熊玲，陳勇

（重慶師范大學(xué)計(jì)算機(jī)與信息科學(xué)學(xué)院，重慶401331）

0 引言

隨著社會(huì)的發(fā)展，人們的生活水平隨之不斷提高，監(jiān)控視頻快速的進(jìn)入到尋常百姓家，因此監(jiān)控視頻成為了人們安防系統(tǒng)中不可缺少的部分。要使監(jiān)控視頻發(fā)揮最大的作用，那么計(jì)算機(jī)視覺(jué)在監(jiān)控視頻中的應(yīng)用就變得越來(lái)越重要。而監(jiān)控視頻中的信息又復(fù)雜萬(wàn)千，我們?cè)谶M(jìn)行安防的時(shí)候卻只針對(duì)我們需要的信息進(jìn)行采集，所以視頻的處理越來(lái)越趨于智能化和自動(dòng)化。在針對(duì)室內(nèi)的獨(dú)居老人的行為檢測(cè)中由于背景環(huán)境相對(duì)復(fù)雜，所以就需要一個(gè)健壯穩(wěn)定的運(yùn)動(dòng)目標(biāo)檢測(cè)算法來(lái)對(duì)視頻的前期進(jìn)行預(yù)處理。

運(yùn)動(dòng)目標(biāo)檢測(cè)的前提是需要準(zhǔn)確地分割出我們所需要的準(zhǔn)確的目標(biāo)，目標(biāo)分割是后續(xù)行為檢測(cè)的基石。目前，目標(biāo)檢測(cè)最主流，也是最經(jīng)典的算法有：光流法[2]、幀差法[3]和背景減除法[4]。而背景減除法中最常用的算法是 ViBe（Visual Background Extractor），此算法是一種針對(duì)像素級(jí)建立背景模型并和當(dāng)前幀作背景差的算法。但該算法也存在著不足之處：①當(dāng)?shù)谝粠瑘D像含有運(yùn)動(dòng)目標(biāo)時(shí)，建立的背景模型就不準(zhǔn)確，會(huì)分割出虛擬的前景，即鬼影。②當(dāng)室內(nèi)的光照變化很大時(shí)，或者背景由于前景目標(biāo)而出現(xiàn)不完全時(shí)怎樣精確地得到背景圖像并與當(dāng)前幀圖像差分從而提取完整的前景目標(biāo)。針對(duì)以上問(wèn)題文獻(xiàn)[6]通過(guò)將原來(lái)的固定閾值變成動(dòng)態(tài)閾值來(lái)減少前景提取出現(xiàn)的空洞，以提高目標(biāo)檢測(cè)的抗干擾能力，還利用二次更新的策略來(lái)更新背景模版。文獻(xiàn)[7]中是利用邊緣的相似性來(lái)判斷鬼影，并結(jié)合三幀差分的方法消除鬼影。

本文深入研究背景差分法中的一種高效建模方法——ViBe算法，利用像素之間的空間特性和前景判斷的周期來(lái)改進(jìn)優(yōu)化該算法，提高該算法的性能和準(zhǔn)確度，得到令人滿意的結(jié)果。

1 ViBe算法原理簡(jiǎn)述

ViBe算法在運(yùn)動(dòng)目標(biāo)檢測(cè)中是采用隨機(jī)原則。在背景建模和更新中都是使用隨機(jī)更新和鄰域隨機(jī)算法的機(jī)制[5]。其中該算法中包含的三個(gè)部分為：背景模板初始化、目標(biāo)檢測(cè)和背景更新。

1.1 背景模板的初始化

ViBe算法是采用視頻序列圖像的第一幀來(lái)初始化背景模板。針對(duì)視頻圖像的每一個(gè)像素所表示出的背景模型如下所示：

其中，vi表示的是視頻序列中像素x所對(duì)應(yīng)的背景樣本空間，N表示的是樣本空間的大小。

該算法的初始化使用的是視頻序列中每個(gè)像素與其鄰域像素之間所特有的相似空間分布特性，利用視頻序列的第一幀圖像，隨機(jī)的從每個(gè)像素的八鄰域（如圖1所示）中選取像素值作為該像素點(diǎn)的背景模型值，并被記為vi，以此重復(fù)選擇N次，得到該像素點(diǎn)的背景模型 M（x）。

圖1 八鄰域模型

1.2 目標(biāo)檢測(cè)

目標(biāo)檢測(cè)是從視頻序列的第二幀開(kāi)始，通過(guò)當(dāng)前幀與背景模型樣本中之間像素的差值來(lái)判斷是否屬于前景目標(biāo)，也就是當(dāng)前幀的每一個(gè)像素與該像素所對(duì)應(yīng)的背景模型N個(gè)樣本之間的距離來(lái)判斷（如圖2所示）。

圖2 當(dāng)前像素點(diǎn)與背景模型的比較

如圖2所示，對(duì)應(yīng)的是以v(x)為中心，R為半徑的圓形區(qū)域中所對(duì)應(yīng)的像素x，若包含在該圓形中的像素點(diǎn)個(gè)數(shù)大于#min，則該像素點(diǎn)就是背景點(diǎn)，因此就需要對(duì)背景模型進(jìn)行更新，而背景模型更新的準(zhǔn)則為：

1.3 背景更新

背景更新采用的是隨機(jī)更新的策略，更新機(jī)制如下所示：

（1）當(dāng)像素點(diǎn)被判定為背景時(shí)，就得給背景模型更新，該像素點(diǎn)有的概率更新該像素點(diǎn)，也就是當(dāng)該像素點(diǎn)被判定為背景點(diǎn)時(shí)，并不是必須更新該背景像素點(diǎn)，更新是具有一定的概率性的。而更新的方法是是隨機(jī)的選擇一個(gè)樣本點(diǎn)，用當(dāng)前幀的該像素點(diǎn)進(jìn)行填充更新。

（3）在更新時(shí)采用的是隨機(jī)更新的機(jī)制，以此可以保證樣本值的平滑周期。每一個(gè)像素點(diǎn)不被更新的概率是，假設(shè)在連續(xù)時(shí)間下，dt后樣本值的保留概率為：

（4）從公式（3）中看出，樣本模型的更新與時(shí)間是無(wú)關(guān)的，所以隨機(jī)策略的方法是有效的。

2 提出的改進(jìn)算法

ViBe算法在模型初始化和鬼影殘影[8-10]的快速消除中仍存在很多不足。本算法針對(duì)原算法在該方面的不足提出了兩方面的問(wèn)題改進(jìn)，一是在背景模型初始化中選擇初始化的鄰域發(fā)生變化；二是在針對(duì)鬼影和殘影的問(wèn)題上，為了加快鬼殘影的去除加入了滯留參數(shù)和背景分割參數(shù)，以此提高檢測(cè)精確度。

2.1 針對(duì)背景模型初始化的改進(jìn)

在原始ViBe算法中是通過(guò)第一幀視頻序列圖像每個(gè)像素周圍的八鄰域來(lái)初始化該像素的背景模板，然后在隨機(jī)選擇像素值時(shí)，由于每次都是從3×3的像素中選擇N次，導(dǎo)致每次初始化時(shí)就會(huì)出現(xiàn)對(duì)一個(gè)像素選擇多次，導(dǎo)致在后面進(jìn)行閾值分割出前景目標(biāo)時(shí)出現(xiàn)更多的空洞。

所以本文提出使用像素幀的每個(gè)像素的24鄰域來(lái)初始化背景幀，而針對(duì)圖像邊緣值則就用邊緣像素值來(lái)填充，為每幀圖像對(duì)添加兩行兩列，而此兩行兩列的值都是原始序列幀的邊緣值。

2.2 針對(duì)加速鬼殘影去除算法的改進(jìn)

在原始ViBe算法中當(dāng)視頻序列的第一幀中出現(xiàn)運(yùn)動(dòng)目標(biāo)，那么初始化背景模型時(shí)就會(huì)出現(xiàn)鬼影，在后面運(yùn)動(dòng)加速時(shí)就會(huì)出現(xiàn)殘影，所以針對(duì)這兩種情況，本文提出了滯留參數(shù)和背景分割參數(shù)的方法來(lái)抑制鬼殘影的出現(xiàn)，加快鬼殘影的消除。

本文在原算法上為每個(gè)像素點(diǎn)都分配了滯留值β，當(dāng)一個(gè)像素點(diǎn)通過(guò)閾值的判定一直被判定為前景時(shí)，且該值超過(guò)了滯留值，那該像素點(diǎn)就會(huì)是鬼影或殘影。在背景分割上為了分割出更精準(zhǔn)的前景，通過(guò)閾值判定來(lái)進(jìn)行判斷，而針對(duì)每個(gè)像素值與背景樣本值通過(guò)閾值判定得到前景目標(biāo)的二值圖像后，再通過(guò)閾值來(lái)把當(dāng)前像素值與其鄰域像素值作比較得到二值圖像，最后通過(guò)兩二值圖像做與操作得到最后精確的前景目標(biāo)。

2.3 檢測(cè)和更新流程

改進(jìn)后的算法的流程如下：

（1）背景模板初始化。假設(shè)每個(gè)像素的背景模板樣本的數(shù)量為N，對(duì)視頻第一幀的每一個(gè)像素隨機(jī)選擇該像素的24鄰域作為樣本值，同時(shí)為每個(gè)像素設(shè)置該像素(x,y)的前景生命周期矩陣為F(x,y)并初始化為零。

（2）前景目標(biāo)差分。利用當(dāng)前像素與N個(gè)背景模板像素做差分，通過(guò)閾值判斷是否屬于前景，如果是前景分割出前景目標(biāo)

（3）模板更新。模板的更新包括背景樣本、背景模板和生命周期矩陣的更新。利用分割出的二值圖像判定(x,y)像素點(diǎn)是否是前景，如是前景則F(x,y）中的值就得加1。若連續(xù)被判斷為前景點(diǎn)的次數(shù)大于滯留值β，則該點(diǎn)是鬼影或者殘影，那么就得利用相同的方法更新背景模板。若(x,y)在其中一旦出現(xiàn)是背景點(diǎn)，則F(x,y中的值被置零。而樣本模版的更新則根據(jù)1/γ的概率隨即更新。

（4）空洞填充。通過(guò)改進(jìn)的算法得到前景目標(biāo)的二值圖像后會(huì)出現(xiàn)很多空洞，所以使用形態(tài)學(xué)方法進(jìn)行空洞填充。

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文的算法，利用三組室內(nèi)視頻對(duì)實(shí)驗(yàn)進(jìn)行測(cè)試并做對(duì)比試驗(yàn)。本文實(shí)驗(yàn)的環(huán)境和參數(shù)設(shè)置如下：Windows 10系統(tǒng)，Intel i5的處理器，4G的運(yùn)行內(nèi)存，使用MATLAB R2015a做實(shí)驗(yàn)仿真。實(shí)驗(yàn)中的運(yùn)行參數(shù)為背景模型樣本數(shù)N=20，判斷閾值R=20，背景樣本最小匹配數(shù)#min=2，更新因子γ=10，滯留值為β=3。本文選取changedetection視頻庫(kù)中的input視頻和in?telligentroom視頻驗(yàn)證本文算法。

本算法采用input視頻的第36幀和intelligentroom的第300幀呈現(xiàn)算法之間的對(duì)比。實(shí)驗(yàn)結(jié)果如下：圖（a）和（b）分別使input監(jiān)控視頻序列第36幀和intelli?gentroom監(jiān)控視頻序列第300幀的圖像，圖（c）和（d）分別是原圖像經(jīng)過(guò)傳統(tǒng)的ViBe算法的檢查結(jié)果，圖（e）和（f）分別是在原始算法上改進(jìn)鄰域值的選取后出現(xiàn)的實(shí)驗(yàn)結(jié)果，圖（g）和（h）分別是添加滯留值后出現(xiàn)的實(shí)驗(yàn)結(jié)果，圖（i）和（j）是針對(duì)不同的視頻經(jīng)過(guò)本文改進(jìn)算法后得到的實(shí)驗(yàn)結(jié)果。

圖3

由實(shí)驗(yàn)結(jié)果可以看出在視頻input中原始的ViBe算法在視頻序列第一幀出現(xiàn)運(yùn)動(dòng)目標(biāo)時(shí)，到第36幀還出現(xiàn)嚴(yán)重的鬼影或者殘影，經(jīng)過(guò)本文算法的改進(jìn)在圖（i）中鬼影或殘影基本消失。在intelligentroom視頻中由于視頻序列的第一幀沒(méi)有出現(xiàn)與運(yùn)動(dòng)目標(biāo)，所以沒(méi)有出現(xiàn)鬼影或殘影，從而增加了前景目標(biāo)的完整性。但在圖（d）中能夠看到很多由于光照不均勻，背景的變化導(dǎo)致提取的前景目標(biāo)不精準(zhǔn)，所以通過(guò)本文算法（j）后得到了完整的前景目標(biāo)。經(jīng)過(guò)本文的算法，得到的前景目標(biāo)與實(shí)際壞境中相一致。

4 結(jié)語(yǔ)

本文對(duì)ViBe算法進(jìn)行了分析研究，針對(duì)其在室內(nèi)檢測(cè)出現(xiàn)的不足提出了改進(jìn)算法。利用背景初始化時(shí)鄰域的選擇增加背景模型初始化的精確度減少前景起初出現(xiàn)的空洞現(xiàn)象，并為提取得到的前景目標(biāo)設(shè)置滯留值消除由于初始化存在運(yùn)動(dòng)目標(biāo)從而導(dǎo)致存在殘影或者鬼影出現(xiàn)的前景提取錯(cuò)誤的問(wèn)題。在這兩組視頻中通過(guò)對(duì)原始算法和本文算法做了一個(gè)對(duì)比，證明了本文算法的有效性和檢測(cè)性能的提高。