路霄漢 王志君 梁利平*

1(中國(guó)科學(xué)院微電子研究所 北京 100029)2(中國(guó)科學(xué)院大學(xué)電子電氣與通信工程學(xué)院 北京 100029)

0 引 言

背景提取技術(shù)是視頻感興趣區(qū)域(ROI)提取的重要方法之一[1]，它的準(zhǔn)確性、實(shí)時(shí)性和對(duì)于環(huán)境變化干擾的魯棒性較好，是一種針對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)的優(yōu)秀方法[2]。在背景提取算法中，ViBe算法[2]是一種無參數(shù)的、非概率模型化的算法，它在運(yùn)動(dòng)目標(biāo)檢測(cè)任務(wù)上，擁有運(yùn)行速度快、占用資源少、識(shí)別精度高等特點(diǎn)，但是仍存在不足。其一是鬼影問題，鬼影是被檢測(cè)為前景，卻沒有代表任何運(yùn)動(dòng)目標(biāo)的區(qū)域，即虛假的前景區(qū)域[3]。目前，針對(duì)鬼影問題，第一類處理方法是通過改變創(chuàng)建初始背景集合的方式。文獻(xiàn)[4]采用類高斯模型的更新方法，使用多幀圖像訓(xùn)練初始背景集合。文獻(xiàn)[5]在幀差法中引入大津閾值算法[7](OTSU)，使用前幾幀圖像合成背景樣本圖像，然后根據(jù)此背景樣本圖像創(chuàng)建初始背景集合。文獻(xiàn)[6]采用多幀平均法，使用視頻前面25幀圖像對(duì)應(yīng)點(diǎn)和其鄰域點(diǎn)的像素值創(chuàng)建初始背景模型。這種方法需要使用視頻多幀圖像構(gòu)建初始背景集合，降低了初始化背景集合的速度，而且，由于背景突然運(yùn)動(dòng)也會(huì)產(chǎn)生鬼影，這種方法無法解決此類問題。第二類處理方法在進(jìn)行背景判斷的過程中進(jìn)行鬼影識(shí)別，然后將鬼影轉(zhuǎn)變?yōu)楸尘癧8-9]。文獻(xiàn)[8]通過計(jì)算前景與其鄰域背景的顏色直方圖差異大小判斷前景是否是鬼影。文獻(xiàn)[9]通過計(jì)算前景區(qū)域的像素值方法大小判斷鬼影。但是此類方法容易將運(yùn)動(dòng)緩慢的、色彩比較單一的運(yùn)動(dòng)目標(biāo)與鬼影混淆，具有局限性，并且方法增加了運(yùn)算復(fù)雜度，不利于事實(shí)檢測(cè)。

此外，ViBe算法對(duì)于動(dòng)態(tài)背景和相機(jī)抖動(dòng)的處理效果不理想[10]。針對(duì)此問題，文獻(xiàn)[4]計(jì)算當(dāng)前位置像素點(diǎn)與其鄰域像素點(diǎn)的差異性，進(jìn)而動(dòng)態(tài)地調(diào)整閾值，但是動(dòng)態(tài)背景的特點(diǎn)在于時(shí)間域上劇烈的、周期性的變動(dòng)，因此其方法有失普遍性。對(duì)于抖動(dòng)的處理，文獻(xiàn)[10]首先通過提取KLT特征點(diǎn)[11]識(shí)別抖動(dòng)，然后通過將更新因子置為1來去除抖動(dòng)，雖然有較好的處理效果，但是容易形成前景區(qū)域空洞，而且特征點(diǎn)提取增大了計(jì)算量，很難實(shí)現(xiàn)實(shí)時(shí)處理。文獻(xiàn)[12]中，通過計(jì)算當(dāng)前圖像中的前景區(qū)域與M幀前的圖像對(duì)應(yīng)位置的顏色直方圖差異來消除抖動(dòng)，這種方法過于依賴M的選取，而且顏色直方圖的計(jì)算增加了計(jì)算量。文獻(xiàn)[13]采用圖像分塊運(yùn)動(dòng)補(bǔ)償?shù)姆椒?，根?jù)塊區(qū)灰度投影曲線的互相關(guān)計(jì)算結(jié)果完成抖動(dòng)序列校正，但是此方法對(duì)計(jì)算機(jī)的算力要求很高。

綜上所述，針對(duì)ViBe算法存在的問題，本文對(duì)其進(jìn)行改進(jìn)，改進(jìn)后的算法可以快速消除鬼影，并且能很好地處理相機(jī)抖動(dòng)和動(dòng)態(tài)背景的情況。最后通過C++完整實(shí)現(xiàn)算法，算法運(yùn)行速度快、運(yùn)算簡(jiǎn)單、準(zhǔn)確率高，可以達(dá)到實(shí)時(shí)性要求。

1 ViBe算法原理

ViBe算法[2]由三個(gè)部分組成：背景模型初始化、背景判斷、更新背景模型。

1.1 背景模型初始化

Vibe算法是一種基于像素點(diǎn)的目標(biāo)識(shí)別算法，算法為視頻序列中每一個(gè)位置的像素點(diǎn)創(chuàng)建一個(gè)背景集合，假設(shè)I(x,y)代表圖像中(x,y)位置的像素值，M(x,y)是其對(duì)應(yīng)的背景集合：

M(x,y)={I1,I2,…,IN}

(1)

式中：IN是背景集合中的像素值。M(x,y)初始化的方法為：取視頻序列中的第一幀圖像，對(duì)于圖像中每個(gè)像素點(diǎn)，在其鄰域內(nèi)等概率的隨機(jī)選取N個(gè)像素點(diǎn)的值插入背景集合中。

Mn(x,y)={I(x′,y′);(x′,y′)∈NG(x,y)}

(2)

式中：Mn(x,y)表示(x,y)位置背景集合的第n個(gè)值；NG(x,y)表示(x,y)的鄰域；I(x′,y′)表示鄰域像素點(diǎn)的值。

1.2 背景判斷

創(chuàng)建初始背景集合后，后面處理的每一幀圖像，需要將每個(gè)像素點(diǎn)與其對(duì)應(yīng)的背景集合進(jìn)行比較：

#{SR(I(x,y))∩M(x,y)}>#min

(3)

式中：SR(I(x,y))代表I(x,y)在其顏色空間中歐式距離小于半徑R的區(qū)域。

如圖1所示，#{}函數(shù)是計(jì)算(x,y)的背景模型中，像素值在SR(I(x,y))區(qū)域中的個(gè)數(shù)，當(dāng)其數(shù)值大于固定閾值#min時(shí)，則被判定為背景。

圖1 (C1,C2)顏色空間的歐式距離半徑與背景樣本的分布

1.3 更新背景模型

當(dāng)像素點(diǎn)被判斷為背景時(shí)，有1/φ的概率對(duì)M(x,y)進(jìn)行更新，φ為更新因子。更新的方式采用隨機(jī)替換機(jī)制，隨機(jī)替換就是將當(dāng)前像素值I(x,y)等概率隨機(jī)替換M(x,y)中的一個(gè)值。同時(shí)，當(dāng)發(fā)生隨機(jī)替換時(shí)，隨機(jī)選取其鄰域中的一個(gè)像素點(diǎn)I(x′,y′)，并采用隨機(jī)替換機(jī)制更新其背景集合，稱為背景值隨機(jī)空間傳播。

2 改進(jìn)的ViBe算法

基于ViBe算法原理的描述，發(fā)現(xiàn)存在兩個(gè)問題：

(1) 鬼影問題，如圖2所示，由于鬼影所在位置的背景突然運(yùn)動(dòng)，檢測(cè)結(jié)果中出現(xiàn)鬼影，即(c)中左邊的前景即為鬼影。雖然ViBe算法的背景像素值隨機(jī)空間傳播方法可以處理鬼影，但是需要多幀的處理延遲才能夠完全消除，對(duì)于50×10的鬼影區(qū)域，消除至少需要100幀[9]。

(a) frame (b) ground (c) 檢測(cè)結(jié)果圖2 鬼影的形成

(2) 對(duì)于抖動(dòng)與動(dòng)態(tài)背景情況處理欠佳，背景模型的保守更新方式使得前景點(diǎn)無法進(jìn)入背景模型中，當(dāng)某一區(qū)域頻繁的在前景和背景間變化時(shí)，這個(gè)區(qū)域往往是虛假的前景，ViBe算法沒有檢測(cè)這種變化的機(jī)制。

基于上述問題，本文提出了三點(diǎn)改進(jìn)：(1) 采用定向的空間傳播方法更新鄰域的背景模型，可以快速消除鬼影；(2) 通過閃爍因子值的大小更改背景判斷結(jié)果，從而處理抖動(dòng)和動(dòng)態(tài)背景造成的虛假前景；(3) 對(duì)算法生成二值圖像進(jìn)行高效的去除噪點(diǎn)處理，提高識(shí)別的準(zhǔn)確率。圖3是本文改進(jìn)算法的流程圖，虛線是本文的改進(jìn)過程，其中S是閃爍因子，CNT是計(jì)數(shù)器的值。

圖3 改進(jìn)算法流程圖

2.1 定向的空間傳播方法

當(dāng)像素點(diǎn)被初步判定為背景后，在原始的ViBe算法的隨機(jī)空間傳播之前，針對(duì)性地加入定向空間傳播機(jī)制。鬼影區(qū)域?qū)嶋H上是背景區(qū)域，它是靜止的，因此與周邊像素點(diǎn)的像素值相近?；诠碛暗纳鲜鎏攸c(diǎn)，為每一個(gè)像素點(diǎn)設(shè)置一個(gè)計(jì)數(shù)器CNT，CNT表示該點(diǎn)連續(xù)被判斷為前景的次數(shù)：當(dāng)判定結(jié)果是前景時(shí)，CNT加1;若是背景時(shí)，CNT置0。

(4)

基于上述處理，當(dāng)像素點(diǎn)被判斷為背景時(shí)，首先以當(dāng)前處理的像素點(diǎn)為中心點(diǎn)，查詢其鄰域內(nèi)像素點(diǎn)的背景集合中的CNT值。當(dāng)鄰域像素點(diǎn)的CNT大于閾值TCNT時(shí)，表明此鄰域位置屬于靜止的前景，有可能是鬼影，因此強(qiáng)制對(duì)其背景模型進(jìn)行隨機(jī)替換操作：將中心點(diǎn)的像素值插入其背景集合中。TCNT表示檢測(cè)到的前景是否靜止，因此TCNT>1。為了快速消除鬼影，因此設(shè)置TCNT的值為2。

定向的空間傳播方法的示意圖如圖4所示，灰色區(qū)域?yàn)闄z測(cè)出的前景區(qū)域，并且區(qū)域內(nèi)像素點(diǎn)CNT值大于閾值TCNT，虛線部分為前景內(nèi)部區(qū)域，黑色像素點(diǎn)為當(dāng)前處理的背景像素點(diǎn)I(x,y)，如圖4右側(cè)所示。當(dāng)I(x,y)被判斷為背景時(shí)，檢測(cè)I(x,y)位置鄰域內(nèi)的8個(gè)像素點(diǎn)，發(fā)現(xiàn)標(biāo)號(hào)1、2位置的灰色部分可能為鬼影區(qū)域，因此將I(x,y)的值插入1、2區(qū)域的背景集合中。若此前景區(qū)域是真實(shí)靜止目標(biāo)，由于前景像素值與背景像素值差別較大，在視頻后面幀的圖像處理中，此區(qū)域仍然被判斷為前景，不影響判斷；若此前景區(qū)域是鬼影區(qū)域，由于圖像的背景在空間上有一致性的特點(diǎn)，相鄰的背景像素點(diǎn)的值差值較小，因此在視頻后面幀的圖像處理中，對(duì)應(yīng)位置被判斷為背景。圖4灰色區(qū)域外邊緣轉(zhuǎn)變?yōu)楸尘昂?，此定向傳播機(jī)制會(huì)使這個(gè)過程快速傳播給內(nèi)部的區(qū)域，從而快速消除此虛假前景，即鬼影區(qū)域。由于這種定向傳播機(jī)制只影響前景的邊界處，圖4中灰色的真實(shí)前景區(qū)域會(huì)對(duì)虛線內(nèi)部的區(qū)域進(jìn)行保護(hù)，虛線內(nèi)部區(qū)域的背景集合不會(huì)被改變，因此真實(shí)的前景目標(biāo)會(huì)被保留。

圖4 背景值定向傳播示意圖

2.2 計(jì)算閃爍因子

當(dāng)進(jìn)行判斷背景過程后，需要計(jì)算閃爍因子[10]，并通過閃爍因子更改原算法的判定結(jié)果。像素點(diǎn)閃爍是指在時(shí)間域上，像素點(diǎn)的判定結(jié)果在背景和前景間不斷變化，因此閃爍因子表示像素點(diǎn)的這種閃爍程度的大小。本文參考文獻(xiàn)[10]對(duì)閃爍因子進(jìn)行了新的詮釋，并且采用新的處理方法將其應(yīng)用到視頻抖動(dòng)和動(dòng)態(tài)背景的處理當(dāng)中。視頻的抖動(dòng)是由于采集設(shè)備在自然環(huán)境下受外力干擾引發(fā)的周期性震動(dòng)造成的，因此視頻抖動(dòng)造成的虛假前景在時(shí)間域上呈現(xiàn)出周期性的在前景與背景間變化的特點(diǎn)。

基于上述性質(zhì)，設(shè)閃爍因子為S，表1列出了S的計(jì)算方法，αinc為增長(zhǎng)因子，αdec為衰減因子。當(dāng)像素點(diǎn)被判定為前景時(shí)，檢查其對(duì)應(yīng)的CNT的值，當(dāng)CNT=0時(shí)，說明其上一幀被判斷為背景，當(dāng)前幀發(fā)生了狀態(tài)的改變，因此：

S=S+αinc (5)

當(dāng)像素點(diǎn)被判斷為背景，并且CNT=0時(shí)，說明上一幀當(dāng)前位置仍被判斷為背景，當(dāng)前幀沒有發(fā)生狀態(tài)改變，因此：

S=S-αdec

(6)

為S設(shè)置兩個(gè)閾值：

TS=a×αdec

(7)

TS-M=(a+1)×αdec

(8)

式中：a是常數(shù)，表示閾值TS和TS-M是增長(zhǎng)因子αinc的整數(shù)倍；衰減因子αdec取值為1，這樣簡(jiǎn)化了運(yùn)算與硬件實(shí)現(xiàn)。對(duì)于閃爍因子S的處理過程如下：當(dāng)S大于TS時(shí)，若此時(shí)被判斷為前景，將結(jié)果改變成背景；如果S的值進(jìn)一步大于TS-M,則強(qiáng)制對(duì)當(dāng)前位置的背景集合進(jìn)行隨機(jī)替換。這種方法可以防止短時(shí)間內(nèi)由于前景周期性運(yùn)動(dòng)而被誤判為背景，導(dǎo)致前景像素點(diǎn)進(jìn)入背景集合的問題。閃爍因子S的最大值是TMAX，這限定了像素點(diǎn)閃爍特性的生存周期。上述推導(dǎo)可以理解成，當(dāng)前像素點(diǎn)在時(shí)間域上，其在前景與背景間跳變的次數(shù)，在n×αinc/αdec時(shí)間范圍內(nèi)大于或等于a+n次時(shí)，則被判定為閃爍的，其中n∈N+，n的取值影響參考時(shí)間范圍的長(zhǎng)短。因此，前景與背景間跳變的最小平均間隔F滿足：

(9)

通過調(diào)整αinc和a的數(shù)值,可以調(diào)整檢測(cè)出閃爍點(diǎn)的閃爍頻率。對(duì)于αinc和a參數(shù)的選取，由于真實(shí)前景也會(huì)短時(shí)間在前景與背景間多次變化，比如在ChangeDetection 2012數(shù)據(jù)集[14]中，行人的腿部運(yùn)動(dòng)呈現(xiàn)出短期的周期性變化，因此設(shè)置αinc與a均為理論值10，可以縮減閃爍因子占用的位寬，節(jié)省存儲(chǔ)資源。同時(shí)，可以區(qū)分前景的短時(shí)間周期性變化和長(zhǎng)時(shí)間的周期變化，從而判斷檢測(cè)出的前景區(qū)域是否是由于抖動(dòng)造成的虛假前景，最終消除抖動(dòng)的影響。

2.3 去除噪點(diǎn)

一幀圖像的所有像素點(diǎn)通過本文算法處理后，會(huì)生成一個(gè)二值圖像，稱為MASK圖。假設(shè)0代表背景，1代表前景，攝像頭采集的視頻圖像會(huì)受到噪聲的干擾，在MASK圖上會(huì)產(chǎn)生數(shù)值為1的噪點(diǎn)。盡管2.1節(jié)和2.2節(jié)的改進(jìn)方法使大部分虛假前景點(diǎn)去除，但是仍會(huì)由與計(jì)算誤差而產(chǎn)生這種噪點(diǎn)。本文采用的處理方式能夠快速去除微小的噪點(diǎn)，并提高目標(biāo)提取的完整性和準(zhǔn)確率。

具體的步驟為：

Step1形態(tài)學(xué)閉操作。由于算法少概率的誤判，會(huì)將部分真實(shí)前景區(qū)域分散成一些距離很近，并且相互孤立的點(diǎn)，因此通過形態(tài)學(xué)閉操作將這些點(diǎn)連接形成前景塊，對(duì)于處理后仍然孤立的前景點(diǎn)則認(rèn)為是噪點(diǎn)，可以通過濾波去除。

Step2濾波。濾波的作用是去除上述噪點(diǎn)，具體方法是分別統(tǒng)計(jì)像素點(diǎn)的8鄰域內(nèi)值為0和1的像素點(diǎn)的個(gè)數(shù)：cnt0，cnt1。cnt0和cnt1分別表示鄰域內(nèi)值為0和1像素點(diǎn)的個(gè)數(shù)，當(dāng)cnt0大于閾值T0時(shí)，將當(dāng)前像素點(diǎn)的值置0；當(dāng)cnt1大于閾值T1時(shí)，將當(dāng)前像素點(diǎn)的值置1。由于小閾值容易形成誤判，大閾值則使濾波效果不明顯，因此T0、T1均取值為5。

Step3形態(tài)學(xué)開操作。形態(tài)學(xué)開操作的可以平滑圖像，可以達(dá)到更好的去噪效果，進(jìn)一步提升目標(biāo)檢測(cè)的準(zhǔn)確率。

3 實(shí)驗(yàn)結(jié)果與分析

本文算法的運(yùn)行的處理器型號(hào)是Intel Pentium G3260，主頻3.30 GHz，內(nèi)存大小為4 GB，使用C++和OpenCV函數(shù)庫(kù)實(shí)現(xiàn)算法。

原算法的參數(shù)設(shè)置[2]：背景樣本大小N=20，分類閾值R=20，匹配閾值#min=2，更新因子φ=16。改進(jìn)算法的參數(shù)選取由第2節(jié)確定:鬼影閾值TCNT=2；閃爍因子閾值參數(shù)：αinc=10，a=10；去噪?yún)?shù)：T0=T1=5。

下面是算法在ChangeDetection 2012數(shù)據(jù)庫(kù)[14]中的測(cè)試結(jié)果，并將本文算法與原ViBe算法和其他主流算法進(jìn)行比較與分析。由于本文解決的是鬼影、抖動(dòng)和動(dòng)態(tài)背景的問題，因此我們主要測(cè)試的是數(shù)據(jù)庫(kù)中的baseline、camera jitter、dynamic background數(shù)據(jù)集。數(shù)據(jù)庫(kù)中含有大量算法的測(cè)試結(jié)果，是一個(gè)目標(biāo)檢測(cè)領(lǐng)域較權(quán)威的數(shù)據(jù)庫(kù)。

3.1 鬼影消除

本文選用的是ChangeDetection 2012數(shù)據(jù)庫(kù)中pedestrians視頻序列，對(duì)比測(cè)試的方法是：使用視頻中包含運(yùn)動(dòng)目標(biāo)的一幀圖像創(chuàng)建初始背景集合，使得處理結(jié)果包含鬼影，然后分別通過本文算法和ViBe算法對(duì)后續(xù)圖像進(jìn)行處理，記錄鬼影完全消失所需的幀數(shù)。鬼影處理效果，如圖5所示，其中：(a)是原圖像；(b)是樣本集參考圖像；(c)是原ViBe算法效果圖；(d)是本文改進(jìn)算法效果圖。

(a) frame (b) ground

(c) ViBe (d) 本文算法圖5 鬼影消除效果

圖5(c)(d)是在鬼影出現(xiàn)后第21幀的結(jié)果，可以看出本文的改進(jìn)算法已經(jīng)被消除，相比之下，ViBe算法此時(shí)依然有很明顯的鬼影。由于本文消除鬼影的方法不依賴于創(chuàng)建的初始背景模型[4-6]，因此可以消除背景突然運(yùn)動(dòng)而產(chǎn)生的鬼影。

表2列出本文算法與ViBe算法、文獻(xiàn)[10]的改進(jìn)算法在pedestrians、Traffic和Highway視頻中鬼影消除所需的幀數(shù)的比較，鬼影出現(xiàn)的時(shí)間分別是341幀、1幀、343幀。在三個(gè)數(shù)據(jù)集中，本文算法消除鬼影需要的時(shí)間約是ViBe算法的1/5；是文獻(xiàn)[10]算法的1/2。從實(shí)驗(yàn)結(jié)果可以看出，本文算法可以更快速地消除鬼影。

表2 鬼影消除所需幀數(shù)比較

3.2 抖動(dòng)與動(dòng)態(tài)背景處理

如圖6所示，從第一列到第三列依次是數(shù)據(jù)集中三個(gè)比較有代表性的視頻：traffic、badminton、fountain02。前兩個(gè)視頻是抖動(dòng)的視頻，最后一個(gè)是動(dòng)態(tài)背景的視頻。圖6中，(a)是原始圖像，(b)是參考MASK圖，(c)是原ViBe算法，(d)是GMM算法[15]的結(jié)果，(e)是MBS(Multimode Background Subtraction)[16]算法的結(jié)果，(f)是本文算法的結(jié)果。GMM算法是一種經(jīng)典的目標(biāo)提取算法；MBS是在ChangeDetection 2012數(shù)據(jù)庫(kù)上最新的、效果較好的算法?？梢钥吹?，ViBe算法有很多虛假前景區(qū)域，誤判率很高；traffic、badminton視頻中GMM和MBS算法的仍然存在抖動(dòng)引起的虛假前景，并且前景提取不完整；本文提出的算法基本將虛假前景去除，提取的前景較完整。對(duì)于動(dòng)態(tài)目標(biāo)數(shù)據(jù)集fountain02，雖然測(cè)試的算法都能去除虛假前景，但是GMM和MBS有較大空洞，相比之下本文算法對(duì)前景有更好的提取，保持了真實(shí)前景的形狀。

(a) frame

(b) ground

(c) ViBe[2]

(d) GMM[15]

(e) MBS[16]

(f) 本文算法圖6 算法效果對(duì)比圖

3.3 指標(biāo)評(píng)估

本節(jié)將對(duì)算法的準(zhǔn)確率(precision)、召回率(recall)、F-Measure和運(yùn)算時(shí)間進(jìn)行評(píng)估[1]，計(jì)算公式如下：

(10)

(11)

(12)

式中：TP表示前景像素被正確分類的個(gè)數(shù);FP表示背景像素被錯(cuò)誤分類為前景像素的個(gè)數(shù);FN表示前景像素被錯(cuò)誤分類為背景像素的個(gè)數(shù);TN表示背景像素點(diǎn)被正確分類的個(gè)數(shù)。F-measure指標(biāo)綜合考慮了precision和recall的結(jié)果，反映了總體效果，這三個(gè)指標(biāo)的數(shù)值越大越好。下面簡(jiǎn)稱準(zhǔn)確率為P、召回率為R、F-Measure為F，時(shí)間為T。

選用pedestrian、traffic、fountain02和badminton視頻序列，其中traffic和badminton是抖動(dòng)視頻，fountain02是動(dòng)態(tài)背景的視頻。選擇上述視頻中有參考圖像的序列，約2 400幀，將算法結(jié)果生成的每張二值圖與參考圖像逐點(diǎn)進(jìn)行比較，計(jì)算每張圖片的P、R和F值，取均值作為最后的總P、R和F值，最后分別與其他流行算法進(jìn)行比較。

表3列出GMM、MBS算法和原ViBe算法與本文算法的對(duì)比結(jié)果?？梢钥闯霰疚奶岢龅乃惴ㄔ跍?zhǔn)確率上有較大的提升。對(duì)于基礎(chǔ)數(shù)據(jù)集pedestrians，由于沒有抖動(dòng)和動(dòng)態(tài)背景的影響，所有算法的結(jié)果均比較理想，本文算法的F-measure仍然要高于其他算法，對(duì)于抖動(dòng)的處理，traffic數(shù)據(jù)集的準(zhǔn)確率和F-measure高于其他算法至少10%。對(duì)于badminton數(shù)據(jù)集，由于本文算法召回率偏低，使得MBS算法略微優(yōu)于本文算法，但是本文準(zhǔn)確率指標(biāo)較好，同時(shí)MBS的運(yùn)算時(shí)間約是本文算法的10倍。

表3 算法指標(biāo)

續(xù)表3

表3還列出了各個(gè)算法的運(yùn)行時(shí)間，其中ViBe算法最快。由于本文算法是基于ViBe算法的改進(jìn)，加入了新的處理機(jī)制，使得運(yùn)算復(fù)雜度增加，但是綜合運(yùn)算速度和性能，本文算法相比其他算法有較大的提升。

4 結(jié) 語

本文提出一種基于ViBe算法的改進(jìn)目標(biāo)檢測(cè)算法，包含了背景值定向傳播與計(jì)算閃爍因子的方法，并對(duì)MASK圖像進(jìn)行去噪處理。使用C++完整實(shí)現(xiàn)算法功能，通過在目標(biāo)檢測(cè)常用數(shù)據(jù)集上進(jìn)行測(cè)試，結(jié)果表明，算法可以快速消除鬼影，同時(shí)在視頻抖動(dòng)和動(dòng)態(tài)背景等復(fù)雜情境下，可準(zhǔn)確地進(jìn)行目標(biāo)檢測(cè)，在保持較高運(yùn)算速度的情況下，準(zhǔn)確率高于部分主流算法。改進(jìn)后的算法可以進(jìn)一步應(yīng)用到計(jì)算機(jī)視覺領(lǐng)域，并普遍適用于視頻監(jiān)控、智能家居等真實(shí)情景。