閆 銘，孫麗君，陳天飛

(1.糧食信息處理與控制教育部重點(diǎn)實(shí)驗(yàn)室，河南 鄭州 450001；2.鄭州市機(jī)器感知與智能系統(tǒng)重點(diǎn)實(shí)驗(yàn)室，河南 鄭州 450001；3.河南工業(yè)大學(xué) 電氣工程學(xué)院，河南 鄭州 450001；4.河南工業(yè)大學(xué) 信息科學(xué)與工程學(xué)院，河南 鄭州 450001)

0 引言

移動(dòng)目標(biāo)檢測(cè)是指從視頻序列中將背景分離出去，得到前景目標(biāo)，從而為后續(xù)進(jìn)行跟蹤、識(shí)別等任務(wù)打下基礎(chǔ)，被廣泛應(yīng)用于智能監(jiān)控、無(wú)人駕駛、航空航天、國(guó)防軍事等領(lǐng)域。按照處理對(duì)象的不同，移動(dòng)目標(biāo)檢測(cè)可分為基于前景的移動(dòng)目標(biāo)檢測(cè)和基于背景的移動(dòng)目標(biāo)檢測(cè)。

ViBe 算法是一種基于背景的移動(dòng)目標(biāo)檢測(cè)方法?；赩iBe 算法的移動(dòng)目標(biāo)檢測(cè)是由Barnich 等人在2009年提出。使用ViBe 算法進(jìn)行移動(dòng)目標(biāo)檢測(cè)實(shí)時(shí)性好、魯棒性強(qiáng)；其核心是背景模型的構(gòu)建與更新，使用第一幀圖像建立初始背景模型，速度較快。ViBe 算法利用每個(gè)像素點(diǎn)及其周邊鄰域像素點(diǎn)的信息，建立像素點(diǎn)信息的隨機(jī)鄰域傳播更新機(jī)制，使得每個(gè)像素點(diǎn)的值在其鄰域內(nèi)平滑傳播，增強(qiáng)算法適應(yīng)場(chǎng)景變化的能力。在背景發(fā)生微小變化時(shí)，檢測(cè)出的噪聲點(diǎn)較少。ViBe 算法在靜態(tài)背景和變化小的背景中有較好的檢測(cè)效果，檢測(cè)速度快，但也存在“鬼影”問(wèn)題。

針對(duì)ViBe 算法存在的“鬼影”問(wèn)題，目前有兩種改進(jìn)方法：第一種是對(duì)初始化方式進(jìn)行改進(jìn)；第二種是先找出“鬼影”區(qū)域，再對(duì)“鬼影”進(jìn)行處理。第一種改進(jìn)方法有中位數(shù)法、平均法等。張欽禮等人利用視頻序列中前幀圖像像素點(diǎn)的中位數(shù)進(jìn)行初始化。馬永杰等人使用改進(jìn)多幀平均法獲得真實(shí)背景的方式進(jìn)行初始化。針對(duì)第二種處理方法，莫邵文等人結(jié)合背景模型的視覺(jué)顯著性特征，判斷每個(gè)像素點(diǎn)的鬼影程度，然后采取措施消除“鬼影”。吳爾杰等人將區(qū)域像素值的方差作為“鬼影”區(qū)域的判別依據(jù)，然后對(duì)“鬼影”進(jìn)行處理。

針對(duì)ViBe 算法存在“鬼影”現(xiàn)象的問(wèn)題，本文采用第一種方法對(duì)基本ViBe 算法進(jìn)行改進(jìn)。在初始化時(shí)，初始背景模型的建立方式變?yōu)閺囊曨l序列前4 幀每個(gè)像素點(diǎn)的24 鄰域隨機(jī)抽取5 個(gè)像素點(diǎn)。

1 基本ViBe 算法

1.1 算法原理

ViBe 算法從第一幀圖像每個(gè)像素點(diǎn)的8 鄰域抽?。ㄒ话闳?0）次作為初始背景模型。像素點(diǎn)（）的8 鄰域如圖1 所示。

圖1 v（x）的8 鄰域

用（）表示當(dāng)前檢測(cè)像素點(diǎn)，用（（））表示（）的背景模型，ViBe 算法背景模型定義為：

在前景判斷時(shí)，計(jì)算出當(dāng)前檢測(cè)像素點(diǎn)與其背景模型中樣本點(diǎn)的歐氏距離dist，然后比較dist 與距離閾值的大小。如果dist 的值小于等于的值，則匹配個(gè)數(shù)加1；反之則對(duì)其背景模型進(jìn)行更新。如果匹配個(gè)數(shù)小于等于閾值，則將當(dāng)前檢測(cè)像素點(diǎn)設(shè)定為前景點(diǎn)，不對(duì)其背景模型進(jìn)行更新。

ViBe 算法示意圖如圖2 所示。圖中：，為二維顏色空間（，）的分量；（）表示當(dāng)前檢測(cè)像素點(diǎn)；為距離閾值，一般取20。以當(dāng)前檢測(cè)像素點(diǎn)（）為圓心，距離閾值為半徑，形成一個(gè)圓，圓內(nèi)的像素樣本點(diǎn)離（）的距離較近，相差較小。圓內(nèi)像素點(diǎn)越多，則說(shuō)明當(dāng)前檢測(cè)像素點(diǎn)越接近背景，當(dāng)前檢測(cè)像素點(diǎn)就有更大可能為背景點(diǎn)。如圖2 所示，當(dāng)前檢測(cè)像素點(diǎn)（）與其對(duì)應(yīng)的背景模型中的像素點(diǎn)的歐氏距離小于等于的有7 個(gè)像素樣本點(diǎn)，大于匹配閾值2，那么可以判定當(dāng)前檢測(cè)像素點(diǎn)（）為背景點(diǎn)。

圖2 ViBe 算法示意圖

1.2 算法流程

ViBe 算法的流程分為模型初始化、前景判斷、模型更新等幾個(gè)步驟。

1）模型初始化

從第一幀圖像每個(gè)像素點(diǎn)的8 鄰域重復(fù)（一般取20）次，隨機(jī)地選擇像素點(diǎn)構(gòu)建背景模型。

2）前景判斷

初始化后進(jìn)行前景判斷，計(jì)算出當(dāng)前檢測(cè)像素點(diǎn)與其背景模型中樣本點(diǎn)的歐氏距離。假設(shè)當(dāng)前檢測(cè)像素點(diǎn)（）的像素值為（（）），其背景模型中樣本點(diǎn)為v，v的像素值為（v），像素點(diǎn)（）匹配v的個(gè)數(shù)為。當(dāng)滿(mǎn)足式（2）時(shí)，說(shuō)明背景模型中有一個(gè)像素樣本點(diǎn)與（）匹配，匹配個(gè)數(shù)的值加1。

當(dāng)比較完當(dāng)前像素點(diǎn)對(duì)應(yīng)的背景模型中的每個(gè)像素樣本點(diǎn)后，若匹配個(gè)數(shù)滿(mǎn)足式（3），則判斷當(dāng)前檢測(cè)像素點(diǎn)為背景點(diǎn)。

式中，為當(dāng)前檢測(cè)像素點(diǎn)與背景模型中樣本像素點(diǎn)匹配個(gè)數(shù)的閾值，一般取2。

3）模型更新

ViBe 算法采用的是保守型更新方式。與此同時(shí)，為了克服這種更新方式的缺點(diǎn)，將當(dāng)前檢測(cè)像素點(diǎn)的信息擴(kuò)展到其鄰域空間。定義更新參數(shù)（一般取16），如果當(dāng)前檢測(cè)像素點(diǎn)與其背景模型相匹配時(shí)，以1的概率用當(dāng)前檢測(cè)像素點(diǎn)隨機(jī)更新其背景模型和其8 鄰域中像素點(diǎn)的背景模型。通過(guò)這種方式可以恢復(fù)移動(dòng)目標(biāo)運(yùn)動(dòng)過(guò)的地方，獲得更加準(zhǔn)確的移動(dòng)目標(biāo)檢測(cè)結(jié)果。

2 ViBe 算法的改進(jìn)

2.1 “鬼影”問(wèn)題

ViBe 算法在多數(shù)背景下都具有較好的檢測(cè)效果，但也存在“鬼影”問(wèn)題。“鬼影”是由很多連接在一起的像素點(diǎn)組成，在移動(dòng)目標(biāo)檢測(cè)結(jié)果中顯示為前景點(diǎn)，但實(shí)際上是背景點(diǎn)。產(chǎn)生“鬼影”現(xiàn)象的原因是初始化時(shí)使用的第一幀圖像中含有移動(dòng)目標(biāo)，在之后檢測(cè)的過(guò)程中會(huì)出現(xiàn)本應(yīng)是背景點(diǎn)的地方，檢測(cè)出的卻是前景點(diǎn)，這樣的錯(cuò)判點(diǎn)聚集在一起就形成了“鬼影”區(qū)域。ViBe 算法“鬼影”現(xiàn)象示意圖如圖3 所示。

圖3 ViBe 算法“鬼影”現(xiàn)象示意圖

如圖3 所示，圖3a）為視頻序列中的第一幀圖像，并且?guī)в幸苿?dòng)目標(biāo)，用藍(lán)色五邊形來(lái)代表，黃色為背景區(qū)域；圖3b）為視頻序列中的第幀圖像，移動(dòng)目標(biāo)與第一幀圖像相比發(fā)生了運(yùn)動(dòng)，在圖像中的位置發(fā)生了變化；圖3c）為使用基本ViBe 算法得到的第幀圖像的移動(dòng)目標(biāo)檢測(cè)結(jié)果，可看出移動(dòng)目標(biāo)的檢測(cè)結(jié)果出現(xiàn)了重疊，發(fā)生了明顯的“鬼影”現(xiàn)象。視頻序列中第幀圖像正確的移動(dòng)目標(biāo)檢測(cè)結(jié)果如圖3d）所示。

采用視頻序列第一幀圖像進(jìn)行初始化，如果第一幀中含有移動(dòng)目標(biāo)，則在視頻序列之后的檢測(cè)結(jié)果中，會(huì)出現(xiàn)在本應(yīng)是背景點(diǎn)的地方檢測(cè)出的卻是前景點(diǎn)，很多這樣的點(diǎn)聚集在一起，就形成了“鬼影”區(qū)域。

ViBe 算法有隨機(jī)鄰域傳播更新機(jī)制，可以實(shí)現(xiàn)消除“鬼影”。假設(shè)當(dāng)前檢測(cè)像素點(diǎn)（）為背景點(diǎn)，像素值為（（）），（）的背景模型為（（）），（）為從像素點(diǎn)（）的鄰域中隨機(jī)選擇得到的像素點(diǎn)，（）的背景模型為（（））。在進(jìn)行背景更新時(shí)，（（））要更新到（（））和（（））中。那么“鬼影”區(qū)域邊緣點(diǎn)的背景模型會(huì)被（）更新?！肮碛啊眳^(qū)域邊緣的像素點(diǎn)與邊緣鄰域的像素點(diǎn)很接近，因此“鬼影”區(qū)域邊緣的像素點(diǎn)會(huì)逐漸成為背景點(diǎn)。隨著檢測(cè)的不斷進(jìn)行，“鬼影”區(qū)域會(huì)慢慢消失。雖然ViBe 算法可以通過(guò)更新背景模型來(lái)將“鬼影”消除，但消除的過(guò)程相對(duì)緩慢。在實(shí)際檢測(cè)當(dāng)中，“鬼影”區(qū)域會(huì)存在較長(zhǎng)時(shí)間，同時(shí)由于“鬼影”的存在，在后續(xù)圖像檢測(cè)中，如果有移動(dòng)目標(biāo)經(jīng)過(guò)該區(qū)域時(shí)，將檢測(cè)不出移動(dòng)目標(biāo)。

2.2 改進(jìn)初始化方式

抑制“鬼影”現(xiàn)象的方法分為兩種：一種是改變算法的初始化方式；另一種是發(fā)現(xiàn)“鬼影”后再進(jìn)行抑制。本文采用第一種方式改變算法的初始化方式?；綱iBe算法在初始化時(shí)，從第一幀圖像像素點(diǎn)的8 鄰域隨機(jī)抽取次，那么（）的8 鄰域中像素點(diǎn)被重復(fù)選中的概率較大。當(dāng)像素點(diǎn)的值差別較大時(shí)，選中的像素樣本點(diǎn)可能集中在少數(shù)幾個(gè)像素樣本點(diǎn)中，容易導(dǎo)致錯(cuò)誤分類(lèi)，造成誤檢。

為了減輕使用第一幀圖像進(jìn)行初始化時(shí)可能出現(xiàn)的移動(dòng)目標(biāo)所帶來(lái)的“鬼影”問(wèn)題的影響，本文提出的改進(jìn)ViBe 算法使用前4 幀圖像進(jìn)行初始化，從前4 幀每個(gè)圖像像素點(diǎn)的24 鄰域隨機(jī)抽取5 個(gè)像素樣本點(diǎn)。這樣可以擴(kuò)大抽取的范圍，像素點(diǎn)鄰域內(nèi)每個(gè)像素點(diǎn)被抽到的概率變小，避免了像素樣本點(diǎn)的重復(fù)選取，可以減輕移動(dòng)目標(biāo)存在于視頻序列第一幀的影響。像素點(diǎn)（）的24 鄰域如圖4 所示。

圖4 v（x）的24 鄰域

當(dāng)像素點(diǎn)（）位于圖像的左上角時(shí)，不再取像素點(diǎn)（）在24 鄰域中間時(shí)的鄰域樣本點(diǎn)，像素點(diǎn)（）的24 鄰 域 如 圖5 所 示。

圖5 v（x）處于圖像左上角

當(dāng)像素點(diǎn)（）位于圖像的右上角時(shí)，此時(shí)像素點(diǎn)（）的24 鄰域如圖6 所示。當(dāng)像素點(diǎn)（）位于圖像的左下角時(shí)，此時(shí)像素點(diǎn)（）的24 鄰域如圖7 所示。當(dāng)像素點(diǎn)（）位于圖像的右下角時(shí)，此時(shí)像素點(diǎn)（）的24 鄰域如圖8 所示。

圖6 v（x）處于圖像右上角

圖7 v（x）處于圖像左下角

圖8 v（x）處于圖像右下角

與此同時(shí)，本文吸收其他改進(jìn)ViBe 算法的做法，為被檢測(cè)為前景的像素點(diǎn)設(shè)置計(jì)數(shù)器。對(duì)于視頻序列中同一位置的像素點(diǎn)，如果連續(xù)多次被認(rèn)為前景點(diǎn)，那么這一位置的像素點(diǎn)為背景點(diǎn)的可能性較大。因此，若像素點(diǎn)被認(rèn)為是前景點(diǎn)時(shí)，計(jì)數(shù)器的值就加1。當(dāng)計(jì)數(shù)器的值大于或等于閾值時(shí)，則認(rèn)為像素點(diǎn)被誤判為前景點(diǎn)，此時(shí)應(yīng)在檢測(cè)結(jié)果中將此像素點(diǎn)判定為背景點(diǎn)。同時(shí)以1的概率用當(dāng)前像素點(diǎn)更新其背景模型。用（）代表檢測(cè)結(jié)果中的點(diǎn)，其定義如下：

式中：NUM 為計(jì)數(shù)器的值；為閾值，的取值根據(jù)移動(dòng)目標(biāo)的大小和速度來(lái)確定。

2.3 改進(jìn)ViBe 算法流程圖

改進(jìn)ViBe 算法的流程分為模型初始化、前景判斷、模型更新等幾個(gè)步驟。首先，輸入視頻序列，對(duì)視頻序列內(nèi)的圖像進(jìn)行灰度化。使用灰度化后的視頻序列的前4 幀進(jìn)行初始化。在前4 幀圖像每個(gè)像素點(diǎn)的24 鄰域隨機(jī)抽取5 個(gè)像素點(diǎn)。然后從視頻序列的第5 幀開(kāi)始進(jìn)行檢測(cè)，判斷當(dāng)前檢測(cè)像素點(diǎn)與背景模型中的樣本點(diǎn)的歐氏距離是否小于等于。若距離大于，則驗(yàn)證背景模型中的下一個(gè)樣本點(diǎn)，反之匹配個(gè)數(shù)加1。當(dāng)匹配個(gè)數(shù)大于等于閾值時(shí)，更新當(dāng)前檢測(cè)像素點(diǎn)的背景模型。如果匹配個(gè)數(shù)小于閾值，則進(jìn)行前景描述。將計(jì)數(shù)器的值加1，按照式（4）進(jìn)行處理可得到移動(dòng)目標(biāo)檢測(cè)結(jié)果。改進(jìn)ViBe 算法流程如圖9 所示。

圖9 改進(jìn)ViBe 算法流程

3 實(shí)驗(yàn)結(jié)果與分析

為了檢驗(yàn)本文提出的改進(jìn)ViBe 算法的效果，需要使用CDW?2014 數(shù)據(jù)集中的highway 數(shù)據(jù)集、pedestrians數(shù)據(jù)集以及PETS2009 數(shù)據(jù)集中的Views_001 數(shù)據(jù)集。highway 數(shù)據(jù)集由1700 幀汽車(chē)圖像組成。pedestrians 數(shù)據(jù)集由1099 幀固定攝像機(jī)拍攝的行人行走圖像組成。Views_001 數(shù)據(jù)集由795 幀固定攝像機(jī)拍攝的行人行走圖像組成，行人行走的速度較快，視頻序列的第一幀圖像包含移動(dòng)目標(biāo)——行人。通過(guò)Matlab R2014a 實(shí)現(xiàn)基本ViBe 算法和本文提出的改進(jìn)ViBe 算法。在highway數(shù)據(jù)集、pedestrians 數(shù)據(jù)集和Views_001 數(shù)據(jù)集上進(jìn)行驗(yàn)證，使用基本ViBe 算法和本文提出的改進(jìn)ViBe 算法得到的移動(dòng)目標(biāo)檢測(cè)結(jié)果如圖10～圖12 所示。

圖10 在highway 數(shù)據(jù)集上的移動(dòng)目標(biāo)檢測(cè)結(jié)果

圖12 在Views_001 數(shù)據(jù)集上的移動(dòng)目標(biāo)檢測(cè)結(jié)果

由圖10 可知，圖10f）、圖10g）中發(fā)生了“鬼影”現(xiàn)象。這是因?yàn)閔ighway 數(shù)據(jù)集第一幀圖像存在待檢測(cè)的移動(dòng)目標(biāo)——汽車(chē)。從使用基本ViBe 算法在highway數(shù)據(jù)集第110 幀圖像的移動(dòng)目標(biāo)檢測(cè)結(jié)果可以看出，“鬼影”現(xiàn)象消失。從圖10i）～圖10l）可以看出，使用改進(jìn)ViBe 算法從highway 數(shù)據(jù)集第50 幀圖像的移動(dòng)目標(biāo)檢測(cè)結(jié)果開(kāi)始，“鬼影”現(xiàn)象消失。這說(shuō)明改進(jìn)ViBe 算法消除“鬼影”現(xiàn)象的速度比基本ViBe 算法快。

圖11e）～圖11h）為使用基本ViBe 算法得到的檢測(cè)結(jié)果，移動(dòng)目標(biāo)——行人被有效檢出。圖11i）～圖11l）為使用改進(jìn)ViBe 算法得到的檢測(cè)結(jié)果，移動(dòng)目標(biāo)——行人被有效檢測(cè)出，且得到的檢測(cè)結(jié)果中噪聲很少。

圖11 在pedestrians 數(shù)據(jù)集上的移動(dòng)目標(biāo)檢測(cè)結(jié)果

由圖12e）～圖12h）可以看出，使用ViBe 算法在前90 幀圖像的檢測(cè)結(jié)果中出現(xiàn)了“鬼影”現(xiàn)象，造成了錯(cuò)誤檢測(cè)。由于數(shù)據(jù)集第一幀圖像存在移動(dòng)目標(biāo)，因此在第10 幀的檢測(cè)結(jié)果中，本應(yīng)檢測(cè)出3 個(gè)行人，但在圖12e）中檢測(cè)出6 個(gè)行人，出現(xiàn)3 個(gè)行人的“鬼影”。在第30幀的檢測(cè)結(jié)果中，本應(yīng)檢測(cè)出5個(gè)行人，但在圖12f）中檢測(cè)出6 個(gè)行人。有2 個(gè)行人的“鬼影”已經(jīng)消除，只剩下1 個(gè)行人的“鬼影”。在第60 幀圖像的檢測(cè)結(jié)果中，“鬼影”現(xiàn)象依然存在。直至檢測(cè)到第90 幀圖像時(shí)，“鬼影”現(xiàn)象才完全消失。從圖12i）～圖12l）可以看出，改進(jìn)ViBe 算法可以有效地檢測(cè)出行人，檢測(cè)結(jié)果中的噪聲比基本ViBe 算法的檢測(cè)結(jié)果少。如圖12i）所示，從Views_001 數(shù)據(jù)集第10 幀圖像的移動(dòng)目標(biāo)檢測(cè)結(jié)果可以看出，應(yīng)檢出3 個(gè)行人，實(shí)際檢出3 個(gè)行人。后續(xù)檢測(cè)結(jié)果中沒(méi)有出現(xiàn)“鬼影”現(xiàn)象。這說(shuō)明改進(jìn)ViBe 算法消除“鬼影”現(xiàn)象的速度比基本ViBe 算法快。

根據(jù)以上實(shí)驗(yàn)結(jié)果可知，本文提出的改進(jìn)ViBe 算法在三個(gè)數(shù)據(jù)集上都有很好的效果，可以有效消除“鬼影”現(xiàn)象，且消除“鬼影”現(xiàn)象的速度比基本ViBe 算法更快，檢測(cè)效果得到改善。這說(shuō)明本文提出的改進(jìn)算法與基本的ViBe 算法相比，性能更好，魯棒性更好。

4 結(jié) 語(yǔ)

針對(duì)ViBe 算法存在“鬼影”現(xiàn)象的問(wèn)題，本文提出一種改進(jìn)方法。初始化時(shí)，背景模型的構(gòu)建方式從在第一幀圖像每個(gè)像素點(diǎn)的8 鄰域抽取20 次，變?yōu)閺那? 幀每個(gè)像素點(diǎn)的24 鄰域隨機(jī)抽取5 個(gè)像素點(diǎn)。在highway數(shù)據(jù)集、pedestrians 數(shù)據(jù)集和Views_001 數(shù)據(jù)集上對(duì)本文提出的改進(jìn)ViBe 算法進(jìn)行驗(yàn)證。移動(dòng)目標(biāo)檢測(cè)結(jié)果表明，本文提出的改進(jìn)ViBe 算法與基本ViBe 算法相比，能夠加快“鬼影”現(xiàn)象的消除，檢測(cè)效果更好。下一步將在其他復(fù)雜場(chǎng)景中對(duì)本文提出的改進(jìn)ViBe 算法進(jìn)行驗(yàn)證和優(yōu)化。