基于ViBe算法的圖像關鍵幀特征點匹配方法研究

蔣小波 徐小艷 余君

摘要：本文針對運動類視頻的特征點匹配進行分析，針對關鍵幀的結構進行了探討。傳統算法常常出現關鍵幀檢測漏幀的問題，并由此導致對圖像的關鍵幀匹配不準確。基于此，文章提出了以ViBe算法為基礎的圖像關鍵幀特征點匹配技術，為相關領域的研究人員提供一定的技術性參考，滿足相關領域人士對于關鍵技術的了解需求。

關鍵詞：ViBe算法;圖像關鍵幀;特征點匹配;監控視頻信息

中圖分類號：TP3? ? ? 文獻標識碼：A

文章編號：1009-3044（2022）17-0064-02

為了避免目標運動過小，避免背景占據運動目標視頻畫面主要內容的面積過大，從而導致出現漏檢的問題，就需要基于視頻幀熵值，對顏色進行變化凸顯，當作關鍵的部分關鍵幀，實現對目標數據信息的處理，其次，在進行處理的過程中，可以實現對視頻信息的針對性匹配計算分析，為相關工作人員提供針對性數據參考。

1 研究背景

在現階段的社會發展背景下，信息技術高速發展，使得視頻監控系統十分常見，利用視頻監控系統進行信息記錄，可以呈現出較強的直觀屬性，例如在當下的交通、刑偵的取證過程中，視頻監控都可以發揮出較強的作用。同時在校園、社區的安全工作開展中，也需要利用視頻監控系統提供穩定的數據信息[1]。

伴隨著視頻監控系統的發展，使得自動處理監控視頻的信息數據，逐漸成為計算機視覺領域研究的重要方向，因此就需要在視頻當中，實時提取一些重要的特征數據信息，全面提升視頻數據系統的整體處理效率[2]。在日常視頻監控的過程中，傳統的技術都是采用不同的背景，在上述情況下，一旦攝像頭受到外界的影響，就會導致鏡頭出現嚴重的晃動問題，進而導致與前景目標的提取與跟蹤，造成不良的影響[3]。

現階段在提取了前景目標之后，就要馬上對目標進行匹配處理。以公園廣場為例，在實際監控中，要在廣場當中安裝不同視角下的監控攝像頭，但是由于公園廣場每天人流量巨大，因此傳統的人工標準目標，顯然存在著較低的工作效率，未來在進行監控的過程中，會涉及對于相同目標的不同視角下的監控特征點匹配技術，上述技術的應用，可以極大地提升整體的目標檢測的效率性[4]。

2 關鍵技術分析

在對運動目標進行檢測的過程中，其主要目的是處理在較為復雜的環境中的目標，解決背景信息復雜的問題，以此對運動狀態進行針對性的特征點的匹配分析，這樣就可以及時地將運動目標提取出來[5]。

2.1 幀差法

在使用幀差法的時候，有關人員首先需要選擇一段時間內的目標運動圖像，對圖像幀之間的灰度差進行針對性地分析，同時保障對得到的數據信息進行處理。其次，還需要在閾值化的處理過程中，獲取到目標運動的范圍。此舉的目的在于獲得幀數之間的像素灰度值，并借助灰度值改善圖像分享效果[6]。在使用該技術的過程中，有關人員可以實現對具體圖像的詳細繪制。在目標物體運動的過程中，成為目標運動狀態，處理這個環節的過程中，有關人員需要對其灰度值進行針對性地特征提取[7]。利用閾值化的方式，能夠實現對目標差分計算環節的詳細分析，同時考慮到全部的圖像數據信息，進而保障計算的過程中，最終得到具體的像素。

現階段在使用幀差法的過程中，發現此技術具有計算邏輯簡單的優勢，同時使用的過程也較為便捷，因此就可以快速幫助有關人員得到處理結果。在進行算法執行的過程中，幀差法的算法有著較強的適應性。但是需要注意的是，進行幀差法的處理上，往往也存在著一定的技術局限性，上述局限性基本集中在視頻的幀之間，一旦跳轉過快，就會導致差異微小，無法保持對完整的運動流程，無法起到良好的運動檢測效果。另外，運動速度過快，或者在進行使用中檢測的結果存在漏洞，也會導致檢測效果受到影響，要保障提取一個運動目標之后，可以借助對技術的使用，進行針對性的數據分析[8]。

2.2 光流法

光流法能夠在使用的過程中，對運動中的目標進行針對性的處理，例如在運動目標運動幅度較小時，就需要將其假定亮度恒定不變，因此運動目標便隨著場景的移動，對運動目標的灰度值，進行針對性的處理。

在光流法的使用過程中，有關人員并不需要完全了解視頻當中的各種信息，就可以檢測出運動的目標。在稠密光流的檢測中，首先需要提取出前景目標，但是計算過程較為復雜，算法的時效性也比較差，經常會導致在實際的處理過程中，會面臨著各種影響因素的干擾，導致無法獲得一個良好的計算處理效果。

伴隨著科學技術的發展，針對這種干擾問題，有關領域提出了高斯模糊模型分析方式，這一方法強調通過最大程度上容納光照變化的方式，基于實際的變化效果，針對性地做出一定反應[9]，這樣的處理方式適用于戶外的場景當中。在現階段處理的過程中，針對不同的像素點，往往要對像素值構建混合高速分布模型。其次，有關人員還需要做好采樣工作，利用數據分析方式，保障像素點可以得到針對性處理。混合高速模型的構建方式，在實際操作中十分便捷，因此具有一定的應用價值。

3 ViBe算法的應用

進行前景檢測的過程中，最終得到的檢測結果會受到噪音、閾值選擇，以及受到背景抖動等諸多方面的因素影響，而呈現出不同的狀態。現階段在使用前景檢測的過程中，都會基于背景差分法，在背景建模的過程中，對背景模型進行初始化、更新，并利用模型的原理，得到最終的分析結果，體現技術價值。

現階段在顏色空間確定之后，有關人員會采用概率密度函數、統計手段的方式，以此形成背景建模。在這樣的技術方式下，有關人員要針對算法類型進行選擇，結合實際的使用場景和情況，確保算法選擇合理，另外在模型的實際建立過程中，往往會在概率密度上無法得到良好的把控，開展全面檢測的過程中，需要使用一種可以進行跟蹤數據的建模方式，保障技術的合理性。

3.1 ViBe特征

ViBe算法本質上屬于一種分類像素點計算方式，這樣的算法提出之后，其優勢逐漸顯現，相比較傳統的概率密度函數而言，能夠轉變為存儲樣本集的方式，實現對每一個像素的獨立化處理。其次，該算法在使用過程中，也相應會隨機對像素以及樣本的像素進行更新與選擇。該算法的使用，對于不同的采樣像素點選擇的概率大致相同，同時在算法的使用過程中，并不需要對歷史問題進行考慮。

ViBe算法的處理對象比較特殊，基本上選的都是像素，之所以如此，主要是為了在前景檢測的過程中，可以實現對樣本取樣的充分處理。在模型建模的過程中，分為三個基本步驟。該算法相比較傳統的算法而言，在前景檢測的計量上比較小，這樣就導致需要的硬件內存也比較小，有效提升了整體的運行效率。

3.2 ViBe模型初始化

ViBe模型初始化的過程中，建模屬于重要環節，建模期間通常面臨功能性缺陷。實際運行過程中，模型無法保障實現實時性的效果。因此就導致在建模過程中，一旦背景出現了一定變化，就要利用大量的時間，進行模型的調整以及處理。現階段在算法使用中，進行初始化的處理環節，都需要針對一段連續圖像進行分析。但是ViBe算法下，針對數據進行處理期間，有關人員可以針對圖像構建初始化的模型，解決在背景模型建立中的難題，能夠實現對相鄰像素點的空間部分相似性的探究。當下使用隨機選擇領域的像素值，可以有效降低當作背景模型的樣本集，直接解決了一幀圖像樣本不充足的問題。另外，在鄰域的選擇過程中，需要對實驗人員進行充分的考量分析，這樣數據間的較弱關聯性，就會導致模型的偏差問題。

該算法下，可以很好地實現對運動目標的狀態監測，并提升數據信息的處理效率。但是該技術也存在著較為明顯弊端問題。例如，技術經常會在使用中，出現一定的鬼影問題，之所以出現上述問題，是由于該算法僅僅對一幀圖像初始化操作，此時，會導致標記一些不存在的運動目標。

3.3 ViBe模型更新策略

在一段圖像信息當中，環境往往會伴隨著狀態信息發生一定的改變。例如物體的更換、光照變化、陰影替代等諸多方面。因此，一旦這些信息出現改變，就會直接導致模型無法使用。現階段在建筑的傳統觀念當中，經常會發生背景模型伴隨著圖像序列的變換而導致模型的重塑，因此就需要在進行使用的過程中避免上述問題發生。ViBe模型更新過程中，工作人員還需要積極對其圖像進行針對性分析。

在信息處理中，需要將前景的像素點全部替換，在新建的背景模型當中，使用一些使用過的背景像素點。這樣的更新方式下，可以將前景色與背景色的運動目標匹配信息，可以形成較為精確的處理。但是這樣更新也面臨一定弊端，就是容易出現鎖死的問題。在初始化的過程中，要重點避免前景檢測算法的一些錯誤性的分類，同時避免背景監測的過程中，始終處于靜止的狀態當中，或者將其當做前景，這樣就會導致出現一些錯誤的背景模型。

3.4 ViBe算法更新

為了保障對背景更新策略所存在的問題進行缺點彌補，就要記憶領域像素進行合理性的分布處理，最大程度上保障更新策略的完整性，同時對空間信息的背景模型進行全面的擴展分析。

3.5 背景差法的ViBe目標匹配處理

雖然在現階段所使用的ViBe的算法有著較高的運行效率，但是在實際的處理過程中，前景的噪聲檢測比較少，因此直接導致算法提取運動目標的過程中，經常會出現孔洞或者不完整的問題。現階段在初始視頻的處理中，針對ViBe算法進行使用，可以實現對其內容的形態學處理。因此很好地去除噪聲點，但是在其技術運用過程中，也存在著一定的缺陷性問題，這樣就會導致前景目標存在著一定的不完整問題。

當下ViBe算法創新計算中，往往是基于樣本模型的方式，進行前景信息的判斷以及分析，會導致算法體系中，有著過于龐大的樣本模型，從而導致對于背景信息無法實現一個高效率的描述。現階段在進行處理的過程中，為了保障對其前景特征點的良好匹配，就要利用背景差分法的方式，將其信息實現敏

感的處理。現階段技術的使用中，通過提升背景的頻率，起到降低噪聲的效果。但是，現階段在進行算法的使用過程中，這樣的處理效率往往需要得到良好的控制，才可以很好地發揮出應有的作用。

3.6 背景建模與后處理

在此期間，有關人員需要利用多幀平均法的方式，進行背景建模。做好背景建模以及后處理工作的關鍵，在于對相關內容進行考察。該技術可以降低噪聲對于背景模型的直接負面影響。其次對背景圖像當中的不同特征點進行處理中，可以隨機選擇一個樣本，當作背景圖圖像的像素點，這樣進行處理中，就能夠對不同的像素進行針對性的處理。其次通過抽樣的方式，這樣建模之后可以始終保持背景模型的空間信息，因此提升了整體空間的適用性。另外，針對監控視頻當中的場景變化，基本上是基于明暗的變化關系，以及對背景當中的幾何變化問題進行處理，從而了解到具體的場景情況。

在圖像特征點的提取過程中，經過對圖片進行處理之后，可以極大地提升數據信息的整體處理效果。另外，在該技術的使用過程中， 檢測提取的目標存在不完整的問題，在垂直方向上會出現的一些斷裂問題，因此在進行處理的過程中，基本上就是對其垂直方向進行圖像融合問題的處理。在具體處理中，首先提取出算法檢測當中的前景目標輪廓，其次在尋找輪廓的過程中，要實現最小化的外接矩形，因此相應可以分別計算出兩個輪廓當中的矩形中心點的水平距離。在水平距離的處理上，通過合并這兩個矩形的方式，就可以綜合性地判斷出具體的計算公式。

4結論

綜上所述，基于本文所提出的算法進行計算，可以極大提升圖像特征點的匹配效率，并在實際的運算過程中，有助于提升運行的整體質量，全面提升圖像處理的質量以及準確性，同時降低處理的質量性影響，降低干擾值。

參考文獻：

[1]陳文佑，章偉，史曉帆，等. 一種改進ORB特征匹配的半稠密三維重建ORB-SLAM算法[J]. 電子科技，2021，34（12）：62-67.

[2]李娜. 基于多特征融合的艦船殼體外形圖像關鍵點匹配[J]. 艦船科學技術，2021，43（22）：217-219.

[3]楊波，潘崢嶸. 基于三幀差分法和改進ViBe算法的前景檢測方法[J]. 計算機與數字工程，2021，49（11）：2242-2247.

[4]鄧晨，李宏偉，張斌，等. 基于深度學習的語義SLAM關鍵幀圖像處理[J]. 測繪學報，2021，50（11）：1605-1616.

[5]李寶根. 基于特征金字塔網絡的圖像關鍵點檢測算法研究[J]. 計算機應用與軟件，2021，38（9）：205-213.

[6]涂偉強，李炎炎，龍偉，等. 采取階段性改進的全新ViBe目標檢測算法[J]. 四川大學學報（自然科學版），2021，58（3）：67-72.

[7]黃遠民，易銘，楊曼，等. 艦船雷達圖像關鍵目標模糊特征抑制方法[J]. 艦船科學技術，2020，42（24）：85-87.

[8]金海燕，曹甜，肖聰，等. 基于多特征圖像視覺顯著性的視頻摘要化生成[J]. 北京航空航天大學學報，2021，47（3）：441-450.

[9]聶鼎，黃然，周仿榮，等. 基于衛星遙感影像的輸電線路異物故障特征分析[J]. 云南電力技術，2020，48（4）：97-99.

收稿日期：2021-11-15

基金項目：本文系廣東省普通高校重點領域專項項目（自然科學）：基于深度相機的三維場景重建技術與應用研究（項目編號：2020ZDZX3094）

作者簡介：蔣小波（1982—），男，湖南隆回人，碩士，助理研究員，主要研究方向為計算機應用、計算機圖形學;徐小艷（1985—），女，湖南隆回人，碩士，中級經濟師，主要從事教育管理、計算機科學技術;余君（1982—），男，安徽黃山人，碩士，高級工程師，主要研究方向為計算機技術應用。