王燕　李旭健

摘? 要： 人形分割在視頻監(jiān)控研究中具有極其重要的意義。ViBe算法因其運算效率高、算法思想簡單且容易實現(xiàn)的特性受到許多研究學(xué)者的青睞，并被應(yīng)用到人形分割的研究中。針對ViBe算法在應(yīng)用于人形分割研究時易于出現(xiàn)鬼影和容易對光照引起的陰影造成誤檢的現(xiàn)象，提出了一種改進的ViBe算法—VSFC（ViBe Surendra Five-frame Canny）算法。首先將利用Otsu自適應(yīng)閾值的Surendra算法得到的初始背景用作背景模型的初始化。其次，通過將ViBe算法所得出的前景與五幀差分法得出的前景采用“與”運算的方式獲得人形分割結(jié)果，并對得到的人形分割結(jié)果進行形態(tài)學(xué)處理，以便能夠消除較大的噪聲。最后利用Canny邊緣檢測算子對人形的邊緣信息進行提取，利用小波融合方法將前面得到的人形結(jié)果和邊緣信息進行融合，得到最后的人形分割結(jié)果。在更新機制方面，提出動則更新的更新思想，對于那些長時間靜止不動的像素點，采取隔時更新的方式，提高了算法的實時性。

關(guān)鍵詞： 視頻監(jiān)控;人形分割;ViBe算法;Surendra算法;五幀差分法;隔時更新

中圖分類號： TP391.41? ? 文獻標(biāo)識碼： A? ? DOI：10.3969/j.issn.1003-6970.2019.07.018

【Abstract】： Humanoid segmentation is extremely important in video surveillance research. The ViBe algorithm is favored by many researchers because of its high computational efficiency， simple algorithm and easy to implement， and is applied to the research of human segmentation. Aiming at the phenomenon that ViBe algorithm is prone to ghosting and easy to cause false detection of shadow caused by illumination when applied to human-shaped segmentation， an improved ViBe algorithm-VSFC （ViBe Surendra Five-frame Canny） algorithm is proposed. The initial background obtained using the Otsu adaptive threshold Surendra algorithm is first used as the initialization of the background model. First， the initial background is obtained using the Otsu adaptive threshold Surendra algorithm， and this background is used as the initialization of the background model. Secondly， the human-shaped result is obtained by using the foreground obtained by the ViBe algorithm and the foreground obtained by the five-frame difference method to obtain the humanoid result， and the obtained humanoid result is processed morphologically to eliminate the large noise. Finally， the Canny edge detection operator is used to extract the edge information of the humanoid. The wavelet fusion method is used to fuse the previously obtained humanoid result and edge information to obtain the final humanoid segmentation result. In terms of the update mechanism， the update idea of the update is proposed. For those pixels that are still stationary for a long time， the method of updating at intervals is adopted to improve the real-time performance of the algorithm.

【Key words】： Video surveillance; Humanoid segmentation; ViBe algorithm; Surendra algorithm; Five-frame difference method; Interval update

0? 引言

視頻監(jiān)控可以幫助人們實現(xiàn)實時監(jiān)測的功能，在人們的生產(chǎn)生活中得到廣泛應(yīng)用，起著舉足輕重的作用。人形分割技術(shù)是視頻監(jiān)控技術(shù)發(fā)展的奠基石，但因?qū)嶋H場景的復(fù)雜性、光照引起的陰影以及人與人之間的遮擋等因素，使得從監(jiān)控視頻中進行人形分割的技術(shù)仍然面臨嚴(yán)峻考驗。

2009年，Olivier Barnich等人首次提出基于樣本的ViBe算法[1]。近幾年，Vibe算法作為一種有效、快速而且新奇的像素級前景檢測算法，為研究學(xué)者們鉆研人形分割技術(shù)開辟了新思路。但是該算法也具有一定的局限性：因為直接利用視頻首幀構(gòu)建模型，容易產(chǎn)生鬼影問題;容易將長時間靜止不動的目標(biāo)誤判為背景;容易對光照所引起的陰影造成誤檢;運動目標(biāo)容易出現(xiàn)空洞現(xiàn)象。針對鬼影問題，楊丹等[2]在初始建模階段采用多幀平均法構(gòu)建初始背景，但是多幀平均法僅僅適用于簡單的監(jiān)控場景。Qin等[3]利用Gabor加速鬼影的消融速度，并通過GPU加速改進隨機擴展和更新速度。桂斌等[4]通過采用三幀差分法得到準(zhǔn)確的背景圖像以達到去除鬼影的目的。針對陰影問題，徐君妍等[5]在算法中加入幀間差分法進行閾值比較，根據(jù)幀間差分法的抗光照性，動態(tài)的調(diào)整更新率。但是幀間差分法容易產(chǎn)生“空洞”問題，并不能真正意義上的解決陰影問題。胡小冉等[6]基于先驗知識和邊緣檢測方法消除陰影，不過人們的先驗知識存在很大的局限性，并不能使所有情況下的問題都得到有效的解決。余燁等[7]將色度和梯度進行結(jié)合，用于去除陰影。

本文在此基礎(chǔ)上提出了一種改進的ViBe算法—VSFC算法。首先，利用Otsu自適應(yīng)閾值的Surendra算法得到初始背景，并將此背景用作背景模型的初始化。然后結(jié)合五幀差分法，通過將ViBe算法所得到的前景與五幀差分法得出的前景采用“與”運算的方式獲得人形結(jié)果，并對得到的人形結(jié)果進行形態(tài)學(xué)上的處理，以便消除較大的噪聲。最后提取人形的邊緣信息，利用小波融合方法將前面提取的人形結(jié)果和邊緣信息進行融合，得出最后的人形分割結(jié)果。另外，針對ViBe原有的更新機制，本文采用動則更新的更新方式，即在更新背景模型時，只更新運動的像素點，對于長時間靜止的像素點，采用隔時更新的方式，能夠有效降低算法的復(fù)雜度。該算法通過融合多種算法的優(yōu)勢，能夠使復(fù)雜視頻監(jiān)控場景下ViBe算法帶來的鬼影以及陰影誤檢問題得到有效解決。

1? 初始化背景模型

ViBe算法是一種通用的前景檢測算法，該算法首先為視頻序列中的每個像素都創(chuàng)建一個獨特的背景樣本集，用此樣本集作為背景模型[8]。通過將當(dāng)前像素與背景模型中同一位置的像素作比較來確定當(dāng)前像素是屬于前景還是背景。但是該算法局限于采用第一幀來構(gòu)建模型，倘若運動目標(biāo)存在于視頻的第一幀中，則很容易產(chǎn)生鬼影。故此，本文采用基于Otsu自適應(yīng)閾值的Surendra算法通過不斷迭代得到初始背景，并將此背景用于背景模型初始化? 中[9]。背景模型初始化如下：

（1）選取監(jiān)控視頻序列中的第一幀圖像 作為背景圖像 ，假設(shè)圖像灰度級為 ，在此通過Otsu方法計算當(dāng)前幀 的閾值 。幀 的像素之和為 。對應(yīng)于灰度級 的像素之和是 ，則第 級灰度出現(xiàn)的概率為： 。其中? ?， 。通過求當(dāng)前幀 的平均值和方差，得到最優(yōu)閾值 。

（2）求當(dāng)前幀 的差分圖像 ：

（3）更新背景圖像 ：

符號 表示更新速度。此時 即為初始 背景。

（4）為每一個像素 都建立一個背景模型[10]： 。其中 表示像素8鄰域隨機背景樣本值， 為待判定的像素點的像素值， 。

隨機選取每個像素對應(yīng)的8個鄰域像素作為背景樣本。初始化背景模型：

代表初始時間點， 為鄰域的像素值， 為當(dāng)前點的像素值。

2? 前景分割

2.1? 通過ViBe算法得到前景

上文完成了背景模型的創(chuàng)建，接下來需要對新的一幀圖像計算當(dāng)前像素點與其所對應(yīng)的樣本集中的像素點之間的歐氏距離，并統(tǒng)計距離小于閾值 的像素點數(shù)，然后與提前設(shè)定的匹配閾值 進行比較，若是結(jié)果小于該閾值，則判定該像素點為前景像素點[11]。

2.2? 通過五幀差分法得到前景

本文利用文獻[12]提出的五幀差分法進行前景提取，五幀差分法能夠在一定程度上克服原算法檢測位置不精確、容易出現(xiàn)“空洞”的不足，相對原始算法，所提取的運動目標(biāo)更為準(zhǔn)確。

此外，讓差分結(jié)果 和 、 和 分別做“與”運算，得到 和 ，最后讓 和 進行“或”運算得到最終人形結(jié)果 。在做“或”運算之前先對其進行二值化和中值濾波處理，以避免“空洞”現(xiàn)象的發(fā)生。

2.3 “與”運算和后處理

通過將前文中ViBe算法所得出的前景與五幀差分法得出的前景采用“與”運算的方式獲得人形分割結(jié)果，并對得到的人形分割結(jié)果進行形態(tài)學(xué)處理，以便消除較大的噪聲，最終得到準(zhǔn)確無誤的人形分割結(jié)果。在監(jiān)控視頻中，若是出現(xiàn)光照引起的陰影，ViBe算法常會對其造成誤檢。本文針對ViBe算法對光照的敏感性，利用小波融合方法將前面得到的人形分割結(jié)果和通過使用Canny算子提取的人形邊緣信息進行融合，得出最終的人形分割結(jié)果。

3? 背景模型更新

在更新時，ViBe算法隨機選擇要更新的像素，其更新策略具有一定的保守性。本文提出動則更新的策略，在監(jiān)控視頻中，對于始終靜止不動的像素點在被判定為背景之后，為了提高實時性，本文采取隔時更新的方式，即對于長時間靜止的像素點，隔一段時間更新一次，只更新運動著的像素點。采取這樣的策略極大的提高了算法的實時性，降低了算法復(fù)雜度。

4? 實驗結(jié)果分析

本文所涉及的仿真實驗均在Windows 10操作系統(tǒng)下通過matlab 2017b+opencv 4.0.0+VS 2015環(huán)境完成的。采用的數(shù)據(jù)集為changedetection.net上的2014 DATASET中的“Baseline”數(shù)據(jù)集。因為本文針對解決的重點主要是在進行人形分割時ViBe算法遇到的鬼影問題以及對光照帶來的陰影誤檢問題，故選取數(shù)據(jù)集中的一個視頻序列進行實驗，以用來測試本文改進算法的魯棒性和準(zhǔn)確性。實驗中，根據(jù)文獻[13]，將ViBe算法參數(shù)分別進行如下設(shè)置：樣本數(shù)和閾值分別設(shè)為20， 匹配個數(shù)設(shè)為2。通過實驗，本文算法能夠有效解決ViBe算法在初始化背景模型時容易出現(xiàn)鬼影的問題。圖1為本文算法所得到的初始背景圖。

圖2展示了在“Baseline”視頻作用下的實驗結(jié)果。圖2（a）為利用五幀差分法得到的二值化結(jié)果圖。圖2（b）為將五幀差分法得到的結(jié)果圖進行形態(tài)學(xué)處理優(yōu)化后的結(jié)果。圖2（c）和圖2（d）是原始ViBe算法的檢測結(jié)果，從中我們可以明顯看出，隨著算法的運行，ViBe算法所帶來的鬼影現(xiàn)象逐漸改善。圖2（e）是五幀差分法得到的前景圖像和本文改進的ViBe算法得到的前景圖像進行“與”運算的結(jié)果。圖2（f）是采用Canny邊緣檢測算子得到的邊緣特征圖像。圖2（g）為文獻[2]中處理的實驗結(jié)果。圖2（h）為文獻[16]得到的檢測結(jié)果。圖2（i）為本文算法所得到的最終人形分割結(jié)果?？梢钥闯觯疚乃岢龅乃惴▽鉀QViBe算法中出現(xiàn)的鬼影問題和陰影誤檢問題有良好的效果，能夠很好的應(yīng)用于人形分割當(dāng)中，并取得不錯的效果。

5? 結(jié)語

本文針對ViBe算法在進行人形分割時容易出

（a） 五幀差分法第997幀二值化結(jié)果（b） 五幀差分法第997幀優(yōu)化結(jié)果（c） ViBe算法第997幀結(jié)果? ?（d） ViBe算法第1028幀結(jié)果（e） 本文算法“與”運算結(jié)果（f） Canny算法邊緣檢測結(jié)果? ?（g） 文獻[2]第997幀處理結(jié)果（h） 文獻[16]算法第997幀結(jié)果（i） 本文算法結(jié)果現(xiàn)鬼影現(xiàn)象以及容易將光照導(dǎo)致的陰影誤檢為前景目標(biāo)的問題，提出一種改進的ViBe算法—VSFC算法。在ViBe算法構(gòu)建背景模型之前，首先采用Surendra算法獲得初始背景，用于初始化背景模型。然后采用五幀差分法和ViBe相結(jié)合的方式提高算法準(zhǔn)確性，并利用邊緣檢測和小波融合進一步的使人形分割更加準(zhǔn)確。在更新策略方面，提出動則更新的思想，在進行背景模型更新時，只更新運動著的像素點，對于長時間靜止的像素點采取隔時更新的方式。在仿真實驗中，與其他算法相比，本文算法呈現(xiàn)出不錯的效果且具有較強的魯棒性，人形分割更為完整，適應(yīng)性更強。

但是由于多種算法的結(jié)合，使得計算量大，從而導(dǎo)致運行效率不如其他算法，雖然準(zhǔn)確率有所提高，但是實時性卻有所降低。故，仍需要繼續(xù)研究復(fù)雜視頻監(jiān)控場景下的人形分割工作如何進行，如何才能真正做到高魯棒性、高效率、高準(zhǔn)確性。

參考文獻

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

[2] 楊丹， 戴芳. 運動目標(biāo)檢測的ViBe算法改進[J]. 中國圖象圖形學(xué)報， 2018， 23（12）： 1813-1828.

[3] Qin L， Sheng B， Lin W， et al. GPU-Accelerated Video Background Subtraction Using Gabor Detector[J]. Journal of Visual Communication and Image Representation， 2015， 32： 1-9.

[4] 桂斌. 基于ViBe的運動目標(biāo)檢測與陰影消除方法研究[D]. 安徽大學(xué)， 2015.

[5] 徐君妍， 袁址赟， 崔宗勇， 曹宗杰. 基于幀間差分的ViBe運動目標(biāo)檢測[J]. 科學(xué)技術(shù)與工程， 2017， 17（27）： 82-87.

[6] 胡小冉， 孫涵. 一種新的基于ViBe的運動目標(biāo)檢測方法[J]. 計算機科學(xué)， 2014， 41（02）： 149-152.

[7] 余燁， 曹明偉， 岳峰. EVibe： 一種改進的Vibe運動目標(biāo)檢測算法[J]. 儀器儀表學(xué)報， 2014， 35（04）： 924-931.

[8] 陳亮. 視頻監(jiān)控中運動目標(biāo)的檢測與跟蹤[D]. 中國計量學(xué)院， 2015.

[9] 單玉剛， 汪家寶， 郝峰. 基于自適應(yīng)閾值的Surendra背景提取方法研究[J]. 計算機技術(shù)與發(fā)展， 2017， 27（07）： 91-95.

[10] 嚴(yán)紅亮， 王福龍， 劉志煌， 沈士忠. 基于ViBe算法的改進背景減去法[J]. 計算機系統(tǒng)應(yīng)用， 2014， 23（06）： 130-134.

[11] 張玉婉. 智能視頻監(jiān)控中的目標(biāo)檢測算法研究[D]. 西安電子科技大學(xué)， 2017.

[12] 舒欣， 李東新， 薛東偉. 五幀差分和邊緣檢測的運動目標(biāo)檢測[J]. 計算機系統(tǒng)應(yīng)用， 2014， 23（01）： 124-127.

[13] Gao J， Zhu H. Moving object detection for video surveillance based on improved ViBe[J]. IEEE 2016 Chinese Control and Decision Conference （CCDC）. 2016： 6259-6263.

[14] 劉春， 翟志強. 改進的ViBe運動目標(biāo)檢測算法[J]. 傳感器與微系統(tǒng)， 2017， 36（01）： 123-126.

[15] 杜晶晶. 智能視頻監(jiān)控中運動目標(biāo)檢測與跟蹤算法研究[D]. 成都： 西南交通大學(xué)， 2009.

[16] Xian Sun. Target Detection Via Improved Vibe Algorithm[A]. 中國自動化學(xué)會控制理論專業(yè)委員會、中國系統(tǒng)工程學(xué)會. 第35屆中國控制會議論文集（C）[C]. 中國自動化學(xué)會控制理論專業(yè)委員會、中國系統(tǒng)工程學(xué)會： 中國自動化學(xué)會控制理論專業(yè)委員會， 2016： 5.

[17] Yi Wang， Jodoin， P. -M， Porikli， F. et al. . CDnet 2014： An Expanded Change Detection Benchmark Dataset. Computer Vision and Pattern Recognition Workshops （CVPRW）， 2014 IEEE Conference on. 2014.

[18] Li Y， Chen W， Jiang R. The Integration Adjacent Frame Difference of Improved ViBe for Foreground Object Detection[C]. International Conference on Wireless Communications. IEEE， 2011.

[19] Jinlan L， Lin W， Ruliang Z， et al. A Method of Fire and Smoke Detection Based on Surendra Background and Gray Bitmap Plane Algorithm[C]. 2016 8th International Conference on Information Technology in Medicine and Education （ITME）. IEEE Computer Society， 2016.

[20] Mahoor E， Maghsoumi H， Asemani D. An improved motion detection algorithm using ViBe[C]. International Conference on Computing. IEEE Computer Society， 2015.

[21] Barnich O， Van Droogenbroeck M. ViBe： A Universal Background Subtraction Algorithm for Video Sequences[J]. IEEE Transactions on Image Processing， 2011， 20（6）： 1709- 1724.