一種改進的視覺背景提取算法研究*

徐 赟， 彭 勇, 胡旻濤

(江南大學 物聯網工程學院，江蘇 無錫 214122)

0 引 言

在智能視頻監控領域，背景模型的建立對算法的檢測精度至關重要，是目標分類、目標跟蹤和行為分析等后續處理的基礎[1]。然而在建立背景模型時會面臨各種挑戰[2]：如光照的改變、天氣的好壞、樹葉的干擾、相機的抖動等。 視覺背景提取(visual background extraction，ViBe)算法是一種基于非參數的背景模型，算法首次將隨機聚類技術引入到背景模型中，使用視頻序列的第一幀初始化背景模型，從第二幀開始即可檢測出運動物體。與混合高斯模型[4](Gaussian mixture model,GMM)和碼本[5](code-book,CB)算法相比，該算法因簡單、高效而被廣泛應用和研究。

本文深入分析了ViBe算法的工作原理及不足，并進行了以下改進：在算法初始化中，統計出靜止的前景像素點占前景塊的百分比，當統計結果大于給定閾值時，則檢測該像素為背景像素并將其更新到背景模型中，有效抑制鬼影；在前景檢測階段，根據實際場景的動態程度自適應調整聚類閾值，提高了對動態場景的適應能力。

1 ViBe算法分析

1.1 算法分析

ViBe算法根據相鄰像素具有時空一致性原理，采用樣本隨機聚類的方法，隨機選取像素鄰域內的N個像素值建立樣本模型，將當前幀像素與樣本模型對比，檢測出運動目標，具有較好的實時性和魯棒性。具體步驟如下：

1)模型初始化

ViBe算法使用視頻序列的第一幀進行初始化，為每個像素建立樣本模型

M(x)={v1,…,vi,…,vN}

(1)

式中vi∈NG(v(x))為v(x)鄰域內索引為i的像素值;N為背景模型所選取的樣本容量。ViBe算法從x的8鄰域內隨機選擇20個樣本值建立樣本模型。

2)前景檢測

首先定義一個以v(x)為圓心，R為半徑的圓SR(v(x))，如圖1所示。以SR(v(x))與背景模型M(x)的交集判斷當前像素v(x)與樣本模型中vi是否相似，其匹配過程為

#R=SR(v(x))∩{v1,…,vi,…vN}

(2)

當v(x)與M(x)匹配的樣本數大于閾值時,將v(x)分類成背景像素點;反之,為前景像素點。分類過程為

(3)

背景像素算法中R取值為20， #min取值為2。

3)背景模型更新策略

ViBe算法采用保守更新策略和隨機策略對背景模型更新。對于容量為N的樣本模型，在時間間隔dt內，樣本點依舊存在的概率P隨時間變化的關系

P(t,t+dt)=e-ln(N/(N-1))dt

(4)

說明樣本模型中每個像素點的生命周期與時間t無關且呈指數衰減。

圖1 二維歐氏空間中像素分類

1.2 算法不足

ViBe算法首次引入隨機聚類的方法，具有簡單、運算量小等優點，但仍存在不足：1) 在初始化過程中，如果視頻序列第一幀中存在前景物體，原算法會將前景點作為背景像素初始化背景模型，產生“鬼影”，導致誤檢；2)算法中采用全局閾值對背景進行聚類，對靜態場景有較好的檢測效果，但對于戶外復雜動態的場景(如晃動的樹葉、波動的水面、噴泉等)適應能力較差。

2 ViBe算法改進

2.1 背景初始化鬼影消除

鬼影[6]是指與實際的運動目標不對應的前景區域。目前檢測鬼影的算法可以分為兩類：1)判斷前景的運動屬性；2)利用自適應背景維護和更新[7]。本文提出前景像素計數的方法抑制鬼影，記錄一幀圖像At在t時刻前景塊MOV中像素點被檢測為靜止的次數，計算過程為

(5)

式中SD(i,j)為相鄰幀在同一位置上像素值的絕對差值;TSD為閾值，取值為20。當SD(i,j)小于預設閾值則認為該像素是靜止的。當前景塊像素滿足式(6)時檢測該前景塊鬼影

(6)

式中MOVt為t時刻的前景塊;Nt為前景塊的像素總數;Tghost為鬼影判斷閾值。根據文獻[8]，取值為0.95。不等式左側表示被檢測為靜止像素的個數占整個前景塊像素的百分比，當大于設定閾值Tghost時，說明該前景塊為鬼影。鬼影在更新過程中被作為背景像素處理，實現鬼影消除。

2.2 自適應閾值前景檢測

在ViBe算法中，采用全局固定閾值對前景進行分割，導致了算法對戶外動態場景的適應性差。當閾值設置過大時，容易將與背景像素相似的前景點誤檢為背景；當閾值設置過小時，在檢測結果中容易增加很多噪聲，因此閾值的選擇對提高算法的檢測精度至關重要[7]。文獻[9]提出了閾值的大小與樣本集方差成正比，可以根據場景的復雜度動態地調整檢測閾值，由此，本文提出了基于全局閾值與鄰域像素信息結合的自適應閾值算法。具體實現步驟如下：

1)計算樣本集標準差σt(x,y)。計算背景模型中樣本的平均灰度值μt(x,y)

(7)

(8)

2)求判定條件

T=μt(x,y)+kσt(x,y)

(9)

式中k為常數，一般取[2,6]。

3)獲得自適應閾值R(x,y)為

(10)

3 實驗結果與分析

本算法在硬件平臺Intel Core i5，內存為4 GB，軟件開發環境為Windows7，Visual Studio 2010和OpenCV 2.4.8下完成測試。選changedetection[10]數據集Canoe,pedestrians,overpass等視頻序列進行測試。實驗選用了3種代表性的背景建模算法GMM,CB,ViBe與本文算法進行對比。

3.1 基于像素點統計的鬼影消除驗證

利用本文算法對pedestrians視頻序列進行檢測，該視頻序列是行人在路上行走的監控圖像。在第506幀時，靜止的行人開始運動，ViBe算法在背景初始化時在行人原始位置產生了鬼影。從圖2中可以看出，在第521，605幀和654幀中，ViBe算法的檢測結果中在行人的原靜止位置處產生了鬼影，而本文算法在15幀以后抑制了鬼影。本文算法能夠有效地消除鬼影，提高了算法的檢測精度。

圖2 本文算法與ViBe算法鬼影消除對比

3.2 基于自適應閾值的ViBe算法驗證

為了驗證本文算法在動態背景下的適應能力，選取數據集中的Canoe視頻序列進行驗證，該視頻是水面不斷波動的動態畫面。對比結果如圖3中，可以看出：ViBe算法的檢測結果中將原本屬于背景的水面錯誤地檢測為前景，導致在檢測結果中存在大量的噪聲像素；在本文算法的檢測結果中噪聲像素點數量明顯減少，波動的水面幾乎完全被準確檢測為背景，有效地解決了動態背景的干擾問題，提高了算法的適應能力。

圖3 本文算法與ViBe算法在動態場景下的檢測對比

3.3 算法性能對比

為了進一步驗證本文算法在動態背景下的檢測效果，選取了changedetection中overpass測試視頻。該序列是行人走在天橋的監控視頻，在第2 380幀時，靜止的行人開始運動，視頻背景中樹葉晃動，對前景檢測產生了較大干擾。 圖4給出了GMM算法、CodeBook算法、ViBe算法和本文算法的檢測效果。可以看出：GMM，CodeBook和ViBe算法均將背景中劇烈晃動的樹葉誤檢為前景像素點，在檢測結果中產生大量的噪聲點，本文算法根據場景的復雜程度動態地調整分割閾值，可以很好地消除動態場景的干擾；另外由于視頻序列中靜止的行人開始運動，ViBe算法在檢測過程中產生了鬼影，影響檢測結果，本文算法采用的前景點計數方法有效消除了鬼影。

圖4 4種算法在戶外動態場景下檢測結果

為了更加精確地評價幾種算法的性能，采用準確率(Precision,PR)、查全率(Recall,RE)和F測度( F-measure,FM)作為評價指標[11]

RE=TP/(TP+FN)

(11)

PR=TP/(TP+FP)

(12)

FM=2·PR·RE/(PR+RE)

(13)

式中TP為正確檢測為前景像素的點數；FP為背景被誤檢為前景像素的點數；FN為前景被誤檢為背景像素的點數。RE，PR，FM的值越大，說明算法的檢測效果越好。對4種算法的RE,PR和FM求平均值，評價結果如表1所示。

表1 4種算法的評價結果

從表1可以看出：本文算法的查全率RE低于ViBe算法，這是由于本文算法未進行圖像預處理和后期的形態學處理，所以檢測結果中存在空洞，但是本文的準確率PR以及綜合指標FM高于其他算法。

4 結 論

針對ViBe算法容易產生鬼影以及對動態場景適應性差的問題做出了改進。與幾種背景建模算法相比，本文算法檢測效果明顯優于其他算法。下一步將進行空洞修復等后期的形態學處理，以得到完整的前景運動目標。

[1] 王 閃,吳 秦.全局運動補償的動態背景下運動軌跡跟蹤算法[J].傳感器與微系統,2016,35(8):137-140.

[2] 伍健榮,杜向龍,劉海濤.一種基于Kalman濾波器的自適應背景建模改進算法[J].傳感器與微系統,2012,31(1):52-54.

[3] Barnich O,van Droogenbroeck M.ViBe:An universal background subtraction algorithm for video sequences[J].IEEE Transactions on Image Processing,2011,20(6):1709-1724.

[4] 邱聯奎,劉啟亮,趙予龍,等.混合高斯背景模型目標檢測的一種改進算法[J].計算機仿真,2014(5):378-384.

[5] Kim K,Chalidabhongse T H,Harwood D,et al.Real-time foreground-background segmentation using codebook model[J].Real-time Imaging,2005,11(3):172-185.

[6] 徐久強,江萍萍,朱宏博,等.面向運動目標檢測的ViBe算法改進[J].東北大學學報:自然科學版,2015,36(9):1227-1231.

[7] 莊哲民,章聰友,楊金耀,等.基于灰度特征和自適應閾值的虛擬背景提取研究[J].電子與信息學報,2015,37(2):346-352.

[8] 蘇延召,李艾華.改進視覺背景提取模型的運動目標檢測算法[J].計算機輔助設計與圖形學學報,2014,26(2):232-240.

[9] Hofmann M,Tiefenbacher P,Rigoll G.Background segmentation with feedback:The pixel-based adaptive segmenter[C]∥Proceedings of the 2012 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops,CVPRW 2012,Washington DC:IEEE Computer Society,2012:38-43.

[10] Goyette N,Jodoin P,Porikli F,et al.Change detection.net:A new change detection benchmark dataset[C]∥Proceedings of the 2012 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops,CVPRW 2012,Washington DC:IEEE Computer Society,2012:1-8.

[11] Agarwal S,Awan A,Roth D.Learning to detect objects in images via a sparse,part-based representation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2004,26(11):1475-1490.