陳金戈, 龍 偉, 李炎炎, 俞曉紅, 杜玉龍

(四川大學(xué)機(jī)械工程學(xué)院， 成都 610065)

1 引 言

運(yùn)動(dòng)目標(biāo)檢測(cè)是計(jì)算機(jī)視覺中一項(xiàng)關(guān)鍵的預(yù)處理技術(shù)，為后續(xù)目標(biāo)跟蹤識(shí)別、動(dòng)作行為分析等其他應(yīng)用提供基礎(chǔ).傳統(tǒng)的目標(biāo)檢測(cè)算法有：幀間差分法[1]、光流法[2]和背景減除法[3]、尺度不變特征變換[4]等.背景減除法是目前最常用的目標(biāo)檢測(cè)方法，其基本原理是通過建立背景模型，利用當(dāng)前幀與其背景模型對(duì)比來確定前景目標(biāo)[5].其中背景減除法所需要解決的關(guān)鍵問題是背景建模及其更新.常用的背景建模方式有：?jiǎn)胃咚狗植寄Ｐ?single Gaussian model) 、混合高斯分布模型(Mixture of Gaussian, MOG)與Kalman濾波器 (Kalman filter)模型[6]等.單高斯分布模型與混合高斯分布模型計(jì)算復(fù)雜度高，且模型參數(shù)對(duì)背景提取影響很大, 缺乏魯棒性.Kalman濾波器方法進(jìn)行背景建模時(shí)，在目標(biāo)運(yùn)動(dòng)緩慢情況下，背景模型會(huì)出現(xiàn)拖影的現(xiàn)象.

針對(duì)傳統(tǒng)背景建模算法存在的問題，Olivier Barnich 2009年提出了視覺背景提取模型[7](Visual Background extractor)建模方法.該方法的創(chuàng)新之處在于將隨機(jī)機(jī)制應(yīng)用到了背景模型的建立和更新上，使得背景模型更符合實(shí)際分布規(guī)律，而且該方法不需要假定任何的概率模型，所以檢測(cè)精度高，實(shí)時(shí)性較好，內(nèi)存占用少.然而ViBe算法也存在著一些問題，首先該算法利用視頻序列的第一幀完成背景建模，雖然響應(yīng)速度快，能夠完成實(shí)時(shí)性的需求，但是當(dāng)?shù)谝粠瑘D像包含運(yùn)動(dòng)物體時(shí)，該算法會(huì)將相應(yīng)區(qū)域的背景誤判斷為前景，形成鬼影現(xiàn)象影響目標(biāo)檢測(cè)的準(zhǔn)確性.其次，因?yàn)樵撍惴ǖ目臻g隨機(jī)傳播機(jī)制，緩慢運(yùn)動(dòng)的物體會(huì)融入背景庫，產(chǎn)生侵蝕現(xiàn)象，造成檢測(cè)的目標(biāo)不完整.

針對(duì)出現(xiàn)的鬼影現(xiàn)象，文獻(xiàn)[8]提出了一種動(dòng)態(tài)閾值的改進(jìn)算法, 使用大津算法計(jì)算每幀圖像的分割閾值, 再對(duì)鬼影像素點(diǎn)進(jìn)行判別,但當(dāng)前景與背景的方差較小時(shí)，圖像處理效果不佳.文獻(xiàn)[9]通過比較直方圖分布和像素變化率判斷前景目標(biāo)的目標(biāo)相似性, 從而檢測(cè)鬼影，但是其運(yùn)算效率較低，不能保證監(jiān)控系統(tǒng)的實(shí)時(shí)性需求.文獻(xiàn)[10]提出了使用前n幀進(jìn)行背景初始化的方法，雖然能有效去除鬼影，但是并不能使程序一開始就進(jìn)行目標(biāo)檢測(cè).

本文提出的改進(jìn)方法能夠在一定場(chǎng)景下抑制鬼影的出現(xiàn)，并且針對(duì)緩慢運(yùn)動(dòng)的目標(biāo)也能保證較高的檢測(cè)準(zhǔn)確率.

2 ViBe算法

ViBe 算法是一種像素級(jí)別的視頻前景提取算法，每個(gè)像素都建立一個(gè)包含N個(gè)樣本的背景模型，前景的提取是用當(dāng)前幀中的像素與像素對(duì)應(yīng)的背景模型進(jìn)行比較來確定.該算法主要步驟分為3個(gè): 模型初始化、前景檢測(cè)和模型更新.

2.1 模型初始化

由于第一幀圖像沒有可用的時(shí)間信息，可以被用來進(jìn)行背景模型的初始化填充：對(duì)于每個(gè)像素點(diǎn)，隨機(jī)選取它及其空間鄰域的共N個(gè)值來建立N個(gè)樣本模型，這樣從第二幀圖像開始就能進(jìn)行前景目標(biāo)檢測(cè).

2.2 前景檢測(cè)

由于背景模型為每個(gè)背景點(diǎn)存儲(chǔ)了N個(gè)樣本模型，計(jì)算當(dāng)前像素值和樣本模型中每個(gè)樣本值的歐式距離，如果距離小于相似度閾值，則近似樣本點(diǎn)數(shù)增加.當(dāng)近似樣本點(diǎn)數(shù)大于匹配數(shù)目閾值，則認(rèn)為當(dāng)前素點(diǎn)為背景.否則判斷當(dāng)前像素點(diǎn)為前景.當(dāng)前像素是否為被判斷為背景主要由樣本模型數(shù)目N，匹配數(shù)目閾值#min和相似度閾值R決定.根據(jù)經(jīng)驗(yàn)一般取:N=20，#min=2，R=20.

2.3 模型的更新策略

為了能隨時(shí)間的推移獲得準(zhǔn)確的檢測(cè)結(jié)果并處理場(chǎng)景中出現(xiàn)的新對(duì)象，背景模型的更新就顯得尤為重要.ViBe 算法的更新策略與傳統(tǒng)的先進(jìn)先出的更新策略不同，因?yàn)楫?dāng)背景圖像經(jīng)過掩膜處理過后，便不再需要像素點(diǎn)的時(shí)間信息，所以從理論上說，背景樣本模型中的每個(gè)像素點(diǎn)的生命周期最好能呈單調(diào)衰減的趨勢(shì).ViBe算法通過隨機(jī)選擇更新樣本模型時(shí)要替換的樣本來實(shí)現(xiàn)這個(gè)目的.一旦選擇了要被替代的樣本，新值將與之替換.ViBe算法使用了“隨機(jī)子采樣策略”的方法來更新像素點(diǎn).即當(dāng)一個(gè)像素點(diǎn)被判別為背景時(shí)，它有 1 /φ的概率更新背景模型樣本模型，在對(duì)應(yīng)背景模型中隨機(jī)選擇一個(gè)樣本用這個(gè)像素進(jìn)行更新.為保證樣本的空間一致性，同時(shí)也有1/φ的概率去更新它的鄰域點(diǎn)的背景模型樣本值，方法也是在它的鄰域點(diǎn)的背景模型中隨機(jī)地選擇一個(gè)樣本，用它的鄰域點(diǎn)的像素值進(jìn)行更新.其中φ的默認(rèn)值為16.

3 改進(jìn)的ViBe算法

本文提出的ViBe改進(jìn)算法引入了基于迭代自組織分析算法閾值分割的鬼影抑制以及基于邊緣特征延長緩慢目標(biāo)融入背景樣本模型.本文算法鬼影抑制引入Ridler[11]提出的迭代自組織分析算法(ISODATA).通過ISODATA算法計(jì)算當(dāng)前幀的最佳分割閾值，在ViBe算法判別的基礎(chǔ)上，對(duì)前景像素點(diǎn)進(jìn)行二次判別，來抑制鬼影的出現(xiàn).對(duì)于緩慢融入背景樣本模型的對(duì)象，通過計(jì)算圖像的邊緣特征來改進(jìn)ViBe算法空間隨機(jī)傳播機(jī)制，解決算法對(duì)緩慢移動(dòng)的目標(biāo)檢測(cè)不完整問題.最后通過形態(tài)學(xué)處理完成對(duì)目標(biāo)的檢測(cè).

3.1 基于ISODATA算法的鬼影抑制

已被判定為背景的目標(biāo)突然發(fā)生移動(dòng)就會(huì)導(dǎo)致鬼影的出現(xiàn).通常抑制鬼影的方法有兩種：(1) 優(yōu)化背景模型的建立；(2) 監(jiān)測(cè)出鬼影的位置，進(jìn)而實(shí)現(xiàn)鬼影的抑制.本文基于后者的思想實(shí)現(xiàn)鬼影的抑制.ISODATA算法計(jì)算簡(jiǎn)單，計(jì)算速度快，大約四次迭代就能得到最佳分割閾值，而且對(duì)于一些模糊的邊界也有較好的分割效果.鬼影抑制過程如下：

圖1 假定檢測(cè)目標(biāo)Fig.1 Assumed detection target

(a) 計(jì)算當(dāng)前幀的最佳分割閾值.首先假定圖像的四個(gè)角僅包含背景而剩余部分則是檢測(cè)目標(biāo)，如圖1所示，該圖作為初始閾值分割模板,黑色部分為背景，白色部分為檢測(cè)目標(biāo).將此模板作為檢測(cè)函數(shù)將圖像分割為背景區(qū)域和目標(biāo)區(qū)域，然后計(jì)算背景區(qū)域的像素平均值A(chǔ)b以及目標(biāo)區(qū)域的像素平均值A(chǔ)o.這時(shí)閾值T0如公式(1)所示.然后使用閾值T0對(duì)圖像進(jìn)行分割，從而獲得圖像的背景區(qū)域與目標(biāo)區(qū)域.重復(fù)上述過程，直到獲取最佳閾值Tk.

(1)

(b) 鬼影的判別.求取被ViBe算法判斷為目標(biāo)點(diǎn)的每個(gè)像素點(diǎn)于樣本模型中的灰度像素平均值，與閾值Tk比較，如果當(dāng)前點(diǎn)的灰度像素平均值小于閾值Tk且當(dāng)前點(diǎn)的灰度值大于最佳閾值Tk，則就認(rèn)為該目標(biāo)點(diǎn)為背景點(diǎn).然后更新該點(diǎn)的背景模型，此時(shí)鬼影區(qū)域就能有效地被去除，使得后續(xù)的檢測(cè)過程更加精準(zhǔn).

3.2 邊緣傳播抑制

因?yàn)閂iBe算法的隨機(jī)空間傳播機(jī)制，緩慢運(yùn)動(dòng)的檢測(cè)目標(biāo)會(huì)加速融入背景樣本模型，從而導(dǎo)致檢測(cè)目標(biāo)的不完整.針對(duì)這一情況，本文提出一種延長慢速移動(dòng)目標(biāo)融入背景樣本模型的方法.在傳統(tǒng)ViBe算法中，當(dāng)一個(gè)像素點(diǎn)被判斷為背景點(diǎn)時(shí)，其8鄰域中的像素點(diǎn)也有一定概率被判斷為背景點(diǎn)，這一特點(diǎn)讓緩慢移動(dòng)的目標(biāo)加速融入背景樣本模型.由于被檢測(cè)目標(biāo)一般都含有明顯的邊緣特征，所以通過尋找圖片的邊緣特征，在更新背景點(diǎn)的時(shí)候如果該點(diǎn)是邊緣點(diǎn)則跳過該點(diǎn)的鄰域更新，通過這樣的操作可以延長緩慢移動(dòng)目標(biāo)在前景停留的時(shí)間.

Canny算法與其他邊緣檢測(cè)算法相比，其邊緣檢測(cè)更為嚴(yán)格.Canny算法提出邊緣檢測(cè)標(biāo)準(zhǔn)[12]：(1) 好的信噪比；(2) 高的定位精度；(3) 單邊緣響應(yīng).根據(jù)以上三個(gè)準(zhǔn)則，Canny算法推導(dǎo)出最優(yōu)邊緣檢測(cè)算子的一個(gè)近似實(shí)現(xiàn)，即邊界點(diǎn)位于圖像被高斯函數(shù)平滑后的梯度幅度極大值點(diǎn)上.由于傳統(tǒng)Canny算子的高低閾值是人為確定的，不具有一般適用性.本算法首先運(yùn)用Otsu算法[13]確定Canny算子的高閾值，再用此高閾值乘以比例因子σ求得算子的低閾值，σ的值為0.5.通過邊緣傳播抑制能延長緩慢移動(dòng)目標(biāo)融入背景樣本模型的時(shí)間.

最后,經(jīng)過形態(tài)學(xué)圖像處理，清除檢測(cè)時(shí)出現(xiàn)的孔洞以及一些輕微閃爍點(diǎn).算法流程圖如圖2所示.

圖2 算法流程圖Fig.2 Algorithm flowchart

4 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文算法對(duì)鬼影的抑制效果，以及延長緩慢運(yùn)動(dòng)目標(biāo)融入背景時(shí)間，本文主要采用兩組測(cè)試視頻.第一組采用的是Change Detection數(shù)據(jù)集[14]中的Highway視頻序列.第二組采用的是Change Detection數(shù)據(jù)集中的office視頻序列.運(yùn)行環(huán)境為：Win10 64位操作系統(tǒng)；處理器為：Intel?Corei7-7600U CPU；內(nèi)存 16.00 GB.使用VS 2017、OpenCV 3.4.2編寫算法.

4.1 鬼影的抑制

本組實(shí)驗(yàn)選取Highway 視頻序列第601幀為初始幀.如圖所示，圖a)為第635幀原圖，圖b)為ViBe算法檢測(cè)圖，圖中有明顯的鬼影殘留，圖c)為本文改進(jìn)算法，可以明顯看出鬼影已經(jīng)消失, 圖d)為真實(shí)的前景.然而ViBe算法鬼影的消失在第680幀左右，本文算法有明顯的鬼影消除能力.

a)視頻第635幀

b)ViBe算法

c)本文算法

d)真實(shí)前景

圖3 鬼影抑制結(jié)果

Fig.3 Shadow removal result

4.2 緩慢運(yùn)動(dòng)目標(biāo)檢測(cè)

本組實(shí)驗(yàn)選取office視頻序列，對(duì)比檢測(cè)緩慢運(yùn)動(dòng)目標(biāo)延長融入背景的情況.視頻中人物站立在原地取書，身體的絕大部分處于靜止?fàn)顟B(tài).圖a)為第720幀原圖，圖b)為ViBe算法檢測(cè)圖，因?yàn)闄z

a) 視頻第720幀

b)ViBe算法

c) 本文算法

d)真實(shí)前景

圖4 邊緣抑制結(jié)果

Fig.4 Edge propagation suppress result

測(cè)目標(biāo)停留在原地，已經(jīng)有部分顯示不完整，圖c)為本文改進(jìn)算法，圖d)為真實(shí)的前景，可以看出檢測(cè)目標(biāo)與傳統(tǒng)ViBe算法相比較為完整.

為進(jìn)一步驗(yàn)證本文算法，本文借鑒文獻(xiàn)[15]定義的目標(biāo)檢測(cè)率：

(2)

圖5 Highway視頻序列檢測(cè)結(jié)果Fig.5 Result of Highway video

圖6 Office視頻序列檢測(cè)結(jié)果Fig.6 Result of Office video

Highway視頻序列有鬼影的出現(xiàn)，所以一開始檢測(cè)率較低，但是由于本文的二次鬼影檢測(cè)，所以相比于傳統(tǒng)ViBe算法，更快獲得了較高的檢測(cè)率.Office視頻序列較為簡(jiǎn)單，只有一個(gè)運(yùn)動(dòng)目標(biāo)，可以從視頻序列檢測(cè)曲線中看出改進(jìn)ViBe算法的檢測(cè)率下降的時(shí)間點(diǎn)在傳統(tǒng)ViBe算法之后，使緩慢移動(dòng)目標(biāo)融入背景的時(shí)間變得更長，檢測(cè)效果更好.實(shí)驗(yàn)說明本文提出的算法能夠快速地提高目標(biāo)檢測(cè)的準(zhǔn)確率，同時(shí)對(duì)于緩慢移動(dòng)的目標(biāo)也能在一定時(shí)間內(nèi)保持較高的檢測(cè)準(zhǔn)確率.

ViBe算法是目前流行的目標(biāo)檢測(cè)算法，但是由于其背景初始化的特殊性容易出現(xiàn)鬼影現(xiàn)象，并且由于ViBe算法的空間隨機(jī)傳播機(jī)制，緩慢移動(dòng)的目標(biāo)會(huì)加速融入背景樣本模型.針對(duì)上述問題，本文提出一種基于迭代自組織分析算法的閾值分割來進(jìn)行鬼影抑制，并且根據(jù)圖像的邊緣特征改進(jìn)ViBe算法的空間隨機(jī)傳播機(jī)制，使得算法能夠延長緩慢移動(dòng)目標(biāo)融入背景的時(shí)間.通過兩組不同的視頻序列進(jìn)行實(shí)驗(yàn)驗(yàn)證，結(jié)果表明，本文的改進(jìn)算法能有效地加快鬼影的消除，并且推遲緩慢運(yùn)動(dòng)目標(biāo)融入背景樣本模型，使識(shí)別準(zhǔn)確率下降的時(shí)間向后延長，保持了算法較高的識(shí)別準(zhǔn)確率.