尹芳，孟迪，李驁

摘要：針對(duì)ViBe算法對(duì)光照突變不敏感以及由于背景存在大量高頻擾動(dòng)對(duì)象而被誤檢為前景的問(wèn)題，在經(jīng)典ViBe算法的基礎(chǔ)上提出了改進(jìn)方法。采用分離視頻幀HSV空間中V分量均值作為判斷光照突變的方法，由實(shí)驗(yàn)得到判斷光照突變的閾值Δω=01作為判別條件，若光照發(fā)生突變則采用突變平穩(wěn)后的視頻幀作為初始幀重新建模，以此解決光照突變問(wèn)題，由于算法初始建模時(shí)存在運(yùn)動(dòng)目標(biāo)會(huì)產(chǎn)生“鬼影”的情況，采用連續(xù)兩幀差分背景模型的方法去除“鬼影”，并提出判斷擾動(dòng)強(qiáng)弱情況的擾動(dòng)強(qiáng)度因子概念，根據(jù)擾動(dòng)強(qiáng)度因子強(qiáng)弱程度，動(dòng)態(tài)的改變背景建模時(shí)匹配半徑的大小。實(shí)驗(yàn)表明，改進(jìn)ViBe算法在光照突變和背景高頻擾動(dòng)情況下比原算法的誤檢率平均降低6%左右，且能夠達(dá)到實(shí)時(shí)檢測(cè)的效果。

關(guān)鍵詞：運(yùn)動(dòng)目標(biāo)檢測(cè);背景建模;ViBe;光照突變;高頻擾動(dòng)

DOI：10.15938/j.jhust.2022.01.004

中圖分類號(hào)： TP3914? ? ? 文獻(xiàn)標(biāo)志碼： A? ? ? ? ?文章編號(hào)： 1007-2683（2022）01-0023-08

Improvement Algorithm of ViBe in Moving Target Detection

YIN Fang，MENG Di，LI Ao

（School of Computer Science and Technology， Harbin University of Science and Technology， Harbin 150080， China）

Abstract：

Aiming at the problem that Visual Background Extractor（ViBe） algorithm is not sensitive to light mutation and is mistakenly detected as foreground due to a large number of highfrequency disturbed objects in the background， an improved method is proposed based on the classical ViBe algorithm. The mean value of V component in HSV space of separated video frames is used as the method to judge the light mutation， and the threshold to judge the light mutation is obtained by experiment Δω=0.1 as the discrimination condition， if the illumination changes suddenly， the video frame with stable mutation is used as the initial frame for re modeling， so as to solve the problem of illumination change. Because the moving target will produce "ghost" during the initial modeling of the algorithm， the method of two consecutive frames of differential background model is used to remove the "ghost". And， come up with a concept that can judge the degree of perturbation， so that the matching radius of background modeling is dynamically changed with it. Experiments show that the percentage of wrong classifications of the improved ViBe algorithm is about 6% lower than that of the original algorithm and can achieve the effect of realtime detection.

Keywords：moving target detection; background modeling; visual background extractor; light mutation; high frequency disturbance criterion

0引言

運(yùn)動(dòng)目標(biāo)檢測(cè)是一種將可視化信息中的興趣運(yùn)動(dòng)目標(biāo)檢測(cè)出來(lái)的算法，用于后續(xù)的運(yùn)動(dòng)目標(biāo)識(shí)別和跟蹤。實(shí)時(shí)的目標(biāo)檢測(cè)常應(yīng)用于特殊場(chǎng)景的視頻監(jiān)控，如行駛中車輛的檢測(cè)，工廠內(nèi)員工安全活動(dòng)區(qū)域的檢測(cè)，特殊群體異?；顒?dòng)的檢測(cè)。與人工檢測(cè)相比，彌補(bǔ)了人為監(jiān)控要考慮的休息問(wèn)題和一人無(wú)法同時(shí)監(jiān)控多個(gè)視頻的問(wèn)題，極大地提高了異常問(wèn)題被發(fā)現(xiàn)的可能性且減少了監(jiān)控人員的工作量。傳統(tǒng)的檢測(cè)方法主要分為3種：光流法[1]，幀差法[2]和背景減法[3]。光流法是利用物體運(yùn)動(dòng)產(chǎn)生的瞬時(shí)變化而得到運(yùn)動(dòng)信息的方法，一般表示為物體的瞬時(shí)速度，算法檢測(cè)的準(zhǔn)確性較高，但是計(jì)算量大，不適用于實(shí)時(shí)視頻的處理，且變化的光線會(huì)被誤判為光流從而影響檢測(cè)結(jié)果。幀差法是由于視頻序列的連續(xù)性，將相鄰兩幀圖像差分得到運(yùn)動(dòng)目標(biāo)的方法，算法計(jì)算簡(jiǎn)單，但是只能提取目標(biāo)的輪廓且檢測(cè)效果依賴于選取時(shí)間間隔和閾值。背景減法主要操作是利用序列初始幀建立不包括檢測(cè)目標(biāo)的背景模型，用當(dāng)前幀與其進(jìn)行比較得到運(yùn)動(dòng)目標(biāo)的方法[4]。相對(duì)于光流法該算法運(yùn)算方便，實(shí)時(shí)性高，相對(duì)于幀差法該算法解決了目標(biāo)空洞的問(wèn)題。典型的背景減法算法包括：W4方法[5-6]、碼本方法（codebook model）[7-8]、混合高斯法（mixture gauss）[9]、視覺(jué)背景提取[10-11]。W4方法的計(jì)算量較大，實(shí)時(shí)性差且無(wú)法消除目標(biāo)陰影，文[12]結(jié)合傳統(tǒng)W4方法和LBP模型提出了一種有效消除陰影的運(yùn)動(dòng)目標(biāo)檢測(cè)算法。碼本方法則不能適應(yīng)復(fù)雜的場(chǎng)景，文[13]提出了基于碼本模型的背景差法同五幀差法相結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)提取算法，解決復(fù)雜背景下抗干擾能力差以及傳統(tǒng)幀差法易出現(xiàn)目標(biāo)空洞的問(wèn)題?；旌细咚狗ㄓ?jì)算復(fù)雜度較大且對(duì)處理變化劇烈的場(chǎng)景時(shí)效果不佳。文[9]為每個(gè)像素建立多個(gè)高斯分布，每個(gè)高斯模型按權(quán)重排序，通過(guò)學(xué)習(xí)背景環(huán)境實(shí)時(shí)更新的模型，提高混合高斯分布在背景提取的有效性。針對(duì)以上目標(biāo)檢測(cè)中存在的問(wèn)題，Barnich等于2009年在文[14]中提出視覺(jué)背景提?。╲isual background extractor， ViBe）方法，它是一種像素級(jí)別的基于背景模型更新的目標(biāo)檢測(cè)算法。主要的創(chuàng)新之處在于：在背景提取領(lǐng)域中首次使用隨機(jī)策略去構(gòu)建基于樣本的背景估計(jì)，引入相鄰像素之間的空間信息傳播關(guān)系，同時(shí)提供了一種即時(shí)初始化的技術(shù)，使得算法在視頻序列的第二幀開(kāi)始就可以生效。2011年Barnich等又在文[15]中將ViBe方法與一些經(jīng)典的運(yùn)動(dòng)目標(biāo)檢測(cè)算法進(jìn)行總結(jié)與比較，最后證明了ViBe高效率的特點(diǎn)。由于算法不考慮視頻的幀率或顏色空間等信息，也不考慮場(chǎng)景內(nèi)容、背景本身或背景環(huán)境隨時(shí)間的變化情況，這使其對(duì)光照的突變不敏感，當(dāng)光照突變時(shí)無(wú)法在嚴(yán)重曝光情況下快速重新區(qū)分開(kāi)運(yùn)動(dòng)目標(biāo)及背景，且當(dāng)背景存在高頻擾動(dòng)時(shí)，會(huì)將擾動(dòng)劃分為運(yùn)動(dòng)目標(biāo)造成誤檢。

本文針對(duì)ViBe算法中因光照突變產(chǎn)生的無(wú)法重新快速檢測(cè)到運(yùn)動(dòng)目標(biāo)問(wèn)題，提出連續(xù)幀內(nèi)平均亮度變化趨勢(shì)值判別方法;針對(duì)背景存在高頻擾動(dòng)產(chǎn)生的誤檢問(wèn)題，提出擾動(dòng)強(qiáng)度因子概念判斷背景的擾動(dòng)程度。首先分析連續(xù)幀的平均亮度變化趨勢(shì)得到光照突變的判別條件，輸入的視頻流在連續(xù)幀內(nèi)滿足判別條件則判斷為光照突變，拋棄已有的背景模型，重新獲取當(dāng)前像素幀進(jìn)行模型的初始化，模型初始化時(shí)產(chǎn)生“鬼影”的問(wèn)題，采用連續(xù)兩幀差分背景模型的方法去除“鬼影”，同時(shí)判別是否有背景的高頻擾動(dòng)從而修改背景模型的匹配半徑。經(jīng)過(guò)實(shí)驗(yàn)表明改進(jìn)后的方法得到了較好的檢測(cè)效果。

1ViBe檢測(cè)算法原理分析

ViBe算法在傳統(tǒng)的背景減法的基礎(chǔ)上提出了3個(gè)創(chuàng)新點(diǎn)：背景模型初始化階段，提出一種即時(shí)初始化的技術(shù)，實(shí)現(xiàn)從第二幀就開(kāi)始有效的背景估計(jì);背景模型更新過(guò)程，首次引入隨機(jī)選擇策略，保證構(gòu)成背景模型的樣本值具有平滑的指數(shù)衰減周期;在后處理方面，使用快速簡(jiǎn)單的空間信息傳播方法將像素值隨機(jī)的分散到相鄰像素之間，產(chǎn)生空間一致的結(jié)果。算法原理如下：

1.1背景建模和像素的分類

v（x）表示在歐式顏色空間中位置為x的像素值，背景建模時(shí)為x建立一個(gè)含有N個(gè)樣本的樣本集，其中用vi表示第i個(gè)背景像素值。每個(gè)背景像素x都由前一幀的N個(gè)背景樣本值的集合建模：

M（x）={v1，v2，…，vn-1，vn}（1）

原算法中N的取值固定為20。

為了根據(jù)M（x）對(duì)v（x）進(jìn)行分類，定義一個(gè)以v（x）為中心點(diǎn)半徑為R的圓形區(qū)域SR（v（x）），比較M（x）集合與SR（v（x））交集的個(gè)數(shù)：

#{SR（v（x））∩{v1，v2，…，vn-1，vn}}（2）

式（2）描述了像素v（x）與集合M（x）的相似程度。對(duì)于給定的閾值min，如果結(jié)果小于閾值，則像素v（x）分類為前景，如果結(jié)果大于或等于閾值，則像素v（x）分類為背景。原算法中R的取值固定為20，min的取值固定為2。

1.2背景模型初始化

對(duì)于模型初始化使用的序列多于視頻原本序列的情況，ViBe算法提出了使用視頻序列的第一幀進(jìn)行模型的初始化。由于單個(gè)幀中不存在時(shí)間信息，算法利用每個(gè)像素和其鄰域像素具有相似的時(shí)間分布這一假設(shè)，使用像素x的空間鄰域值去填充該像素的背景模型樣本集合。算法實(shí)驗(yàn)中，在每一像素的8個(gè)相關(guān)鄰域NG（x）中隨機(jī)選取20個(gè)像素組成該像素的背景模型M0（x）。

M0（x）={v0（y|y∈NG（x））}（3）

1.3背景模型更新

為了使背景模型更新的過(guò)程能夠適應(yīng)光照的改變，并且能夠處理一個(gè)場(chǎng)景中新目標(biāo)出現(xiàn)的情況。算法采用一種保守的更新方法，包含3個(gè)重要的組成部分：無(wú)記憶更新策略，隨機(jī)抽樣方法，以及依賴空間一致性的調(diào)整機(jī)制。

無(wú)記憶更新策略主張一個(gè)像素的模型應(yīng)該取自該像素近期的樣本，并且允許像素模型中保留少量的舊樣本來(lái)提高估計(jì)的時(shí)間相關(guān)性。在樣本模型集合中，新判定為背景的像素點(diǎn)會(huì)隨機(jī)的替代集合中的一個(gè)樣本，像素模型更新后，模型中的樣本在t時(shí)刻被保留的概率為（N-1）/N，那么在（t，t+dt）內(nèi)被保留的的概率為

P（t，t+dt）=（（N-1）/N）（t+dt）-t（4）

P（t，t+dt）=e-ln（N/（N-1））dt（5）

該表達(dá)式與t無(wú)關(guān)，說(shuō)明過(guò)去對(duì)未來(lái)沒(méi)有影響，這一性質(zhì)為無(wú)記憶性。

隨機(jī)抽樣方法延長(zhǎng)了背景樣本的預(yù)期壽命。當(dāng)像素值被劃分為背景時(shí)，該像素有1/φ的概率會(huì)被選中去更新自己的背景模型，通過(guò)這樣減少背景更新的頻率，人為地延長(zhǎng)了背景樣本的預(yù)期壽命，算法中φ的取值固定為16。

統(tǒng)計(jì)出像素被連續(xù)劃分為前景的次數(shù)，如果達(dá)到給定的閾值，則將該像素值插入到背景模型中，由于相鄰的背景像素具有相似的時(shí)間分布，像素的新背景樣本同時(shí)會(huì)更新相鄰像素的模型。隱藏在前景中的的背景模型將會(huì)隨著鄰近像素位置的背景樣本不斷更新，背景演變的信息在空間上得以擴(kuò)散，而背景的演變僅依賴于歸類為背景的樣本。

2改進(jìn)的ViBe算法

本文分別針對(duì)ViBe算法的光照突變不敏感及背景高頻擾動(dòng)問(wèn)題進(jìn)行了改進(jìn)，以下為改進(jìn)后算法的流程圖。

1.2光線突變問(wèn)題

ViBe算法是一種通用的前景檢測(cè)方法。對(duì)于環(huán)境中光線突變的問(wèn)題，算法沒(méi)有相應(yīng)的解決方法。圖像的明亮程度是圖像的顏色空間信息，該算法只討論了隨機(jī)概率下像素之間的時(shí)空關(guān)系，所以對(duì)于光線的突然改變，算法表現(xiàn)出性能的不足。

圖像的HSV顏色空間，能夠表示圖像的色調(diào)、飽和度和亮度，在HSV圓錐體表示中，明度被表示為從圓錐的橫截面的圓心到頂點(diǎn)的距離[16]，分離顏色空間中的亮度分量，求得當(dāng)前幀的平均亮度作為圖像中光線突變的判斷依據(jù)。

圖3是兩組同一位置不同光照條件下的圖像。圖4中分別對(duì)應(yīng)著圖3中圖像亮度直方圖。當(dāng)光照條件改變時(shí)，圖4中圖像亮度分布特征區(qū)分明顯。同一位置處在較暗環(huán)境的圖像，亮度分布集中于較暗的區(qū)域;同一位置處在較亮環(huán)境的圖像，亮度分布

集中于較亮的區(qū)域。

改進(jìn)后的算法選擇用平均亮度ωi來(lái)表示第i幀圖像亮度的整體分布情況。ωi計(jì)算式（6）表示如下：

ωi=∑mj=1∑nk=1vim×n×255，0≤ωi≤1（6）

歸一化處理后，ω取值范圍在0至1之間，取值越接近0則表示光線越暗的光照條件，越接近1則表示光線越亮的光照條件。

本算法提出當(dāng)圖像平均亮度突然產(chǎn)生變化且變化范圍達(dá)到一定值時(shí)，判定為光線突變，此時(shí)拋棄突變時(shí)的背景模型，重新建模進(jìn)行運(yùn)動(dòng)目標(biāo)的捕獲。圖5為光線穩(wěn)定時(shí)的平均亮度變化趨勢(shì)，圖6分別為明亮環(huán)境中突然關(guān)燈和黑暗環(huán)境下突然開(kāi)燈的平均亮度變化趨勢(shì)。對(duì)比可得，當(dāng)光線穩(wěn)定時(shí)圖像平均亮度趨于穩(wěn)定，波動(dòng)范圍不會(huì)超過(guò)01，當(dāng)光線突變時(shí)圖像平均亮度大幅波動(dòng)，波動(dòng)范圍遠(yuǎn)大于01。圖7是在實(shí)際環(huán)境中，在光照突然改變時(shí)，連續(xù)選取的10幀圖像的平均亮度，圖中顯示光照的突變從開(kāi)始到趨于穩(wěn)定只需要經(jīng)歷3幀的變化。由以上數(shù)據(jù)得出，本改進(jìn)算法選取連續(xù)3幀內(nèi)Δω波動(dòng)范圍為01作為判別環(huán)境光照條件突變的判定條件。

改進(jìn)后的算法過(guò)程如下：

Step1：讀取第一幀temp=ω1;

Step2：不斷讀取視頻序列計(jì)算第k幀Δωk=fabs（ωk-temp），如果k為最后一幀則結(jié)束;

Step3：如果（Δωk>01）&&（Δωk+1>01）&&（Δωk+2>01）更新temp=ωk+2，用第k+2幀重新初始化模型，回到Step2。

2.2“鬼影”的抑制

ViBe算法的背景模型由視頻序列的第一幀初始化產(chǎn)生，如果第一幀存在運(yùn)動(dòng)的目標(biāo)，首先會(huì)被錯(cuò)誤分類為背景，在視頻序列的后續(xù)幀中，隨著運(yùn)動(dòng)目標(biāo)的移動(dòng)，原來(lái)被判別為背景的像素重新被判別為前景，從而產(chǎn)生“鬼影”，另一種情況就是原本靜止的對(duì)象突然運(yùn)動(dòng)也會(huì)產(chǎn)生“鬼影”。基于像素的空間一致性，隨著背景模型的更新，模型逐漸擴(kuò)散填充空洞。但是需要一定的時(shí)間最終才能夠去除“鬼影”，在緩慢的更新過(guò)程中，如果有運(yùn)動(dòng)目標(biāo)經(jīng)過(guò)“鬼影”位置，會(huì)影響后續(xù)的目標(biāo)檢測(cè)。

為了處理以上情況及21部分重新建模產(chǎn)生的“鬼影”問(wèn)題，本算法采用連續(xù)兩幀差分背景模型的方法加速消除“鬼影”，即：

Fk=Bk（x，y）-Mk（x，y）（7）

Fk+1=Bk+1（x，y）-Mk+1（x，y）（8）

Gk=Fk XOR Fk+1（9）

式中：B為當(dāng)前幀像素;M為背景模型，第k幀與第k+1幀中對(duì)應(yīng)像素值相減分別得到判斷為前景的前景目標(biāo)F，即前景像素值為255，背景則為0，式（9）兩幀異或得到同時(shí)被判別為前景的區(qū)域，將其分類為“鬼影”，將像素更新到背景模型集合中，后續(xù)視頻序列幀會(huì)不斷地更新“鬼影”區(qū)域?qū)⑵渲脼楸尘啊Ｔ摲椒ɡ眠B續(xù)兩幀檢測(cè)到的前景像素異或結(jié)果將像素點(diǎn)歸類為背景并更新背景模型，這樣有效的加速了“鬼影”的去除。

2.3背景的高頻擾動(dòng)

ViBe算法能夠很好地處理連續(xù)的運(yùn)動(dòng)，但是當(dāng)背景存在如樹(shù)葉抖動(dòng)這種高頻擾動(dòng)的情況時(shí)處理效果不佳。這是由于算法采用固定的像素分類半徑，并未將擾動(dòng)部分與非擾動(dòng)部分視頻幀的更新策略區(qū)分開(kāi)，所以無(wú)法很好的去除因高頻擾動(dòng)產(chǎn)生的噪聲，從而造成誤檢。在實(shí)際應(yīng)用中，如果要去除因擾動(dòng)產(chǎn)生的大量噪聲，需要增大像素與更遠(yuǎn)的周邊像素的關(guān)聯(lián)程度，即增大匹配半徑R的值，使得像素的背景樣本集合中更多的包含了被分類為背景的像素點(diǎn)，增加了擾動(dòng)部分被分類為背景的可能性，解決了因背景擾動(dòng)產(chǎn)生的噪聲問(wèn)題。但是如果僅考慮增大匹配半徑，從視頻的第一幀開(kāi)始就固定匹配半徑為更大的值，則會(huì)導(dǎo)致運(yùn)動(dòng)目標(biāo)完整性缺失產(chǎn)生空洞[17]。

針對(duì)上述問(wèn)題，要考慮如何利用像素值來(lái)判別當(dāng)前環(huán)境為高頻擾動(dòng)。本文在原算法的基礎(chǔ)上引入了擾動(dòng)強(qiáng)度因子概念，由擾動(dòng)強(qiáng)度因子來(lái)判斷當(dāng)前環(huán)境是否為高頻擾動(dòng)環(huán)境，并根據(jù)擾動(dòng)強(qiáng)度因子來(lái)動(dòng)態(tài)改變當(dāng)前幀背景模型的匹配半徑大小。根據(jù)高頻擾動(dòng)的特點(diǎn)，即當(dāng)背景有大量的像素，頻繁的在前景與背景之間切換，被認(rèn)為是高頻擾動(dòng)，本文采用當(dāng)前像素值與背景模型的差值的均值作為擾動(dòng)強(qiáng)度因子，即：

ξi=∑|vi（x，y）-vi（Mi（x，y））|mn（10）

擾動(dòng)強(qiáng)度因子表示了背景的閃動(dòng)干擾情況。擾動(dòng)強(qiáng)度因子ξi越大則表明背景的閃動(dòng)干擾越多，此時(shí)增加背景模型的匹配半徑Ri，擾動(dòng)強(qiáng)度因子ξi越小則表明背景的閃動(dòng)干擾越少，此時(shí)保持背景模型的匹配半徑Ri-1，如式（11）：

Ri=Ri-1，|l|≤02

Ri-1*（1+l），|l|>02（11）

式中：k為比例因子;l為擾動(dòng)強(qiáng)度因子變化率。

在原算法指標(biāo)情況下匹配半徑的選擇對(duì)正確分類比（percentage of correct classification， PCC）的影響如圖8所示。為保證檢測(cè)結(jié)果的PCC值穩(wěn)定且有實(shí)驗(yàn)意義。本文選擇Rmax=30，Rmin=20作為R的有效浮動(dòng)區(qū)間。

3實(shí)驗(yàn)結(jié)果與分析

本文算法利用C++和OpenCV410_2配置編程實(shí)現(xiàn)，測(cè)試環(huán)境為macOS 10133，CPU頻率25GHz，內(nèi)存為16GB 2133MHz LPDDR3。實(shí)驗(yàn)中初始化匹配半徑R0=20，樣本個(gè)數(shù)N=20，隨機(jī)因子φ=16，匹配半徑上限Rmax=30，下限Rmin=20，閾值min=2，光照閾值Δω=01。

31實(shí)驗(yàn)效果

本文選用了CDnet2014數(shù)據(jù)集[18]中的highway視頻序列和overpass視頻序列，highway序列在初始幀中存在運(yùn)動(dòng)的車輛，即后續(xù)幀中有“鬼影”產(chǎn)生，overpass序列背景中存在由風(fēng)吹動(dòng)造成的樹(shù)枝搖擺，即有高頻擾動(dòng)現(xiàn)象存在。在室內(nèi)拍攝一組燈光環(huán)境中，突然關(guān)燈后開(kāi)燈的視頻序列作為光照突變的測(cè)試內(nèi)容。實(shí)驗(yàn)結(jié)果如圖9～12所示。

由圖9可見(jiàn)，在highway序列中分別截取了有“鬼影”存在的第340幀和第385幀進(jìn)行對(duì)比，ViBe算法仍有“鬼影”存在，本改進(jìn)算法已經(jīng)在385幀完全去除“鬼影”。

由圖10可見(jiàn)，在overpass序列分別截取了有高頻擾動(dòng)存在的第70幀、第117幀和第200幀進(jìn)行對(duì)比，ViBe算法仍有高頻擾動(dòng)存在，本改進(jìn)算法已經(jīng)在第70幀擾動(dòng)噪聲去除效果明顯，至第200幀已經(jīng)幾乎沒(méi)有噪聲存在。

由圖11，在室內(nèi)光照條件下拍攝的視頻序列，實(shí)驗(yàn)所用幀數(shù)為第770幀至第950幀，其中第815幀至第842幀為關(guān)燈狀態(tài)其余為正常照明狀態(tài)，圖10為第810幀至第850幀的光照改變過(guò)程的平均亮度趨勢(shì)。ViBe算法在光照改變過(guò)程中由于曝光嚴(yán)重，沒(méi)能快速找到運(yùn)動(dòng)目標(biāo)進(jìn)行前景與背景的區(qū)分，較原算法基礎(chǔ)上，本改進(jìn)算法在突然改變光照條件時(shí)，能夠識(shí)別到運(yùn)動(dòng)目標(biāo)，且在光照穩(wěn)定之后快速去除由于曝光造成的干擾。

32性能評(píng)估

為了定量比較改進(jìn)算法與原算法的性能，本文采用了正確率 （precision， P），召回率（recall， R）、錯(cuò)誤分類比（percentage of wrong classifications， PWC）作為評(píng)價(jià)指標(biāo)[19-20]，定義如下：

P=TPTP+FP，

R=TPTP+FN，

PWC=FP+FNTP+TN+FP+FN×100%（12）

式中：TP（true positive， TP）為正確檢測(cè)為前景像素的個(gè)數(shù);FP（false positive， FP）為錯(cuò)誤檢測(cè)為前景像素的個(gè)數(shù)，即原為背景被誤檢為前景的像素個(gè)數(shù);TN（true negative， TN）為正確檢測(cè)為背景像素的個(gè)數(shù)，F(xiàn)N（false negative， FN）為錯(cuò)誤檢測(cè)為背景像素的個(gè)數(shù)，即原為前景被誤檢為背景的像素個(gè)數(shù);正確率P為正確判定為前景像素的個(gè)數(shù)占判定為前景像素總數(shù)的百分比;召回率R為正確判定為前景像素的個(gè)數(shù)占真正前景像素總數(shù)的百分比。式（12）說(shuō)明P與R的值越高，PWC的值越低則代表算法的性能越好。

圖13為在3個(gè)視頻序列中ViBe算法及改進(jìn)算法的P、R性能評(píng)估直方圖，從圖中可看出于改進(jìn)算法指標(biāo)較原ViBe算法更高。在圖13（a）中highway序列的正確率比ViBe算法提高了一倍，其他兩個(gè)序列中也分別有很明顯的提高，在圖13（b）中overpass序列的召回率相對(duì)于ViBe算法提高的不是很多，但其他兩個(gè)序列的提高量也很明顯?？傮w來(lái)看正確率提高的更為明顯。

表1為ViBe算法及本文改進(jìn)算法的PWC對(duì)比結(jié)果，PWC表示所有錯(cuò)誤分類像素的比例，在overpass序列中PWC降低并不明顯，但在highway序列中PWC明顯低了近10個(gè)百分點(diǎn)，my_video序列中降低了12個(gè)百分點(diǎn)，也就是說(shuō)相對(duì)于ViBe算法，本文算法有更高的抗干擾能力。

4結(jié)語(yǔ)

為了解決ViBe算法在光照突變和背景頻繁擾動(dòng)情況下對(duì)檢測(cè)產(chǎn)生影響的問(wèn)題，本文提出了一種基于ViBe算法的改進(jìn)算法。通過(guò)監(jiān)測(cè)視頻序列中圖像亮度的改變情況和程度，若判斷為光照突變情況，隨即拋棄現(xiàn)有模型重新建立背景模型，繼續(xù)檢測(cè)運(yùn)動(dòng)目標(biāo)，同時(shí)加入擾動(dòng)強(qiáng)度因子概念，判斷背景擾動(dòng)情況，自適應(yīng)的改變匹配半徑，消除背景擾動(dòng)情況。測(cè)試結(jié)果表明，本文算法在適應(yīng)光照突變和背景擾動(dòng)情況優(yōu)于原算法，檢測(cè)速度保持在25±2frames/s可以滿足實(shí)時(shí)監(jiān)測(cè)的需求。算法在適應(yīng)光照突變情況時(shí)仍有噪聲存在，對(duì)于光照突變時(shí)的抗干擾能力有待提高。

參 考 文 獻(xiàn)：

[1]ZOHRA M， MEROUANI H F， BOUCHRIKA I， et al. Investigating the Use of Motionbased Features from Optical Flow for Gait Recognition[J]. Neurocomputing， 2017， 283（2018）： 140.

[2]ZHU M， WANG H. Fast Detection of Moving Object Based on Improved FrameDifference Method[C]//2017 6th International Conference on Computer Science and Network Technology （ICCSNT）， 2017： 299.

[3]GARGI S， RAJEEV S. Salient Object Detection using Background subtraction， Gabor Filters， Objectness and Minimum Directional Backgroundness[J]. Journal of Visual Communication and Image Representation， 2019， 62： 10.

[4]PICCARDI M. Background Subtraction Techniques： a Review[C]// 2004 IEEE International Conference on Systems， Man and Cybernetics （IEEE Cat. No. 04CH37583）， 2004： 3099.

[5]HARITAOGLU I， HARWOOD D， DAVIS L S. W4： RealTime Surveillance of People and Their Activities[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2000， 22（8）： 806.

[6]SENGAR SS， MUKHOPADHYAY S. Moving Object Detection Based on Frame Difference and W4[J]. Signal Image and Video Processing， 2017， 11（7）： 1357.

[7]KIM K， CHALIDABHONGSE T H， HARWOOD D， et al. Realtime ForegroundBackground Segmentation using Codebook Model[J]. Real Time Imaging， 2005，11（3）： 167.

[8]阿依夏木·力提甫，鄢煜塵，肖進(jìn)勝，等.基于混合碼本與因子分析的文本獨(dú)立筆跡鑒別[J].自動(dòng)化學(xué)報(bào)，2021，47（9）：2276.

AYIXIAMU Litifu， YAN Yuchen， XIAO Jinsheng， et al. Textindependent Writer Identification Based on Hybrid Codebook and Factor Analysis[J]. Acta Automatica Sinica Acta Automatica Sinica， 2021，47（9）：2276.

[9]常曉夫，張文生，董維山.基于多種類視覺(jué)特征的混合高斯背景模型[J].中國(guó)圖象圖形學(xué)報(bào)，2011，16（5）：829.

CHANG Xiaofu， ZHANG Wensheng， DONG Weishan. Mixture of Gaussian Background Modeling Method Based on Multicategory Visual Features[J]. Journal of Image and Graphics， 2011， 16（5）： 829.

[10]劉牮，史美浩，錢(qián)闖，等.基于改進(jìn)Vibe的車輛目標(biāo)檢測(cè)算法[J].電子測(cè)量技術(shù)，2019，42（22）：150.

LIU Jian， SHI Meihao， QIAN Chuang， et al. Vehicle Target Detetion Algorithm Based on Improved Vibe Development[J]. Electronic Measurement Technology. 2019， 42（22）： 150.

[11]BAI E， ZHAO J， WU Y. An Improved ViBeAlgorithm for Quickly Suppressing Ghosts[C]// 2020 IEEE International Conference on Advances in Electrical Engineering and Computer Applications（AEECA）， 2020： 621.

[12]孫凱，謝林柏.結(jié)合W4算法和LBP模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J].計(jì)算機(jī)工程與應(yīng)用，2017，53（5）：187.

SUN Kai， XIE Linbo. Moving Objects Detection Method Based on Combination of Improved Local Binary Pattern and W4 Algorithm[J]. Computer Engineering and Applications， 2017， 53（5）： 187.

[13]李春敏，鄔春學(xué)，熊乃學(xué).融合五幀差分和codebook模型的運(yùn)動(dòng)目標(biāo)檢測(cè)[J].電子科技，2018，31（11）：51.

LI Chunmin， WU Chunxue， XIONG Naixue. Moving Target Detection Combining Five Frame Difference and Codebook Model[J]. Electronic Science and Technology， 2018， 31（11）： 51.

[14]OLIVIER B， MARC V D. ViBe： A Powerful Random Technique to Estimate the Background in Video Sequences[C]// 2009 IEEE International Conference on Acoustics， Speech and Signal Processing， Taipei， Taiwan， 2009： 945.

[15]OLIVIER B， MARC V D. ViBe： A Universal Background Subtraction Algorithm for Video Sequences[J].IEEE Transactions on Image Processing， 2011， 20（6）： 1709.

[16]馬玲，張曉輝.HSV顏色空間的飽和度與明度關(guān)系模型[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2014，26（8）：1272.

MA Ling， ZHANG Xiaohui. Relationship Between Saturation and Brightness Value in HSV Color Space[J]. Journal of ComputerAided Design & Computer Graphics， 2014， 26（8）： 1272.

[17]劉志豪，黃俊，劉武啟，等.基于改進(jìn)視覺(jué)背景提取算法的前景檢測(cè)[J].小型微型計(jì)算機(jī)系統(tǒng)，2020，41（4）：758.

LIU Zhihao， HUANG Jun， LIU Wuqi， et al. Prospect Detection Based on Improved Visual Background Extraction Algorithm [J]. Journal of Chinese Computer Systems， 2020， 41（4）： 758.

[18]WANG Y， JODOIN P M， PORIKLI F， et al. CDnet 2014： An Expanded Change Detection Benchmark Dataset[C]// 2014 IEEE Conference on Computer Vision and Pattern Recognition Workshops. Columbus， OH， USA： IEEE， 2014： 397.

[19]朱文杰，王廣龍，田杰，等.基于多特征的復(fù)雜場(chǎng)景運(yùn)動(dòng)目標(biāo)檢測(cè)[J].光學(xué)學(xué)報(bào)，2018，38（6）：187.

ZHU W J， WANG G L， TIAN J， et al. Detection of Moving Targets in Complex Scenes based on Multiple Features[J]. Acta Optica Sinica， 2018， 38（6）： 187.

[20]GOYETTE N， JODOIN P M， PORIKLI F， et al. Changedetection.net： A New Change Detection Benchmark Dataset[C]// 2012 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops. Providence， RI， USA： IEEE， 2012： 5.

（編輯：溫澤宇）