周超康，戰(zhàn)蔭偉，馮開平

(廣東工業(yè)大學(xué) a.機(jī)電工程學(xué)院；b.計算機(jī)學(xué)院，廣東 廣州 510006)

基于雙背景模型的改進(jìn)Vibe運(yùn)動目標(biāo)檢測算法

周超康a，戰(zhàn)蔭偉b，馮開平a

(廣東工業(yè)大學(xué) a.機(jī)電工程學(xué)院；b.計算機(jī)學(xué)院，廣東 廣州 510006)

摘要:針對傳統(tǒng)視覺背景提取法(Visual background extractor，Vibe)不能抑制鬼影和去除陰影干擾的問題，提出一種改進(jìn)算法。緩存視頻前K幀圖像，利用隨機(jī)抽樣和改進(jìn)均值法構(gòu)建兩個背景模型，分別用于前景檢測和陰影去除；前景檢測環(huán)節(jié)擴(kuò)大樣本的抽取范圍，提高模型可靠度，抑制鬼影；替換虛假樣本完成前景檢測模型的更新；對所得感興趣前景區(qū)域，結(jié)合灰度和LBP紋理特征信息消除陰影。實驗結(jié)果表明，改進(jìn)算法能有效抑制鬼影，消除陰影干擾，檢測結(jié)果更加精確。

關(guān)鍵詞:運(yùn)動目標(biāo)檢測；鬼影；陰影去除；Vibe；LBP

運(yùn)動目標(biāo)檢測是從視頻圖像序列中提取出相對于背景場景運(yùn)動的前景目標(biāo)，是目標(biāo)跟蹤、分類和行為理解的基礎(chǔ)，在交通管理和安防等領(lǐng)域中得到了廣泛運(yùn)用[1]。關(guān)于運(yùn)動目標(biāo)檢測已有大量研究工作，但由于場景復(fù)雜多變，沒有一種對所有場景都適用的檢測方法。

傳統(tǒng)的運(yùn)動目標(biāo)檢測方法主要包括：幀差法[2]、光流法[3]和背景差分法[3-5]。相對于幀差法和光流法而言，背景差分法準(zhǔn)確度高且強(qiáng)魯棒，成為研究的焦點(diǎn)。常用的背景差分法有混合高斯模型[4](Gaussian Mixture Model，GMM)和碼本模型[5](Code-book)。GMM可用于復(fù)雜場景的建模，但計算復(fù)雜度高，實時性不好。Code-book通過統(tǒng)計和聚類像素點(diǎn)信息實現(xiàn)背景建模，但由于其學(xué)習(xí)閾值固定，會導(dǎo)致碼本無限膨脹。2009年，Olivier Barnich等人提出Vibe[6]算法，該算法適用于多種不同場景且實時性良好，但對鬼影抑制和陰影去除等效果不佳。為此，文獻(xiàn)[7]在預(yù)處理階段通過三幀差法重建了真實背景，可消除鬼影干擾。文獻(xiàn)[8]為了避免重復(fù)選取樣本，擴(kuò)大了初始化樣本的選取區(qū)域，鄰域更新采用隔行更新的方式，并用小目標(biāo)丟棄和空洞填充策略消除噪聲干擾，同時去除部分陰影。

受以上工作啟發(fā)，本文提出一種基于雙背景模型的改進(jìn)Vibe算法，稱為DMVibe(Double Model Vibe)。該算法對監(jiān)控環(huán)境有更好的適用性，能很好地解決鬼影和陰影問題，提升檢測效果。

1Vibe介紹

Vibe是一種基于樣本隨機(jī)聚類技術(shù)的背景建模算法，由于其良好的魯棒性和實時性，在智能監(jiān)控系統(tǒng)中得到廣泛運(yùn)用。算法主要包括：

1)背景建模

(1)

2)前景檢測

(2)

式中：R=20，#min=2。

圖1　歐氏空間中像素分類

3)模型更新

設(shè)時間二次抽樣因子δ=16，像素被檢測為背景時，以1/16的概率用當(dāng)前像素值隨機(jī)替換其背景模型中的一個樣本；并以1/16的概率用當(dāng)前像素值替換其八鄰域中隨機(jī)選取的某背景模型的一個樣本，以保持空間一致性，克服“死鎖”問題。

Vibe存在以下問題：1)當(dāng)?shù)谝粠杏羞\(yùn)動目標(biāo)時，運(yùn)動目標(biāo)位置處的背景模型由運(yùn)動目標(biāo)像素填充。目標(biāo)離開后，真實背景像素與該背景模型無法匹配，導(dǎo)致出現(xiàn)不對應(yīng)任何前景目標(biāo)的檢測結(jié)果，即鬼影，而模型更新需較長時間才能將鬼影消除。2)Vibe沒有考慮消除陰影的干擾，且檢測結(jié)果中存在大量閃爍噪聲。這些都嚴(yán)重影響檢測結(jié)果的真實性。

2DMVibe算法

本文首先利用視頻前K幀圖像建立兩個背景模型：前景檢測背景模型和陰影檢測背景模型。然后從第K+1幀起開始前景檢測，能有效抑制鬼影和噪聲，并去除運(yùn)動陰影。最后根據(jù)前景檢測結(jié)果更新這兩個模型。

2.1初始化前景檢測背景模型

(3)

該背景模型初始化過程考慮了時域信息，使模型中包含更多背景像素灰度值，模型可靠度大幅提高，能有效克服鬼影和噪聲干擾。

2.2前景檢測

從第K+1幀起，對任一待分類像素點(diǎn)P(x，y)，計算其與M*(x，y)中樣本的歐氏距離。為了加快檢測速度，當(dāng)已存在歐氏距離小于R的個數(shù)#等于分類閾值#min*時，便停止后續(xù)計算，該點(diǎn)即可判斷為背景。否則，繼續(xù)計算至結(jié)束，完成前景檢測。

2.3前景檢測背景模型更新

M*(x，y)中難免會抽到噪聲和運(yùn)動目標(biāo)的灰度值，造成前景檢測背景模型中存在兩類樣本。一類稱為虛假樣本(噪聲和運(yùn)動目標(biāo)的灰度值)，另一類稱為真實樣本(真實背景像素的灰度值)。當(dāng)模型中存在多個虛假樣本時，易引起鬼影和空洞等現(xiàn)象，故模型更新時應(yīng)盡快將虛假樣本去除。若繼續(xù)采用Vibe隨機(jī)替換樣本的策略更新前景檢測背景模型，非但不能有效去除虛假樣本，且前景像素被誤判為背景時，該策略還可能將原模型中的真實樣本替換掉，使更新后的背景模型可靠度更低。因此，本文提出一種替換虛假樣本的更新機(jī)制。

虛假樣本與真實樣本的灰度值有較大差別，可用以下方法判定虛假樣本：首先，計算前景檢測背景模型中所有樣本的灰度平均值；然后，計算每個樣本灰度值與平均值的差值；最后，差值最大的樣本視為該背景模型的虛假樣本。

前景檢測背景模型的更新方法：設(shè)時間二次抽樣因子δ*=16，當(dāng)像素被分類成背景時，以1/δ*的概率用該像素灰度值替換其背景模型中的虛假樣本，以提高模型可靠度；并用該像素灰度值以1/δ*的概率替換其八鄰域中隨機(jī)選取的一像素背景模型的虛假樣本，以保持空間一致性。

2.4陰影消除

Vibe沒有考慮陰影對檢測結(jié)果的影響，直接把陰影作為運(yùn)動目標(biāo)的一部分。而陰影的存在嚴(yán)重影響了對運(yùn)動目標(biāo)的后續(xù)理解。為提升Vibe的檢測效果，本文增加了陰影消除環(huán)節(jié)。

常用的陰影檢測的方法有基于灰度信息的方法[10]和基于紋理特征的方法[11]。如文獻(xiàn)[10]通過快速歸一化互相關(guān)函數(shù)(Fast Normalized Cross-Correlation，F(xiàn)NCC)利用像素灰度的線性關(guān)系，檢測運(yùn)動陰影。文獻(xiàn)[11]根據(jù)陰影區(qū)域與對應(yīng)的背景區(qū)域紋理相似，而前景區(qū)域的紋理變化較大的特點(diǎn)，用LBP紋理特征檢測運(yùn)動陰影。而單一方法檢測陰影效果不佳。所以本文先用FNCC在前景檢測所得感興趣區(qū)域中，得到盡可能多的初步陰影區(qū)域，再對初步陰影區(qū)域進(jìn)行LBP紋理特征分析，獲最終陰影并去除。

下文將介紹如何建立并更新陰影檢測背景模型，簡介FNCC以及如何結(jié)合灰度和紋理信息消除運(yùn)動陰影。

2.4.1改進(jìn)均值法背景建模

傳統(tǒng)均值法背景建模的主要思想：緩存M幀視頻序列，計算相同像素位置前M幀的灰度平均值，作為該像素的背景值，從而建立整幅背景。它的缺陷是：M取值較大，且前M幀中不能出現(xiàn)運(yùn)動目標(biāo)，否則不能獲得滿意的背景。

對于視頻圖像中大多數(shù)像素點(diǎn)而言，其灰度值一段時間內(nèi)通常在一個較小的范圍浮動，只有當(dāng)運(yùn)動目標(biāo)經(jīng)過或噪聲干擾時才會大幅跳變，如圖2所示。

圖2　像素灰度值在時間軸的分布

因此本文對均值法進(jìn)行改進(jìn)。統(tǒng)計每個像素位置前K幀中各灰度值出現(xiàn)的次數(shù)，選擇出現(xiàn)最多的前n個灰度值，求其平均并取整，可用該值作為像素的背景值

(4)

式中：Ii(x,y)為點(diǎn)(x，y)處出現(xiàn)次數(shù)最多的前n個灰度值中的第i個。

多次實驗表明，改進(jìn)均值法能去除灰度跳變的影響，受前K幀中有無運(yùn)動目標(biāo)的干擾較小。當(dāng)K取50，n取2時，能獲取純凈的背景，如圖3所示。

a　原始背景　　　　　　　b　改進(jìn)均值法所得背景圖3　背景圖像

2.4.2陰影檢測背景模型

要利用灰度和紋理信息檢測陰影，就必須有一個確定的背景灰度值與當(dāng)前幀灰度值做比較。而Vibe的背景模型是一個樣本集，無法確定用哪個樣本灰度值來比較。為解決這個矛盾，用視頻前K=50幀圖像構(gòu)造一個基于像素灰度的陰影檢測背景模型(Background Model Based on Pixel Gray，Bp)，專門用于檢測陰影，Bp所有像素位置有且只有一個灰度值。

1) 初始化Bp：緩存視頻前50幀圖像，利用改進(jìn)均值法建立一副純凈背景，用該背景的灰度值初始化Bp。

2) 更新Bp：當(dāng)?shù)赯幀某點(diǎn)(x，y)經(jīng)過2.2節(jié)判斷，被分類為背景點(diǎn)時，更新Bp

BpZ(x,y)=(1-φ)BpZ-1(x,y)+φIZ(x,y)

(5)

被分類為前景時，Bp保持不變

BpZ(x,y)=BpZ-1(x,y)

(6)

式中：Bpz(x，y)和Bpz-1(x，y)分別是第Z和Z-1幀中點(diǎn)(x，y)的陰影檢測背景模型；IZ(x，y)是第Z幀中點(diǎn)(x，y)的灰度值；φ是Bp的更新率。

2.4.3FNCC簡介

設(shè)每幀圖像大小為M×N，C(x,y)是當(dāng)前幀圖像，B(x,y)是背景圖像。定義以點(diǎn)(x,y)為中心、大小為(2L+1)(2L+1)的模板Tx,y

Tx,y=C(x+m,y+n),-L≤m(或n)≤L

(7)

式中：Csquare(x,y)和Bsquare(x,y)分別是當(dāng)前幀和背景幀在點(diǎn)(x,y)處灰度值的平方；BCdata(x,y)是當(dāng)前幀和背景幀在點(diǎn)(x,y)處灰度值之積。點(diǎn)(x,y)處的快速歸一化互相關(guān)函數(shù)為

(8)

其中，

ER(x,y)=BCdata(x+L,y+L)-BCdata(x-L-

1,y+L)+BCdata(x-L-1,y-L-1)-

BCdata(x+L,y-L-1)

y+L)+Bsquare(x-L-1,y-L-1)-

Bsquare(x+L,y-L-1)

L)+Csquare(x-L-1,y-L-1)-Csquare(x+

L,y-L-1)

2.4.4陰影檢測與去除

具體步驟如下：

1)當(dāng)前幀經(jīng)2.2節(jié)前景檢測后，得前景區(qū)域記為ROIA。對ROIA中的每個像素及其模板范圍內(nèi)的點(diǎn)，在Bp中找到對應(yīng)的背景灰度值。據(jù)文獻(xiàn)[10]可知，若ROIA中某點(diǎn)(x，y)的灰度值低于對應(yīng)背景灰度值，且FNCC接近1，即滿足式(9)時，可判斷該像素點(diǎn)為陰影點(diǎn)。所有陰影點(diǎn)組成初步陰影區(qū)域ROIB

(9)

式中：TFNCC是一個接近1的常數(shù)；EB(x,y)是背景圖像能量函數(shù)；ETx,y是模板能量函數(shù)。

2)對ROIB中任一點(diǎn)及其八鄰域點(diǎn)，在Bp中找到對應(yīng)背景灰度值，計算ROIB中的點(diǎn)與對應(yīng)背景點(diǎn)的LBP(8，1)二進(jìn)制字符串的編輯距離。若編輯距離小于d，則該點(diǎn)為陰影點(diǎn)，得最終陰影區(qū)域ROIC。

3)真實前景區(qū)域為TF，則有

TF=ROIA/ROIC

(10)

經(jīng)過以上步驟，可消除陰影干擾。最后顯示檢測結(jié)果。

3實驗結(jié)果與分析

3.1實驗結(jié)果定性分析

圖4是HighwayI視頻序列中第53幀的實驗結(jié)果。圖4b可以看出，Vibe檢測結(jié)果中存在大量鬼影。這是因為該視頻第一幀中就有前景目標(biāo)，用第一幀初始化背景模型，前景位置處的模型由前景像素填充。前景離開后，真實背景像素與該模型無法匹配，從而產(chǎn)生鬼影。而其更新機(jī)制直到360幀仍未能將鬼影完全去除。同時，車輛的陰影也被誤判成前景顯示。鬼影和陰影嚴(yán)重影響檢測的真實性。由圖4c可知文獻(xiàn)[8]算法消除了部分陰影，但依舊存在鬼影干擾。這是因為EVibe擴(kuò)大了采樣區(qū)域，雖避免了樣本的重復(fù)選取，但模型初始化階段依然抽取了大量車輛像素，鬼影依然存在。而圖4d可知，本文算法在前景檢測背景模型初始化完成后，能立馬克服鬼影并消除大部分陰影和噪聲干擾，檢測結(jié)果更真實。

為了進(jìn)一步對比算法的性能，對intelligentroom視頻序列進(jìn)行實驗。該視頻序列雖第一幀中沒有運(yùn)動物體，但依然存在噪聲和陰影干擾。實驗結(jié)果如圖5所示。

圖5b可以看出Vibe將大量陰影誤判為前景，且背景區(qū)域有大量噪聲。圖5c可以看出，EVibe消除了部分陰影。圖5d所示，DMVibe能有效去除陰影，幾乎無噪聲干擾。能消除噪聲是因為前景檢測背景模型初始化過程考慮了時域信息，使模型可靠度大大提高。

3.2實驗結(jié)果定量比較

為了定量比較3種算法的性能，采用PCC(PercentageofCorrectClassification)參數(shù)作為量化指標(biāo)。PCC代表在一幀圖像中被正確識別的像素點(diǎn)的比例

(11)

式中：TP為正確檢測為前景像素的數(shù)量；TN為正確檢

a　第53幀圖像　　　　　　　　　b　Vibe結(jié)果　　　　　　　　　c　EVibe結(jié)果　　　　　　　　　d　DMVibe結(jié)果圖4　HighwayI實驗結(jié)果

a　輸入圖像　　 　　　　b　Vibe結(jié)果　　　 　　　c　EVibe結(jié)果　　　　　 　d　DMVibe結(jié)果圖5　intelligentroom實驗結(jié)果

測為背景像素的數(shù)量；FN為誤判成背景的前景像素的數(shù)量；FP為誤判成前景的背景像素的數(shù)量。

表1和表2分別為HighwayI序列和intelligentroom序列在3種算法中的平均PCC和平均每幀處理時間。從中可以看出，DMVibe檢測率最高，時間介于其他兩種算法之間。比Vibe耗時是因為DMVibe用前50幀建立了兩個背景模型，且在后處理中增加了陰影去除環(huán)節(jié)，算法復(fù)雜度比Vibe有所增加。綜合考慮，本文算法提升了檢測效果，且依然能滿足實時要求。

表1平均PCC %

序列VibeEVibeDMVibeHighwayI89.1891.6896.26intelligentroom93.6295.7997.33

表2平均每幀處理時間s

序列VibeEVibeDMVibeHighwayI0.0210.0360.030intelligentroom0.0150.0290.021

4結(jié)語

本文提出一種基于雙背景模型的改進(jìn)Vibe運(yùn)動目標(biāo)檢測算法。針對Vibe不能有效抑制鬼影和去除陰影干擾的問題，提出用前K幀建立兩種背景模型：一種用于前景檢測，通過擴(kuò)大取樣范圍抑制鬼影產(chǎn)生，消除噪聲干擾，并通過替換虛假樣本更新該模型；另一種結(jié)合灰度和紋理信息去除陰影。實驗結(jié)果表明，改進(jìn)算法有更好的檢測效果且滿足實時要求。

參考文獻(xiàn)：

[1]JOSHIKA，THAKOREDG.Asurveyonmovingobjectdetectionandtrackinginvideosurveillancesystem[J].Internationaljournalofsoftcomputing&engineering， 2012，2(3)：44-48.

[2]丁磊，宮寧生.基于改進(jìn)的三幀差分法運(yùn)動目標(biāo)檢測[J].電視技術(shù)，2013，37(1)：151-153.

[3]GOYETTEN，JODOINPM，PORIKLIF，etal.Changedetection.net：anewchangedetectionbenchmarkdataset[C]//IEEEComputerSocietyConferenceonComputerVision&PatternRecognitionWorkshops.Providence：IEEE，2012：1-8.

[4]ZIVKOVICZ.Improvedadaptivegaussianmixturemodelforbackgroundsubtraction[C]//Proc. 17thInternationalConferenceonPatternRecognition.[S.l.]：IEEE，2004：28-31.

[5]KIMK，CHALIDABHONGSETH，HARWOODD，etal.Real-timeforeground-backgroundsegmentationusingcode-bookmodel[J].Real-timeimaging， 2005，11(3)：172-185.

[6]BARNICHO，DROOGENBROECKMV.ViBe：auniversalbackgroundsubtractionalgorithmforvideosequences[J].IEEEtransactionsonimageprocessing，2011，20(6)：1709-1724.

[7]胡小冉， 孫涵.一種新的基于ViBe的運(yùn)動目標(biāo)檢測方法[J].計算機(jī)科學(xué)，2014，41(2)：149-152.

[8]余燁，曹明偉，岳峰.EVibe：一種改進(jìn)的Vibe運(yùn)動目標(biāo)檢測算法[J].儀器儀表學(xué)報，2014，35(4)：924-931.

[9]JODOINPM，MIGNOTTEM，KONRADJ.Statisticalbackgroundsubtractionusingspatialcues[J].IEEEtransactionsoncircuits&systemsforvideotechnology，2007，17(12)：1758-1763.

[10]王曉冬，霍宏，方濤.基于快速歸一化互相關(guān)函數(shù)的運(yùn)動車輛陰影檢測算法[J].計算機(jī)應(yīng)用，2006，26(9)：2065-2067.

[11]LEONEA，DISTANTEC.Shadowdetectionformovingobjectsbasedontextureanalysis[J].Patternrecognition，2007，40(4)：1222-1233.

周超康(1992— )，碩士生，研究方向為機(jī)器視覺、視頻分析；

戰(zhàn)蔭偉(1966— )，碩士生導(dǎo)師，研究方向為壓縮感知、小波分析等；

馮開平(1963— )，碩士生導(dǎo)師，研究方向為數(shù)字媒體、虛擬現(xiàn)實等。

責(zé)任編輯：時雯

Improved Vibe algorithm for moving target detection based on double background model

ZHOU Chaokanga， ZHAN Yinweib， FENG Kaipina

(a.SchoolofElectro-mechanicalEngineering；b.SchoolofComputerScienceandTechnology，GuangdongUniversityofTechnology，Guangzhou510006，China)

Abstract:Aiming at the problem that traditional Vibe can′t restrain ghost and remove shadow interference，an improved method is proposed. Cache pre-K-frame image information of video，the method of random sampling and improved average is used to build two background model for foreground detection and shadow removal respectivel. Expand the range of sample extraction in foreground detection phase to improve the model’s reliability， then ghost is restrained. Foreground detection model is updated by replacing the false sample. To the interested foreground region obtained before， combine gray with LBP texture feature information to eliminate shadow. Experimental results demonstrate that the improved algorithm can effectively restrain ghost， remove shadow interference，and make the test results more accurately.

Key words:moving target detection；Ghost； shadow remover； Vibe； LBP

中圖分類號：TP391.4

文獻(xiàn)標(biāo)志碼:A

DOI：10.16280/j.videoe.2016.04.006

基金項目：廣東省科技計劃項目(2014B040401012；2014J4100204)；高等院校學(xué)科建設(shè)專項(12ZK0362)

作者簡介：

收稿日期：2015-11-10

文獻(xiàn)引用格式： 周超康，戰(zhàn)蔭偉，馮開平.基于雙背景模型的改進(jìn)Vibe運(yùn)動目標(biāo)檢測算法[J].電視技術(shù)，2016，40(4)：27-31.

ZHOU C K， ZHAN Y W， FENG K P. Improved Vibe algorithm for moving target detection based on double background model [J].Video engineering，2016，40(4)：27-31.