裘莉婭，陳瑋琳，李范鳴，劉士建，王曉鈺，李臨寒

（1 中國科學(xué)院上海技術(shù)物理研究所，上海 200083）

（2 中國科學(xué)院大學(xué)，北京 100049）

（3 中國科學(xué)院紅外探測與成像技術(shù)重點實驗室，上海 200083）

0 引言

用計算機視覺［1-3］算法實現(xiàn)運動目標(biāo)檢測一直是計算機技術(shù)領(lǐng)域中的一個主要研究方向。如今，隨著經(jīng)濟的發(fā)展，在這個信息化的時代，運動目標(biāo)檢測在視頻監(jiān)控、無人駕駛、行為研究等諸多領(lǐng)域有著廣泛的應(yīng)用［4］。但在動態(tài)背景下的多運動目標(biāo)檢測仍然是一個具有挑戰(zhàn)性的研究領(lǐng)域，復(fù)雜的動態(tài)背景［5］包含多種情況：水的隨機運動，如雨滴、漣漪或水流等；背景場景中的高速運動，如揮舞樹葉、移動旗幟或橫幅等；具有相似外觀的周圍背景的模糊物體；照明和光照強度的不斷變化，比如，撥動燈開關(guān)引起的突然或逐漸變化，以及太陽被云覆蓋等引起的路面場景的光照變化等。近年涌現(xiàn)出的深度學(xué)習(xí)［6-8］算法，因為具有較強的擬合能力和更高的準(zhǔn)確度，在以上場景中能夠提取出準(zhǔn)確的運動目標(biāo)。但深度學(xué)習(xí)算法性能的好壞極度依賴于數(shù)據(jù)集的大小，在缺少樣本或者零樣本的未知場景中，其目標(biāo)檢測的準(zhǔn)確率往往因樣本學(xué)習(xí)不足而下降，難以滿足實際應(yīng)用的要求。同時深度學(xué)習(xí)算法對硬件要求明顯高于傳統(tǒng)算法，成本較高，難以隨時部署，因此傳統(tǒng)方法仍然有著廣泛的應(yīng)用范圍。

背景建模法［9-10］因具有算法簡單、檢測精度高，運算速度快、滿足實時性等優(yōu)點，逐漸成為廣泛應(yīng)用的目標(biāo)檢測方法，目前的算法已經(jīng)能夠很好地實現(xiàn)靜態(tài)背景下的運動目標(biāo)檢測［11］。WREN C R 等提出了單高斯背景建模［12］，由于研究者將每個像素的可能取值看作是一個高斯分布，不能將背景分離，因此對光照強度的改變敏感，具有很高的誤報率。STAUFFER C 等引入混合高斯背景模型（Gaussian Mixed Model，GMM）［13］，解決了單高斯背景建模不能處理背景中有運動目標(biāo)的問題，但需要大量的訓(xùn)練幀且模型中的參數(shù)需要實時更新使得計算更為復(fù)雜，同樣也對光照變化極為敏感。ELGAMMAL A 等提出核密度估計法（Kernel Density Estimation，KDE），通過計算每個像素點成為背景的概率［14］，但KDE 算法同樣需要人為設(shè)置參數(shù)，且參數(shù)也需要大量的實驗才能得到理想的數(shù)值，所以計算復(fù)雜度仍較大。LEE D 等提出了基于遞歸高斯混合模型［15］，該方法通過對每一幀進行高斯計算得出一個自適應(yīng)學(xué)習(xí)速率來代替全局靜態(tài)的學(xué)習(xí)速率保持因子來實現(xiàn)。同年，KYUNGNAM K 提出了一種實時的前景-背景分割算法（CodeBook）［16］，該算法將圖像中每個像素上采樣得到的背景值量化為碼本，并在背景更新中對每個碼字進行匹配，這使得能夠在無參的情況下，捕捉到由于長時間的周期性運動而引起的結(jié)構(gòu)性背景變化，但是前景目標(biāo)若出現(xiàn)在建立模型期間，會在碼本再次更新前出現(xiàn)誤檢，并且對劇烈的光照環(huán)境變化敏感；JUNG C R［17］使用統(tǒng)計描述符構(gòu)建了背景模型，基于改進的均值的模型來使噪聲最小化并提高像素分類的準(zhǔn)確性。這種方法可以檢測陰影像素并很好地處理光照變化問題，但會因為背景場景的變化而突然變化。BARNICH O 等提出基于ViBe（Visual Background Extractor）［18］模型的背景建模方法，該方法并沒有采用一般模型中先入先出的策略，而是采取隨機策略來進行背景更新，計算量小速度快，對相機抖動有一定的魯棒性，但對更新速率有很高的要求，更新太快會將前景目標(biāo)吸收，更新太慢，則容易產(chǎn)生鬼影，無法快速地適應(yīng)環(huán)境變化，尤其是在自然環(huán)境中受光照變化影響大。OY V 提出了局部二進制模式馬爾科夫隨機場（LBP_MRF，Local Binary Pattern_Markov Random Field）［19］，一種增強的開源TBMOD 版本，采用新的LBP［20］算子和MRF 結(jié)合，新的LBP 使用了比原始LBP 更大的鄰域，以較低的計算成本有效地估計了前景。對檢測光照波動的情況下重建模型有很好的效果。

背景建模的方法［21-24］通常會有以下問題：環(huán)境光照的變化、背景中存在的運動將影響前景目標(biāo)檢測的結(jié)果、運動物體的陰影以及圖像的噪聲等。針對這些問題，提出了一種基于紋理特征的自適應(yīng)閾值運動目標(biāo)檢測算法，該算法對圖像序列中每一個像素點出現(xiàn)的不同灰度值的次數(shù)進行統(tǒng)計，做灰度值的直方圖，將直方圖中出現(xiàn)頻率最高的灰度值作為當(dāng)前背景的灰度值，使得慢速或靜止的前景出現(xiàn)時，背景灰度不受影響，并且可以有效地區(qū)分靜態(tài)背景和動態(tài)背景；然后結(jié)合Hash 和LBP，既保留圖像的邊緣信息，又保留了圖像的低頻分量；再采用自適應(yīng)閾值，使得在與參考背景進行比對穩(wěn)定圖像時更為準(zhǔn)確，對不同場景具有適應(yīng)性，減少噪聲對LBP 背景建模影響的同時有效地提高復(fù)雜場景下的召回率和準(zhǔn)確率。

1 檢測算法原理

算法總體流程如圖1，首先將輸入的圖像序列轉(zhuǎn)換為灰度圖，以3×3 為窗口計算均值，去除高頻的細(xì)節(jié)信息，對圖像進行平滑處理；然后基于多態(tài)頻率分布的原理建立背景模型；接著計算背景模型與每幀圖像的差值矩陣，根據(jù)差值矩陣計算自適應(yīng)閾值，來穩(wěn)定輸入圖像并且抑制圖像序列中的動態(tài)背景和噪聲等影響；穩(wěn)定后的圖像和背景模型經(jīng)過LBP 算法得到紋理特征，并計算兩者之間的漢明距離，通過漢明距離進一步解決動態(tài)背景和噪聲問題，并且圖像紋理特征對光照變化不敏感，可以抑制光照變化的問題；最后再次基于多態(tài)頻率分布的原理對LBP 直方圖進行背景建模，檢測出運動目標(biāo)，并且對結(jié)果進行形態(tài)學(xué)操作和孔洞填充提高目標(biāo)提取的準(zhǔn)確性。主要從參考背景建模、與感知哈希算法結(jié)合的LBP 算法、自適應(yīng)閾值選取、漢明距離對LBP 紋理特征約束四個方面介紹了在動態(tài)背景抑制方面的改進。

1.1 基于多態(tài)頻率分布的背景建模

文獻［25］中，LAI A N 等將固定長度的數(shù)據(jù)集序列幀中出現(xiàn)頻率最高的灰度值作為真實背景值，該方法在圖片序列幀較短的數(shù)據(jù)集中，容易造成將沒有明顯位移的運動目標(biāo)區(qū)域或靜止的目標(biāo)區(qū)域定義為背景區(qū)域；在圖片序列幀過長的數(shù)據(jù)集中，又會造成內(nèi)存的過度消耗。針對以上問題，記錄圖像序列中每一個像素點（x，y）出現(xiàn)不同灰度值的次數(shù)，并進行統(tǒng)計做灰度值的直方圖。隨著圖像序列在時間上的推移，讀取的圖像幀數(shù)f增加，即可得到該像素點不斷更新的灰度值數(shù)組

式中，fn為（x，y）第n幀像素點的灰度值。

圖2 為參考背景建模過程示意，圖2（a）為輸入圖像序列，隨機選取圖中一點（100，150）作為展示，隨著幀數(shù)的遞增，將每一幀該點的像素值進行頻次統(tǒng)計得到圖2（b）所示的動態(tài)灰度頻次直方圖。圖中紅點標(biāo)記的（55，45）為第1 180 幀時該點像素值為55，出現(xiàn)頻次最多為45 次，55 作為當(dāng)前參考背景中該點的像素值。

因此，灰度值為a所出現(xiàn)的次數(shù)k可表示為

將直方圖中出現(xiàn)頻率最高的灰度值作為當(dāng)前背景的灰度值B(x，y)，f，此時表達式為

式中，k（b）為灰度值b出現(xiàn)的頻次，假設(shè)在當(dāng)前幀fn及之前幀出現(xiàn)頻次最高的灰度值為a，頻次為k(a)，下一幀fn+1輸入的灰度值為b，并統(tǒng)計b出現(xiàn)的次數(shù)為k(b)，則尋找當(dāng)前幀該像素點的背景灰度值更新的過程為

1.2 漢明距離約束的hash_LBP

1.2.1 哈希算法

哈希算法（hash algorithm）［26］主要是利用圖像的低頻信息來得到每一張圖像的一個字符串，然后通過比較各自圖像的字符串，求取漢明距離來得到圖像之間的相似度。并且哈希值不會隨圖像的放大、縮小或者改變縱橫比而改變；增加圖像的對比度或者改變顏色，對哈希值都不會造成太大的影響。

每一幀圖像包含了低頻和高頻等各種頻率，其中高頻成分主要為物體的邊緣等亮度變化劇烈的區(qū)域，而低頻成分主要存在于亮度變化較小的區(qū)域，均值哈希算法則主要是利用圖像中的這些低頻信息，具體流程如下：

1）首先將圖像進行縮小，去除高頻的細(xì)節(jié)信息，得到8×8 的像素級大小，這樣就可以避免不同尺寸圖像帶來的差異，并提高計算速率；

2）然后將上一步采樣后的圖像轉(zhuǎn)化為灰度圖像；

3）計算8×8 個像素的灰度平均值；

4）將每一個像素的灰度值與上一步求取的平均灰度值比較，進行二進制編碼，如果小于平均灰度值，則記為0，反之就將該像素點記為1；

5）將上面步驟后得到的結(jié)果，按照一定的順序（每一幀圖像采用同樣的次序）組合在一起得到一個64 位的字符串，該字符串記為當(dāng)前圖像的哈希值。

如果要比較兩幀圖像的相似度，就可以根據(jù)這兩幀圖像的哈希值求取它們的漢明距離［27］，漢明距離的數(shù)值越接近于0 則相似度越高。

1.2.2 結(jié)合漢明距離后的LBP 算法

感知哈希算法和LBP 算法都可以很好地解決光照變化的問題，并且運用感知哈希中的漢明距離計算背景模型和輸入圖像序列的相似度可以通過設(shè)置閾值的方式，很好地抑制動態(tài)背景和噪聲等對目標(biāo)檢測結(jié)果的影響。但由于存在較小的目標(biāo)，而哈希感知算法去掉了圖像的高頻分量，將圖像壓縮到8×8 的大小，會導(dǎo)致較小尺寸的目標(biāo)丟失。從均值哈希值的編碼方式中，可以讓人聯(lián)系到經(jīng)典的LBP 特征算法，為了解決這個問題將哈希算法與LBP 算法進行結(jié)合，LBP 可以保留明暗這種過渡的邊緣信息，而Hash 保留下來的是整幅圖像在采樣后的低頻分量。因此，為了既保留圖像中目標(biāo)的特征信息，又保留圖像中關(guān)鍵的低頻信息，對傳統(tǒng)的LBP 進行了改進。最原始LBP 算子采取的是相鄰的8 個像素點與中心像素點的灰度值作差分，用中心像素的值作為閾值，如果某相鄰像素大于中心像素的值，則該像素的值標(biāo)記為1，反之則標(biāo)記為0，得到8位二進制編碼轉(zhuǎn)換為十進制得到LBP 值。但是易受噪聲影響十分的不穩(wěn)定，導(dǎo)致最終的計算結(jié)果對噪聲極其敏感，并且由于數(shù)據(jù)集解碼恢復(fù)后圖像邊界區(qū)域會出現(xiàn)的吉布斯震蕩現(xiàn)象，圖像經(jīng)過LBP 變換后邊界會存在大量條狀噪聲，由于紅外圖像紋理相對于可見光圖像更加簡單，且對比度低、信噪比低，受噪聲影響更為嚴(yán)重。

若將圖像以3×3 為窗口計算均值，去除高頻的細(xì)節(jié)信息，將這個均值作為當(dāng)前小區(qū)域的灰度值，再與相鄰的小區(qū)域灰度進行比較，進行二進制編碼形成新的LBP 特征。圖3 為參考背景和991 幀左上角相同無前景區(qū)域處，由于噪聲等影響，導(dǎo)致該位置得到的LBP 值不同，造成前景提取時將背景檢測為前景的情況。為了抑制動態(tài)背景和噪聲對目標(biāo)提取的影響，通過自適應(yīng)閾值改進了LBP 算法，初步解決復(fù)雜背景和噪聲的問題，然后結(jié)合感知哈希算法中的漢明距離，進一步抑制動態(tài)背景和噪聲，提出了一種自適應(yīng)閾值的Hash_LBP 算法。

首先，將得到的參考背景與每一幀以3×3 為窗口，求取灰度平均值。背景平均值為，第i幀平均值與進行比較，得到差值如果小于閾值th（th 由原始圖像矩陣與背景建模矩陣中的每個像素點一一對應(yīng)相減得到的差值矩陣經(jīng)過校正得到）則將值賦給，否則不變。最后，與相鄰區(qū)域灰度平均值進行比較形成LBP 特征，得到hash_LBP 值，可表示為

最后對得到LBP 值使用漢明距離進行約束，比較當(dāng)前幀和參考背景每個像素LBP 值的8 位二進制序列，計算不相同的位數(shù)。若不相同位數(shù)小于3 則該點LBP 值為背景該點的LBP 值，否則保持當(dāng)前幀該點的LBP 值。當(dāng)前幀與背景的LBP 值差值的絕對值圖可以反映動態(tài)背景的抑制效果，使用漢明距離約束后可以減少部分動態(tài)噪聲的影響，如圖4。

由圖可知，在同一幀的場景中，在使用漢明距離約束以后，湖面的干擾減少了很多，背后的樹叢干擾也得到了較好的抑制，說明通過漢明距離的約束后，一定程度上抑制了動態(tài)背景。

1.3 自適應(yīng)閾值的設(shè)定

通過對每種動態(tài)背景的分析，如圖5 所示，該數(shù)據(jù)集為blizzard，場景為下著暴風(fēng)雪的馬路，背景中存在大量雪花，且汽車經(jīng)過時車燈會造成場景光照變化。隨機選取圖中一點，如圖5（a）中紅點標(biāo)記（400，400）處，統(tǒng)計連續(xù)200 幀該點灰度值變化曲線，如圖5（b）。圖中背景灰度值頻繁變化，但波動范圍在兩條紅色虛線區(qū)間范圍中，而有目標(biāo)經(jīng)過后會有更大波動的變化，如圖5（b）中兩條黑色虛線區(qū)間。由于動態(tài)背景灰度值波動在一定區(qū)間內(nèi)，可以通過計算參考背景和每幀圖像復(fù)雜背景波動區(qū)間大小作為閾值，對每幀圖像進行校正。

由于固定的閾值不同數(shù)據(jù)集的魯棒性差，因此采用自適應(yīng)的閾值作補償差值，采取差值矩陣的標(biāo)準(zhǔn)差進行閾值更新，具體的操作流程如下：

假設(shè)目前所使用的數(shù)據(jù)集尺寸M×N為當(dāng)前幀的圖像矩陣中行和列的大小，fx，y為圖像中每個像素點的灰度值，x∈[1，M]、y∈[1，N]，整個當(dāng)前原始圖像矩陣記為F。同樣大小下的背景建模圖像矩陣記為B，每個像素點的灰度值為Bx，y，首先將原始圖像矩陣與背景建模矩陣中的每個像素點一一對應(yīng)相減得到差的絕對值，得到差值矩陣T，其表達式為

差值矩陣中，僅計算矩陣中大于10 小于100 的值并求取其差值矩陣平均值M，即

為了更好地衡量差值矩陣中的數(shù)據(jù)波動，繼續(xù)求取差值矩陣的標(biāo)準(zhǔn)差?(M)，表示為

則閾值可表示為

自適應(yīng)閾值的處理效果如圖6。圖6（a）為數(shù)據(jù)集canoe 中無目標(biāo)出現(xiàn)，隨機選取的一幀圖像，背景中存在大量閃爍湖面的動態(tài)背景。圖6（b）為該幀圖像與參考背景的絕對值差值矩陣圖和以圖像大小為X軸Y軸，差值為Z軸的三維差值直方圖，通過三維差值直方圖和差值矩陣圖反映出存在大量動態(tài)背景。圖6（c）為通過自適應(yīng)閾值校正后，該幀圖像與參考背景的差值矩陣圖與三維差值直方圖，可以看出噪點明顯減少。

2 實驗結(jié)果分析

為了能夠?qū)λ崴惴ㄟM行定量分析及性能驗證，使用了Change Detection.net2014 公共數(shù)據(jù)集［28］中的6 組復(fù)雜可見光場景圖像和5 組紅外圖像進行對比實驗，這11 組視頻分別為canoe、overpass、highway、skating、blizzard、snow Fall、corridor、dining room、Lake Side、library、park，這些視頻包含了生活中常見的復(fù)雜場景［29-30］。

首先對所提算法進行縱向?qū)Ρ龋瑢⑽唇Y(jié)合LBP 的背景建模算法運動目標(biāo)檢測結(jié)果、僅結(jié)合LBP 算法運動目標(biāo)檢測結(jié)果與引入漢明距離后的運動目標(biāo)檢測結(jié)果進行對比。然后將所提算法與現(xiàn)有背景建模算法CODE_BOOK［9］、LBP_MRF［12］、ViBe［11］、KDE［7］、GMM［6］的檢測結(jié)果進行橫向?qū)Ρ?，對比算法均使用原文默認(rèn)參數(shù)。最后將所提的Hash_LBP 算法與ViBe 和GMM 算法結(jié)合，驗證Hash_LBP 的可行性。數(shù)據(jù)集處理的硬件為i7-8700K 3.70GHz CPU，32 GB 內(nèi)存，顯卡NVIDIA GeForce GTX 1080 Ti，軟件平臺使用為：Win10、vs2019 和OpenCV4.2.0 的環(huán)境。

2.1 算法縱向?qū)Ρ葘嶒?/h3>

如圖7 所示，隨機選取Cdnet2014 數(shù)據(jù)集中5 個視頻序列中的任意一幀處理結(jié)果，在同一個數(shù)據(jù)集中不同算法下選取同一幀處理結(jié)果進行比較，其中圖7（a）、（b）、（c）為可見光數(shù)據(jù)集，圖7（d）、（e）為紅外數(shù)據(jù)集。由圖7 第三列圖像可知，處理的數(shù)據(jù)集中的圖像由于對比度較低，且背景變化頻繁，導(dǎo)致處理結(jié)果從主觀上就出現(xiàn)了較多明顯的誤檢，圖7（a）中由于光照變化，將路面邊緣誤檢為了前景目標(biāo)；圖7（b）中由于水面閃爍，湖面部分出現(xiàn)了明顯的誤檢；圖7（c）中由于背景中樹木被風(fēng)吹動搖擺的影響，背景將部分樹木誤檢測為前景，并且人體結(jié)構(gòu)也并不完整；圖7（d）、（e）均是紅外圖像，圖像信噪比較低，但也同樣出現(xiàn)了較大的誤檢。從圖7 第四列的圖像中看到，在引入LBP 算法后，將背景誤檢為前景的區(qū)域明顯減少，但是由于LBP 自身算法的原因?qū)е鲁霈F(xiàn)了不同程度的帶狀噪聲，因此又引入了漢明距離對LBP 算法進行約束。從圖7 最后一列可以看到，所提的Hash_LBP 算法的處理結(jié)果對比前幾種方法，目標(biāo)和背景分割最為準(zhǔn)確，很好地解決了動態(tài)背景和噪聲問題，且運動目標(biāo)的形狀輪廓也較為完整。

2.2 算法檢測效果對比實驗

2.2.1 可見光復(fù)雜場景的對比實驗

圖8 中復(fù)雜場景所選取的數(shù)據(jù)集為Cdnet2014 數(shù)據(jù)集中的Bad weather 的canoe、overpass、highway、skating、blizzard 和snowfall，各種算法的主觀對比結(jié)果如圖8。

從圖8 可以看到，在六個可見光的復(fù)雜場景中，無論是動態(tài)背景還是動靜結(jié)合的背景場景中，所提算法得到的前景目標(biāo)具有更好的完整性和準(zhǔn)確性，尤其是對動態(tài)背景的抑制，和其他5 個算法相比得到的背景更為干凈準(zhǔn)確，得到的前景目標(biāo)誤檢像素點更少。圖8（a）中能夠明顯看出所提算法對動態(tài)背景有很好的抑制作用，CODE_BOOK、LBP_MRF、ViBe 三個算法相比KDE 和GMM 兩個算法，對圖像上半部分的樹叢處理的較好，但是在湖面的抑制仍然不如所提算法，而所提算法對船上人的提取不夠完整清晰；圖8（b）和圖8（c）都是動靜結(jié)合的場景，在兩個場景中，除了LBP_MRF 和所提算法，其他算法均在不同程度上將背景判別為前景，但是LBP_MRF 算法，在圖8（2）中仍然將行人與誤判的樹葉背景粘連在了一起，因此從主觀視覺上所提算法較完整檢測出前景的同時很好地抑制了動態(tài)背景的影響；圖8（d）中除了ViBe 算法和所提算法，其余算法都將大部分飄動的雪花以及樹葉上的積雪當(dāng)作了前景，但和ViBe 算法相比，所提算法中的前景目標(biāo)更為完整；圖8（e）和圖8（f）均為惡劣雪天的室外場景，圖8（e）中的信噪比更低，其中，LBP_MRF 算法的結(jié)果中出現(xiàn)了拖影，其他算法均出現(xiàn)了前景目標(biāo)提取不完整的現(xiàn)象，而圖8（f）中除了所提算法，其他5 個算法均受到了動態(tài)飄落雪花的影響，但在前景提取上碼本和所提算法無法直接判斷誰的結(jié)果更為準(zhǔn)確。

2.2.2 紅外復(fù)雜場景的對比實驗

由于紅外數(shù)據(jù)集中的動態(tài)背景影響較小，且紅外數(shù)據(jù)集具有分辨率、對比度和信噪比低，視覺效果模糊等特點，因此，在對比度低的情況下，還需抑制圖像解壓編碼時產(chǎn)生的噪聲［31-32］，不同算法的主觀對比結(jié)果如圖9。

從圖9 中可以看出，在五個紅外場景中，所提的算法都能較好地提取出完整的前景目標(biāo)。在corridor 圖9（a）中，除了碼本和所提算法，其他算法均出現(xiàn)了較大的空洞，且碼本錯誤地將人物倒影也當(dāng)作了前景；在dining room 圖9（b）中LBP_MRF 和GMM 算法受到背景中飄動的旗幟的影響，將其誤檢成為了前景目標(biāo)，除了所提算法，其他算法均在不同程度上出現(xiàn)了目標(biāo)不完整；在lakeside 圖9（c）中KDE 算法幾乎沒有檢測到前景目標(biāo)，LBP_MRF、ViBe、GMM 的前景目標(biāo)點大量缺失，只有碼本和所提算法將前景目標(biāo)盡可能完整地進行了提??；在library 圖9（d）中除了所提算法，其他算法在不同程度上都將大部分前景目標(biāo)當(dāng)成了背景；在park 圖9（e）中背景和前景的灰度差異比較小，其他算法提取的前景都在一定程度上不完整，所提算法目標(biāo)提取較為完整，但目標(biāo)邊緣處還是存在部分條狀噪聲。

2.3 定量分析

為了對所提算法進行定量分析，采用了CDet2014 中使用的召回率Re（Recall）、準(zhǔn)確率Pr（Precision）、F測度（F-Measure）、誤檢百分比PPWC（Percentage of Wrong Classification）四個評價指標(biāo)來衡量。

式中，Pr和Re指標(biāo)有時候會出現(xiàn)矛盾的情況，這就需要綜合考慮，F(xiàn)測度F-Measure 就是準(zhǔn)確率和召回率的加權(quán)調(diào)和平均，用來衡量算法的綜合性能。其表達式為

式（13）～（16）中，fTP為正確檢測為前景的點，fTN為正確檢測為背景的點，fFP為誤檢為前景的點，fFN為誤檢為背景的點。一般情況下，Re、Pr、F測度均越大越好，PPWC越小越好。11 種場景的分析結(jié)果如圖10 和表1和表2 所示。

表1 各算法在不同可見光場景下的誤檢率Table 1 False detection rate of each algorithm in different visible scenes

表2 各算法在不同紅外場景下的誤檢率Table 2 False detection rate of each algorithm in different infrared scenes

圖10 為每個算法Re、Pr、F數(shù)的柱狀圖，其中黑色柱為Re，白色柱為Pr，灰色柱為F數(shù)，縱坐標(biāo)范圍為0 到1，橫坐標(biāo)依次為CODE_BOOK、LBP_MRF、Vibe、KDE、GMM、所提算法，每個算法都對Re、Pr、F數(shù)分別進行統(tǒng)計。可以看到所提算法在絕大部分場景中都有著較好的指標(biāo)，11 個場景中所提算法綜合性能最優(yōu)。

從表1～2 中可以看到，所提算法在大部分場景中的誤檢率都是最低的（最低數(shù)值在表中加粗和下劃線標(biāo)出），所提算法在綜合性能較好的同時也能保持較低的誤檢率。測試得到的Re、Pr、F和PPWC所有數(shù)據(jù)如表3 所示。

表3 各場景下不同算法的Re、Pr、F 和PPWC數(shù)值Table 3 Values of Re、Pr、F and PPWC of different algorithms in each scenario

2.4 算法實時性對比結(jié)果

為體現(xiàn)算法的實時性，在相同的運行環(huán)境下，從時間和空間上分析了算法的復(fù)雜度。各個算法不同數(shù)據(jù)集平均每幀處理速度如表4。

表4 不同算法處理平均時長Table 4 Average processing time of different algorithms

可以看到ViBe 算法在多數(shù)場景下，都是處理速度最快的；LBP_MRF 算法是將LBP 和MRF 結(jié)合起來，因此計算復(fù)雜度更高，耗時也更多；所提算法對LBP 進行了改進，再結(jié)合新的建模算法，因此不如ViBe 算法處理快，但相比同樣結(jié)合了LBP 算法的LBP_MRF 算法，處理時長明顯縮減了很多，可以滿足目標(biāo)檢測實時性的需求。

由于所提算法與ViBe、GMM 和Code_book 檢測速率相似，表5 中分析了以下幾種算法CPU 的占用率和占用CPU 內(nèi)存的容量。

表5 CPU 占用率和內(nèi)存對比Table 5 Comparison between CPU usage and memory

由表5 可知，所提算法和其他三種算法對CPU 的占用率和內(nèi)存占用相差不大，所以所提算法也非常適合移植到嵌入式平臺上工作，滿足各種特殊場合下的實時性要求。

2.5 普遍適應(yīng)性分析

實驗表明所提算法對動態(tài)背景的抑制對于ViBe 和GMM 等背景建模算法同樣適用。

將所提漢明距離約束的Hash_LBP 算法用于ViBe 算法和GMM 算法，圖11（a）為測試數(shù)據(jù)集canoe，圖11（b）為其真值圖，圖11（c）、（e）為ViBe 和GMM 背景建模算法目標(biāo)檢測結(jié)果，此時前景提取中存在大量動態(tài)背景。ViBe 和GMM 通過漢明距離約束的Hash_LBP 算法處理后，抑制了大部分動態(tài)背景，如圖11（d）、（f）。接著對其進行定量分析，結(jié)果如表6。

表6 不同算法下的對比結(jié)果Table 6 Comparison results under different algorithms

可知，通過漢明距離約束的Hash_LBP 算法處理過的ViBe 算法，Re提高了13.9%，Pr提高了30.3%，F(xiàn)數(shù)提高了1.6%，PPWC減少了14.5%。通過漢明距離約束的Hash_LBP 算法處理過的GMM 算法，Re提高了315.9%，Pr提高了395.6%，F(xiàn)數(shù)提高了351.4%，PPWC減少了44.5%。

3 結(jié)論

本文提出了一種自適應(yīng)閾值的Hash_LBP 算法，主要研究如何抑制動態(tài)背景和噪聲問題。首先，根據(jù)圖像序列的頻域特性，對每一個像素建立了灰度頻次直方圖，將頻次最高的灰度值作為參考背景，然后參考哈希算法選取3×3 的窗口求取均值，對圖像做平滑處理，將參考背景與每幀比較得到差值矩陣，計算差值矩陣中大于10 小于100 的值的標(biāo)準(zhǔn)差與均值之和，作為自適應(yīng)閾值校正當(dāng)前幀灰度值來抑制動態(tài)背景，并對參考背景和校正后的每幀通過LBP 算法得到圖像的紋理特征。為了更好地抑制動態(tài)背景和噪聲，將參考背景的LBP 值與每幀LBP 值的漢明距離，以3 為閾值校正每幀LBP 值來穩(wěn)定圖像，進一步抑制動態(tài)背景和噪聲。實驗結(jié)果表明，所提算法可以很好地抑制動態(tài)背景，提高了復(fù)雜背景環(huán)境下可見光和紅外運動目標(biāo)檢測的召回率、準(zhǔn)確率、F數(shù)，降低了誤檢率，綜合指標(biāo)均優(yōu)于其他算法。并且有較高的魯棒性，適應(yīng)多種背景建模算法，無論是可見光數(shù)據(jù)集還是紅外數(shù)據(jù)集均適用。但所提算法會吸收部分目標(biāo)，存在目標(biāo)檢測不完整和鬼影問題，接下來將進一步對算法進行優(yōu)化，研究孔洞填充算法和快速消除鬼影算法，以及對檢測到的目標(biāo)進行識別和跟蹤。