樂應(yīng)英

(玉溪師范學(xué)院 數(shù)學(xué)與信息技術(shù)學(xué)院，云南 玉溪 653100)

前景目標(biāo)檢測(cè)算法需要從視頻序列中，檢測(cè)出運(yùn)動(dòng)目標(biāo)，并實(shí)現(xiàn)前景像素分割，為后續(xù)目標(biāo)跟蹤、行為識(shí)別、姿態(tài)識(shí)別等高級(jí)任務(wù)提供魯棒、穩(wěn)定的前期處理結(jié)果[1].VIBE算法是一種基于背景減除的前景目標(biāo)檢測(cè)算法.基于背景減除的前景目標(biāo)檢測(cè)算法首先通過統(tǒng)計(jì)學(xué)相關(guān)理論建立一個(gè)背景模型，再利用當(dāng)前輸入幀與背景模型進(jìn)行差分，根據(jù)閾值實(shí)現(xiàn)對(duì)前景目標(biāo)與背景像素的分類.背景減除法的關(guān)鍵在于背景模型的建立以及更新[2].

建立背景模型最簡(jiǎn)單的思路就是直接捕獲一幅不包含任何前景目標(biāo)的純凈的背景圖像，然而在實(shí)際監(jiān)控場(chǎng)景中存在各種干擾因素，要獲取這樣干凈的背景圖像是很難實(shí)現(xiàn)的，因此研究人員提出了各種背景建模方法，其中，VIBE算法是效果相對(duì)較好的.

圖1 數(shù)枝擾動(dòng)帶來的背景建模干擾

但是，當(dāng)背景中存在樹枝隨風(fēng)飄動(dòng)等輕微背景擾動(dòng)時(shí)，由于樹枝所處區(qū)域頻繁的像素變化(給定線上像素值在60幀內(nèi)的變化)，如圖1所示，VIBE算法的檢測(cè)結(jié)果會(huì)出現(xiàn)大面積的噪聲.為了解決這個(gè)問題，本文提出改進(jìn)的VIBE算法,結(jié)合了密集光流特征，消除了樹枝擾動(dòng)對(duì)背景建模的干擾，實(shí)驗(yàn)結(jié)果表明，改進(jìn)算法能在具有樹枝擾動(dòng)的動(dòng)態(tài)背景下，相較于傳統(tǒng)VIBE算法，實(shí)現(xiàn)了更加準(zhǔn)確、魯棒前景目標(biāo)的檢測(cè)和定位.

1 傳統(tǒng)VIBE算法

VIBE算法是典型的基于背景減除的前景目標(biāo)檢測(cè)算法，是一種像素級(jí)視頻背景建模和前景檢測(cè)的算法，效果優(yōu)于GMM[3]和Code book[4]，對(duì)硬件內(nèi)存占用也少.Vibe把物體檢測(cè)看成一個(gè)二分類問題，問題的關(guān)鍵是確定一個(gè)像素點(diǎn)是否屬于背景點(diǎn)，其包括以下幾個(gè)基本步驟：

圖2 基于背景減除的VIBE算法基本流程

模型表示在ViBe模型中，背景模型為每個(gè)背景點(diǎn)存儲(chǔ)了一個(gè)樣本集，記p(x)：x點(diǎn)處的像素值；M(x)={V1,V2,…,VN}為x處的背景樣本集(樣本集大小為N).

背景初始化ViBe的初始化利用單幀視頻序列初始化背景模型，對(duì)于一個(gè)像素點(diǎn)，結(jié)合相鄰像素點(diǎn)擁有相近像素值的空間分布特性，隨機(jī)的選擇它的鄰居點(diǎn)的像素值作為它的模型樣本值.M0(x) = {v0(y|y∈NG(x))},t=0初始時(shí)刻，NG(x)即為鄰居點(diǎn) .這種初始化方法優(yōu)點(diǎn)是對(duì)于噪聲的反應(yīng)比較靈敏，計(jì)算量小速度快，缺點(diǎn)是引入了拖影(Ghost)區(qū)域.

前景目標(biāo)檢測(cè)計(jì)算新像素值和樣本集中每個(gè)樣本值的距離，若距離小于閾值，則近似樣本點(diǎn)數(shù)目增加，如圖1所示，SR(p(x))是以x為中心R為半徑的區(qū)域.如果近似樣本點(diǎn)數(shù)目大于閾值，則認(rèn)為新的像素點(diǎn)為背景，如公式1所示，涉及3個(gè)參數(shù)：樣本集數(shù)目N，閾值m和距離相近判定的閾值R，如圖4所示，如果滿足公式1,那么就認(rèn)為x點(diǎn)屬于背景點(diǎn).

M(x)=[{SR(P(x))∩{V1,V2,…,VN}}]>m

(1)

圖3 8鄰域采樣改為12鄰域采樣 圖4 判定當(dāng)前像素與樣本的距離

背景更新VIBE算法采用保守的更新策略和前景點(diǎn)計(jì)數(shù)方法，即只能由背景像素進(jìn)行更新，前景像素不能參與更新，同時(shí)，如果某個(gè)像素點(diǎn)連續(xù)N次被檢測(cè)為前景，則將其更新為背景點(diǎn)，如停在停車場(chǎng)的車，可以轉(zhuǎn)換為背景.在選擇替換樣本值時(shí)，隨機(jī)選取一個(gè)樣本值進(jìn)行更新，這樣可以保證樣本值的平滑的生命周期.每一個(gè)背景點(diǎn)可以更新自己的模型樣本值和它的鄰居點(diǎn)的模型樣本值，更新鄰居的樣本值利用了像素值的空間傳播特性，背景模型逐漸向外擴(kuò)散，這也有利于Ghost區(qū)域的更快的識(shí)別.

2 改進(jìn)VIBE算法框架

針對(duì)傳統(tǒng)VIBE算法在樹枝擾動(dòng)下出現(xiàn)的噪聲問題，本文對(duì)其進(jìn)行了3大改進(jìn)：算法的流程圖如圖5所示：

圖5 改進(jìn)VIBE算法流程圖

改進(jìn)1 增大樣本采集范圍.由于樹枝擾動(dòng)屬于頻繁、小范圍的背景干擾，所以，增大樣本采集的范圍，把傳統(tǒng)的8鄰域隨機(jī)采樣改為16鄰域，如圖3所示，這樣一來，16鄰域內(nèi)的像素值可以進(jìn)入背景模型，樹枝飄動(dòng)時(shí)相同位置的新像素值很可能是其領(lǐng)域內(nèi)的像素值T，增加采樣鄰域會(huì)使得T進(jìn)入背景樣本的概率更高，減少了前景誤判，提高了算法準(zhǔn)確度.

改進(jìn)2 引入稠密光流，用計(jì)算出的運(yùn)動(dòng)幅度和方向過濾樹枝擾動(dòng)帶來的噪聲.使用基于Gunner_Farneback的算法計(jì)算稠密光流.結(jié)果是一個(gè)帶有光流向量(u，v)的雙通道數(shù)組.通過計(jì)算我們能得到光流的大小和方向，使用顏色對(duì)結(jié)果進(jìn)行編碼以便于更好的觀察.方向?qū)?yīng)于H(Hue)通道，大小對(duì)應(yīng)于V(Value)通道，可以得到光流可視化效果，如圖6所示，提取到了前景目標(biāo)信息.

改進(jìn)3 采用Otsu二值化方法，傳統(tǒng)的VIBE使用全局閾值,就是隨便給一個(gè)數(shù)來做閾值，那么選取最優(yōu)數(shù)的方法就是不停的嘗試.如果是一副雙峰圖像(簡(jiǎn)單來說雙峰圖像是指圖像直方圖中存在兩個(gè)峰)，就會(huì)給檢測(cè)結(jié)果帶來誤差或者錯(cuò)誤，而Otsu二值化可以對(duì)一副雙峰圖像自動(dòng)根據(jù)其直方圖計(jì)算出一個(gè)閾值，分割結(jié)果更佳，如圖7所示：

圖6 稠密光流結(jié)果可視化 圖7 Otsu與全局二值化對(duì)比

3 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)在數(shù)據(jù)集CDnet2012和CDnet2014[5,6]上進(jìn)行，分別發(fā)布在CVPR 2012和2014年的變化檢測(cè)專場(chǎng)會(huì)議上(Change Detection Workshop)，是近幾年前景目標(biāo)檢測(cè)領(lǐng)域最常用的評(píng)測(cè)數(shù)據(jù)集.算法主要解決樹枝樹葉擾動(dòng)背景下的前景目標(biāo)檢測(cè)問題，故實(shí)驗(yàn)選用數(shù)據(jù)集中的Baseline類別里的highway視頻流，該視頻里公路旁的樹枝擾動(dòng)頻繁，非常適合測(cè)試改進(jìn)的VIBE算法.在同一數(shù)據(jù)集上對(duì)GMM、傳統(tǒng)VIBE和改進(jìn)VIBE算法進(jìn)行對(duì)比實(shí)驗(yàn)，參數(shù)設(shè)置為N=20，m=2，R=20，對(duì)比結(jié)果如圖8～圖10所示：

92幀 312幀 833幀

圖8 傳統(tǒng)VIBE算法

圖9 GMM算法

圖10 改進(jìn)VIBE算法

由上圖可知，GMM算法對(duì)背景的抗干擾能力最弱，在312幀時(shí)效果很差，前景分割結(jié)果中噪聲最多，傳統(tǒng)VIBE雖然對(duì)樹枝擾動(dòng)有一定的魯棒性，但是，還是存在少量的噪聲，通過增加采樣鄰域、引入稠密光流和Otsu二值化方法，改進(jìn)后的VIBE算法消除了樹枝擾動(dòng)對(duì)背景建模的干擾，在具有樹枝擾動(dòng)的動(dòng)態(tài)背景下，相較于傳統(tǒng)VIBE算法和GMM算法，實(shí)現(xiàn)了更加準(zhǔn)確、魯棒的前景目標(biāo)的檢測(cè)和定位.