羅暉 王瑋 張寧

摘要：ViBe（Visual Background Extractor）算法具有初始化模型時間短、無記憶更新和計算復雜度低等優(yōu)點，在眾多運動目標檢測算法中綜合性能優(yōu)異。然而，在視頻序列第一幀包含運動目標的情況下，ViBe算法會產生較長時間才能消除的“鬼影”現象，且不同時間、不同區(qū)域用固定更新速率背景模型進行更新，魯棒性差。為了提高ViBe算法對運動目標檢測的準確性，提出Ad-ViBe（Adaptive Visual Background Extractor）算法，該算法根據像素點變化狀態(tài)自適應改變背景樣本集的更新速率。實驗結果表明，該算法能夠有效地消除“鬼影”現象和環(huán)境干擾帶來的背景噪聲，各項客觀評價指標優(yōu)于ViBe等傳統(tǒng)算法。

關鍵詞：運動目標檢測；“鬼影現象”；更新速率；自適應；評價指標

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2018）09-0187-05

Abstract： Visual Background Extractor （ViBe） algorithm has the advantages of initializing background model quickly， memoryless based update and low computational complexity. Therefore， it has excellent performance compared with other moving objects detection algorithms. However， in the case of moving object included in the first frame of a video sequence， "ghost" phenomenon occurs and it takes a long time to eliminate， and at different times， different regions are updated with the background model of fixed update rate， it is robustness. In order to improve the detection accuracy， Adaptive Visual Background Extractor （Ad-ViBe） algorithm was presented， the algorithm adaptively changed the update rate of the background sample set according to the changing state of pixels. Experimental results showed that Ad-ViBe algorithm can effectively eliminate the "ghosting" phenomenon and scene noise， and the evaluation indicators are better than ViBe etc.

Key Words： moving objects detection； "ghost" phenomenon； update rateadaptive； evaluation indicators

1 引言

隨著攝像頭的普及和物聯(lián)網的快速發(fā)展，視頻監(jiān)控廣泛運用于生產生活中。在帶來便利的同時也產生了海量的待處理視頻數據，相對于傳統(tǒng)的人工操作，利用計算機視覺進行分析顯得尤為重要[1]。此外，計算機視覺中的運動目標檢測是目標識別、跟蹤等其他應用的基礎。因此，運動目標檢測算法的研究具有重要意義。

目前，運動目標檢測算法分為三類：光流法[2]、幀間差分法[3-4]和背景差分法[5]。其中，由Barnich等[6-7]提出的基于ViBe背景差分法具有計算復雜度低、速度快、魯棒性和抗噪性高等優(yōu)點。雖然ViBe算法綜合性能較好，但由于其獨特的背景模型初始化及更新機制，會產生“鬼影”現象[8]，給后續(xù)運動目標檢測帶來干擾。

針對“鬼影”干擾問題，許多學者對ViBe算法進行了改進：Jin等[9]提出融合Canny算子與ViBe算法，利用改進的Canny算子提取邊緣信息，然后和ViBe算法檢測的前景區(qū)域融合得到更為準確的運動目標；Liu等[10]提出利用時間梯度和空間梯度自適應調整檢測閾值；胡小冉等[11]提出結合幀間差分法得到更為準確的初始背景模型，從而消除“鬼影”；閔衛(wèi)東等[12]提出結合像素生命長度檢測“鬼影”，利用二次更新的方法進行快速消除等。以上算法都有效地消除了“鬼影”，但不同程度上增加了背景模型建立和更新的復雜度，從而降低了算法的實時性和魯棒性，不利于實際運用。

綜上，本文提出Ad-ViBe算法，在保留ViBe算法優(yōu)點的基礎上，通過像素前、背景變換速度自適應改變更新速率，從而消除“鬼影”現象，并利用形態(tài)學的方法進行處理消除環(huán)境干擾帶來的背景噪聲，達到運動目標準確檢測的目的。

2 ViBe算法原理簡述

ViBe算法的中心思想是為背景模型每個像素點建立背景點樣本集，采用隨機更新、鄰域更新策略實時更新背景模型樣本集。通過比較圖像與背景模型對應位置像素點，判斷該像素點是否是前景點，進而達到檢測運動目標的目的。

2.1 背景模型的初始化

不同于其他算法，ViBe算法僅利用視頻序列的第一幀就能完成背景模型的初始化，因而具有實時性好的特點。此外，充分考慮相鄰像素點間的空間相關性，將像素點及其八鄰域像素點的值填充背景點樣本集。對于任一像素點[x，y]，它的背景點樣本集表示如下：

2.3 像素點分類

ViBe算法的前、背景像素點分類方法如圖所示：

在歐氏空間中，以目標像素點為中心，半徑為[R]做圓，統(tǒng)計與背景點樣本集交集點個數[#·]，若[#·]不小于閾值[#min]，則判別該像素點被為背景點，否則為前景點：

2.3 背景模型更新策略

不同于其他算法的“先入先出”策略，ViBe算法采用隨機更新、鄰域更新的策略更新背景模型。若像素點[Vx，y]被判別為背景點，以概率[1φ]替換該像素點背景樣本集中的隨機一個樣本值，同時等概率更新其鄰域點的背景點樣本集。對于背景樣本集中的任意一個樣本值，經過時間[Δt]后仍然存在的概率為：

因為采用無記憶更新機制，保證了背景點樣本集中每個像素值的平滑衰減生命周期，提高了算法的動態(tài)適應性。

2.4 ViBe算法優(yōu)缺點

ViBe算法因其獨特的背景模型初始化、更新方法，使其能夠適用于動態(tài)背景、光照緩慢變換等場景，且具有很好的實時性。然而，當視頻序列第一幀中包含前景目標時，或檢測過程中長時間靜止的物體突然運動，會產生“鬼影”現象。由于更新機制的影響，使得“鬼影”需要較長時間才能自行消除，不利于運動目標檢測。另外，由于光照突變、樹葉抖動等環(huán)境干擾帶來的背景噪聲，ViBe算法不能及時有效地消除，這對正確檢測運動的影響也是巨大的。

3 Ad-ViBe算法

針對ViBe算法存在的問題，本文提出基于更新周期的自適應地改變更新速率，以提高運動目標檢測準確性。

3.1 改進思想

ViBe算法背景模型更新過程是對一幀中判別為背景點的像素點進行速率為[1φ]的更新。顯然，更新因子[φ]的大小直接影響背景模型的更新快慢，[φ]越小則更新速度越快，反之，[φ]越大則更新速度越慢。ViBe算法對于不同時刻、整幀圖像采用統(tǒng)一的更新速率[1φ]。然而，實際場景中，不同時刻、不同像素點的前背景變化快慢是不同的。若某時刻像素點的前背景變化速度快，則可以推端此時刻該像素點的前景目標出入頻繁，檢測出的背景點受前景目標干擾大，甚至可能將前景誤判為背景。因此，降低該像素點的更新速率可以防止錯誤背景點對背景點樣本集的影響。反之，前背景變化速度慢的像素點基本處于穩(wěn)定狀態(tài)，前景目標經過該點的次數少，加大對該類像素點的背景點樣本集的更新速率可以更快地適應背景的變化。

受到文獻[13]的啟發(fā)，Ad-ViBe算法自適應改變像素點的更新速率。算法為每個像素建立一個更新周期[Tx，y]，在一個更新周期內統(tǒng)計像素點狀態(tài)轉變次數（包括前景轉變?yōu)楸尘昂捅尘稗D變?yōu)榍熬埃hx，y]，進而判斷像素點的運動變化快慢，并據此在周期結束時改變更新因子[φ]。

3.2 算法流程

Ad-ViBe算法流程如下：

①背景模型的初始化。取視頻序列的第一幀初始化背景模型，建立背景點樣本集[Mx，y]，設定更新周期[Tx，y]；

②前、背景判斷。計算當前輸入幀圖像的像素點與樣本集[Mx，y]各元素的歐氏距離，統(tǒng)計距離小于[R]的個數[n]。若[n]不小于閾值[#min]，則判斷為背景。

③運動狀態(tài)判斷。統(tǒng)計一個更新周期[Tx，y]內像素點狀態(tài)轉變次數[hx，y]。若[hx，y]較小則可以推理出該像素點較穩(wěn)定，對應于基本無運動目標經過或目標進入后停留。同理，若[hx，y]較大則可以推理該像素點運動目標進出頻繁。在上述推理的基礎上，設定狀態(tài)函數：

④背景模型自適應更新。根據狀態(tài)函數在每個更新周期的開始改變更新因子：

其中，[φiφ1<φ2<φ3]為不同大小的更新因子。此外，更新因子初始值為[φ1]。然后，以概率[1φi]分別對像素點及其領域的樣本集進行一次更新。因此，不同狀態(tài)的像素點以不同的更新速率更新背景模型。

⑤后期處理。對檢測到的前景目標進行形態(tài)學腐蝕、膨脹操作，一定程度上去除背景噪聲，填充空洞。

4 實驗結果與分析

本文選取PETS2006和highway視頻序列與ViBe算法分別在彩色（RGB）域和灰度域上進行對比實驗，以驗證Ad-ViBe算法的實際效果。此外，設定各參數分別為：[R=2]，[n=20]，[#min=2]，[T=20]，[τ1=0.03]，[τ2=0.05]三個更新因子分別為[φ1=8]、[φ2=16]、[φ3=32]。實驗平臺的環(huán)境及參數如下：Win8.1系統(tǒng)，8G內存，Intel Core I5-5200U，四核2.2GHz主頻，Visual Studio 2013結合OpenCV 2.4.9編程。

4.1 Ad-ViBe算法實驗驗證

首先，本文對highway視頻序列進行實驗，對比ViBe算法和Ad-ViBe算法檢測效果。

實驗結果如圖4所示，其中（a）為視頻序列highway第496幀圖像；（b）為視頻序列提供的groundtruth圖像；（c-d）分別為灰度ViBe算法和彩色ViBe算法檢測效果圖像；（e-f）分別為灰度Ad-ViBe算法和彩色AD-ViBe算法檢測效果圖像。

視頻序列在該幀發(fā)生了光照突變，導致ViBe算法在彩色域和灰度域檢測結果中，均出現較大范圍錯誤檢測。然而，Ad-ViBe算法能夠有效地避免該類問題。同時，Ad-ViBe算法能夠去除視頻序列圖像左側一直存在的樹葉抖動現象帶來的干擾。因此得出結論：Ad-ViBe算法無論是在彩色圖像還是灰度圖像的抗環(huán)境干擾上都比ViBe算法要好。

此外，為了驗證Ad-ViBe算法能夠消除“鬼影現象”，本文選取PETS2009視頻序列進行實驗。

實驗結果如圖5所示，第一行四幅圖像分別為視頻序列PETS2009第1幀、7幀、70幀和490幀；第二行為ViBe算法檢測效果；第三行為Ad-ViBe算法檢測效果。

兩種算法在第7幀都有明顯的“鬼影”現象（用方框標出）。然而，Ad-ViBe算法在第70幀左右已經完全消除“鬼影”，ViBe算法到第490幀仍未完全消除。因此，Ad-ViBe算法能較好地消除“鬼影”，提高了檢測的準確性。

為了驗證本文算法的可靠性和準確性，選取經典的運動目標檢測的視頻數據集“highway”、“pedestrians”和“office”三個視頻序列，對三幀差法、滑動平均法、混合高斯模型（GMM）法、ViBe算法和Ad-ViBe算法進行對比仿真驗證。

圖6的第1至6行分別為原視頻圖像、三幀差法、滑動平均法、混合高斯模型法、ViBe算法和Ad-ViBe算法的運動目標檢測效果圖。顯而易見，Ad-ViBe算法的檢測效果優(yōu)于其他算法。

4.2 算法性能評估

為了更加客觀、全面地評價Ad-ViBe算法在檢測性能上的改進，本文參照文獻[14]的分析方法，通過計算highway視頻序列的精確率（[P]）、召回比（[R]）、特異性（[SP]）、誤檢率（[FPR]）、漏檢率（[FNR]）和綜合評價值（[FMeasure]）六個評價指標，對Ad-ViBe算法和其它4種算法進行比較。

[P=TPTP+FP]，[R=TPTP+FN]，

[SP=TNTN+FP]，[FPR=FPFP+TN]，

[FNR=FNTP+FN]，[FMeasure=2*R*PR+P] （5）

其中，[TP]、[TN]分別為正確檢測的前景和背景點數，[FP]、[FN]分別為錯誤檢測的前景和背景點數。

如表1所示（各項評價指標的最優(yōu)值已加粗顯示），Ad-ViBe算法精確率、召回比、特異性和綜合評價值均比ViBe算法高，而漏檢率和誤檢率比ViBe算法低。與其他幾種經典運動目標檢測算法相比，Ad-ViBe算法綜合評價值指標遠遠領先，且精確率、特異性和誤檢率與最優(yōu)值相差較小。

如表2所示，Ad-ViBe算法比ViBe算法耗時。因為ViBe算法相比于ViBe算法來說增加了運動狀態(tài)判斷和自適應改變更新因子的步驟，且都是在像素級別進行計算，所以相對于ViBe算法來說每幀處理時間增加了百分之二十左右。由于實驗平臺的差異性及結合文獻[15]的實驗結果對比，本算法仍能滿足實時性要求。

5 結論

基于ViBe算法的優(yōu)點基礎上，本文針對其存在的問題進行改進，提出Ad-ViBe算法。通過統(tǒng)計一個更新周期內像素點的前、背景轉換次數判斷所處狀態(tài)，進而自適應改變更新速率，提高了對運動目標檢測的準確性。在視頻序列上實驗表明，Ad-ViBe算法可以有效地消除環(huán)境干擾帶來的背景噪聲和“鬼影”現象，并且在包括準確率和誤檢率等多項評價指標優(yōu)于ViBe算法。此外，Ad-ViBe算法能夠滿足實際應用中的實時性要求。

參考文獻：

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

[2] 肖軍，朱世鵬，黃杭，等.基于光流法的運動目標檢測與跟蹤算法[J].東北大學學報：自然科學版，2016，37（6）：770-774.

[3] 薛麗霞，羅艷麗，王佐成. 基于幀間差分的自適應運動目標檢測方法[J]. 計算機應用研究，2011，28（4）：1551-1552+1559.

[4] Li W， Yao J， Dong T， et al. Moving vehicle detection based on an improved interframe difference and a Gaussian model[C]// International Congress on Image and Signal Processing. IEEE， 2016：969-973.

[5] Ramya P， Rajeswari R. A Modified Frame Difference Method Using Correlation Coefficient for Background Subtraction ☆[J]. Procedia Computer Science， 2016， 93：478-485.

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

[7] Barnich O， Van D M. ViBe： a universal background subtraction algorithm for video sequences.[J]. IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society， 2011， 20（6）：1709.

[8] 李亞偉， 曹凱， 王杰，等. 一種改進的ViBe鬼影抑制算法[J]. 廣西大學學報：自然科學版， 2017， 42（2）：712-719.

[9] Jin D， Zhu S， Sun X， et al. Fusing Canny operator with vibe algorithm for target detection[C]// Control and Decision Conference. IEEE， 2016：119-123.

[10] Liu S. An improved ViBe moving object detection algorithm based on spatial-temporal gradient of image[C]// International Conference on Progress in Informatics and Computing. IEEE， 2017.

[11] 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，2014，41（02）：149-152.

[12] 閔衛(wèi)東，郭曉光，韓清. 改進的ViBe算法及其在交通視頻處理中的應用[J]. 光學精密工程，2017，25（03）：806-811.

[13] Zhang Y， Zhao C， He J， et al. Vehicles detection in complex urban traffic scenes using a nonparametric approach with confidence measurement[C]// International Conference and Workshop on Computing and Communication. IEEE， 2015：1-7.

[14] Goyette N， Jodoin P M， Porikli F， et al. Changedetection.net： A new change detection benchmark dataset[C]// Computer Vision and Pattern Recognition Workshops. IEEE， 2012：1-8.

[15] 周超康，戰(zhàn)蔭偉，馮開平.基于雙背景模型的改進Vibe運動目標檢測算法[J].電視技術，2016，40（4）：27-31+100.