張緯誠，尹莉莉，方文貴

（中國電子科技集團電子第三十八研究所博微信息發(fā)展有限責(zé)任公司 安徽四創(chuàng)電子股份有限公司，安徽 合肥 230031）

一種基于ViBe和改進LBP的目標跟蹤算法1

張緯誠，尹莉莉，方文貴

（中國電子科技集團電子第三十八研究所博微信息發(fā)展有限責(zé)任公司 安徽四創(chuàng)電子股份有限公司，安徽 合肥 230031）

ViBe算法在跟蹤視頻場景中運動狀態(tài)突然變化的物體時，效果較差，例如目標由靜止?fàn)顟B(tài)到運動或者由運動狀態(tài)到靜止都會產(chǎn)生拖影區(qū)域（Ghost區(qū)域），而且Ghost區(qū)域在以后的跟蹤中不會立即消除，這個問題大大降低了對物體跟蹤的準確性.為了提高跟蹤的正確率本文將ViBe算法和改進的局部二值算法（LBP）相結(jié)合使用，即針對ViBe算法提取出的前景圖像，再使用改進的局部二值算法進行前景的二次提取，以達到快速消除Ghost區(qū)域的目的.仿真實驗說明了該方法的有效性.

ViBe算法；Ghost；LBP算法

引言

對視頻中運動物體的檢測方法有很多，目前流行的方法有GMM算法和ViBe算法［1-5］.

GMM模型使用K個（基本為3到5個）高斯模型來表征圖像中各個像素點的特征，在新一幀圖像獲得后，用當(dāng)前圖像中的每個像素點與GMM模型匹配，如果成功則判定該點為背景點，否則為前景點.GMM算法使用起來比較簡單，因開源Opencv庫集成了GMM算法，在應(yīng)用中可以直接調(diào)用，但是在創(chuàng)建背景模型時相關(guān)參數(shù)的取值直接影響該算法檢測到前景的正確率，并且也存在著計算量大等缺點.

ViBe算法是一個像素級的背景建模和前景檢測的方法，它提出了一個新穎的背景模型更新方法，其主要特點就是像素選擇的隨機性，這在一定程度上利用了像素值的空間傳播性，但是正是由于其像素選擇的隨機性，有可能采用了運動物體的像素作為樣本集，這就容易引入拖影區(qū)域，影響后續(xù)的處理.

針對ViBe算法的這一缺點，本文提出將局部二值化算法（LBP）應(yīng)用到ViBe算法中，使其能夠快速的消除拖影區(qū)域.

1、基于ViBe和改進LBP的目標跟蹤算法

ViBe算法是一種像素級背景建模算法，它是由Olivier等人在2009年提出.運用該算法進行運動物體檢測時，需要經(jīng)過三個步驟，即初始化模型階段、運動物體檢測階段、模型更新階段.下面簡要敘述這三個階段.

1）初始化模型階段，在該階段，算法只需要使用視頻序列的第一幀圖像即可建立背景模型，利用鄰域像素在空間分布上具有許多相似性的特征，在模型建立時，為圖像中每個位置的像素點，存儲一個背景樣本集，樣本集內(nèi)每個樣本值為該像素位置鄰域內(nèi)的若干位置像素值.

2）運動物體檢測階段，從下一幀開始，把圖像中每一個位置的像素值與背景模型中對應(yīng)位置的樣本集中的每個樣本逐個比較，判斷該像素與背景的相似性.如果與背景樣本集內(nèi)的大部分像素相似，則把該像素作為背景像素，否則把該像素作為前景.

3）模型更新階段，算法在更新背景模型時，對檢測到的前景和背景分別更新.對于每一個前景像素，判斷該像素在若干連續(xù)幀中是否都為前景像素，如果是，則把該像素置為背景像素，而且用隨機的方法，更新該像素鄰域內(nèi)的像素背景樣本集中的一個樣本，否則，使記錄該像素作為前景像素次數(shù)的計數(shù)器加1；對于被檢測為背景的像素，使用隨機法對背景樣本集和鄰域內(nèi)的像素樣本集進行更新.

圖1 基本的LBP算子

LBP指局部二值模式，它是一個強大的算子，能夠有效且高效地提取圖像的局部紋理信息；最簡單的LBP是對尺度3×3圖像進行操作，首先將周圍位置的值與中心點位置的值進行比較，然后對比較后的差值進行二值化，二值化所組成的二進制字符串就是LBP二值模式；而把這個二值串轉(zhuǎn)換成對應(yīng)的十進制數(shù)就是對應(yīng)的LBP標號.

最基本的LBP算子如圖1所示.其中心點位置值為5，然后求取周圍的位置與中心位置差值；再根據(jù)差值跟零比較進行二值化，如果差值大于或等于0，則該位置賦予1；如果小于0，則賦予0.二值化的結(jié)果沿著順時針方向得到的二進制字符串11001101就是二值化模式，而轉(zhuǎn)換后得到的十進制數(shù)205就是LBP標號.

利用LBP對一張圖進行操作，把原有位置值都置換成操作后的LBP標號，得到圖像的特征紋理圖.LBP圖像獲取的是圖像局部紋理變化的情況，這個特點決定了它不會隨著光照的變化而改變；因此LBP紋理圖擁有能夠?qū)构庹兆兓奶匦?

基本的LBP特征是范圍3×3的小區(qū)域特征，它不僅容易受到噪聲的干擾，而且無法捕捉大尺度的結(jié)構(gòu)性特征；因而有許多LBP的變種被提出來，其中一種變種是Multi-scale Block Local Binary（MB-LBP）［6］.MBLBP把LBP中單個像素值擴展到一個方塊；這樣處理有以下好處：（1）MB-LBP比LBP有更好的魯棒性和更強的抗噪聲干擾能力；（2）MB-LBP不僅能夠?qū)ξ⑿〉慕Y(jié)構(gòu)進行編碼還能夠?qū)Υ蟪叨鹊慕Y(jié)構(gòu)進行編碼；（3）MB-LBP可以應(yīng)用積分圖計算方法提高計算效率.圖2顯示的是一個9×9的MB-LBP例子：在a圖中這個9× 9的圖像被切分成均等的九個子部分，每個部分是一個3×3的塊.與前面LBP相比易知，MB-LBP是以一個3×3的塊代替LBP操作中的單個像素點，其他的計算跟原來基本不變.

實質(zhì)上而言，MB-LBP是對簡單LBP在尺度上進行擴展的變種.MB-LBP既保留了基本LBP對光照的變化具有不變性的特征，還具備了其他的優(yōu)良特性，已經(jīng)在多個應(yīng)用上取得了比較好的結(jié)果.選擇MB-LBP做為目標跟蹤的特征，不但具有光照不變性，而且對圖像紋理比較敏感，能夠高效地提取到目標的邊界信息.與LBP的直方圖類似，在加入一些限制條件后，MBLBP紋理圖在實際中并不直接應(yīng)用，而是把它轉(zhuǎn)換為SEMB-LBP（Statistically Effective Multi-scale Block Local Binary Pattern，統(tǒng)計有效的多尺度塊的局部二值化模式向量.SEMB-LBP的計算方法如下：令fs（x，y）尺度為s的MB-LBP特征圖像在坐標位置為（x，y）的值，可以得到對應(yīng)特征的直方圖為：

圖2 MB-LBP算子

其中1（s）是集合s的指示器，?是MB-LBP碼的標號.由上面MB-LBP的計算過程可知，MB-LBP是一個8位的二進制字符串，因此L=256，即最后得到的直方圖特征向量是一個256元素的特征向量.

本文基于ViBe算法和MB-LBP算法基礎(chǔ)上，提出了一種新的算法，從而改善ViBe算法的跟蹤性能，實現(xiàn)在復(fù)雜環(huán)境下的目標跟蹤.

改進的算法基本思路為：根據(jù)ViBe算法的原理，使用視頻中的第一幀圖像建立背景樣本集，從第二幀圖像開始檢測前景，在檢測到的前景中使用LBP描述，記錄當(dāng)前幀當(dāng)前像素點與上一幀中對應(yīng)位置像素點的紋理情況，第二次提取出前景.改進算法的具體步驟如下：

1）首先使用ViBe算法對輸入的視頻圖像進行第一次背景去除；

2）對提取到的前景圖像使用數(shù)學(xué)形態(tài)學(xué)方法去除一些由于噪聲等因素形成的小面積區(qū)域；

3）使用MB-LBP算法對提取到的前景區(qū)域進行第二次背景去除，消除ghost區(qū)域.算法的流程如圖3所示.

圖3 改進的跟蹤算法流程圖

2、實驗結(jié)果

實驗過程中，大都選取的是靜態(tài)場景視頻作為研究對象，為了更清楚地闡釋本文算法的可行性，現(xiàn)提取實驗中用到的兩段視頻作為描述材料，進行說明.

第一段視頻中圖像尺寸長寬為1080*1920，在圖像的開始部分，圖像中右下角有一輛汽車.實驗檢測效果如圖4所示.

圖4 不同方法比較結(jié)果

圖4中第一行為視頻的原始圖像，第二行為用ViBe算法提取出的前景圖像，可以看出右下角產(chǎn)生了拖影區(qū)域，第三行為經(jīng)過數(shù)學(xué)形態(tài)學(xué)處理后的圖像，第四行為GMM算法提取到的前景，第五行為本文改進算法提取的前景，可以看出快速的消除了拖影區(qū)域.提出的算法能很好地解決此類問題.

第二段視頻為dataset2016公共數(shù)據(jù)集中的PETS2006測試視頻，對上述各個算法進行測試.選擇PETS2006視頻序列中第1110幀到第1140幀進行實驗.在PETS2006視頻序列中，第1110幀之前的若干幀中的運動物體呈現(xiàn)靜止?fàn)顟B(tài)，從第1111幀開始，場景中運動物體開始移動，實驗檢測結(jié)果如下圖所示.

圖5 不同算法對Ghost區(qū)域的消除情況

從圖5可以看出本文算法可以快速的消除Ghost區(qū)域.為了確切說明本文改進算法的優(yōu)越性，引進PCC［7］值來進行描述.表1為上述算法的PCC取值情況，值越高表明算法越好.

表1 不同算法的PCC取值表

四、結(jié)束語

通過把ViBe算法和MB-LBP描述子結(jié)合，本文提出了一個改進的目標跟蹤算法.通過實驗發(fā)現(xiàn)，本文改進的算法可以很快的去除拖影區(qū)域，有利于對該視頻的后續(xù)處理.

參考文獻：

［1］梁淑芬，劉銀華，李立琛.基于LBP和深度學(xué)習(xí)的非限制條件下人臉識別算法［J］.通信學(xué)報，2014（11）.

［2］胡小冉，孫涵.一種新的基于ViBe的運動目標檢測方法［J］.計算機科學(xué)，2014（12）.

［3］JOSHI K A，THAKORE D G.A survey on moving object detection and tracking in video surveillance system［J］.International Journal of Soft Computing and Engineering，2012.

［4］PANDER R P，MISHRA N D，GULHANE S.Detection of moving object with the help of motion detection alarm system in video survelliance［J］.Journal of Signal and Image Processing，2012.

［5］BARNICH O，DROOGENBROECK M V.ViBe：A universal background subtraction algorithm for video sequences［C］∥In IEEE Transactions on Image Processing，June 2011，20（6）：1709-1724.

［6］CAI Z，GU Z，YU Z L，et al.A real-time visual object tracking system based on Kalman filter and MB-LBP feature matching［J］.Multimed Tools Appl，2015.

［7］FIDA E B，THIERRY B，BERTRAND V.Type-2 Fuzzy Mixture of Gaussians Model：Application to Background Modeling［C］∥ISVC 2008，2008：772-781.

【責(zé)任編輯：吳躍新】

An Optimized Target Tracking Algorithm based on ViBe and Modified LBP

ZHANG Weicheng，YIN Lili，F(xiàn)ANG Wengui
（No.38 Reseach Institute，China Electronics Technology Group Corporation，Brainware Information Development Co.，LTD，Anhui Sun Create Electronics Co.，LTD.，Hefei 230031，Anhui，China）

The use of ViBe algorithm will always generate a ghost area in the scene of target tracking video.The area will not be eliminated immediately，which seriously degrades the accuracy of the tracking.To solve this problem，this paper combines the Vibe algorithm and modified LBP algorithm to eliminate the ghost area rapidly.To be specific，extract the foreground image by using LBP algorithm right after the ViBe algorithm extracting.

ViBe algorithm；ghost area；LBP

TP391

A

1671-5934（2017）03-0076-07

2017-04-20

作者簡介：張緯誠（1992-），男，湖北黃梅人，工程師，研究方向為信息科學(xué)技術(shù)，Email:weicheng@163.com