復(fù)雜場(chǎng)景下自適應(yīng)視頻前景提取算法

陸泊帆，何立風(fēng),2*，周廣彬，袁 樸，蘇亮亮

(1.陜西科技大學(xué)電子信息與人工智能學(xué)院，西安 710021；2.日本愛知縣立大學(xué)信息科學(xué)學(xué)院，愛知縣 480-1198)

運(yùn)動(dòng)目標(biāo)檢測(cè)在日常生活中應(yīng)用十分廣泛。目前，常見的提取運(yùn)動(dòng)前景的方法有背景減除法、光流法[1]，以及后來提出的幀間差分法[2]。幀間差分法的計(jì)算量較小，實(shí)時(shí)性較高，背景不積累，可以抑制鬼影，但是提取的前景目標(biāo)易產(chǎn)生空洞。背景減除法將當(dāng)前圖像的像素點(diǎn)與其背景模型進(jìn)行對(duì)比和更新，從而提取到前景目標(biāo)，主要通過為每個(gè)像素點(diǎn)建立背景模型來進(jìn)行前景目標(biāo)的檢測(cè)，原理簡單，性能比較好。目前以混合高斯算法(Gaussian mixture model，GMM)[3]和視覺背景提取(visual background extractor，ViBe)算法[4]為代表的背景建模法是當(dāng)前主流的研究算法。為了能夠讓混合高斯算法適應(yīng)復(fù)雜場(chǎng)景，文獻(xiàn)[5-6]從不同方面對(duì)GMM算法進(jìn)行改進(jìn)，但由于物體運(yùn)動(dòng)狀態(tài)的不確定性，提取運(yùn)動(dòng)前景仍舊有困難。

由Barnich提出的視覺背景提取算法(ViBe)是一種基于像素點(diǎn)鄰域空間的運(yùn)動(dòng)前景提取算法，該算法原理簡單，但提取到的前景易出現(xiàn)噪聲點(diǎn)、鬼影以及陰影等問題。為了解決上述問題，文獻(xiàn)[7-9]使用自適應(yīng)閾值代替固定閾值從而實(shí)現(xiàn)前景點(diǎn)與背景點(diǎn)的分割，但是提取的目標(biāo)出現(xiàn)了不同程度的不完整。文獻(xiàn)[10]通過改變背景模型更新因子，結(jié)合三幀差分技術(shù)一定程度上抑制鬼影，但是易產(chǎn)生空洞。文獻(xiàn)[11]通過改進(jìn)Harr-like特征結(jié)合級(jí)聯(lián)分類器能夠抑制鬼影像素點(diǎn)，但鬼影消除的速度依舊不能滿足實(shí)時(shí)性的要求。文獻(xiàn)[12]通過像素點(diǎn)的時(shí)間和空間特征進(jìn)行前景提取，計(jì)算復(fù)雜度較高。文獻(xiàn)[13]通過選取同質(zhì)像素點(diǎn)來初始化背景模型，自適應(yīng)調(diào)整半徑閾值和背景模型的更新速率，同時(shí)根據(jù)光流將鬼影和真實(shí)目標(biāo)進(jìn)行區(qū)分，雖然可以去除鬼影，但是過程較復(fù)雜。

基于以上研究的不足，現(xiàn)提出一種復(fù)雜場(chǎng)景下自適應(yīng)視頻前景提取算法。通過背景模型中樣本之間最小歐氏距離的均值衡量背景動(dòng)態(tài)波動(dòng)程度，當(dāng)背景動(dòng)態(tài)波動(dòng)大時(shí)，增加半徑閾值，反之則減小半徑閾值，從而更加準(zhǔn)確地進(jìn)行像素點(diǎn)分類。針對(duì)靜止物體突然運(yùn)動(dòng)、運(yùn)動(dòng)物體突然靜止以及利用首幀初始化而產(chǎn)生鬼影的問題，根據(jù)物體的運(yùn)動(dòng)速度，自適應(yīng)調(diào)整一次更新的背景模型中樣本個(gè)數(shù)，加快鬼影融入背景模型，使得背景模型更加符合真實(shí)場(chǎng)景，提高檢測(cè)的準(zhǔn)確性。

1 ViBe算法原理及不足

首先，ViBe算法隨機(jī)選取像素點(diǎn)鄰域空間內(nèi)的樣本構(gòu)建背景模型；其次，對(duì)比當(dāng)前像素點(diǎn)與其模型的相似程度進(jìn)行像素點(diǎn)的分類；最后，根據(jù)分類結(jié)果更新其對(duì)應(yīng)的模型。

1.1 模型定義與初始化

假設(shè)視頻幀中x位置處的像素值為v(x)，設(shè)P(x)為像素點(diǎn)x的背景模型，即該像素點(diǎn)的樣本集，該背景模型的定義如式(1)所示。

P(x)={P1,P2,…,PN}

(1)

式(1)中：Pi為對(duì)x一定范圍內(nèi)的像素點(diǎn)隨機(jī)抽取后生成的樣本集中索引為i的樣本元素；N為該樣本集的大小。

x像素的空間鄰域記為NG(x)。通常來說NG(x)是像素x的8鄰域，利用視頻的第一幀初始化背景模型，如式(2)所示。

P(x)={P[y|y∈NG(x)]}

(2)

式(2)中：y為像素x的8鄰域中任意樣本索引號(hào)。

1.2 前景目標(biāo)分割

從第二幀開始進(jìn)行前景檢測(cè)，為了確定t時(shí)刻像素點(diǎn)x是屬于前景范圍的像素點(diǎn)還是屬于背景范圍的像素點(diǎn)，定義一個(gè)以Pt(x)為中心、R為半徑的空間SR[Pt(x)]，如圖1所示。

圖1 二維歐氏空間Fig.1 Two-dimensional Euclidean space

若背景模型P(x)中落入SR[Pt(x)]中樣本的個(gè)數(shù)R#>min#，則判斷為背景像素點(diǎn)，否則是前景像素點(diǎn)。具體細(xì)則如式(3)和式(4)所示。

{SR[Pt(x)]∩{P1,P2,…,PN}}=R#

(3)

(4)

式中：vb和vf分別為背景集合和前景集合；min#取經(jīng)驗(yàn)值2。

1.3 背景模型更新

為了適應(yīng)背景時(shí)刻變化的場(chǎng)景，如光照影響，背景物體突然運(yùn)動(dòng)(如突然抬起的攔車器)以及運(yùn)動(dòng)物體突然靜止，ViBe算法使用的更新方法是保守的更新策略和隨機(jī)采樣。保守的更新策略即屬于前景的像素點(diǎn)永遠(yuǎn)不會(huì)被用來填充背景模型，比如一塊靜止的區(qū)域若被錯(cuò)誤地判斷為前景，那么就會(huì)一直被當(dāng)作運(yùn)動(dòng)物體，在檢測(cè)過程中背景物體開始運(yùn)動(dòng)，則該物體靜止時(shí)的位置在保守更新的策略中永遠(yuǎn)被認(rèn)為屬于前景范圍，從而在該處會(huì)留下一個(gè)虛假目標(biāo)。采用隨機(jī)采樣方法時(shí)，當(dāng)一個(gè)像素點(diǎn)被判斷為背景點(diǎn)時(shí)，它有1/φ的概率去更新背景模型。由于隨機(jī)的策略，模型中的樣本值存在的概率呈指數(shù)型衰減，使得模型更新狀態(tài)達(dá)到最佳。若時(shí)間是連續(xù)的，那么在dt時(shí)間之后，模型中的樣本值仍然不被更新的概率如式(5)所示。

(5)

式(5)中：N為樣本集中樣本個(gè)數(shù)。

1.4 算法面臨的問題

(1)虛假目標(biāo)。產(chǎn)生鬼影的根源可歸納為兩類原因：一是初始幀存在運(yùn)動(dòng)目標(biāo)，即并非真實(shí)的背景圖像，進(jìn)行背景建模的時(shí)候就會(huì)把運(yùn)動(dòng)目標(biāo)加入背景模型中，檢測(cè)結(jié)果中就會(huì)出現(xiàn)虛假目標(biāo)；二是物體的運(yùn)動(dòng)狀態(tài)發(fā)生轉(zhuǎn)變，比如運(yùn)動(dòng)目標(biāo)從運(yùn)動(dòng)到靜止，背景模型的更新速度和背景的變率不同步，出現(xiàn)虛假目標(biāo)，即鬼影。

(2)復(fù)雜場(chǎng)景。半徑閾值R是衡量當(dāng)前像素點(diǎn)與背景模型相似度的重要依據(jù)，固定半徑閾值對(duì)于動(dòng)態(tài)變化的背景分割效果較差，這些動(dòng)態(tài)變化的背景像素點(diǎn)都有可能被判為屬于前景，進(jìn)而出現(xiàn)噪聲點(diǎn)。還有光線的變化，場(chǎng)景中光線的變化使得背景也發(fā)生變化，很難將這些變化與檢測(cè)目標(biāo)的變化區(qū)分開。

2 改進(jìn)的視覺背景提取算法

針對(duì)1.4節(jié)中提到的ViBe算法存在的主要問題，考慮到背景動(dòng)態(tài)變化程度和目標(biāo)的運(yùn)動(dòng)速度，從前景分割和背景更新兩個(gè)方面進(jìn)行改進(jìn)，提出了一種復(fù)雜場(chǎng)景下自適應(yīng)視頻前景提取算法。

2.1 自適應(yīng)閾值

判斷一個(gè)像素點(diǎn)x屬于前景范圍還是背景范圍時(shí)，對(duì)應(yīng)的半徑閾值R(x)起著重要的作用。由于ViBe算法對(duì)所有的像素點(diǎn)統(tǒng)一使用固定半徑來進(jìn)行像素點(diǎn)分類，因而無法避免在復(fù)雜場(chǎng)景下的誤檢。為了在復(fù)雜場(chǎng)景下更加高效而準(zhǔn)確地提取前景信息，對(duì)于背景中動(dòng)態(tài)波動(dòng)大的區(qū)域中的像素點(diǎn)x，應(yīng)該增大所采用的半徑閾值R(x)，以避免將動(dòng)態(tài)變化大的背景像素點(diǎn)判斷為前景區(qū)域，從而產(chǎn)生噪聲點(diǎn)。反之，對(duì)于背景中動(dòng)態(tài)波動(dòng)較小的區(qū)域中的像素點(diǎn)x，應(yīng)該減小半徑閾值R(x)，以避免提取到的前景信息缺失。綜上，為了在復(fù)雜場(chǎng)景中高效而準(zhǔn)確地提取完整的前景信息，視頻幀中的所有像素點(diǎn)，應(yīng)該根據(jù)其模型的動(dòng)態(tài)變化程度，采用不同的半徑閾值。

基于以上分析，提出一種基于時(shí)間和空間分布，來計(jì)算像素點(diǎn)x的背景模型動(dòng)態(tài)程度f(x)的方法，并以f(x)為依據(jù)來調(diào)整該像素點(diǎn)的半徑閾值R(x)。這樣，對(duì)于任意時(shí)刻任意位置的像素點(diǎn)，不僅考慮時(shí)間分布，也考慮該像素點(diǎn)鄰域空間的像素點(diǎn)信息，從而可以更好地適應(yīng)背景不斷變化的場(chǎng)景，極大提高了算法的魯棒性。主要步驟如下。

步驟一對(duì)于每一個(gè)像素點(diǎn)x，計(jì)算其背景模型中每個(gè)樣本與其他N-1個(gè)樣本的最小歐氏距離，計(jì)算過程如式(6)所示。

Di(x)=mindist[Pi(x),Pj(x)],j=1,2,…,N

(6)

式(6)中：Di(x)為編號(hào)為i的樣本對(duì)應(yīng)的最小歐氏距離；mindist[Pi(x),Pj(x)]為像素點(diǎn)x的背景模型中第i個(gè)樣本與背景模型中其他所有樣本的最小歐氏距離。

步驟二對(duì)于每一個(gè)像素點(diǎn)x，根據(jù)式(6)得出其背景模型中每個(gè)樣本對(duì)應(yīng)的最小歐氏距離，建立一個(gè)包含N個(gè)元素的基于時(shí)間和空間的動(dòng)態(tài)變化程度采樣數(shù)組，如式(7)所示。

D(x)={D1(x),D2(x),…,DN(x)}

(7)

式(7)中：如果一個(gè)像素點(diǎn)被判斷為背景像素點(diǎn)，則需根據(jù)式(6)重新計(jì)算該像素點(diǎn)的背景變化程度，并更新該像素點(diǎn)的動(dòng)態(tài)變化程度采樣數(shù)組。

步驟三計(jì)算每個(gè)像素點(diǎn)x的背景模型中每個(gè)樣本與其他所有樣本最小歐氏距離的平均值，如式(8)所示。

(8)

f(x)反映了每一時(shí)刻像素點(diǎn)x基于時(shí)間和空間的背景動(dòng)態(tài)變化程度。當(dāng)像素點(diǎn)x所在區(qū)域背景動(dòng)態(tài)變化大時(shí)，f(x)增大，反之，則減小。

步驟四根據(jù)背景動(dòng)態(tài)變化程度，任意像素點(diǎn)x對(duì)應(yīng)的半徑閾值的計(jì)算方法如式(9)所示。

(9)

式(9)中：η和λ為用來實(shí)現(xiàn)背景動(dòng)態(tài)變化程度與半徑閾值之間的轉(zhuǎn)換；Rb(x)為前一幀像素點(diǎn)x的匹配半徑。首次匹配時(shí)，R(x)=20。當(dāng)像素點(diǎn)的背景動(dòng)態(tài)變化程度較高時(shí)，即該像素點(diǎn)的樣本集中樣本對(duì)應(yīng)最小歐式距離之和的平均值大于半徑閾值的值，需要增大自適應(yīng)匹配半徑。反之，則需要減小自適應(yīng)匹配半徑。

為了防止出現(xiàn)閾值過大，使得前景像素點(diǎn)判斷為背景像素點(diǎn)，將閾值上限設(shè)置為Rmax=50。另一方面，為防止閾值過小，將背景大面積誤判為前景，將閾值下限設(shè)置為Rmin=20。

2.2 自適應(yīng)更新樣本集

為了適應(yīng)不斷變化的背景，背景模型必須不斷更新。由1.3節(jié)可知不同于混合高斯模型[14]背景建模方法，ViBe算法不需對(duì)新圖像的背景模型中所有像素值進(jìn)行替換。建立實(shí)時(shí)的背景模型主要難點(diǎn)是找到一種適應(yīng)復(fù)雜場(chǎng)景的背景模型更新方法，來確定一次替換掉原模型中的幾個(gè)樣本，從而使得背景模型可以相對(duì)準(zhǔn)確描述實(shí)時(shí)場(chǎng)景。

從上述分析可知一次替換樣本的個(gè)數(shù)M影響著背景模型的準(zhǔn)確性，而M應(yīng)該與目標(biāo)的運(yùn)動(dòng)速度產(chǎn)生關(guān)聯(lián)。受到文獻(xiàn)[15]的啟發(fā)，引入了幀差測(cè)量值ΔD，以此來衡量一段時(shí)間內(nèi)目標(biāo)質(zhì)心的運(yùn)動(dòng)速度，如式(10)所示。

(10)

式(10)中：f為經(jīng)過的幀數(shù)；di為前一幀與當(dāng)前幀的時(shí)間間隔內(nèi)目標(biāo)質(zhì)心移動(dòng)的相對(duì)距離，即計(jì)算質(zhì)心的二維矢量差，將其轉(zhuǎn)換為一維歐氏距離。給定的原則：去除前景中像素點(diǎn)少的區(qū)域，對(duì)于幀差測(cè)量值ΔD大且像素點(diǎn)多的前景區(qū)域，更新模型時(shí)加大一次更新的樣本個(gè)數(shù)；反之，則減少一次更新的樣本個(gè)數(shù)。具體更新方法如式(11)所示。

(11)

式(11)中：τ1、τ2的取值需要根據(jù)數(shù)據(jù)集的情況進(jìn)行調(diào)整，一般取經(jīng)驗(yàn)值τ1=2，τ2=8。如果ΔD<τ1，即目標(biāo)運(yùn)動(dòng)速度偏慢，說明需要減少一次更新樣本集中樣本的個(gè)數(shù)，避免出現(xiàn)提取到的前景信息不完整的情況；如果ΔD>τ2，即目標(biāo)運(yùn)動(dòng)速度較快，需要加大一次更新樣本集中樣本的個(gè)數(shù)，加快背景模型更新，以提取到更加準(zhǔn)確的結(jié)果；否則，按照式(11)中間情況進(jìn)行處理。對(duì)于前景中存在的虛假目標(biāo)，初期依舊會(huì)當(dāng)成前景來更新背景模型。隨著鬼影消融的進(jìn)行，虛假目標(biāo)的質(zhì)心也會(huì)變化，根據(jù)質(zhì)心的運(yùn)動(dòng)速度繼續(xù)調(diào)整一次更新的樣本個(gè)數(shù)。此方法在一定程度上可以加快虛假目標(biāo)融入到背景模型。

3 實(shí)驗(yàn)分析

算法的實(shí)驗(yàn)運(yùn)行硬件環(huán)境：Intel(R)Core(TM)i7-67003，3.4 GHz，內(nèi)存為8 G。軟件環(huán)境：64位Windows10操作系統(tǒng)，MATLAB2015。為驗(yàn)證本文算法在復(fù)雜場(chǎng)景中的提取效果，選取ChangeDetection(CDnet2014)[16]公開數(shù)據(jù)集中有樹葉晃動(dòng)、水波晃動(dòng)、光線差異、物體運(yùn)動(dòng)狀態(tài)改變和首幀存在運(yùn)動(dòng)目標(biāo)5種情況的視頻，從定性和定量兩個(gè)角度對(duì)本文算法的檢測(cè)結(jié)果進(jìn)行評(píng)價(jià)。

3.1 消除鬼影仿真實(shí)驗(yàn)及分析

鬼影消除實(shí)驗(yàn)選取公開數(shù)據(jù)集中highwayII-raw視頻和campus-raw視頻。

3.1.1 運(yùn)動(dòng)狀態(tài)發(fā)生改變

campus-raw視頻中攔車器在第77幀由靜止?fàn)顟B(tài)變?yōu)檫\(yùn)動(dòng)狀態(tài)，在第291幀攔車器運(yùn)動(dòng)狀態(tài)從運(yùn)動(dòng)變?yōu)殪o止，實(shí)驗(yàn)對(duì)比效果如圖2、圖3所示。

圖2 物體由靜止到運(yùn)動(dòng)實(shí)驗(yàn)對(duì)比Fig.2 Experimental comparison of objects from static to moving

圖3 物體由運(yùn)動(dòng)到靜止實(shí)驗(yàn)對(duì)比Fig.3 Experiment comparison of objects from moving to static

ViBe算法使用保守，固定的更新機(jī)制，因此在面對(duì)攔車器突然運(yùn)動(dòng)的情況時(shí)會(huì)在原位置留下鬼影，且鬼影融入背景模型慢。當(dāng)ViBe算法提取的前景中仍有輪廓清晰的鬼影時(shí)，本文算法已經(jīng)將鬼影的一部分融入背景模型中，在第87幀時(shí)只余留了1～2個(gè)噪聲點(diǎn)。同時(shí)，本文算法提取的前景信息相對(duì)完整。

攔車器靜止后，ViBe算法中鬼影融入背景非常緩慢，在第362幀仿真結(jié)果中鬼影十分清晰，經(jīng)過68幀之后，ViBe算法檢測(cè)到的前景中鬼影區(qū)域仍舊很大，一直到第470幀依舊沒有完全消除，嚴(yán)重影響了前景目標(biāo)檢測(cè)的效果。而本文算法在第362幀時(shí)鬼影就即將融入背景，到第371幀鬼影完全融入背景，且提取到的前景信息相對(duì)完整。

3.1.2 初始幀存在運(yùn)動(dòng)目標(biāo)

highwayII-raw視頻中第一幀存在運(yùn)動(dòng)目標(biāo)且攝像頭在抖動(dòng)，實(shí)驗(yàn)對(duì)比效果如圖4所示。

圖4 首幀存在運(yùn)動(dòng)目標(biāo)實(shí)驗(yàn)對(duì)比Fig.4 Experimental comparison of moving targets in the first frame

由于初始幀中存在運(yùn)動(dòng)目標(biāo)以及固定的背景模型更新機(jī)制，ViBe算法提取的第115幀中鬼影區(qū)域依然很大。而本文算法在第115幀中所有虛假目標(biāo)幾乎全部融入背景模型中。

3.2 背景動(dòng)態(tài)干擾仿真實(shí)驗(yàn)及分析

為驗(yàn)證自適應(yīng)半徑閾值R的有效性，選取公開數(shù)據(jù)集people以及fountain01視頻，實(shí)驗(yàn)對(duì)比效果如圖5所示。

由圖5可知，ViBe算法面對(duì)水波動(dòng)態(tài)波動(dòng)的情況很大概率會(huì)出現(xiàn)誤檢，而本文算法由于引入了自適應(yīng)半徑閾值R，提取的前景中噪聲點(diǎn)大大減少。

圖5 背景動(dòng)態(tài)變化對(duì)比實(shí)驗(yàn)Fig.5 Background dynamic change contrast experiment

3.3 光線差異干擾實(shí)驗(yàn)及分析

光線變化干擾實(shí)驗(yàn)選取Laboratory-raw視頻序列，實(shí)驗(yàn)對(duì)比效果如圖6所示。

圖6 抑制光線變化對(duì)比實(shí)驗(yàn)Fig.6 Comparison experiment of restraining light changes

實(shí)驗(yàn)結(jié)果顯示，ViBe算法受光線干擾十分明顯，出現(xiàn)了拖影和誤檢。而本文算法能很好地將人的雙腿和雙腳分開，雖然也將手柄部分誤判為前景，但是區(qū)域十分小，同時(shí)能很快將虛假目標(biāo)融入背景中。

3.4 算法綜合表現(xiàn)實(shí)驗(yàn)與分析

為對(duì)比本文算法與幀間差分法、光流法、ViBe算法以及GMM算法，在消除鬼影以及面對(duì)復(fù)雜環(huán)境的性能表現(xiàn)時(shí)，選用了具有代表性的highway、PETS2006、pedestrians(選取第598幀建立背景模型)以及people視頻序列。其中highway視頻序列中有攝像頭晃動(dòng)、樹葉晃動(dòng)以及光線變化的干擾，PETS2006視頻序列中有光線變化的干擾，pedestrians視頻序列中首幀存在運(yùn)動(dòng)目標(biāo)，且有光線的干擾，people視頻序列中水面不停晃動(dòng)。實(shí)驗(yàn)結(jié)果如圖7所示。

圖7 改進(jìn)算法與其他代表性算法對(duì)比Fig.7 Comparison of improved algorithm with other representative algorithms

在highway視頻序列中，幀間差分法、光流法、GMM算法以及ViBe算法都在不同程度上誤將晃動(dòng)的樹葉檢測(cè)為前景，且提取的內(nèi)部信息出現(xiàn)了一定程度的漏檢。此外，由于光線的影響，光流法還將斑馬線檢測(cè)為前景。而本文算法幾乎沒有將晃動(dòng)的樹葉誤判為前景，且提取的前景目標(biāo)相對(duì)完整。

在PETS2006視頻序列中，光流法、GMM算法以及ViBe算法在室內(nèi)光線的影響下提取的前景都有不同程度的拖影。特別是光流法受光線干擾的影響十分嚴(yán)重，不僅將地面物體的邊界以及列車融入前景中，而且提取的行人內(nèi)部信息缺失嚴(yán)重，本文算法很好地抑制了光線的干擾。由于pedestrians視頻首幀中存在行人，所以GMM算法、ViBe算法以及本文算法提取的結(jié)果中都出現(xiàn)了鬼影，但從結(jié)果中可以看到，本文算法消除鬼影的速度明顯優(yōu)于其他兩種算法。幀間差分法和光流法由于檢測(cè)機(jī)制結(jié)果中沒有出現(xiàn)鬼影，但是不同程度上出現(xiàn)了大片噪聲點(diǎn)和空洞。而本文算法很好地抑制了光線的干擾，提高了檢測(cè)的準(zhǔn)確率。在people視頻序列中，其他4種算法都在不同程度上將晃動(dòng)的水面誤判為前景，本文算法雖然也將部分背景點(diǎn)檢測(cè)為前景點(diǎn)，但是誤檢現(xiàn)象得到了很大改善。由結(jié)果可知，在4組測(cè)試視頻下，本文算法的效果都明顯優(yōu)于其他4種算法。

為了更加準(zhǔn)確地評(píng)估算法效果，采用通用的4個(gè)量化評(píng)價(jià)指標(biāo)：準(zhǔn)確率(precision，P)、召回率(recall，R)、假正率(false positive rate，F(xiàn))以及F評(píng)分(F-measure，F(xiàn)m)，具體定義如下。

(12)

(13)

(14)

(15)

式中：TP為提取的前景中正確檢測(cè)為前景的像素點(diǎn)個(gè)數(shù)；TN為提取的前景中正確檢測(cè)為背景的像素點(diǎn)個(gè)數(shù)；FP為提取的前景中誤判為前景的像素點(diǎn)個(gè)數(shù)；FN為提取的前景中誤判為背景的像素點(diǎn)個(gè)數(shù)。對(duì)算法的性能進(jìn)行評(píng)價(jià)時(shí)，P、R、Fm越大，F(xiàn)越低，說明算法的性能越好。使用以上通用指標(biāo)對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行定量評(píng)價(jià)，并對(duì)結(jié)果取平均值，結(jié)果如表1所示。

由表1的結(jié)果可知，由于幀間差分法幾乎只提取了前景目標(biāo)的部分輪廓信息，易產(chǎn)生空洞，R最低。與ViBe算法及GMM算法相比，光流法雖然在部分幀中提取的前景信息較完整，但由于在光線的影響下提取目標(biāo)內(nèi)部的空洞比較大，導(dǎo)致R較低。此外，光流法誤判的程度較高，把一些靜態(tài)的背景區(qū)域誤判為前景，所以導(dǎo)致光流法的F較高，而且P較低。GMM算法的P和ViBe算法的P相差不大，但R低于ViBe算法，說明GMM算法雖然對(duì)前景點(diǎn)分類的準(zhǔn)確程度和ViBe算法相差不大，但是提取的內(nèi)部信息十分不完整。本文算法的準(zhǔn)確率P明顯高于ViBe算法，而R值也稍高于ViBe算法，說明本文算法在保證內(nèi)部信息較完整的前提下，能很好地適應(yīng)光線變化、背景波動(dòng)大以及易產(chǎn)生鬼影的場(chǎng)景。此外，本文算法在假正率F指標(biāo)上是最低的，進(jìn)一步證明了本文方法的檢測(cè)結(jié)果的準(zhǔn)確程度大大高于其他代表性算法。

表1 檢測(cè)結(jié)果對(duì)比Table 1 Comparison of detection results

4 結(jié)論

分析了ViBe算法的原理、優(yōu)勢(shì)以及不足。在此基礎(chǔ)上，從兩個(gè)方面對(duì)其進(jìn)行了改進(jìn)，提出了一種復(fù)雜場(chǎng)景下自適應(yīng)視頻前景提取算法。由于像素點(diǎn)分類和半徑閾值有很大的關(guān)系，因此本文算法利用像素點(diǎn)鄰域空間信息，使得半徑閾值能夠自適應(yīng)調(diào)整，從而提高了算法檢測(cè)的準(zhǔn)確性，增強(qiáng)了算法對(duì)動(dòng)態(tài)場(chǎng)景的適應(yīng)性。同時(shí)，本文算法還利用幀差測(cè)量值衡量物體的運(yùn)動(dòng)速度，并以此為依據(jù)自適應(yīng)調(diào)整一次更新樣本集中樣本個(gè)數(shù)，加快了鬼影的消除。實(shí)驗(yàn)結(jié)果表明，與其他4種代表性運(yùn)動(dòng)目標(biāo)檢測(cè)算法相比，本文算法能更快地將鬼影融入背景模型并且可以抑制背景干擾。下一步將在此基礎(chǔ)上研究背景模型的建立，在初始化背景模型時(shí)消除由于初始幀存在運(yùn)動(dòng)目標(biāo)而產(chǎn)生的鬼影。