改進ViBe 算法及其在運動船舶目標檢測中的應用

楊家軒，秦 碩，宋慶垚,

(1.大連海事大學 航海學院，遼寧 大連 116026；2.遼寧省航海安全保障重點實驗室，遼寧 大連 116026)

0 引 言

在計算機視覺領域中，運動目標檢測是國內外學者研究的熱點。目前，幀差法[1-2]、光流法[3]、背景差分法[4]，是應用較為廣泛的幾種檢測方法。背景差分法會先確定背景模型，然后將圖像序列中的當前幀和背景模型進行對比，并進行減法運算，得到前景運動區域，從而確定運動物體的各項特征。混合高斯模型(GMM)[5]、碼本(codebook) 算法[6]和視覺背景提取(visual background extractor, ViBe)算法[7-8]都是背景差分法的應用。與幀差法、混合高斯模型和codebook 算法相比，ViBe 算法計算量小，運行速度快，實時性高，抗噪聲干擾能力強，還具有較好的魯棒性。同時，ViBe 算法不受運動目標的速度影響，靜態背景下檢測效果良好，與以上算法相比，前景檢測效果較為優異。但其缺點也很明顯，如“鬼影”、檢測目標不完整以及對動態背景魯棒性差等問題。

為了彌補原始ViBe 算法的不足，楊依忠等[9]提出了一種“與”和“或”類型三幀差法與原始ViBe 算法相結合，通過“與”運算減少海面閃爍點被誤檢測為前景的情況，再通過“或”運算盡可能地保留運動目標，最后對結果進行顯著性檢測。該方法在一定程度上抑制了首幀出現的“鬼影”，在近距離的大型目標上檢測效果理想，但是不適用于小目標檢測。VAN D 等[10]在ViBe 算法的基礎上引入了閃爍等級的概念，并引用了codebook 算法中的顏色畸變測量。楊毅等[11]在原始ViBe 的基礎上擴大樣本取值范圍，結合自適應閾值和閃爍等級，對輸入的視頻序列采用高斯金字塔變換，獲得不同分辨率的圖像，最后對這些圖像分別使用改進的Vibe 算法檢測出結果，并進行融合。該方法可以有效抑制海面閃爍點，但未對目標“鬼影”進行抑制，造成船舶運動目標的誤檢。

基于以上分析，為了提高運動船舶識別的檢測率和準確性，本文對傳統V i B e 算法進行改進。在ViBe 算法的基礎上，本文算法用多幀連續圖像初始化背景模型，減少“鬼影”對前景檢測結果的影響；通過自適應閾值和閃爍等級抑制海面雜波，再通過多幀前景圖像像素點對比消除“鬼影”，提取移動的船舶。最后對輸入的動態視頻進行高斯金字塔多尺度分解，提取出第4 層的低分辨率視頻。本文算法流程如圖1 所示。

圖1 算法流程圖Fig.1 Flow chart of the algorithm

1 ViBe 算法

ViBe 算法流程如下：初始化單幀圖像中每個像素點的背景模型、對后續的圖像序列進行前景目標分割和模型更新[11]。

1.1 模型初始化

算法對視頻進行處理時，使用首幀圖像進行初始化。首先，為每一個像素點創造一個大小為N的樣本集，從每個像素的8 個鄰域中隨機選取N個像素值放入N個模型樣本中，背景模型M(x)如下：

式中：vi表示背景模型中樣本的像素值；N為背景模型中樣本的數量。

1.2 前景檢測

模型初始化之后，從第2 幀圖像開始，將每個新的像素點與模型中已有的樣本進行對比，以此判斷是否是前景像素。假設v(x)是當前像素點x的像素值，ViBe 算法會定義一個以v(x)為圓心，R為半徑的圓形區域SR(v(x))，該區域包含了到v(x)的歐氏距離小于等于R的所有像素點，如圖2 所示。其中，C1和C2為二維顏色空間的分量，M表示M(x)落在SR(v(x))內的樣本數量，當M大于預設閾值時，v(x)為背景，否則為前景。圖中黑色點表示M(x)的樣本點。

圖2 背景模型示意圖Fig.2 Schematic of backgrounding model

1.3 模型更新

當前像素v(x)被分類為背景點時，v(x)會以1/φ的概率更新自身的背景模型，之后會隨機替換樣本模型中的某一像素點，同時也會以1/φ的概率更新其8 個鄰域內像素點背景。

2 改進的ViBe 海面船舶運動目標檢測算法

2.1 背景建模

ViBe 算法使用視頻的第1 幀初始化式(1)中的參數。如果在第1 幀中有1 個像素是前景目標，那么作為前景的像素也將被分類為背景樣本點。若第1 幀存在前景目標，則前景像素也將被分類為背景樣本點。由于前景一直運動，某些長時間保持不變的前景區域被認為是“鬼影”。如圖3(b)所示，矩形框內為運動目標殘留的鬼影區域。因此，在初始化時，為了弱化運動目標對背景建模的影響，本文算法采用前N 幀圖像進行建模。

圖3 “鬼影”檢測Fig.3 Ghost detection

式中，PN(x)為前N幀圖像的像素值。

在摩爾定律的指引下，芯片特征尺寸不斷減小，芯片上可集成的功能模塊增多，設計的復雜度也逐漸上升.工藝參數波動對芯片良率的影響越來越明顯，因此有時不得不進行過度設計，以增加時序閾度提高芯片良率.流片后，工藝參數的波動固定，針對參數的波動和具體的芯片工作需求，對特殊延時器件進行調整，即可提高芯片良率.

2.2 背景建模自適應閾值和閃爍等級

ViBe 算法中所采用的固定半徑R不能適應海面動態背景的變化，易受海浪雜波的干擾，產生大量的誤檢。因此，使用自適應閾值[12-15]，并根據動態背景的變化自動調整閾值。參考文獻[12]將閾值定義為：

式中：L(x)是當前幀；Li(x)為背景模型樣本。T反映背景的變化程度，R根據T的動態變化自適應地調整模型進行更新，如下式：

式中：ε為閾值調節改變量，設置門限RH和RL(分別取40 和20)防止閾值變化較大。當環境變化較小時，R(x)趨于穩定；當背景變化較大時，R(x)就會逐漸增大。

引用文獻[10 - 11]中的閃爍等級B降低海面雜波的干擾。閃爍等級即若某一背景像素的8 鄰域中存在前景，根據像素的8 鄰域狀態與前一幀同位置像素8 鄰域狀態不同，對B進行修改。若B≥30，認為該像素正在閃爍，表示為：

式中：B為閃爍等級；SI為像素點8 鄰域狀態，SI-1為上一幀同位置像素的8 鄰域狀態；

式中：v(x)為像素值。

2.3 “鬼影”消除策略與前景檢測

“鬼影”消除策略如下：

步驟1以是否檢測到“鬼影”作為第1 個判斷，連續兩幀中相同位置的像素被判斷為前景。如果存在“鬼影”，則進行步驟2，否則跳轉至步驟3。

步驟2結合幀間信息，增加第2 次判斷，即統計前n幀中相同位置的前景像素的次數，并與n比較。如果小于n，則確定為前景像素，否則為“鬼影”。此時“鬼影”更新為背景像素，如式(7)所示。

步驟3通過改進的ViBe 算法提取前景區域，然后與Log 邊緣檢測和形態學運算提取的前景目標進行“與”運算，消除“鬼影”。

其中：I(x,y)是值為(x,y)的像素，1 是前景，0 是背景。

在前景檢測過程中，基于背景模型提取運動前景，并進行如下操作：

步驟1第2 次判斷“鬼影”后，提取船舶運動的前景區域W1；

步驟2利用Log 算子對當前幀進行邊緣檢測，將運動目標區域簡化并進行填充；

步驟3利用形態學運算先膨脹，將運動區域邊緣進行連接；然后腐蝕，消除邊緣周圍纖細區域，得到目標區域W2；

步驟4將W1和W2兩個運動區域進行“與”計算，得到最終目標區域W。

由于改進ViBe 算法仍存在些許的海浪雜波，同時邊緣檢測也易檢測非目標邊緣，如圖4(b)和圖4(c)所示。將邊緣檢測和改進的ViBe 算法進行“與”運算可以進一步抑制改進的ViBe 算法殘留的海面雜波以及干擾邊緣帶來的影響，從而獲得完整目標的顯著圖，如圖4(d)所示。

圖4 船舶目標區域顯著圖Fig.4 The significant area of the ship's target area:

3 多尺度分解

前景檢測是在不同分辨率的同一視頻上執行的。與高分辨率視頻相比，低分辨率視頻具有模糊、尺寸較小、灰度值變化小等特點，從而抑制了海面雜波。高斯金字塔可以對視頻圖像進行多尺度采樣，還可以將它們排列成金字塔的形式。金字塔層數越多，圖像尺寸越小，分辨率越低。假設第k層輸入圖像的分辨率為M×N，則經過低通濾波和下采樣之后，第k+1 層圖像的分辨率為M/2×N/2。

在動態背景下，海上航行船舶的檢測會到受海浪的影響，為了減少海面雜波的干擾，采用高斯金字塔提取5 層分辨率視頻，使用改進的ViBe 算法提取船舶運動目標。如圖5(b)、圖5(c)和圖5(d)所示，前3 層分辨率視頻中存在大量海面雜波干擾，高分辨率還降低了運行速度。單幀視頻的運行時間分別為1 018 ms，285 ms，153 ms，如表1 所示。從圖5(f)和表1 可以看出，海浪的干擾得到了抑制，第5 層分辨率視頻的單幀視頻處理耗時為29 ms。然而，由于丟失了部分船體，目標檢測不完整。在第4 層分辨率視頻中，海雜波得到了很好的抑制，而且艦船目標的顯著區域也比較完整，如圖5(e)所示。同時，單幀視頻運行時間為97 ms，滿足實時性要求。因此，本文對分辨率為1 280×720 的視頻采用高斯金字塔分解，得到第4 層160×90的低分辨率視頻。根據以上實驗結果，使用改進的ViBe 算法提取運動船舶目標的前景，避免了海浪對高分辨率船舶目標提取精度的影響，可以準確提取運動中的船舶目標。

圖5 船舶目標區域顯著圖Fig.5 The significant area of the ship's target area

表1 5 層分辨率視頻單幀畫面運行時間對比Tab.1 Comparison of running time of single frame image of layers resolution video

4 實驗結果與分析

實驗中使用分辨率為1 280 ×720，604 幀的視頻進行仿真。改進算法的部分參數取值與ViBe 算法一致，其中背景樣本數設置為20，最小匹配個數設置為2，模板更新率設置為16，R的初始值是20。

ViBe 算法在進行船舶目標檢測時會受到大量海浪雜波的影響，如圖6(b)所示。在ViBe 算法基礎上加入自適應動態閾值和閃爍等級判斷，魯棒性較好，對海浪雜波的抑制較為明顯(見圖6(c))，船舶目標檢測的準確率得到了提高。

圖6 海面雜波抑制效果對比Fig.6 Sea clutter suppression effect

經過高斯金字塔分解，得到第4 層160 ×90 低分辨率視頻，之后通過多幀連續圖像初始化背景模型，加入像素點對比，從而消除“鬼影”對船舶目標檢測的影響，如圖7 所示。圖7(b)為ViBe 算法對前景提取的效果，存在“鬼影”的干擾，而本文算法采用像素點對比，“鬼影”抑制效果顯著，如圖7(c)所示。船舶運動目標前景提取完整，可以避免“鬼影”對海面船舶檢測準確性的影響。圖8(c)為ViBe 算法前景檢測結果，受“鬼影”區域的影響較大，存在目標檢測不完整以及誤檢等問題。圖8(d)為本文基于像素點對比的前景檢測結果，“鬼影”區域得到抑制，船舶目標檢測完整且準確。

圖7 “鬼影”抑制效果對比Fig.7 Comparison of ghost suppression

圖8 前景檢測效果對比Fig.8 Comparison of foreground detection

圖9 為同一視頻下3 種算法第82，208，263，465 視頻幀前景顯著區域提取結果對比圖。從圖9 第2，3 列82 幀和208 幀可以看出，ViBe 算法和文獻[11]中產生的“鬼影”區域嚴重影響船舶運動目標前景提取完整度和準確度，而本文算法在“鬼影”區域的抑制上效果顯著，船舶運動目標前景提取完整。從第2，3 列可知，ViBe 算法對“鬼影”區域的更新緩慢，文獻[11]中在263 幀視頻圖像已完成“鬼影”區域上的更新，但依然存在部分海浪雜波的影響造成海面船舶運動目標的誤檢，如圖9(c)所示。在465 幀時，由于背景變化過快，ViBe 算法和文獻[11]的背景更新速度無法滿足背景的變化，出現大面積區域誤檢，而本文算法結合邊緣檢測進行前景區域的提取，避免了大面積區域的誤檢，相比ViBe 算法和文獻[11]，本文改進的ViBe 算法所得目標區域較為完整和準確。在低分辨率視頻下進行檢測，不僅能抑制“鬼影”區域的影響，還可以降低動態背景下海面噪聲的干擾，同時也適用于小目標船舶的檢測。

圖9 前景顯著區域對比Fig.9 Comparison of foreground salient area

選取檢測率(true precision rate,TPR)和虛警率(false precision rate,FPR)作為檢測結果的評價標準[16]。

式中：NFP為背景區域將運動船舶檢測為目標的次數；NTP為背景區域沒有將運動船舶檢測為目標的次數；NTP為目標區域運動船舶目標被成功識別的次數，NFN為目標區域運動船舶目標未被檢測到的次數。

在相同的實驗條件下進行仿真，結果如表2 所示。可知：本文算法的TPR(檢測率)為92.5%，而ViBe 算法、文獻[11]中算法的TPR 分別為60.1%和80.8%，本文算法的檢測效果明顯優于其余兩者；本文算法的FPR (虛警率)為6.2%，ViBe 算法、文獻[11]中算法的FPR 分別為26.3%和9.1%，與其相比，FPR 分別降低了20.1%和2.8%。由于本文算法加入了“鬼影”消除策略，比ViBe 算法和文獻[11]在單幀視頻圖像耗時多61 ms 和38 ms，平均時間控制在97 ms 以內，滿足實時檢測的要求。

5 結 語

為了解決運動船舶檢測中的“鬼影”問題，本文對ViBe 算法進行改進。結果表明，本文改進的ViBe算法的TPR(檢測率)為92.5%，ViBe 算法和文獻[11]中的算法的TPR 分別為60.1%和80.8%，本文算法在“Ghost”抑制方面也明顯優于ViBe 算法和文獻[11]中算法。本文提出的ViBe 算法對海上運動船舶檢測過程中的“鬼影”抑制效果明顯，抗海浪干擾強，可以快速準確地檢測出運動船舶。因此，本文算法對海浪背景下船舶目標檢測有較好的適用性，同時為海上船舶目標檢測提供了參考，并為海上船舶目標跟蹤奠定了可靠的基礎。