崔 瑩,陳升東,袁 峰,李 引

(廣州中國科學(xué)院軟件應(yīng)用技術(shù)研究所,廣東 廣州 511458)

0 引 言

隨著攝像頭安裝數(shù)量的日益增多，以及智慧城市和公共安全需求的日益增長，采用人工視頻監(jiān)控方式已經(jīng)遠遠不能滿足需要，因此智能視頻監(jiān)控技術(shù)應(yīng)運而生并迅速成為一個研究熱點[1]。在實際應(yīng)用中，對室外環(huán)境的行人進行檢測監(jiān)控一直是研究的難點，這是因為室外環(huán)境復(fù)雜多變，存在光照變化、樹葉搖晃、小動物(尤其是夜間燈光引來的飛蟲)等多種干擾。

目前最具影響力的行人檢測方法是由Dalal等人[2]提出的HOG結(jié)合支持向量機(Support Vector Machine，SVM)分類器的方法。HOG描述圖像的局部邊緣梯度信息，對小量的偏移和光照變化具有很好的魯棒性，缺點是維度較高，以致其提取速度很慢，計算時間比較長，影響實時性[3]。

針對動態(tài)視頻識別應(yīng)用場景，有學(xué)者提出將前景提取與行人識別相結(jié)合從而提高行人檢測速度的方法，該方法是采用現(xiàn)有的某種前景檢測算法提取圖像中的感興趣區(qū)域(Region of Interesting，ROI)，然后在此區(qū)域中通過HOG特征進行行人識別[4-5]，該方法能夠提高行人檢測速度。常用的前景檢測方法有：背景差分法[6]、幀間差分法[7]、光流法[8]、混合高斯背景建模法[9]、視覺背景抽取法(Visual Background Extractor，ViBe)[10]等。背景差分法和幀間差分法在復(fù)雜的環(huán)境中適應(yīng)性不強，光流法計算復(fù)雜度較高，而應(yīng)用較為廣泛的混合高斯背景建模法也存在計算復(fù)雜、不適應(yīng)變化較快的背景等問題。ViBe方法是一種高效的像素級背景建模算法，運算速度快且具有較強的魯棒性[11]。然而ViBe方法存在以下3個缺點：1)該方法對由靜轉(zhuǎn)動的目標(biāo)存在“鬼影”現(xiàn)象；2)在室外噪聲場景下存在不規(guī)則閃爍像素點(樹枝搖擺等噪聲導(dǎo)致)，對前景檢測結(jié)果造成干擾[12]；3)對于光線突變等較大程度的背景變化存在背景模型更新速度較慢、適應(yīng)性不強的問題。

文獻[13-14]利用幀差與ViBe這2種方法共同檢測前景目標(biāo)，快速去除ViBe產(chǎn)生的“鬼影”。文獻[15]采用三幀差分法對視頻進行預(yù)處理，避免鬼影的產(chǎn)生。文獻[16]通過統(tǒng)計像素幀差的時域變化判斷鬼影像素，提高消除鬼影的速度。然而以上方法在檢測行人目標(biāo)時，目標(biāo)的完整度會受到影響，從而會進一步影響基于HOG的行人識別結(jié)果。

為了減弱閃爍像素的影響，文獻[17]提出通過檢測像素點是否經(jīng)常在前景與背景之間切換來判斷其是否為閃爍像素。該方法容易將行動緩慢的行人前景目標(biāo)的邊緣像素誤判為閃爍像素。文獻[18]提出通過形態(tài)學(xué)操作來處理閃爍像素噪聲，然而該方法在消除閃爍像素噪聲的同時，也提高了將前景目標(biāo)部分有效區(qū)域消除的概率，影響行人識別準(zhǔn)確率。

為了提高在復(fù)雜環(huán)境中的檢測準(zhǔn)確度，文獻[19]提出自適應(yīng)參數(shù)法，根據(jù)每個像素點背景模型的標(biāo)準(zhǔn)差，動態(tài)設(shè)置每個像素的閾值。但這個方法的計算量太大，檢測速度很慢。

在以上學(xué)者研究的基礎(chǔ)上，本文提出一種基于改進ViBe的室外行人檢測方法，該方法在前景提取過程中采用基于區(qū)域的改進ViBe更新策略，并采用背景差的方法過濾復(fù)雜多變背景導(dǎo)致的誤報區(qū)域，最后在此基礎(chǔ)上進行策略性的行人識別，該方法充分結(jié)合了前景提取與行人識別方法的優(yōu)勢，在室外復(fù)雜場景行人檢測中具有較高的準(zhǔn)確率和魯棒性。

1 相關(guān)工作

1.1 ViBe算法

ViBe算法由以下3個步驟組成：背景模型初始化、背景模型更新和前景檢測。

1.1.1 背景模型初始化

首先根據(jù)視頻第一幀圖像建立ViBe背景模型：對第一幀圖像的每個像素x根據(jù)一定規(guī)則選取樣本點，從而建立樣本集Mt(x)。樣本點的選取規(guī)則為，隨機選擇該像素及其鄰域的像素共N個，第i個樣本值用vi表示，則x的樣本集Mt(x)表示如下：

Mt(x)={v0,v1,…,vN-1}

(1)

1.1.2 背景模型更新

ViBe算法中當(dāng)某個像素點被檢測為背景時，它有一定幾率更新背景模型。

首先該點有1/φ的概率更新到該點對應(yīng)的背景模型樣本集Mt(x)中，其次，出于像素點空間傳播特性的考慮，該點同樣有1/φ的概率更新到其領(lǐng)域點對應(yīng)的背景模型樣本集中。

以上的背景模型樣本集更新采用隨機選擇的方法，概率為1/φ(其中φ為視頻采樣率)，那么在經(jīng)過時間dt后，該樣本依然保留在背景模型中的概率[11]為:

(2)

可以看到該樣本依然保留在背景模型中的概率呈指數(shù)遞減，樣本點的更新與時間無關(guān)，這種無記憶的保守更新策略有利于提高背景模型的適應(yīng)性。

1.1.3 前景檢測

當(dāng)前幀與背景模型比較的過程如圖1所示，計算x的像素值v(x)與背景模型樣本集中每一個樣本vi之間的距離，若該距離小于半徑R，則認(rèn)為v(x)與背景模型樣本點vi匹配。最后通過匹配的樣本個數(shù)若大于設(shè)定的閾值#min則判斷v(x)為背景，反之則為前景。

圖1 前景檢測對比模型圖

1.2 行人檢測基本原理

HOG特征描述的是圖像的邊緣輪廓特征，是比較有效的行人特征描述方式，其提取方法包括以下步驟：

步驟1標(biāo)準(zhǔn)化伽馬空間和顏色空間；

步驟2計算像素梯度；

步驟3將梯度投影到單元格的梯度方向；

步驟4將所有單元格在塊上進行歸一化；

步驟5生成HOG特征向量。

將以上步驟產(chǎn)生的HOG特征向量引入到SVM分類器中，即可進行行人識別。

SVM分類器的主要思路是利用核函數(shù)將向量與高維空間形成一定的映射關(guān)系，在這個高維空間中，找到能夠使不同類別樣本之間的距離最大的超平面。支持向量機的核心就是找到能使2類樣本距離最大化，并保證錯分樣本最小化的超平面。

2 本文算法

2.1 算法流程

本文設(shè)計了能夠適應(yīng)室外復(fù)雜環(huán)境的行人檢測方法，算法的流程如圖2所示。

圖2 算法流程圖

1)輸入視頻序列，壓縮視頻幀。

采用雙線性插值法將視頻畫面尺寸壓縮為720×480的D1標(biāo)準(zhǔn)幀圖像，后續(xù)算法均在此D1標(biāo)準(zhǔn)幀圖像上進行，減少算法的計算時間。

2)ViBe檢測、幀差檢測。

分別采用ViBe前景檢測方法以及幀間差分前景檢測方法對當(dāng)前幀進行前景檢測，得到2種檢測方法的前景目標(biāo)區(qū)域結(jié)果。

3)基于區(qū)域的背景更新。

采用本文提出的基于區(qū)域的改進ViBe更新策略，整合2種檢測方法的前景檢測結(jié)果，并更新算法背景模型。首先綜合2種前景檢測結(jié)果的區(qū)域與時域變化，對像素類別進行標(biāo)注；然后采用自適應(yīng)參數(shù)策略，對ViBe背景模型進行更新。

4)基于背景差的前景目標(biāo)篩選。

室外場景復(fù)雜多變，在前景目標(biāo)檢測結(jié)果中容易出現(xiàn)誤報區(qū)域，本文采用基于背景差的方法對ViBe前景目標(biāo)檢測結(jié)果進行篩選，得到當(dāng)前幀最終的前景目標(biāo)檢測結(jié)果。

5)對前景目標(biāo)進行跟蹤。

采用高效且高精度的meanshift方法，對當(dāng)前幀的前景目標(biāo)進行跟蹤。

6)判斷當(dāng)前幀的每一個前景目標(biāo)跟蹤對象是否滿足算法實時性策略邏輯規(guī)則(規(guī)則詳見2.4節(jié))，如果滿足則對其進行行人檢測，即從前景目標(biāo)區(qū)域中提取HOG特征，并利用SVM分類器對HOG特征進行行人檢測。

本文采用如上算法對室外復(fù)雜環(huán)境的視頻進行行人檢測，該算法主要在2個方面進行創(chuàng)新：1)在前景檢測與更新過程中，采用基于區(qū)域的改進ViBe更新策略，該策略在加快鬼影消除速度的同時，提高了行人目標(biāo)提取的完整度；2)在ViBe前景檢測之后，算法采用基于背景差的方法對ViBe前景檢測結(jié)果進行過濾，最終得到的前景目標(biāo)檢測結(jié)果在一定程度上降低了復(fù)雜多變背景導(dǎo)致的誤報區(qū)域。最后本文算法為保證實時性，通過相應(yīng)的實時性策略進行算法提速，在室外復(fù)雜場景具有較高的準(zhǔn)確率和魯棒性。

2.2 基于區(qū)域的改進ViBe更新策略

ViBe是基于樣本的背景模型，在背景建模和背景更新時引入了隨機選擇機制，使背景中樣本的生命周期更符合實際分布規(guī)律，降低了算法計算量，提高了目標(biāo)的檢測速度和檢測精度。

但是當(dāng)視頻中存在由靜轉(zhuǎn)動的運動目標(biāo)時，ViBe會在前景檢測中將鬼影(鬼影是一組連接點的集合，它在運動中被檢測到，但是不對應(yīng)于任何真正移動的對象[20])誤檢為前景目標(biāo)。

為加快鬼影消除的速度，許多學(xué)者嘗試將幀差方法與ViBe方法相結(jié)合：

1)基于幀間差(或三幀差)與ViBe共同檢測行人目標(biāo)。例如，文獻[13-14]采用幀差與ViBe方法共同檢測前景目標(biāo)，文獻[15]采用三幀差法進行預(yù)處理，避免鬼影形成。然而行人目標(biāo)的顏色通常較為單一，且運動速度不定甚至存在在小范圍區(qū)域徘徊的現(xiàn)象?；趲畹男腥四繕?biāo)提取方法容易產(chǎn)生內(nèi)部空洞甚至邊緣不完整的情況，雖然對三幀差分法進行了一定改進，但針對行人目標(biāo)的檢測仍然存在問題。基于幀間差(或三幀差)與ViBe共同檢測行人目標(biāo)的結(jié)果并不理想。

2)基于幀間差統(tǒng)計判斷鬼影像素。例如，文獻[16]就是通過統(tǒng)計像素幀差的時域變化判斷鬼影像素，ViBe算法將會加快“判斷為鬼影的像素”的背景模型更新速度。然而當(dāng)幀差提取目標(biāo)不完整時，真正前景的部分像素會被誤判為鬼影，導(dǎo)致前景目標(biāo)邊緣消融甚至大量滲入背景像素的現(xiàn)象。如圖3所示，為Wallflower數(shù)據(jù)集的MovedObject場景中的幀差結(jié)果，圖3(a)為行人快速運動的幀差結(jié)果(第645,646幀差結(jié)果)，圖3(b)為行人緩慢運動的幀差結(jié)果(第655,656幀差結(jié)果)，圖3(c)為行人徘徊運動的幀差結(jié)果(第659,660幀差結(jié)果)。

(a) 行人快速運動結(jié)果 (b) 行人緩慢運動結(jié)果

(c) 行人徘徊運動結(jié)果圖3 行人幀差檢測結(jié)果圖

行人目標(biāo)邊緣提取不完整會影響基于HOG的行人識別結(jié)果。因此本文提出基于區(qū)域的改進ViBe更新策略，該方法充分結(jié)合時間和空間的信息，在提高鬼影消除速度的同時保證行人目標(biāo)的完整性。

2.2.1 基于區(qū)域與時域變化的像素類別標(biāo)注

文獻[16]中判斷鬼影的方法為：如果某前景像素的前后2幀差值超過預(yù)設(shè)閾值時則對其進行統(tǒng)計，如果該現(xiàn)象連續(xù)發(fā)生超過預(yù)設(shè)次數(shù)時，則判斷其為鬼影像素。該方法統(tǒng)計單像素的時域變化，與鄰域擴散策略結(jié)合使用，能夠提高鬼影消除的速度。然而在檢測行人目標(biāo)時，由于行人速度不定且存在在小范圍區(qū)域徘徊的現(xiàn)象，單個像素的統(tǒng)計方法容易造成誤判，當(dāng)前景目標(biāo)中的部分像素被誤判為鬼影像素時，結(jié)合ViBe的鄰域擴散策略，這種誤判的影響范圍會逐漸擴大，從而進一步影響行人目標(biāo)檢測的完整性。

本文受文獻[16]啟發(fā)，結(jié)合行人檢測的實際情況，提出基于區(qū)域和時域變化的像素類別標(biāo)注方法。具體方法如下：

Ft為視頻中第t幀，Gt為第t幀ViBe前景檢測結(jié)果，對其進行連通域檢測、丟棄過小連通域，得到ViBe前景區(qū)域圖Ht。

(3)

Jt為第t幀與第t-1幀的幀間差分前景檢測結(jié)果，對其進行連通域檢測、丟棄過小連通域，得到幀差前景區(qū)域圖Kt。

(4)

結(jié)合ViBe與幀差的前景區(qū)域檢測結(jié)果，得到像素類別標(biāo)注結(jié)果Lt。

(5)

此外，對于從Ht與Kt中提取的連通域，要在其四周增加10%的區(qū)域。這是因為行人目標(biāo)存在徘徊現(xiàn)象，其邊緣區(qū)域易被判斷為鬼影，擴大連通域范圍可以防止基于鄰域擴散的更新策略將行人目標(biāo)邊緣消融。

2.2.2 應(yīng)用自適應(yīng)參數(shù)的更新策略

傳統(tǒng)的ViBe方法采用如下更新策略：在判斷像素為前景狀態(tài)時不更新，在判斷像素為背景狀態(tài)時采用固定概率1/φ更新。然而如上文所述，本文將像素狀態(tài)分為3種：前景狀態(tài)、背景狀態(tài)以及鬼影狀態(tài)。像素處于某種狀態(tài)以及像素在不同狀態(tài)之間切換時均要有不同的更新方式，因此本文提出自適應(yīng)參數(shù)的更新策略如下：

為每個像素x設(shè)置一個計數(shù)器T(x)，初始化為0，當(dāng)檢測像素為前景狀態(tài)時清零，當(dāng)檢測像素為鬼影狀態(tài)時加1計數(shù)，當(dāng)檢測像素為背景時減10計數(shù)(T(x)不小于0)，該過程用式(6)表示：

(6)

根據(jù)像素的狀態(tài)采用的更新策略如表1所示。

表1 應(yīng)用自適應(yīng)參數(shù)的更新策略

狀態(tài)更新策略前景不更新,設(shè)置計數(shù)器T(x)=0鬼影當(dāng)T(x)>Ω時,進行背景模型更新,更新概率為1(φ-Τ(x)/Ω),設(shè)置計數(shù)器T(x)=T(x)+1背景進行背景模型更新,更新概率為1(φ-Τ(x)/Ω),同時設(shè)置計數(shù)器(T(x)-10)>0?(T(x)-10):0

該更新策略既能夠在判斷像素為鬼影狀態(tài)后加快鬼影消除的速度，也能夠自適應(yīng)各個狀態(tài)之間的切換，防止鬼影誤判像素的鄰域擴散，防止背景滲入到前景中，保證行人檢測的完整性。

2.3 基于背景差的前景目標(biāo)篩選方法

室外場景環(huán)境復(fù)雜，存在不規(guī)則閃爍像素，且背景環(huán)境會發(fā)生較大變化，例如樹枝大幅度搖晃、光線突變等，當(dāng)這些復(fù)雜噪聲大量地出現(xiàn)時，由于ViBe采用的是保守更新策略，無法迅速適應(yīng)這種變化，會對前景檢測結(jié)果造成干擾，因此仍需要其他機制對檢測到的前景目標(biāo)做進一步篩選。

本文在前景檢測過程中采用基于背景差的方法進行篩選，以提高算法對復(fù)雜背景的適應(yīng)性，該方法包括背景幀的初始化、背景幀的更新和背景差分圖的計算及前景目標(biāo)篩選3個部分。

2.3.1 背景幀的初始化

背景幀如果采用第一幀初始化則存在引入鬼影的風(fēng)險，因此應(yīng)采用多幀平均計算法得到的平均圖A進行初始化，同時創(chuàng)建背景幀更新掩碼mt。

對視頻前P幀進行多幀平均計算得到平均圖A，如式(7)所示：

(7)

2.3.2 背景幀的更新

從第P+1幀開始計算背景幀更新掩碼mt：

(8)

此處x判斷為前景或背景的依據(jù)，來自基于改進ViBe的前景目標(biāo)提取結(jié)果。

然后根據(jù)更新掩碼對背景幀進行更新：

(9)

其中，Bt-1為前一幀的背景幀，Ct為最新Q幀圖像的平均幀，其計算方法如式(10)所示：

(10)

2.3.3 背景差分圖的計算及前景目標(biāo)篩選

首先計算背景差分圖，如式(11)所示：

Dt(x)=|Ft(x)-Bt(x)|

(11)

背景差分圖計算結(jié)果如圖4所示。

(a) 原圖 (b) 背景幀圖

(c) 整圖的背景差分圖圖4 背景差分圖的計算實例圖

前景目標(biāo)的篩選采用基于Otsu的方法，Otsu是一種高效的計算圖像分割閾值的方法，該方法基于最大類間原理，背景差分圖中前景目標(biāo)與背景的大小比例懸殊時，Otsu計算得到的閾值普遍較低，因此可以利用該方法判斷背景差分圖中是否存在明顯前景目標(biāo)。

2.4 算法實時性策略

目前最廣泛的行人檢測采用的是HOG特征與SVM相結(jié)合的算法，該算法在場景簡單的MIT行人數(shù)據(jù)庫上檢測率近乎100%，在背景較為復(fù)雜的INRIA行人數(shù)據(jù)上檢測率大約90%[16]。然而其時間復(fù)雜度較高，影響實時性，本文從實用性角度采用以下3個方面的提速方式：

1)在算法執(zhí)行之前對視頻進行壓縮處理；

2)在更新過程中，不再對每一個像素均進行幀間差分計算，而是根據(jù)ViBe的檢測結(jié)果有選擇地進行幀差計算；

3)不再對前景目標(biāo)跟蹤對象的每一個前景檢測結(jié)果都進行行人檢測，而是采用一定的邏輯規(guī)則選擇性地進行檢測。一方面行人檢測次數(shù)的減少可以較大幅度地提高算法實時性，另一方面根據(jù)一定的邏輯規(guī)則有選擇地執(zhí)行行人檢測，能夠保障跟蹤目標(biāo)的行人檢測準(zhǔn)確率。邏輯規(guī)則設(shè)計如下：

規(guī)則1對于前景目標(biāo)的前Y幀持續(xù)執(zhí)行行人檢測；

規(guī)則2從前景目標(biāo)的Y+1幀開始，以ω的頻率間歇執(zhí)行行人檢測；

規(guī)則3當(dāng)一個前景跟蹤對象的“累計成功檢測行人個數(shù)”達到閾值后，判斷該跟蹤對象為行人，即可停止執(zhí)行行人檢測。

3 實驗及分析

本文算法實驗環(huán)境如下：處理器為Intel(R) Core(TM) i5-4590 CPU@3.30 GHz；內(nèi)存為8 GB；系統(tǒng)類型為64位；操作系統(tǒng)為Windows 7；運行環(huán)境為VS2008以及Opencv2.4.7。

本文算法中采用的參數(shù)：背景模型中樣本個數(shù)N=8；前景檢測v(x)跟樣本vi的比較閾值R=20，前景檢測樣本匹配閾值#min=2；視頻采樣率φ=16；更新自適應(yīng)閾值Ω=50；背景幀初始平均幀數(shù)P=15；背景幀更新所需幀個數(shù)Q=10幀；前景行人識別邏輯閾值Y=16，頻率ω=3；“累計成功檢測行人個數(shù)”為3；前景篩選中的“前景判斷閾值”為30。

3.1 基于區(qū)域的改進ViBe更新策略實驗

為了驗證在行人目標(biāo)提取過程中，基于區(qū)域的更新策略對鬼影區(qū)域消除以及徘徊行人提取的性能，本文采用文獻[16]提到的ChangeDetection數(shù)據(jù)集(來自http://www.changedetection.net)中的intermittentObjectMotion-winterDriveway場景進行實驗。詳細實驗結(jié)果如圖5所示。

(a) 第379幀結(jié)果對比圖

(b) 第520幀結(jié)果對比圖

(c) 第1028幀結(jié)果對比圖

(d) 第1839幀結(jié)果對比圖

(e) 第1969幀結(jié)果對比圖

(f) 第2015幀結(jié)果對比圖

由圖5的檢測結(jié)果可以看出：第379幀，鬼影包括早已出現(xiàn)的車輛雨刷移動鬼影以及剛剛出現(xiàn)的車輛前門移動鬼影，ViBe方法的處理結(jié)果中早已出現(xiàn)的雨刷鬼影像素仍然大量存在，文獻[16]改進ViBe方法的處理結(jié)果中雨刷鬼影像素消失了一部分，本文方法的處理結(jié)果中雨刷鬼影像素幾乎完全消失；從第379幀至第1028幀，行人目標(biāo)在車輛周圍徘徊掃雪，其中車輛被掃掉的雪為鬼影，徘徊的行人為前景，第520幀和第1028幀中，ViBe方法均將被掃掉的雪、行人目標(biāo)檢測為前景，文獻[16]改進ViBe方法均已將“被掃掉的雪導(dǎo)致的鬼影”消除了，但同時也讓大量的背景滲入到行人前景中，本文方法則在將“被掃掉的雪導(dǎo)致的鬼影”消除的同時，保持了比文獻[16]改進ViBe方法更高的行人目標(biāo)完整度；第1839幀，車輛離開產(chǎn)生鬼影，ViBe、文獻[16]改進ViBe方法、本文方法均需要開始消除鬼影，第1969幀，ViBe方法的處理結(jié)果中仍然存在大量的車輛鬼影像素，文獻[16]改進ViBe方法的處理結(jié)果中車輛移動鬼影像素消除了很多，本文方法的處理結(jié)果中車輛移動鬼影像素消除最多；第2015幀，本文方法已經(jīng)將鬼影基本消除，文獻[16]改進ViBe略有鬼影殘余，ViBe方法仍有大量鬼影。通過實驗可以看出，本文方法在行人目標(biāo)提取過程中，提高了鬼影消除速度的同時，也提高了行人目標(biāo)提取的完整度。

3.2 基于背景差的前景目標(biāo)篩選實驗

為了驗證本文提出的前景目標(biāo)篩選方法對復(fù)雜背景變化的適應(yīng)性，本文首先進行直觀的實驗圖對比分析。本文選取了2組室外復(fù)雜場景的視頻：第一個視頻為有行人經(jīng)過的視頻；第二個視頻為復(fù)雜場景(存在光照變化、草葉搖擺等現(xiàn)象)的視頻，詳細實驗結(jié)果如圖6所示。

(a) 一視頻原圖 (b) 二視頻原圖

(c) 一視頻前景檢測 (d) 二視頻前景檢測

(e) 一視頻背景差分圖 (f) 二視頻背景差分圖

如圖6所示，左側(cè)為行人視頻測試結(jié)果，右側(cè)為復(fù)雜場景視頻測試結(jié)果。當(dāng)有行人經(jīng)過時，改進ViBe算法的前景檢測結(jié)果如圖6(c)所示，按照本文所提的背景差分圖計算方法得到有明顯前景目標(biāo)的圖6(e)，該圖能夠通過基于Otsu的前景篩選。而對于復(fù)雜場景視頻，雖然其前景檢測結(jié)果圖6(d)中存在大量的誤報區(qū)域，但是其背景差分圖6(f)中并無明顯前景目標(biāo)，該誤報區(qū)域無法通過基于Otsu的前景目標(biāo)篩選。

其次，本文在公開數(shù)據(jù)集中進行精確的指標(biāo)評價，采用精確率和召回率作為算法結(jié)果的評價指標(biāo)。

精確率P：

(12)

TP為檢測正確的前景目標(biāo)個數(shù)，F(xiàn)P為檢測錯誤的前景目標(biāo)個數(shù)，即被檢測為前景的背景目標(biāo)個數(shù)，因此TP+FP為檢測到的前景目標(biāo)個數(shù)。

召回率REC：

(13)

FN為檢測錯誤的背景目標(biāo)個數(shù)，即被檢測為背景的前景目標(biāo)個數(shù)，因此TP+FN為全部的前景目標(biāo)個數(shù)。

表2、表3為本文提出的改進ViBe算法與文獻[16]的改進ViBe算法的實驗對比結(jié)果，該實驗的測試視頻為ChangeDetection數(shù)據(jù)集中的dynamicBackground-fountain02場景，該視頻場景中包括噴泉、樹葉、水波等動態(tài)背景。

表2 文獻[16]算法與本文算法的精確率

幀號文獻[16]的改進ViBe算法基于區(qū)域的改進ViBe算法基于區(qū)域+前景目標(biāo)篩選的改進ViBe算法7330.8780.9520.992101117350.8840.9490.98682217370.8850.9540.996590367390.8710.9460.992340837410.8890.9610.998128227430.9550.9590.99548533

表3 文獻[16]算法與本文算法的召回率

幀號文獻[16]的改進ViBe算法基于區(qū)域的改進ViBe算法基于區(qū)域+前景目標(biāo)篩選的改進ViBe算法7330.6340.7710.7692947350.6390.7820.7822427370.6470.7990.7992197390.6450.8040.8041127410.6480.8050.8055147430.6440.7970.797468

由此可見本文提出的改進ViBe算法與文獻[16]的改進ViBe算法相比在精確率和召回率上均具有一定的提升。且通過表2、表3可以看出基于背景差的前景目標(biāo)篩選方法能夠在召回率變化很小的情況下，在一定程度上減少復(fù)雜場景導(dǎo)致的誤檢，提高其精確率。

表4、表5為本文提出的改進ViBe算法在dynamicBackground中overpass，canoe等其他測試視頻中的測試統(tǒng)計結(jié)果。

表4 本文算法在其他數(shù)據(jù)集的精確率

數(shù)據(jù)集基于區(qū)域的改進ViBe算法基于區(qū)域+前景目標(biāo)篩選的改進ViBe算法overpass0.7280.958canoe0.5790.904

表5 本文算法在其他數(shù)據(jù)集的召回率

數(shù)據(jù)集基于區(qū)域的改進ViBe算法基于區(qū)域+前景目標(biāo)篩選的改進ViBe算法overpass0.7310.726canoe0.5100.503

由結(jié)果可以看出，本文所提出的改進ViBe算法在其他復(fù)雜場景中具有類似性能。

3.3 基于改進ViBe的室外行人檢測方法性能分析

為驗證本文算法綜合性能，本文首先實現(xiàn)基于文獻[16]改進ViBe的行人檢測算法(以下簡稱文獻[16]算法)，將本文與文獻[16]算法分別從準(zhǔn)確率和實時性方面進行對比。由于本文研究的目標(biāo)為室外復(fù)雜場景下的行人檢測，因此算法的長期性能測試所用視頻為如圖7所示的3個場景的室外監(jiān)控視頻，分辨率為1280×720，時長為5×24 h，該視頻中的環(huán)境干擾包括：光照變化(日出、日落以及中午期間的光照突變)、草叢擺動、小動物經(jīng)過(尤其是夜間飛蟲)等。

(a) 光照變化場景圖 (b) 飛鳥場景圖

(c) 草叢擺動以及飛蟲場景圖圖7 實驗視頻場景圖

表6為本文算法準(zhǔn)確率對比結(jié)果。

表6 本文算法準(zhǔn)確率對比 /%

所用算法漏警率虛警率文獻[16]算法9.7454.70本文算法6.868.64

圖8為本文算法實時性對比結(jié)果。

數(shù)據(jù)來自有行人經(jīng)過的某100幀視頻片段，圖8橫坐標(biāo)為幀號，縱坐標(biāo)為單幀執(zhí)行時間，單位為s。

4 結(jié)束語

本文提出了一種基于改進ViBe的室外行人檢測方法，該方法首先采用基于區(qū)域的改進ViBe更新策略，該策略在加快鬼影消除速度的同時提高了行人目標(biāo)提取的完整度，然后采用基于背景差的方法對前景檢測結(jié)果進行篩選，增強了ViBe前景檢測對復(fù)雜多變環(huán)境的適應(yīng)性，在一定程度上降低了光照突變、樹枝搖晃等背景變化的干擾。此外，由于該方法采用計算速度較快的ViBe方法，并在行人檢測環(huán)節(jié)按照一定的邏輯規(guī)則選擇性執(zhí)行，降低了無意義的行人檢測次數(shù)，提高了算法的執(zhí)行速度。實驗結(jié)果表明，該方法在復(fù)雜的室外場景中，能夠有效地對視頻中的行人進行檢測，同時能夠較大幅度地降低光照突變、樹枝搖擺等環(huán)境噪聲引起的誤報率，具有較高的魯棒性和實時性。

[1] 黃凱奇,陳曉棠,康運鋒,等. 智能視頻監(jiān)控技術(shù)綜述[J]. 計算機學(xué)報, 2015,38(6):1093-1118.

[2] Dalal N, Triggs B. Histograms of oriented gradients for human detection[C]// Proceedings of the 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2005:886-893.

[3] 樸春赫,潘怡霖,趙海,等. 基于改進ViBe的多行人檢測方法[J]. 東北大學(xué)學(xué)報(自然科學(xué)版), 2016,37(4):481-485.

[4] 張慧,鄭愛華,涂錚錚,等． 基于背景差與HOG-LBP的快速運動人體檢測[J]. 計算機技術(shù)與發(fā)展, 2015,25(2):47-51.

[5] 汪成亮,周佳,黃晟. 基于高斯混合模型與PCA-HOG的快速運動人體檢測[J]. 計算機應(yīng)用研究, 2012,29(6):2156-2160.

[6] Tekalp A M. Digital Video Processing[M]. Pearson Education, 2015.

[7] Haritaoglu I, Harwood D, Davis L S. W4: Who? When? Where? What? A real time system for detecting and tracking people[C]// Proceedings of the 3rd International Conference on Face & Gesture Recognition. 1998:222-227.

[8] Papenberg N, Bruhn A, Brox T, et al. Highly accurate optic flow computation with theoretically justified warping[J]. International Journal of Computer Vision, 2006,67(2):141-158.

[9] Stauffer C, Grimson W E L. Learning patterns of activity using real-time tracking[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000,22(8):747-757.

[10] Barnich O, Droogenbroeck M V. ViBe: A powerful random technique to estimate the background in video sequences[C]// 2009 IEEE International Conference on Acoustics, Speech and Signal Processing. 2009：945-948.

[11] 吳建勝，徐博． 動態(tài)閾值的Vibe運動目標(biāo)檢測[J]． 計算機工程與應(yīng)用, 2017,53(11):182-186.

[12] Tajbakhsh T, Grigat R R. Illumination flicker frequency classification in rolling shutter camera systems[C]// Proceedings of the 9th IASTED International Conference on Signal and Image Processing. 2007:288-293.

[13] 趙光明,韓光,李曉飛,等． 基于融合幀間差的改進Vibe方法[J]. 計算機技術(shù)與發(fā)展, 2015(3):76-80.

[14] 吳劍舞,翁玲瑜,童懷． 一種基于改進ViBe的運動目標(biāo)檢測方法[J]. 計算機與現(xiàn)代化, 2015(7):50-54.

[15] 仇春春,王恬,程海粟,等. 基于改進ViBe算法的行人目標(biāo)檢測[J]. 信息技術(shù), 2016(3):6-9.

[16] 徐久強,江萍萍,朱宏博,等. 面向運動目標(biāo)檢測的ViBe算法改進[J]. 東北大學(xué)學(xué)報(自然科學(xué)版)， 2015,36(9):1227-1231.

[17] Manzanera A, Richefeu J C. A new motion detection algorithm based on Σ-Δ, background estimation[J]. Pattern Recognition Letters, 2007,28(3):320-328.

[18] 孫水發(fā),覃音詩,馬先兵,等. 室外視頻前景檢測中的形態(tài)學(xué)改進ViBe算法[J]. 計算機工程與應(yīng)用, 2013，49(10):159-162.

[19] Droogenbroeck M V, Paquot O. Background subtraction: Experiments and improvements for ViBe[C]// 2012 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). 2012,71(8):32-37.

[20] Joshi K A, Thakore D G. A survey on moving object detection and tracking in video surveillance system[J]. International Journal of Soft Computing & Engineering, 2012,2(3):44-48.