◆陳乃想 何立平 金充充

（浙江萬(wàn)里學(xué)院 浙江 315100）

改進(jìn)的vibe算法在?；奋?chē)輛運(yùn)輸視頻監(jiān)控系統(tǒng)中的應(yīng)用

◆陳乃想 何立平 金充充

（浙江萬(wàn)里學(xué)院 浙江 315100）

由于傳統(tǒng)的vibe前景檢測(cè)算法存在無(wú)法消除鬼影、受動(dòng)態(tài)背景變化影響較大的問(wèn)題，本文對(duì)傳統(tǒng)的vibe算法進(jìn)行改進(jìn)。vibe算法是通過(guò)視頻第一幀初始化背景模型，但是當(dāng)?shù)谝粠?dāng)中包含前景目標(biāo)時(shí)，鬼影將伴隨著模型的初始化而產(chǎn)生。vibe算法沒(méi)有對(duì)鬼影做任何處理，導(dǎo)致vibe算法需要花費(fèi)很長(zhǎng)時(shí)間才能消除鬼影。針對(duì)傳統(tǒng)vibe算法中出現(xiàn)鬼影問(wèn)題，只需在vibe算法前景檢測(cè)之前先獲取相對(duì)真實(shí)的背景在將真實(shí)的背景用來(lái)初始化背景模型。因此本文首先通過(guò)三幀差分法得到差分圖像，根據(jù)直方圖當(dāng)中有明顯的雙峰特性使用大津分割，二值化處理。最后獲得除運(yùn)動(dòng)目標(biāo)外的部分的真實(shí)背景圖片，之后對(duì)未填充的背景使用八領(lǐng)域填充和最近領(lǐng)域背景像素填充。再將相對(duì)真實(shí)的背景圖片用來(lái)初始化背景模型。最后使用vibe算法前景檢測(cè)順利地消除了鬼影。vibe算法易受動(dòng)態(tài)背景影響較大，那是因?yàn)閭鹘y(tǒng)的vibe算法的匹配閥值是固定的，而在?；奋?chē)輛運(yùn)輸過(guò)程當(dāng)中必然會(huì)受到光照、風(fēng)等外部因素的影響，使得vibe前景檢測(cè)出現(xiàn)大量的誤檢。因此本文通過(guò)用自適應(yīng)閥值來(lái)替換固定匹配閥值的方法，以此來(lái)提高vibe算法抗干擾的能力。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的vibe前景檢測(cè)算法比傳統(tǒng)的vibe前景檢測(cè)算法相比有所改善，在危化品車(chē)輛運(yùn)輸視頻監(jiān)控系統(tǒng)中不僅提高了檢測(cè)的準(zhǔn)確度，而且還提高了抗干擾能力。

Vibe算法；運(yùn)動(dòng)目標(biāo)檢測(cè)；視頻監(jiān)控；?；奋?chē)輛運(yùn)輸

0 引言

視頻監(jiān)控是現(xiàn)代社會(huì)安防系統(tǒng)的重要組成部分，視頻監(jiān)控的處理越來(lái)越趨向于智能化和自動(dòng)化[1]。人們需要其能夠自動(dòng)采集信息、智能分析和處理數(shù)據(jù)以及自動(dòng)反饋結(jié)果[2]。而?；奋?chē)輛運(yùn)輸視頻監(jiān)控系統(tǒng)的環(huán)境更為復(fù)雜，背景多是動(dòng)態(tài)場(chǎng)景，噪聲較多，運(yùn)輸車(chē)輛的速度各不相同。這就需要一個(gè)穩(wěn)定的運(yùn)動(dòng)目標(biāo)檢測(cè)算法進(jìn)行處理。

運(yùn)動(dòng)目標(biāo)檢測(cè)的前景是準(zhǔn)確分割出目標(biāo)[3],目前主流的運(yùn)動(dòng)目標(biāo)檢測(cè)方法有三類(lèi)：光流法[4]、幀間差分法[5]和背景減除法[4-11]。背景減除法中常用的Vibe算法是一種高效的像素級(jí)視頻背景建模和前景減除算法，多用于危化品車(chē)輛運(yùn)輸視頻監(jiān)控系統(tǒng)的處理。但其存在以下不足：

（1）當(dāng)?shù)谝粠瑘D像中有運(yùn)動(dòng)目標(biāo)時(shí)，會(huì)檢測(cè)出來(lái)一個(gè)虛擬運(yùn)動(dòng)目標(biāo)，那就是鬼影。盡管vibe算法可以通過(guò)在后續(xù)的幀來(lái)更新背景模型，以消除鬼影，但是這樣的方式消除鬼影耗時(shí)較長(zhǎng)。如果在鬼影還沒(méi)有完全消除時(shí)，有運(yùn)動(dòng)目標(biāo)出現(xiàn)在鬼影區(qū)域，那么會(huì)造成運(yùn)動(dòng)目標(biāo)檢測(cè)的準(zhǔn)確度下降。

（2）對(duì)光照強(qiáng)弱等動(dòng)態(tài)場(chǎng)景比較敏感，當(dāng)視頻場(chǎng)景中出現(xiàn)光照突然變?nèi)趸蛘咦儚?qiáng)、水面的閃爍，樹(shù)葉的搖動(dòng)等現(xiàn)象，傳統(tǒng)的vibe算法會(huì)誤以為有運(yùn)動(dòng)目標(biāo)出現(xiàn)，進(jìn)而導(dǎo)致出現(xiàn)大面積的誤檢。

針對(duì)以上這些問(wèn)題，本文通過(guò)研究傳統(tǒng)vibe算法，對(duì)傳統(tǒng)vibe算法進(jìn)行了改進(jìn)。（1）消除鬼影。由于vibe算法在通過(guò)視頻第一幀進(jìn)行初始化背景模型時(shí)，如果第一幀當(dāng)中包含前景目標(biāo)，鬼影將會(huì)伴隨著模型的初始化而產(chǎn)生。因此想去掉鬼影，如何獲取真實(shí)的背景進(jìn)行初始化背景建模是關(guān)鍵。首先通過(guò)三幀差分法得到差分圖像，根據(jù)直方圖當(dāng)中有明顯的雙峰特性使用大津分割，二值化處理。此時(shí)獲得除運(yùn)動(dòng)目標(biāo)外的部分背景圖片，為了獲得完整的背景圖片需要對(duì)部分背景圖片進(jìn)行八領(lǐng)域填充和最近領(lǐng)域背景像素填充。最后將獲取到的真實(shí)的背景圖像，用來(lái)初始化背景模型。（2）消除光照變化、閃爍等誤檢。當(dāng)vibe算法檢測(cè)的視頻場(chǎng)景中出現(xiàn)光照突然變?nèi)趸蛘咦儚?qiáng)、水面的閃爍、樹(shù)葉的搖動(dòng)時(shí)，會(huì)出現(xiàn)大面積的誤檢。那是由于傳統(tǒng)的vibe算法其匹配閥值是固定的而引起的。vibe算法中的匹配閥值是區(qū)分前景像素和背景像素的關(guān)鍵，前景檢測(cè)的準(zhǔn)確度跟匹配閥值的取值有直接關(guān)系。首先傳統(tǒng)的vibe算法因?yàn)槭褂玫钠ヅ溟y值是固定不變的，因此適用于靜態(tài)視頻場(chǎng)景中。而在動(dòng)態(tài)視頻場(chǎng)景中背景會(huì)隨著光線的變?nèi)趸蛘咦儚?qiáng)、水面的閃爍、樹(shù)葉的搖動(dòng)變化，而此時(shí)如果還使用固定匹配閥值那么會(huì)讓vibe算法誤以為是運(yùn)動(dòng)目標(biāo)從而導(dǎo)致大面積的誤檢。因此針對(duì)這種情況，本文提出自適應(yīng)閥值，當(dāng)動(dòng)態(tài)背景變化較大時(shí)閥值設(shè)置較大，當(dāng)動(dòng)態(tài)背景變化較小時(shí)閥值設(shè)定也較小。

綜上所述，本文針對(duì)傳統(tǒng)vibe算法的不足，提出了改進(jìn)方法。本文通過(guò)兩組視頻進(jìn)行實(shí)驗(yàn)，以驗(yàn)證改進(jìn)后vibe前景檢測(cè)算法的性能。

1 ViBe算法原理簡(jiǎn)述

Vibe算法[12]的原理主要包含背景模型的初始化、運(yùn)動(dòng)檢測(cè)、背景模型的實(shí)時(shí)更新三個(gè)模塊。

1.1 背景模型初始化。

背景模型的建立就是為圖像中每個(gè)像素建立各自的樣本集，記當(dāng)前圖像的一個(gè)像素點(diǎn)為x，樣本集為，如果通常每個(gè)像素的樣本集數(shù)是20，記n為20。背景模型建立好了之后，就需要對(duì)樣本集進(jìn)行初始化，所謂的初始化就是通過(guò)選擇當(dāng)前像素點(diǎn)的領(lǐng)域像素點(diǎn)的值來(lái)進(jìn)行填充背景樣本集。

1.2 運(yùn)動(dòng)目標(biāo)檢測(cè)。

由于vibe運(yùn)動(dòng)目標(biāo)檢測(cè)算法是像素級(jí)別運(yùn)動(dòng)目標(biāo)檢測(cè)，vibe運(yùn)動(dòng)目標(biāo)檢測(cè)實(shí)際上就是像素分類(lèi)的一個(gè)過(guò)程。如圖1 vibe算法分類(lèi)模型。為中心，半徑的球體計(jì)算與的歐式距離，根據(jù)與交集的個(gè)數(shù)判斷當(dāng)前像素屬于前景還是背景。

圖1 vibe算法分類(lèi)模型

1.3 背景模型更新

采用保守的更新策略用來(lái)更新vibe算法的背景模型。保守的更新策略是指一旦某個(gè)像素被判定為前景像素，那么該像素點(diǎn)將一直不會(huì)填充到背景樣本集中，這也意味著該像素點(diǎn)永遠(yuǎn)不會(huì)更新背景模型。當(dāng)像素點(diǎn)被判定為背景像素時(shí)，那么隨機(jī)選擇背景樣本集中的一個(gè)值來(lái)進(jìn)行更新，同時(shí)也更新該領(lǐng)域的背景樣本值。由于所有背景樣本是等概率的情況下隨機(jī)選擇更新，某個(gè)樣本值在特定的時(shí)間沒(méi)有被更新的概率[13]為

，并且經(jīng)過(guò)一段時(shí)間后，仍然保留該樣本值的概率為公式(1)：

可以看出vibe前景檢測(cè)算法中的樣本更新與時(shí)間無(wú)關(guān)，采樣方式是無(wú)記憶，這種更新方式提高了vibe算法的動(dòng)態(tài)適應(yīng)能力。

2 提出算法的改進(jìn)

盡管隨機(jī)取樣和無(wú)記憶的更新策略使得vibe算法性能比較優(yōu)越，但是仍存在需要改進(jìn)的地方。本文針對(duì)原算法中存在鬼影和動(dòng)態(tài)場(chǎng)景敏感的問(wèn)題做了改進(jìn)，用來(lái)提高vibe前景檢測(cè)的準(zhǔn)確度。

2.1 針對(duì)鬼影的改進(jìn)

鬼影是由于vibe算法在通過(guò)視頻第一幀進(jìn)行初始化背景模型時(shí)，如果當(dāng)?shù)谝粠?dāng)中包含前景目標(biāo)時(shí)，鬼影將會(huì)伴隨著背景模型的初始化而產(chǎn)生。因此在進(jìn)行vibe算法之前先獲取真實(shí)的背景圖像是關(guān)鍵。本文通過(guò)三幀差分法背景建模獲取相對(duì)準(zhǔn)確的背景圖像，利用準(zhǔn)確的背景圖像填充背景樣本完成背景模型的初始化，最后通過(guò)前景檢測(cè)檢測(cè)出運(yùn)動(dòng)目標(biāo)。

具體步驟為：

首先設(shè)定預(yù)處理幀數(shù)、幀處理步長(zhǎng),當(dāng)前處理幀號(hào),背景生成幀號(hào)，則第幀圖像為表示的是幀圖像，表示的是幀圖像。

從t幀開(kāi)始，令。首先把視頻序列中連續(xù)的三幀圖像進(jìn)行灰度化處理。然后進(jìn)行差分運(yùn)算。因?yàn)椴罘趾蟮膱D像的直方圖有明顯的雙峰特征表示背景像素和前景像素之間的方差比較大，因此使用大津分割。最后使用二值化處理。根據(jù)獲得的差分圖像就能知道除了前景位置之外的部分的真實(shí)背景信息。這個(gè)時(shí)候獲得的背景信息并不是完整的背景圖像，因此需要對(duì)不完整的背景圖形進(jìn)行填充，繼續(xù)執(zhí)行以下步驟完成背景圖像的填充，從而獲得相對(duì)真實(shí)的背景圖像。

如果沒(méi)有，轉(zhuǎn)到（3）。

如果有，將第i幀此位置的像素進(jìn)行八領(lǐng)域填充為背景。

如果第t幀圖像運(yùn)動(dòng)目標(biāo)位置的像素已經(jīng)全部填充完畢轉(zhuǎn)（3）。

如果時(shí)，如果存在背景像素還沒(méi)有被填充，那么選擇背景像素中其領(lǐng)域像素值進(jìn)行近似填充。如果已經(jīng)全部填充了，輸出相對(duì)準(zhǔn)確的背景圖像。

將獲取到的相對(duì)準(zhǔn)確的背景圖像用來(lái)構(gòu)建每個(gè)像素的背景模型，然后根據(jù)前景檢測(cè)獲取運(yùn)動(dòng)目標(biāo)，最后進(jìn)行二值化處理。為vibe前景檢測(cè)算法檢測(cè)到的二值圖，可表示為：

2.2 針對(duì)動(dòng)態(tài)視頻場(chǎng)景敏感提出改進(jìn)

傳統(tǒng)vibe算法的匹配閥值不適應(yīng)動(dòng)態(tài)背景下的前景檢測(cè)。因此本文采用自適應(yīng)閥值來(lái)替代固定的匹配閥值。自適應(yīng)閥值是如果背景變化較大，則自適應(yīng)閥值將匹配閥值設(shè)置大一點(diǎn)，如果背景變化較小則將匹配閥值設(shè)置的小一點(diǎn)。

圖2 改進(jìn)vibe算法在動(dòng)態(tài)背景下檢測(cè)效果

2.3 改進(jìn)后的vibe運(yùn)動(dòng)目標(biāo)檢測(cè)

（1）首先通過(guò)三幀差分法背景建模獲取相對(duì)真實(shí)的背景圖像，之后將準(zhǔn)確的背景圖像建立20背景樣本圖像，完成背景建模。

（3）前景檢測(cè)時(shí)，如果前景像素被判定為背景像素，那么更新該像素的背景。設(shè)定時(shí)間采用因子為16，以十六分之一概率更新背景像素的樣本集中的樣本值。

3 實(shí)驗(yàn)結(jié)果分析

首先當(dāng)測(cè)試的視頻第一幀圖像中含有運(yùn)動(dòng)目標(biāo)，因此均存在鬼影。 從圖1中可以看出改進(jìn)后的vibe算法沒(méi)有出現(xiàn)鬼影，相比較傳統(tǒng)vibe算法準(zhǔn)確度更高。

圖1 改進(jìn)ViBe算法消除鬼影效果

其次測(cè)試的是背景會(huì)出現(xiàn)動(dòng)態(tài)變化的視頻，如下圖2,圖(a)和圖(b)分別是視頻原圖像和傳統(tǒng)算法，在有風(fēng)吹樹(shù)葉擾動(dòng)的背景下傳統(tǒng)vibe算法會(huì)出現(xiàn)大量的誤檢測(cè)點(diǎn)。而圖(c)是改進(jìn)vibe算法檢測(cè)效果，可以從圖像中看出大面積的誤檢點(diǎn)已經(jīng)去除，檢測(cè)效果更加準(zhǔn)確。

4 結(jié)論

本文對(duì)Vibe原算法進(jìn)行了研究分析，針對(duì)其在?；奋?chē)輛運(yùn)輸視頻監(jiān)控系統(tǒng)中vibe算法運(yùn)動(dòng)目標(biāo)檢測(cè)的不足，提出了一種改進(jìn)算法。改進(jìn)的vibe算法與傳統(tǒng)的vibe算法在鬼影、動(dòng)態(tài)背景變化影響較大方面相比較，得到了很大的改善，提高了目標(biāo)檢測(cè)的準(zhǔn)確度。

[1]MAHMASSANI,HANI S,Data-driven intelligent transportation systems：a survey[J]. Intelligent-transportation Systems，2011.

[2]張仲瑜，焦淑紅.多特征融合的紅外艦船目標(biāo)檢測(cè)方法[J].紅外與激光工程，2015.

[3]ZHANG B, PERINA A,LI Z, Bounding multiple Gaussian uncertainty with application to object tracking [J]. International Journal of Computer Vision，2016.

[4]Wixson I.Detecting Seilient Motion by Accumulating Directionally Consistent flow[J].IEEE Trans.Pattern Analysis and Machine Intelligence，2000.

[5]張磊，史金飛，羅翔.運(yùn)動(dòng)目標(biāo)檢測(cè)的差分圖像分析研究[J].工業(yè)儀表與自動(dòng)化裝置，2007.

[6]Barnich O,van Droogenbroeck M. ViBe : A powerful random technique to estimatc the background in video sequences[C]//Proc.Int.Conf.Acoust,Speech Signal Process，2009.

[7]Caseiro R，Henriques J,Martins P.Anonparametric riernannian framework on tensor field with application to foreground segmentation[c]//ICCV，2011.

[8]McIvor A.Background subtraction techniques [C]//Proc.Ima-geVis.Comput, Auckland. New Zealand , Nov，2000.

[9]Benezeth Y,Jodoin P,Emile B, Review and evaluation of commonly-imlemented background sub-strction algorithms[C] // Proc.IEEE,Int.Conf.Pattern Recognit，2008.

[10]Parks D,Fels S, Evaluation of background subtraction algo-rithms with post-processing [C]// Proc. IEEEIn t. Conf.Adv . VideoSignal Based Surveillance.Santa Fe, New Mexico, 2008.

[11]Joshi K A,Thakore DG.A Survey on Moving Object Detection and Tracking in Video Surveillance System[J]. Internationnal Journal of Soft Computing and Engineering, 2012.

[12]Barnich O,Van Droogenbroeck M, ViBe: A universal back-ground substraction algorithm for vido sequences[J].IEEE Transactions on Image Processing, 2011.

[13]Van Droogenbroeck M,Paquot O.Background subtraction:Experiments and improvements for ViBe[C].//Computer Vision and Pattern Recognition Workshops(CVPRW),2012 IEEE Computer Society Conference on. IEEE，2012.