背景模型更新及信息傳播:若I(x)被分類為背景像素，ViBe 算法將從I(x)的背景模型M(x)中隨機(jī)選取一個樣本Ik，然后用I(x)來替代。這種隨機(jī)化更新方式，保證了每一個樣本的生命周期呈平滑指數(shù)遞減，避免了先進(jìn)先出更新策略的缺陷?？紤]到在實(shí)際應(yīng)用場景中，不必頻繁更新背景，該算法采用了二次時間取樣的方式，來延長模型中樣本的生命周期。

為了保證像素鄰域空間一致性以及恢復(fù)被前景遮擋的背景像素，ViBe 算法在采用像素I(x)對背景模型進(jìn)行更新的同時，還使用I(x)對鄰域中的像素的樣本模型進(jìn)行更新，這就是隨機(jī)信息傳播機(jī)制。

1.2 尺度不變局部三值模式SILTP

在實(shí)際應(yīng)用中，光照突變等因素都會導(dǎo)致圖像的多尺度變化，對此，Shengcai L 等人在LTP［8］的基礎(chǔ)上提出尺度不變?nèi)的Ｊ?Scale Invariant Local Ternary Pattern，SILTP)。其計(jì)算公式如式(3)所示

式中:Ic表示中心點(diǎn)像素值，Ik表示N 鄰域中所對應(yīng)的像素值，并且N 鄰域位于以Ic為中心，R 為半徑的區(qū)域中，?表示二進(jìn)制串的連接運(yùn)算符，t 表示比例系數(shù)，st(Ic，Ik)是一個分段函數(shù)，定義如式(4)所示。由于比較結(jié)果只有三種可能，因而采用兩位二進(jìn)制來表示結(jié)果，SILTP 具體編碼過程如圖2所示，從圖中可以看出，SILTP 對于噪聲和尺度變化具有強(qiáng)魯棒性。

圖2 SILTP 編碼過程

SILTP 算子的優(yōu)勢主要體現(xiàn)在三個方面。首先，由于SILTP 只比LBP 多一次比較，因此，其計(jì)算效率較高;其次，與LTP 類似，SILTP 引入?yún)^(qū)間范圍，從而對噪聲的魯棒性較好;最后，也是最重要的一點(diǎn)，就是SILTP 引入尺度不變特性，因此，對于光照變化的處理效果較好。

2 改進(jìn)后的運(yùn)動目標(biāo)檢測算法

結(jié)合SILTP 紋理描述算子，利用像素的時間和空間特性，提出改進(jìn)后的運(yùn)動目標(biāo)檢測算法。圖3 為本文的算法流程圖，下面將從背景模型初始化、運(yùn)動目標(biāo)檢測和模型更新等方面介紹本文的改進(jìn)算法。

圖3 算法流程圖

2.1 背景模型的初始化

當(dāng)視頻的第一幀包含運(yùn)動目標(biāo)時，ViBe 單幀初始化策略在初始化模型時，會將運(yùn)動目標(biāo)像素作為背景像素值進(jìn)行建模，運(yùn)動目標(biāo)移動后，采樣得到的真正背景像素?zé)o法與背景模型匹配，導(dǎo)致背景像素被誤檢為前景，由這類像素形成的區(qū)域，稱之為鬼影區(qū)域。此外，從鄰域中隨機(jī)選取背景初始樣本的過程中，可能會引入不同紋理的像素，破壞了初始模型。

因此，本文針對ViBe 算法初始化的不足，提出采用20 幀圖像進(jìn)行初始化，能夠有效抑制鬼影。如式(5)所示，從同一位置的20 幀圖像中選取樣本構(gòu)成初始化模型M0(x)，Ik(x)表示第k 幀中位于x 處的像素

2.2 運(yùn)動目標(biāo)檢測

目前主流的運(yùn)動目標(biāo)檢測算法都是依賴于概率密度函數(shù)和參數(shù)統(tǒng)計(jì)，但是在實(shí)際應(yīng)用中，統(tǒng)計(jì)模型很難完整客觀地反映運(yùn)動場景。實(shí)際上，如果把運(yùn)動目標(biāo)檢測看成是分類問題，那么只要正確地分出前景像素和背景像素就可以完成運(yùn)動目標(biāo)的檢測。為此，本文提出計(jì)算待檢測點(diǎn)與背景模型中每個樣本的SILTP 值，同時設(shè)定SILTP 匹配閾值Th 和樣本匹配閾值#min，若匹配度達(dá)到Th 的樣本數(shù)量超過#min 時，則判定該檢測點(diǎn)為背景，反之，為前景。具體步驟如下:

1)計(jì)算出待檢測點(diǎn)像素I(x)的SILTP 值c(x)和背景模型每一個樣本的SILTP 值，則轉(zhuǎn)化后的背景模型如式(6)所示

2)式(7)表示用異或操作來計(jì)算c(x)與式(6)中樣本的匹配程度，匹配程度通過統(tǒng)計(jì)異或結(jié)果中1 的位個數(shù)來表示

3)當(dāng)該樣本匹配程度大于閾值Th 時，標(biāo)記該樣本為1，反之為0，如式(8)所示

4)統(tǒng)計(jì)樣本中nk(x)為1 的個數(shù)，得到結(jié)果Sum(x)，如式(9)所示

5)最后對I(x)像素進(jìn)行分類，如式(10)所示

經(jīng)過多次實(shí)驗(yàn)分析，得到本文中參數(shù)Th=3，#min=2。

2.3 背景模型更新

在運(yùn)動目標(biāo)檢測過程中，背景模型容易混入異常樣本，比如誤分類的前景像素或噪聲像素，這時，ViBe 的隨機(jī)更新方式并不能有效地處理。為此，本文提出替代異常值的更新方式，具體思想如下:

首先，根據(jù)式(6)得到轉(zhuǎn)化后的背景模型，計(jì)算出每個樣本與模型中其他樣本的海明距離平均值，如式(11)所示，Di表示第i 個樣本與其他樣本的海明距離平均值。

其次，找出平均海明距離最小所對應(yīng)的樣本，如式(12)所示，index 表示平均海明距離最小所對應(yīng)的樣本下標(biāo)

最后，設(shè)定更新速率為φ，當(dāng)某像素I(x)分類為背景時，則有1/φ 的概率更新其背景模型中的樣本，即用c(x)替代樣本cindex(x)。同時，與ViBe 算法傳播機(jī)制相似，本文利用鄰域像素分布相似特性，在更新該像素點(diǎn)背景樣本的同時，再次按照1/φ 的概率隨機(jī)選取I(x)的8 鄰域的一個像素點(diǎn)，將c(x)替換其背景模型中的樣本SILTP 值。

3 實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)的軟件環(huán)境為配置了OpenCV 2.4.8 的Visual Studio 2013，硬件環(huán)境為3 Gbyte 的內(nèi)存和Intel Core i3 2.4 GHz 的處理器。處理的視頻序列來自UCSD 的Beach People 視頻序列和CVPR 的PETS 視頻序列。為了進(jìn)行算法比較，說明本文改進(jìn)算法的性能，實(shí)現(xiàn)了ViBe 算法和本文改進(jìn)后的算法，其中，在本文改進(jìn)算法使用的是8 鄰域，模型樣本數(shù)N 取20，SILTP 閾值Th 取3，樣本匹配閾值#min 取2，更新速率φ 取16，而ViBe 算法采用原作者使用的參數(shù)，即球形半徑R 取20，樣本數(shù)N 取20，更新速率φ 取16，樣本匹配閾值#min 取2。

3.1 Beach People 圖像序列實(shí)驗(yàn)結(jié)果

本圖像序列主要用來檢驗(yàn)改進(jìn)算法在光照變化和噪聲條件下的檢測效果。在Beach People 圖像序列中，陽光在海面反射會造成光照的突然變化，同時，波動的海面和抖動的樹葉造成的噪聲都會給檢測效果帶來挑戰(zhàn)。在該圖像序列上得到的實(shí)驗(yàn)結(jié)果如圖4 所示，其中，圖4a 表示截取的序列第230幀，圖4b 表示理想狀態(tài)下的檢測結(jié)果，圖4c 表示ViBe 算法處理得到的結(jié)果，圖4d 表示本文改進(jìn)算法檢測的結(jié)果。可以看出，ViBe 算法對噪聲和光照變化的處理不足，導(dǎo)致樹葉和圍墻等背景物體誤檢為前景，影響了機(jī)器視覺的后期處理，比如目標(biāo)跟蹤。而從圖4d 可以得出，本文的改進(jìn)算法檢測效果和ViBe 算法相比有較大的提升。

圖4 原算法與改進(jìn)算法在Beach People 序列上的檢測效果

3.2 PETS 圖像序列實(shí)驗(yàn)結(jié)果

本圖像序列主要用來檢驗(yàn)改進(jìn)算法在鬼影抑制和復(fù)雜紋理場景下的檢測效果。在PETS 圖像序列中，背景紋理復(fù)雜，同時，靜止的車輛移動后，會造成鬼影區(qū)域。如圖5 所示，圖5a 表示截取的序列第450 幀，圖5b 表示理想狀態(tài)下的檢測結(jié)果，圖5c 是ViBe 算法的處理結(jié)果，圖5d 表示本文改進(jìn)算法得到的檢測結(jié)果?？梢钥闯?，本文改進(jìn)算法在鬼影抑制和復(fù)雜背景紋理處理方面和ViBe 算法相比有較大的改進(jìn)。

圖5 原算法與改進(jìn)算法在PETS 序列上的檢測效果

3.3 實(shí)驗(yàn)結(jié)果的定量分析

目前有許多的定量分析方法來評估背景差分法的檢測效果，但是很難選擇最優(yōu)的方法，原因在于每個作者提出的分析方法都是有利于評估自身的算法，有失公允。通過比較，可以發(fā)現(xiàn)這些分析方法一般包括4 個因素，即正確檢出的前景像素?cái)?shù)量(TP)，誤檢的前景像素?cái)?shù)量(FP)，正確檢出的背景像素?cái)?shù)量(TN)，誤檢的背景像素?cái)?shù)量(FN)。根據(jù)文獻(xiàn)［9］，正確分類比(PCC)公式包含了以上4 個因素，因而采用PCC 來評估本文的實(shí)驗(yàn)結(jié)果，PCC 公式如式(13)所示

為了抑制ViBe 算法在初始化過程中容易引入鬼影問題，本文采用了20 幀初始化方式，同時，紋理特征的提取與比較都需要付出計(jì)算代價，因而改進(jìn)算法在處理速度上較ViBe 算法有所降低。但是，從表1 中可以得出，本文改進(jìn)的算法在正確分類比率上較ViBe 算法有較大提升，特別是在硬件較好環(huán)境下，兩種算法處理速度相近時，改進(jìn)后算法在性能上的優(yōu)勢更加明顯。

表1 原算法與改進(jìn)算法在PCC 和處理速度上的比較

4 小結(jié)

本文針對經(jīng)典ViBe 算法提出改進(jìn)。首先，對于模型初始化方面，本文采用20 幀初始化策略，有效抑制了鬼影的形成;其次，對于前后景檢測方面，本文利用SILTP 算子提取像素的紋理特征，通過比較SILTP 值來對像素進(jìn)行分類，提高了算法對光照變化的魯棒性;最后，對于模型更新方面，本文采用替代異常值方式，在處理噪聲等異常像素時，檢測效果有明顯的提升。實(shí)驗(yàn)結(jié)果顯示，本文提出的改進(jìn)算法在滿足實(shí)時性的基礎(chǔ)上，對復(fù)雜場景的魯棒性較強(qiáng)。

［1］ZIVKOVIC Z. Improved adaptive gausian mixture model for background substraction［C］//Proc. International Conference Pattern Recognition.［S.l.］:IEEE Press，2004(2):28－31.

［2］KIM K，CHALIDABHONGSE T，HHARWOOD D. Real－time foreground－background segmentation using codebook model［J］.Realtime Imaging，2005，11(3):172－185.

［3］WANG H，SUTER D.A consensus－based method for tracking:modeling background scenario and foreground appearance［J］.Pattern Recognition，2007(40):1091－1105.

［4］MADDALENA L，PETRESINO A. A self－organizing approach to background substraction for visual surveillance application［J］.IEEE Trans. Image Processing，2008，17(7):1168－1177.

［5］BANICH O，VAN DROOGENBROECK M. ViBe:a universal background substraction algorithm for video sequences［J］.IEEE Trans.Image Processing，2011，20(6):1709－1724.

［6］鄧博，范文兵，常伯樂.基于嵌入式系統(tǒng)的運(yùn)動目標(biāo)檢測算法的設(shè)計(jì)及實(shí)現(xiàn)［J］.電視技術(shù)，2013，37(9):214－217.

［7］LIAO Shengcai，ZHAO Guoying，KELLOKUMPU V. Modeling pixel process with scale invariant local patterns for background substraction in complex scenes［C］//Proc.2010 IEEE Conference on Computer Vision and Pattern Recognition.［S.l.］:IEEE Press，2010:1301－1306.

［8］TAN X，TRIGGS B.Enhanced local texture feature sets for face recognition under different lighting conditions［EB/OL］.［2014－12－10］.http://link.springer.com/chapter/10.1007%2F978－3－540－75690－3_13.

［9］ELHABIAN S，ELSAYED H，AHMED S.Moving object detection in spatial domain using background removal techniques－state－of－art［J］.Recent Pattern Computaional Science，2008，8(1):32－54.