陳 權(quán)，黃 俊，徐 訪

(重慶郵電大學(xué) 通信與信息工程學(xué)院，重慶 400065)

E-mail:1527682810@qq.com

1 引 言

在生活中，運(yùn)動(dòng)目標(biāo)檢測(cè)的應(yīng)用領(lǐng)域越來(lái)越廣泛，發(fā)揮的作用也越來(lái)越重要，其本質(zhì)是分析視頻序列圖像進(jìn)而提取運(yùn)動(dòng)目標(biāo).目前，常用的運(yùn)動(dòng)目標(biāo)檢測(cè)算法有：光流法，背景減法，幀間差分法[1].光流法不需要了解場(chǎng)景的信息，利用光流場(chǎng)的變化就可以準(zhǔn)確地檢測(cè)識(shí)別出運(yùn)動(dòng)目標(biāo)的位置，但計(jì)算量大且抗噪聲性能差.幀間差分法利用時(shí)間連續(xù)的兩幀圖像的灰度圖做差分運(yùn)算，得到差分圖像的過(guò)程.該方法計(jì)算簡(jiǎn)單，適用于簡(jiǎn)單的場(chǎng)景，但容易產(chǎn)生大面積的空洞現(xiàn)象.以高斯混合模型(GMM)[2]和視覺(jué)背景提取算法(ViBe)[3]為代表的背景減法是目前最常用的運(yùn)動(dòng)目標(biāo)檢測(cè)研究方法.背景減法主要是初始化一個(gè)背景模型，將背景模型與后續(xù)的每一幀圖像進(jìn)行比較，得到運(yùn)動(dòng)目標(biāo)并對(duì)背景模型進(jìn)行更新[4].

由于高斯混合模型(GMM)在目標(biāo)運(yùn)動(dòng)緩慢的情況下容易出現(xiàn)拖影現(xiàn)象，且模型計(jì)算復(fù)雜度較高，實(shí)時(shí)性較差.O.Barnich和M.Van Droogrnbroeck在2011年提出了一種像素級(jí)的前景檢測(cè)算法—ViBe.ViBe算法利用視頻第1幀實(shí)現(xiàn)背景模型初始化，利用新幀背景像素點(diǎn)更新背景樣本模型，使得背景模型的分布規(guī)律更加符合實(shí)際，具有占用內(nèi)存小，檢測(cè)效果好等特點(diǎn).但ViBe算法同樣存在一些不足，視頻第1幀存在運(yùn)動(dòng)目標(biāo)的圖像，算法會(huì)將相應(yīng)區(qū)域的背景誤判為前景，從而在背景模型中引入一個(gè)虛擬的前景，即“鬼影”現(xiàn)象.在光照條件下，運(yùn)動(dòng)目標(biāo)產(chǎn)生的影子也會(huì)在背景模型中留下明顯的陰影區(qū)域.“鬼影”現(xiàn)象和陰影問(wèn)題的產(chǎn)生嚴(yán)重影響了運(yùn)動(dòng)目標(biāo)的提取效果，對(duì)后續(xù)的目標(biāo)跟蹤、異常行為檢測(cè)也造成了不利影響.

對(duì)于ViBe算法容易出現(xiàn)“鬼影”現(xiàn)象及陰影的問(wèn)題，已經(jīng)有很多的學(xué)者對(duì)其進(jìn)行了深入的研究.文獻(xiàn)[5]對(duì)傳統(tǒng)的ViBe算法進(jìn)行了改進(jìn)，利用傳統(tǒng)ViBe算法檢測(cè)運(yùn)動(dòng)對(duì)象，對(duì)特定區(qū)域連續(xù)多幀的靜態(tài)前景進(jìn)行鬼影和靜態(tài)對(duì)象的區(qū)分，然后使用更新策略進(jìn)行背景模型的更新，加快“鬼影”的消除.文獻(xiàn)[6]利用加權(quán)窗選擇ViBe模型的動(dòng)態(tài)自適應(yīng)最優(yōu)參數(shù)，結(jié)合幀間差分法，加速“鬼影”的消除；文獻(xiàn)[7]利用了幀間差分的實(shí)時(shí)特征方法，將三幀差分所得二值圖像與ViBe算法所得的結(jié)果圖像進(jìn)行邏輯運(yùn)算，從而快速地消除“鬼影”現(xiàn)象.文獻(xiàn)[8]提出了一種去除陰影的背景減法，利用HIS色彩空間的色相測(cè)量色度，尺度不變3值模式(SILTP)測(cè)量紋理，使用亮度、顏色色調(diào)和紋理模型對(duì)檢測(cè)到的陰影區(qū)域進(jìn)行陰影去除.文獻(xiàn)[9]利用陰影區(qū)域顏色和紋理的各自特點(diǎn)，使用YCbCr顏色空間與CLBP相結(jié)合的方法，準(zhǔn)確的消除前景目標(biāo)中存在的陰影區(qū)域.文獻(xiàn)[10]對(duì)傳統(tǒng)的混合高斯模型進(jìn)行改進(jìn)，利用灰度比的梯度的平均值來(lái)確定陰影像素點(diǎn)，考慮到陰影區(qū)域與運(yùn)動(dòng)目標(biāo)的一部分具有一定的相似性造成運(yùn)動(dòng)目標(biāo)被錯(cuò)誤移除，采用歸一化互相關(guān)方法確保運(yùn)動(dòng)目標(biāo)的完整性，從而準(zhǔn)確的消除陰影區(qū)域.以上方法對(duì)消除“鬼影“現(xiàn)象、解決陰影問(wèn)題都起到了一定的作用.

根據(jù)以上學(xué)者的研究，結(jié)合傳統(tǒng)視覺(jué)背景提取算法在室內(nèi)監(jiān)控條件下容易產(chǎn)生“鬼影”現(xiàn)象以及陰影難以消除的問(wèn)題.本文在傳統(tǒng)ViBe算法基礎(chǔ)上提出一種改進(jìn)的算法.首先，采用一種外接矩形像素直方圖對(duì)比法，將目標(biāo)區(qū)域直方圖與鄰域背景區(qū)域直方圖相比較，利用余弦值和巴氏距離判斷直方圖之間的匹配程度，從而確定并消除“鬼影”現(xiàn)象.其次，將得到的運(yùn)動(dòng)目標(biāo)圖像與對(duì)應(yīng)背景樣本模型映射到Y(jié)CbCr 顏色空間，利用YCbCr 顏色空間與混合高斯陰影模型相結(jié)合，準(zhǔn)確的判斷出陰影區(qū)域在圖像中的位置，實(shí)現(xiàn)對(duì)陰影區(qū)域的準(zhǔn)確消除.

2 ViBe算法介紹

ViBe(Visual Background Extractor)算法，即視覺(jué)背景提取算法，是一種基于背景模型更新的前景檢測(cè)算法[11]，由于其獨(dú)特的更新策略，使得ViBe算法的前景提取效果優(yōu)于大多數(shù)的前景檢測(cè)方法.

2.1 背景模型初始化

ViBe算法利用相鄰像素點(diǎn)擁有相近的像素值，在此空間分布特征的基礎(chǔ)上初始化背景模型.對(duì)于每一個(gè)像素點(diǎn)，隨機(jī)選取N個(gè)鄰域點(diǎn)的像素值作為對(duì)應(yīng)像素點(diǎn)的背景樣本集，鄰域點(diǎn)像素值的選取主要采用8鄰域方法進(jìn)行隨機(jī)選取.背景樣本集M(x)在形式上標(biāo)識(shí)為：

M(x)={f1,f2,f3,…,fN}

(1)

式中M(x)為像素點(diǎn)x對(duì)應(yīng)的背景樣本集，fi為隨機(jī)采取的鄰域點(diǎn)像素值.N取經(jīng)驗(yàn)值20.

2.2 前景檢測(cè)

前景檢測(cè)，利用背景模型對(duì)新一幀圖像中像素點(diǎn)進(jìn)行判定，主要思想為：當(dāng)新一幀圖像到來(lái)，將背景模型中的背景樣本集與圖像對(duì)應(yīng)像素值進(jìn)行比較，從而判斷出圖像中的像素點(diǎn)是前景點(diǎn)還是背景點(diǎn).判定示意圖如圖1所示.

定義一個(gè)以x點(diǎn)為圓心，R為半徑的球空間SR(f(x))，計(jì)算球空間SR(f(x))與背景樣本集M(x)之間交集的樣本數(shù)U，U=SR(f(x))∩{f1,f2,…,fN}.當(dāng)U小于預(yù)設(shè)閥值#min，該像素點(diǎn)為前景點(diǎn)，否則，為背景點(diǎn).過(guò)程可描為：

圖1 ViBe算法前景檢測(cè)原理圖Fig.1 Schematic diagram of ViBe algorithm foreground detection

(2)

其中foreground代表前景點(diǎn)，background代表背景點(diǎn)，#min表示預(yù)設(shè)閾值，#min一般取2.

二值化結(jié)果表示為：

(3)

2.3 背景模型更新

ViBe算法采用了一種保守更新結(jié)合前景點(diǎn)計(jì)數(shù)的更新策略，使得背景模型在復(fù)雜的條件下也能夠不斷地適應(yīng).對(duì)于判定為背景的像素點(diǎn)，有1/ψ的概率去更新所在位置的背景樣本集M(x).主要是從背景樣本集中隨機(jī)地選取一個(gè)像素值，將判定為背景的像素點(diǎn)的像素值與其進(jìn)行替換.同時(shí)也有1/ψ的概率更新它的鄰域背景樣本集.在隨機(jī)的替換背景樣本集的某一像素值時(shí)，背景樣本集中的其他像素值在時(shí)刻t不被更新的概率為(N-1)/N,在經(jīng)過(guò)dt時(shí)間段之后，背景樣本集中的像素值仍然保留的概率為：

(4)

式(4)可以看出，在背景模型更新的過(guò)程中，背景樣本集中的像素值是否被替換與時(shí)間無(wú)關(guān)，即這種隨機(jī)更新策略是合適的.

3 改進(jìn)的ViBe算法

本文主要是以人物在室內(nèi)的活動(dòng)軌跡為研究題材，對(duì)于使用傳統(tǒng)ViBe算法容易引入“鬼影”現(xiàn)象及陰影問(wèn)題.提出一種改進(jìn)的ViBe算法.本文算法流程圖如圖2所示.

3.1 改進(jìn)ViBe背景建模

相較于其他的背景建模方法，ViBe算法具有其特殊性，該算法利用視頻第一幀實(shí)現(xiàn)背景模型初始化.主要從8鄰域中隨機(jī)采樣20次，作為像素點(diǎn)x的背景樣本集.該方法會(huì)造成鄰域區(qū)間的某一像素值被多次采樣，背景樣本模型中樣本重復(fù)率較高，影響了ViBe算法的準(zhǔn)確性.針對(duì)這一問(wèn)題，采用擴(kuò)展法對(duì)ViBe算法進(jìn)行改進(jìn).

如圖3所示，24鄰域是在8鄰域的基礎(chǔ)上，向8鄰域的上下左右4個(gè)方向進(jìn)行擴(kuò)展，得到一個(gè)5×5的樣本矩陣.從24鄰域中隨機(jī)采樣20次，實(shí)現(xiàn)背景模型的初始化，能夠減少鄰域像素值被重復(fù)選區(qū)的概率.鄰域的擴(kuò)大，也有助于提高運(yùn)動(dòng)目標(biāo)檢測(cè)的準(zhǔn)確性.此外，當(dāng)像素點(diǎn)位于圖像邊緣或者靠近邊緣的地方，如圖4(a)所示，8鄰域只有5、7、8這3個(gè)位置落在圖像中，從這3個(gè)位置選取20個(gè)像素值，采樣重復(fù)率太高.如圖4(b)所示，當(dāng)x位于圖像的邊界，將鄰域進(jìn)行平移，形成新的鄰域布局，使24鄰域全部落在圖像中，然后從新的鄰域布局中進(jìn)行樣本采樣，能夠避免重復(fù)采樣.最后，無(wú)論像素點(diǎn)處于圖像內(nèi)還是圖像邊界，采用擴(kuò)展法，可以保證鄰域的個(gè)數(shù)為24，不會(huì)造成鄰域的丟失，減低了樣本被重復(fù)選取的概率.

圖2 本文算法流程圖Fig.2 Flow chart of this algorithm

圖3 像素采樣值采樣Fig.3 Pixel sampling value sampling

圖4 像素采樣值采樣Fig.4 Pixel sampling value sampling

3.2 針對(duì)“鬼影”現(xiàn)象的改進(jìn)

ViBe算法在前景提取的時(shí)候，當(dāng)視頻第1幀存在運(yùn)動(dòng)目標(biāo)，后續(xù)多幀都會(huì)存在第1幀運(yùn)動(dòng)目標(biāo)的影像，即“鬼影”現(xiàn)象.從圖5可以看出，“鬼影”現(xiàn)象的存在對(duì)前景提取產(chǎn)生了很大的干擾，也嚴(yán)重影響了運(yùn)動(dòng)目標(biāo)檢測(cè)的準(zhǔn)確性.針對(duì)此問(wèn)題，本文采用一種外接矩形像素直方圖的方法，利用運(yùn)動(dòng)目標(biāo)區(qū)域直方圖與鄰域背景區(qū)域直方圖相似度匹配快速消除“鬼影”現(xiàn)象.算法的主要思想為：用R表示運(yùn)動(dòng)目標(biāo)區(qū)域的最小外接，用RF表示檢測(cè)到的運(yùn)動(dòng)目標(biāo)區(qū)域，用RB表示矩形框內(nèi)的背景區(qū)域，即RB=R-RF.然后作出運(yùn)動(dòng)目標(biāo)區(qū)域RF對(duì)應(yīng)直方圖和鄰近背景區(qū)域RB對(duì)應(yīng)直方圖，計(jì)算兩個(gè)直方圖之間的匹配程度.如果是運(yùn)動(dòng)目標(biāo)，則運(yùn)動(dòng)目標(biāo)區(qū)域直方圖與背景區(qū)域直方圖不相匹配，顏色分布相差較大；如果是“鬼影”，直方圖相匹配，顏色分布相近.“鬼影”判別準(zhǔn)則為：

圖5 真實(shí)目標(biāo)和“鬼影”標(biāo)定示意圖Fig.5 Schematic diagram of real target and “ghost” calibration

(5)

圖6 外接矩形區(qū)域像素直方圖對(duì)比Fig.6 Comparison of pixel histograms in the external rectangular area

T1和T2為所設(shè)定的閥值.經(jīng)驗(yàn)證，當(dāng)T1=0.65，T2=0.49時(shí)，效果最好.Mcosθ(Hi,Hj)>T1&MD(Hi,Hj)

(6)

(7)

Mcosθ(Hi,Hj)為運(yùn)動(dòng)目標(biāo)區(qū)域直方圖與鄰域背景區(qū)域直方圖兩者之間的夾角余弦值cosθ.由此可知，兩直方圖之間的夾角越接近0，Mcosθ(Hi,Hj)越接近1，說(shuō)明兩個(gè)直方圖越相似；MD(Hi,Hj)為運(yùn)動(dòng)目標(biāo)區(qū)域直方圖與背景區(qū)域直方圖兩者之間的巴氏距離D，巴氏距離結(jié)果越大，結(jié)果值越接近1，兩直方圖越不匹配；相反，巴氏距離結(jié)果越小，結(jié)果值越接近0，兩直方圖越匹配.同理，按照上述方法計(jì)算出“鬼影”直方圖及“鬼影”鄰域直方圖之間的匹配程度.將余弦?jiàn)A角與巴氏距離帶入公式(5)判斷鬼影區(qū)域，并將鬼影區(qū)域的鬼影點(diǎn)像素置為0，然后參與背景模型更新，以快速消除鬼影現(xiàn)象.消除鬼影如圖7所示.

圖7 消除鬼影Fig.7 Ghost removal

3.3 針對(duì)陰影問(wèn)題的改進(jìn)

陰影的產(chǎn)生來(lái)源于光的直線傳播被物體所遮擋，從而在背景區(qū)域留下的影子.在運(yùn)動(dòng)目標(biāo)檢測(cè)過(guò)程中，陰影被提取為前景并與真實(shí)的目標(biāo)連接在一起，會(huì)造成真正的運(yùn)動(dòng)目標(biāo)形狀發(fā)生改變，降低前景提取的準(zhǔn)確性.因此，消除陰影十分重要.目前，大多數(shù)的視頻采集設(shè)備所采集的視頻都是基于RGB顏色空間的，但是RGB顏色空間中紅(R)、綠(G)、藍(lán)(B)3個(gè)顏色分量各分量相關(guān)性較高、多余信息較多.因此，本文提出利用YCbCr顏色空間和混合高斯模型相結(jié)合的方法準(zhǔn)確的消除陰影區(qū)域.考慮到RGB顏色空間可以線性轉(zhuǎn)換為YCbCr顏色空間，且YCbCr顏色空間中亮度分量Y與色度分量Cb、Cr相互獨(dú)立.利用轉(zhuǎn)換公式(8)將RGB顏色空間轉(zhuǎn)化到Y(jié)CbCr顏色空間.

(8)

將ViBe算法去除“鬼影”現(xiàn)象之后的運(yùn)動(dòng)目標(biāo)圖像和與之對(duì)應(yīng)的背景樣本模型映射到Y(jié)CbCr顏色空間，得到運(yùn)動(dòng)目標(biāo)圖像與背景樣本模型在YCbCr顏色空間中Y、Cb、Cr這3個(gè)分量的值.然后將兩幅圖像對(duì)應(yīng)的Y、Cb、Cr分量值做差并取絕對(duì)值，進(jìn)行差分運(yùn)算.對(duì)于陰影點(diǎn)的判定，考慮陰影區(qū)域的整體亮度相較于背景圖像而言，亮度較低，而且色調(diào)基本保持不變.因此，在YCbCr顏色空間中，利用公式(9)對(duì)陰影點(diǎn)進(jìn)行判定，從而確定整個(gè)陰影區(qū)域的位置.

(9)

式中IY(x)與BY(x)、ICb(x)與BCb(x)、ICr(x)與BCr(x)分別表示運(yùn)動(dòng)目標(biāo)像素點(diǎn)與背景樣本模型對(duì)應(yīng)點(diǎn)的Y、Cb、Cr分量；TY，TCb，TCr分別是Y，Cb和Cr這3個(gè)差分分量的閾值，通過(guò)相關(guān)實(shí)驗(yàn)，當(dāng)TY=50，TCb=10，TCr=15時(shí)，滿足陰影在YCbCr顏色空間的共性.因此，選取以上3個(gè)分量值作為Y，Cb和Cr差分分量的閾值.

考慮到利用YCbCr顏色空間所確定的陰影區(qū)域，包含著亮度較低且藍(lán)色分量較大的非陰影區(qū)域.因此，采用混合高斯模型對(duì)YCbCr顏色空間所判定的陰影區(qū)域進(jìn)行進(jìn)一步的確定，從而準(zhǔn)確的檢測(cè)和消除陰影區(qū)域.考慮到像素點(diǎn)x的值隨著時(shí)間而變化，設(shè)其像素值分別為{x1,x2,…,xt}，這些像素值分布情況可以用為K個(gè)高斯分布的線性組合來(lái)表示，像素值xt被判定為陰影點(diǎn)的概率可以通過(guò)公式(10)得到：

(10)

(11)

對(duì)于時(shí)刻t像素點(diǎn)x的像素值xt，當(dāng)xt滿足公式(12),則認(rèn)為該像素點(diǎn)與第i個(gè)高斯分布匹配.

|xt-μi,t|≤2.5σi,t

(12)

當(dāng)出現(xiàn)像素點(diǎn)與高斯分布相匹配的情況時(shí)，需要對(duì)高斯分布參數(shù)的進(jìn)行更新：

(13)

其中，α(0≤α≤1)是背景更新率.Et=1，說(shuō)明像素點(diǎn)與高斯分布相匹配，需要對(duì)參數(shù)中的均值和方差進(jìn)行更新；Et=0，像素點(diǎn)與高斯分布不匹配時(shí)，不需要更新高斯分布，只更新權(quán)值ωi,t.

(14)

將像素值與前B個(gè)高斯分布一起放入建立的混合高斯陰影模型中，并按照優(yōu)先級(jí)的順序進(jìn)行逐一的匹配.如果該像素點(diǎn)的像素值與高斯分布相匹配，為陰影點(diǎn)；否則為前景點(diǎn).從而實(shí)現(xiàn)陰影的準(zhǔn)確消除.陰影消除如圖8所示.

圖8 消除陰影區(qū)域Fig.8 Shaded areas are eliminated

4 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)與參數(shù)設(shè)置

4.1 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文改進(jìn)算法的實(shí)驗(yàn)效果，使用C++編程語(yǔ)言實(shí)現(xiàn)本文的改進(jìn)算法，測(cè)試實(shí)驗(yàn)在AMD處理器、內(nèi)存8G的Window10環(huán)境下進(jìn)行，同時(shí)采用VS2019及OpenCV為開(kāi)發(fā)工具.同時(shí)，算法的參數(shù)設(shè)置情況為：像素點(diǎn)樣本集的個(gè)數(shù)默認(rèn)值為20，最小相似像素點(diǎn)數(shù)量#min=2.同時(shí)，本文選用網(wǎng)上比較有代表性的公開(kāi)數(shù)據(jù)集對(duì)改進(jìn)算法的性能進(jìn)行驗(yàn)證，分別為L(zhǎng)e2i公開(kāi)數(shù)據(jù)庫(kù)中的“office”序列和“home”序列、CDnet2014數(shù)據(jù)集中的“cubicle”序列和“PETS2006”序列.

其中“office”序列和“PETS2006”序列在視頻第1幀就包含運(yùn)動(dòng)目標(biāo)，主要用來(lái)測(cè)試傳統(tǒng)的ViBe算法在該視頻序列下會(huì)產(chǎn)生“鬼影”現(xiàn)象及本文算法能夠?qū)崿F(xiàn)“鬼影”的消除.“cubicle”序列以及“PETS2006”序列代表了在光照條件下，運(yùn)動(dòng)目標(biāo)對(duì)光線的遮擋產(chǎn)生影子，前景提取出來(lái)的運(yùn)動(dòng)目標(biāo)會(huì)產(chǎn)生與人物相連的陰影區(qū)域，本文算法能夠有效的去除陰影區(qū)域.“home”序列第1幀不包含運(yùn)動(dòng)目標(biāo)，使用該序列將ViBe算法與文本算法進(jìn)行自然場(chǎng)景下的比較.最后，本文還將三幀差分算法、GMM算法、ViBe算法與本文算法進(jìn)行對(duì)比，進(jìn)而驗(yàn)證本文算法在消除“鬼影”現(xiàn)象和去除陰影區(qū)域的能力，各算法在4種不同監(jiān)控場(chǎng)景下效果圖如圖9所示.

圖9 4類(lèi)場(chǎng)景各算法檢測(cè)效果對(duì)比Fig.9 Comparison of detection effects of each algorithm in four scenes

從圖9可以看出，在“office”序列和“PETS2006”序列中，傳統(tǒng)的ViBe算法存在明顯的“鬼影”現(xiàn)象，并一直持續(xù)于后續(xù)多幀圖像.而本文改進(jìn)的ViBe算法對(duì)“鬼影”現(xiàn)象進(jìn)行了有效的抑制.“cubicle”序列以及“PETS2006”序列中，人物的影子造成前景提取出現(xiàn)陰影現(xiàn)象.GMM、ViBe算法在提取出來(lái)的前景目標(biāo)中，都含有明顯的陰影區(qū)域，并且陰影區(qū)域與運(yùn)動(dòng)目標(biāo)相連.而文本算法能夠?qū)﹃幱皡^(qū)域進(jìn)行準(zhǔn)確的消除.通過(guò)“home”序列，可以看出，在第1幀沒(méi)有運(yùn)動(dòng)目標(biāo)的情況下，本文算法的前景提取效果仍然優(yōu)于ViBe算法.最后，三幀差分內(nèi)部出現(xiàn)大量的空洞現(xiàn)象，GMM存在陰影區(qū)域，ViBe存在“鬼影”及陰影現(xiàn)象，文本算法前景提取效果更好.

4.2 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)

為了更好的檢測(cè)實(shí)驗(yàn)效果，需要對(duì)本文算法做定量分析.本文選擇查準(zhǔn)率(Precision)、查全率(Recall)、F度量(F-measure)和漏檢率(FNR)4個(gè)常用指標(biāo)進(jìn)行定量分析.定義為：

(15)

(16)

(17)

(18)

其中TP為檢測(cè)結(jié)果中前景像素點(diǎn)正確的個(gè)數(shù)，F(xiàn)P為為檢測(cè)結(jié)果為前景點(diǎn)實(shí)際上是背景點(diǎn)的個(gè)數(shù)；FN為檢測(cè)為背景點(diǎn)實(shí)際上是前景點(diǎn)的個(gè)數(shù)；在4個(gè)常用指標(biāo)當(dāng)中，查準(zhǔn)率(Precision)和查全率(Recall)越高，漏檢率(FNR)越低，則運(yùn)動(dòng)目標(biāo)檢測(cè)的效果越好；F-measure為綜合性評(píng)價(jià)指標(biāo).對(duì)本文數(shù)據(jù)集的進(jìn)行定量分析，具體數(shù)據(jù)如圖10所示.

從圖10可以看出，物體在運(yùn)動(dòng)過(guò)程中,三幀差分產(chǎn)生大面積的空洞現(xiàn)象，造成在4種序列當(dāng)中F度量的值最低，漏檢率最高.在“office”序列和“PETS2006”序列中，ViBe算法存在“鬼影”現(xiàn)象，在“cubicle”序列中ViBe算法存在陰影區(qū)域，造成ViBe算法的準(zhǔn)確率相較于“home”序列有所下降.在“home”序列中，本文算法查準(zhǔn)率(Precision)、查全率(Recall)、F度量(F-measure)都優(yōu)與其他3種算法，漏檢率都低于其他3種算法.

圖10 4類(lèi)場(chǎng)景各算法性能指標(biāo)對(duì)比Fig.10 Comparison of performance indicators of each algorithm in four scenarios

5 結(jié)束語(yǔ)

ViBe算法是一種基于背景更新的前景提取算法，該算法能夠利用視頻序列第1幀快速的建立背景模型，實(shí)時(shí)性好，內(nèi)存占用少.若視頻第1幀中存在運(yùn)動(dòng)目標(biāo)，后續(xù)一定范圍幀中容易出現(xiàn)“鬼影”現(xiàn)象.同時(shí)，ViBe算法還存在著陰影難以消除的問(wèn)題.本文提出一種改進(jìn)的ViBe算法，通過(guò)外接矩形像素直方圖，利用前景區(qū)域、鄰域背景區(qū)域的直方圖相似度匹配，快速檢測(cè)并消除鬼影現(xiàn)象.通過(guò)YCbCr顏色空間判斷陰影區(qū)域，并利用混合高斯陰影模型對(duì)YCbCr顏色空間所判定的陰影區(qū)域進(jìn)一步確定，從而有效的消除陰影所帶來(lái)的干擾.實(shí)驗(yàn)結(jié)果表明，改進(jìn)的ViBe算法能夠有效的消除“鬼影”現(xiàn)象，解決陰影問(wèn)題，滿足實(shí)時(shí)檢測(cè)的要求，提高了運(yùn)動(dòng)目標(biāo)檢測(cè)的準(zhǔn)確性.