基于最小誤差閾值自適應的ViBe改進算法

張磊 孟亮

關鍵詞： 智能監控; 運動目標檢測; 背景建模; ViBe算法; 最小誤差閾值分割; 鬼影消除; 像素梯度

中圖分類號： TN911.73?34 ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2019）04?0161?05

An improved ViBe algorithm based on adaptive minimum error threshold

ZHANG Lei， MENG Liang

（School of Computer Science and Technology， Taiyuan University of Technology， Taiyuan 030024， China）

Abstract： Since the ViBe algorithm cannot rapidly suppress the ghost phenomenon， an improved ViBe algorithm based on the adaptive minimum error threshold is proposed. The ghost pixels are discriminated and eliminated by computing the minimum error segmentation threshold of each image frame， so as to accelerate the ghost suppression speed. The threshold for determining sample distances is dynamically adjusted according to the variance values of samples， so as to improve the complex scene detection accuracy of the algorithm. The update rate of the background model is effectively optimized by calculating the gradient values of pixels. The experimental results show that the improved ViBe algorithm can effectively improve the speed of ghost elimination， and the accuracy of the algorithm is also improved.

Keywords： intelligent monitoring; moving object detection; background modeling; ViBe algorithm; minimum error threshold segmentation; ghost elimination; pixel gradient

0 ?引 ?言

隨著互聯網的高速發展，越來越多的智能監控設備遍布了生活中的各個角落。運動目標檢測成為智能監控領域的核心步驟，目前主流的運動目標檢測算法大致分為三種：幀間差分法[1]、光流法[2]和背景減除法[3]。其中背景減除法是目前最為常用的目標檢測方法，其基本原理是通過給圖像中的每個像素點建立背景模型，利用當前點與其背景模型的對比來確定該點是背景點還是前景點。常用的背景減除法有混合高斯模型[4]、基于LBP的紋理特征法[5]、ViBe算法[6]。混合高斯模型能夠較好地適應相對復雜的場景，對于外界干擾也有一定的魯棒性，但是它需要計算多個高斯模型，計算量大且占用資源較多，在實際應用中難度較大。紋理特征法采用多個LBP紋理特征以及權重來構建背景模型，所依賴的參數較少，對陰影的干擾也有很好的魯棒性，但是其計算紋理需要花費很多時間，實時性不太理想。

ViBe算法利用視頻序列的第一幀即可完成背景建模，計算量小、速度快，能夠很好地滿足實時性的要求，但是該算法也存在一些問題，當場景中靜止的物體突然開始運動時，該算法會將相應區域的背景點誤檢為前景點，從而形成鬼影現象，并且無法及時消除，嚴重干擾了運動目標檢測的準確性。針對該算法的這一缺陷，國內外許多學者進行了研究，文獻[7]提出了一種通過連續兩幀前景背景像素時域變化來判別鬼影像素點并且消除的方法，該方法有效地提高了鬼影的抑制速度，但是其對于鬼影像素點進行二次判別時的誤差并沒有得到有效的控制。文獻[8]提出了一種動態閾值的改進算法，采用Otsu算法計算出每幀圖像的分割閾值，再對鬼影像素點進行判別，該方法有效地提高了分割的準確性，但對前景和背景方差較小的圖像分割誤差仍然很大。

在綜合了前人研究工作各自優勢和不足的基礎上，本文提出了一種基于最小誤差動態閾值的ViBe改進算法。實驗表明，改進后的ViBe算法有效地提高了鬼影判別的準確率，加快了鬼影的消除速度。

1 ?ViBe原理

ViBe是一種像素級的運動目標檢測算法，該算法主要包括：模型的初始化、模型的檢測過程、模型的更新策略三個方面。

1.1 ?模型的初始化

初始化是建立背景模型的過程，ViBe算法主要是利用單幀視頻序列初始化背景模型，對于圖像中的每一個像素點x，隨機地選擇其八鄰域內n個點的像素值作為它的模型樣本值，背景模型[B（x）]的定義為：

[B（x）={t1，t2，…，tn}] （1）

1.2 ?模型的檢測過程

ViBe算法采用2?D歐氏距離[9]對像素點進行判別，記[SR（t（x））]為以[t（x）]為中心的2?D歐氏空間，則近似樣本點的集合為：

[JR={SR（t（x））?B（x）}] ? ? ? ?（2）

當近似樣本點的個數大于給定的閾值#MIN時，則判定該點為背景點，否則為前景點。

1.3 ?模型的更新策略

每一個背景像素點都有[1φ]的概率去更新自己的樣本集以及鄰域像素點的樣本集。更新鄰居的樣本值利用像素值的空間傳播特性，背景模型逐漸向外擴散，同時當前景點計數達到臨界值時將其變為背景，并有[1φ]的概率去更新自己的模型樣本值。

相較于其他運動檢測算法，ViBe算法較好地保證了實時性，但是該算法通過視頻序列的第一幀進行背景建模，如果在第一幀中恰好存在將要檢測的前景物體，當其開始運動時，該算法會將其誤檢為背景，從而會在其初始的位置留下痕跡，造成鬼影現象，雖然原始算法在背景的更新策略中采用了計數器的方法來消除鬼影，但是需要在很多幀之后才能完成鬼影的消除，鬼影的抑制效率并不高。

2 ?基于最小誤差閾值自適應的ViBe改進算法

針對ViBe算法存在的上述問題，本文提出一種基于最小誤差閾值自適應的ViBe改進算法。在ViBe算法完成對當前幀的前景檢測之后，采用最小誤差閾值分割算法求出該幀的最佳分割閾值，并根據判別條件對前景像素點進行二次判別，實現鬼影的抑制。并且利用樣本集方差動態調整了距離判定閾值，提高了在不同環境下前景點提取的準確率。此外，在背景更新策略中通過計算像素點的梯度， 優化了背景模型的更新速率，有效地提高了算法的性能。

2.1 ?最小誤差閾值分割算法

在一張分辨率大小為[M×N]，灰度級為[L]的灰度圖像中，灰度值大小為[i]的像素點的個數用[ni]表示，全部像素點的個數用[n]表示，[n=n0+n1+…+nL-1]，用[pi]表示灰度值為[i]的像素點出現的概率，假設理想的灰度分布模型滿足混合正態分布：

[p（i）=j=01Pj?pij] （3）

式中，[p0]和[p1]分別為背景[C0]和前景[C1]各自分布的先驗概率，且[C0]和[C1]的各自分布[pij]均服從均值為[μj]，方差為[σ2j]的正態分布：

[pij=12πσjexp-i-μj22σ2j] （4）

假設[t]為[C0]和[C1]的分割閾值，則[C0]和[C1]各自分布的均值分別為：

[μ0t=μtp0t， ?μ1t=μT-μtp1t]

式中：[μt=i=0ti?pi];[μT=i=0L-1i?pi]。

[C0]和[C1]各自分布的方差分別為：

[σ20t=i=0tpii2-μ0t2]

[σ21t=i=t+1L-1pii2-μ1t2]

基于最小分類誤差思想可以得到以下最小誤差目標函數[Jt]：

[Jt=p0tlnσ20p0t2+p1tlnσ21p0t2] （5）

最佳閾值[t?]在[Jt]取最小值時獲得，即：

[t?=argmin0≤t≤L-1Jt]

隨機選取M個通過ViBe算法檢測獲取的背景像素點，求出這M個背景像素點的平均灰度值，確立以下二次判別的規則：

1） [當Vm≤t*時，]

[f（x）=v（x）>t*， ?判為前景點v（x）≤t*， ?判為背景點]

即暗背景，亮前景。

[當Vm>t*時，]

[f（x）=v（x）>t*， ?判為前景點v（x）≤t*， ?判為背景點]

即亮背景，暗前景。

式中，[v（x）]表示通過ViBe算法檢測出的前景像素點，采用該判別規則對[v（x）]進行二次判別，能夠有效地過濾掉部分ViBe算法誤檢的前景像素點，將其重新判為背景。

2.2 ?動態調整距離判定閾值

在前景點的檢測過程中，距離判定閾值[R]與樣本集[B（x）]的樣本方差[σm]成正比，[σm]越大，說明場景越復雜，距離判定閾值[R]也應該越大。具體表示為：

[R=0.5σm， ?20≤R≤40] ?（6）

如圖1所示，在動態調整距離判定閾值之后，本文算法檢測的正確率更快地達到了平均值，并在趨于穩定之后較原ViBe算法有略微的提升。

2.3 ?優化模型的更新速率

在模型的更新策略中，本文引入了兩種不同的更新參數[φ1=8]，[φ2=16]，通過計算當前幀圖像的平均梯度[10][G]以及前景目標經過區域的像素點的梯度值[G]來選擇與之匹配的更新速率。若[G>G]，則說明前景目標變化速度較快，應選擇較快的模型更新速率，以便前景目標經過的區域可以快速更新為背景。反之，若[G<G]，則說明前景變化速度較慢，此時應選擇較慢的模型更新速率，以便前景像素點有充足的時間融入到樣本集當中。優化更新速率后的效果對比圖如圖2所示。

圖2中的實驗素材是一段高速路的監控視頻。由于車速較快，ViBe算法檢測的準確率不是很高，但優化更新速率后的本文算法在應對這種場景時準確率明顯提升。算法流程圖如圖3所示。

3 ?實驗結果與分析

本文實驗環境為VS 2015 + OpenCV 3.2.0，為了驗證本文算法對鬼影的抑制效果，本文在兩種場景下對該算法進行了測試。場景一采用的是Change Detection數據集中[11]的PETS 2006視頻序列。如圖4所示，圖4a）和圖4d）分別為序列的第548幀和第602幀原圖;在548幀處，ViBe算法和本文算法都檢測出了嚴重的鬼影現象，見圖4b）和圖4c）;圖4e）為ViBe算法在602幀處的檢測圖，可以看出ViBe算法已經對鬼影進行了抑制，但仍有部分殘余;而從圖4f）可以看出，本文算法在602幀處已經基本完成了鬼影的消除。

場景二是兩種算法對靜止物體鬼影抑制的效果對比圖，目標車輛在第187幀時開始靜止，直到第215幀ViBe算法的檢測效果圖中仍殘留該目標的部分鬼影見圖5b），而本文算法在第215幀處已經基本完成了鬼影的抑制見圖5c）。此外，該目標車輛在239幀時開始緩慢啟動，直到第247幀時ViBe算法仍無法完整地檢測出目標車輛見圖5e），而本文算法已經較好地完成了目標的檢測見圖5f）。

通過上述兩組實驗可以看出，與ViBe算法相比，本文算法有效地提高了鬼影抑制的速度，并且能夠更快檢測出緩慢啟動的前景目標。此外，為了更加精確地評估本文改進算法的性能，本文采用Change Detection數據集中的4個測試序列對算法的平均識別率以及平均準確率進行評測，并與KDE，SOBS，GMM，KNN以及原始ViBe算法進行了對比，對比結果見圖6。

圖中Baseline是基本測試序列;Dynamic Background是動態背景下測試序列;Camera Jitter是相機抖動情況下的測試序列;Intermittent Object Motion是物體間歇性運動的測試序列。可以看出本文改進算法相較于其他算法有較高的準確率，并且在檢測動態背景的視頻序列時，識別率較傳統ViBe算法有明顯的提升。

最后，本文通過對Change Detection數據集中的所有序列進行測試，統計并求出六種算法的假正率（FPR）、假負率（FNR）、分類錯誤率（PWC）、準確率和識別率的加權調和平均值（F?Measure），詳細結果如表1所示。可以看出本文算法相較于原始的ViBe算法假正率、假負率、分類錯誤率均有小幅下降，并且衡量一個算法分類性能好壞的F?Measure值也有所提升。

4 ?結 ?語

針對ViBe算法無法快速抑制鬼影現象的問題，本文提出一種基于最小誤差閾值分割的改進算法，并且動態調整了像素點檢測時的距離判定閾值，此外還通過計算像素點的梯度值優化了模型的更新速率。實驗結果表明，本文改進算法有效地提升了鬼影的抑制速度，并且保持了較高的識別率和準確率，能夠更好地適用于對運動目標檢測準確度要求比較高的場景。未來的研究工作將著重于進一步提升算法的運行速度，優化算法的時效性，以提升算法的實用價值。

參考文獻

[1] RAMYA P， RAJESWARI R. A modified frame difference method using correlation coefficient for background subtraction [J]. Procedia computer science， 2016， 93： 478?485.

[2] FAN X， TJAHJADI T. A spatial?temporal framework based on histogram of gradients and optical flow for facial expression recognition in video sequences [J]. Pattern recognition， 2015， 48（11）： 3407?3416.

[3] AVGERINAKIS K. Video processing and background subtraction for change detection and activity recognition [J]. Water research， 2015， 39（12）： 2459?2474.

[4] WANG K， LIANG Y， XING X， et al. Target detection algorithm based on Gaussian mixture background subtraction model [C]// Proceedings of Chinese Intelligent Automation Conference. Berlin： Springer， 2015： 439?447.

[5] 趙玉丹.基于LBP的圖像紋理特征的提取及應用[D].西安：西安郵電大學，2015.

ZHAO Yudan. The extraction and application of image texture feature based on LBP [D]. Xian： Xian University of Posts and Telecommnications， 2015.

[6] BARNICH O， DROOGENBROECK M V. ViBe： a powerful random technique to estimate the background in video sequences [C]// Proceedings of IEEE International Conference on Acoustics， Speech and Signal Processing. Taipei： IEEE， 2009： 945?948.

[7] 李洪杰，程欣宇，任海林.一種基于幀差和ViBe算法的前景檢測方法[J].電子技術與軟件工程，2014（21）：119?120.

LI Hongjie， CHENG Xinyu， REN Hailin. A foreground detection method based on frame difference and ViBe [J]. Electronic technology & software engineering， 2014（21）： 119?120.

[8] 吳建勝，徐博.動態閾值的ViBe運動目標檢測[J].計算機工程與應用，2017，53（11）：182?186.

WU Jiansheng， XU Bo. ViBe moving object detection method based on dynamic threshold [J]. Computer engineering and applications， 2017， 53（11）： 182?186.

[9] GONZALEZ?CASTRO V， ALEGRE E， GARCIA?OLALLA O， et al. Adaptive pattern spectrum image description using Euclidean and Geodesic distance without training for texture classification [J]. IET computer vision， 2012， 6（6）： 581?589.

[10] PLOTZ T， ROTH S. Registering images to untextured geometry using average shading gradients [C]// Proceedings of IEEE International Conference on Computer Vision. Washington： IEEE Computer Society， 2015： 2030?2038.

[11] GOYETTE N， JODOIN P M， PORIKLI F， et al. Changedetection.net： a new change detection benchmark dataset [C]// Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops. Providence： IEEE， 2012： 1?8.

[12] LIU M， ZHANG H， WANG C， et al. Polarimetric synthetic aperture radar change detection for specific land cover types [J]. International journal of digital earth， 2015， 8（4）： 334?344.