基于改進(jìn)ViBe的室內(nèi)目標(biāo)檢測方法

熊玲，陳勇

（重慶師范大學(xué)計(jì)算機(jī)與信息科學(xué)學(xué)院，重慶401331）

0 引言

隨著社會的發(fā)展，人們的生活水平隨之不斷提高，監(jiān)控視頻快速的進(jìn)入到尋常百姓家，因此監(jiān)控視頻成為了人們安防系統(tǒng)中不可缺少的部分。要使監(jiān)控視頻發(fā)揮最大的作用，那么計(jì)算機(jī)視覺在監(jiān)控視頻中的應(yīng)用就變得越來越重要。而監(jiān)控視頻中的信息又復(fù)雜萬千，我們在進(jìn)行安防的時候卻只針對我們需要的信息進(jìn)行采集，所以視頻的處理越來越趨于智能化和自動化。在針對室內(nèi)的獨(dú)居老人的行為檢測中由于背景環(huán)境相對復(fù)雜，所以就需要一個健壯穩(wěn)定的運(yùn)動目標(biāo)檢測算法來對視頻的前期進(jìn)行預(yù)處理。

運(yùn)動目標(biāo)檢測的前提是需要準(zhǔn)確地分割出我們所需要的準(zhǔn)確的目標(biāo)，目標(biāo)分割是后續(xù)行為檢測的基石。目前，目標(biāo)檢測最主流，也是最經(jīng)典的算法有：光流法[2]、幀差法[3]和背景減除法[4]。而背景減除法中最常用的算法是 ViBe（Visual Background Extractor），此算法是一種針對像素級建立背景模型并和當(dāng)前幀作背景差的算法。但該算法也存在著不足之處：①當(dāng)?shù)谝粠瑘D像含有運(yùn)動目標(biāo)時，建立的背景模型就不準(zhǔn)確，會分割出虛擬的前景，即鬼影。②當(dāng)室內(nèi)的光照變化很大時，或者背景由于前景目標(biāo)而出現(xiàn)不完全時怎樣精確地得到背景圖像并與當(dāng)前幀圖像差分從而提取完整的前景目標(biāo)。針對以上問題文獻(xiàn)[6]通過將原來的固定閾值變成動態(tài)閾值來減少前景提取出現(xiàn)的空洞，以提高目標(biāo)檢測的抗干擾能力，還利用二次更新的策略來更新背景模版。文獻(xiàn)[7]中是利用邊緣的相似性來判斷鬼影，并結(jié)合三幀差分的方法消除鬼影。

本文深入研究背景差分法中的一種高效建模方法——ViBe算法，利用像素之間的空間特性和前景判斷的周期來改進(jìn)優(yōu)化該算法，提高該算法的性能和準(zhǔn)確度，得到令人滿意的結(jié)果。

1 ViBe算法原理簡述

ViBe算法在運(yùn)動目標(biāo)檢測中是采用隨機(jī)原則。在背景建模和更新中都是使用隨機(jī)更新和鄰域隨機(jī)算法的機(jī)制[5]。其中該算法中包含的三個部分為：背景模板初始化、目標(biāo)檢測和背景更新。

1.1 背景模板的初始化

ViBe算法是采用視頻序列圖像的第一幀來初始化背景模板。針對視頻圖像的每一個像素所表示出的背景模型如下所示：

其中，vi表示的是視頻序列中像素x所對應(yīng)的背景樣本空間，N表示的是樣本空間的大小。

該算法的初始化使用的是視頻序列中每個像素與其鄰域像素之間所特有的相似空間分布特性，利用視頻序列的第一幀圖像，隨機(jī)的從每個像素的八鄰域（如圖1所示）中選取像素值作為該像素點(diǎn)的背景模型值，并被記為vi，以此重復(fù)選擇N次，得到該像素點(diǎn)的背景模型 M（x）。

圖1 八鄰域模型

1.2 目標(biāo)檢測

目標(biāo)檢測是從視頻序列的第二幀開始，通過當(dāng)前幀與背景模型樣本中之間像素的差值來判斷是否屬于前景目標(biāo)，也就是當(dāng)前幀的每一個像素與該像素所對應(yīng)的背景模型N個樣本之間的距離來判斷（如圖2所示）。

圖2 當(dāng)前像素點(diǎn)與背景模型的比較

如圖2所示，對應(yīng)的是以v(x)為中心，R為半徑的圓形區(qū)域中所對應(yīng)的像素x，若包含在該圓形中的像素點(diǎn)個數(shù)大于#min，則該像素點(diǎn)就是背景點(diǎn)，因此就需要對背景模型進(jìn)行更新，而背景模型更新的準(zhǔn)則為：

1.3 背景更新

背景更新采用的是隨機(jī)更新的策略，更新機(jī)制如下所示：

（1）當(dāng)像素點(diǎn)被判定為背景時，就得給背景模型更新，該像素點(diǎn)有的概率更新該像素點(diǎn)，也就是當(dāng)該像素點(diǎn)被判定為背景點(diǎn)時，并不是必須更新該背景像素點(diǎn)，更新是具有一定的概率性的。而更新的方法是是隨機(jī)的選擇一個樣本點(diǎn)，用當(dāng)前幀的該像素點(diǎn)進(jìn)行填充更新。

（3）在更新時采用的是隨機(jī)更新的機(jī)制，以此可以保證樣本值的平滑周期。每一個像素點(diǎn)不被更新的概率是，假設(shè)在連續(xù)時間下，dt后樣本值的保留概率為：

（4）從公式（3）中看出，樣本模型的更新與時間是無關(guān)的，所以隨機(jī)策略的方法是有效的。

2 提出的改進(jìn)算法

ViBe算法在模型初始化和鬼影殘影[8-10]的快速消除中仍存在很多不足。本算法針對原算法在該方面的不足提出了兩方面的問題改進(jìn)，一是在背景模型初始化中選擇初始化的鄰域發(fā)生變化；二是在針對鬼影和殘影的問題上，為了加快鬼殘影的去除加入了滯留參數(shù)和背景分割參數(shù)，以此提高檢測精確度。

2.1 針對背景模型初始化的改進(jìn)

在原始ViBe算法中是通過第一幀視頻序列圖像每個像素周圍的八鄰域來初始化該像素的背景模板，然后在隨機(jī)選擇像素值時，由于每次都是從3×3的像素中選擇N次，導(dǎo)致每次初始化時就會出現(xiàn)對一個像素選擇多次，導(dǎo)致在后面進(jìn)行閾值分割出前景目標(biāo)時出現(xiàn)更多的空洞。

所以本文提出使用像素幀的每個像素的24鄰域來初始化背景幀，而針對圖像邊緣值則就用邊緣像素值來填充，為每幀圖像對添加兩行兩列，而此兩行兩列的值都是原始序列幀的邊緣值。

2.2 針對加速鬼殘影去除算法的改進(jìn)

在原始ViBe算法中當(dāng)視頻序列的第一幀中出現(xiàn)運(yùn)動目標(biāo)，那么初始化背景模型時就會出現(xiàn)鬼影，在后面運(yùn)動加速時就會出現(xiàn)殘影，所以針對這兩種情況，本文提出了滯留參數(shù)和背景分割參數(shù)的方法來抑制鬼殘影的出現(xiàn)，加快鬼殘影的消除。

本文在原算法上為每個像素點(diǎn)都分配了滯留值β，當(dāng)一個像素點(diǎn)通過閾值的判定一直被判定為前景時，且該值超過了滯留值，那該像素點(diǎn)就會是鬼影或殘影。在背景分割上為了分割出更精準(zhǔn)的前景，通過閾值判定來進(jìn)行判斷，而針對每個像素值與背景樣本值通過閾值判定得到前景目標(biāo)的二值圖像后，再通過閾值來把當(dāng)前像素值與其鄰域像素值作比較得到二值圖像，最后通過兩二值圖像做與操作得到最后精確的前景目標(biāo)。

2.3 檢測和更新流程

改進(jìn)后的算法的流程如下：

（1）背景模板初始化。假設(shè)每個像素的背景模板樣本的數(shù)量為N，對視頻第一幀的每一個像素隨機(jī)選擇該像素的24鄰域作為樣本值，同時為每個像素設(shè)置該像素(x,y)的前景生命周期矩陣為F(x,y)并初始化為零。

（2）前景目標(biāo)差分。利用當(dāng)前像素與N個背景模板像素做差分，通過閾值判斷是否屬于前景，如果是前景分割出前景目標(biāo)

（3）模板更新。模板的更新包括背景樣本、背景模板和生命周期矩陣的更新。利用分割出的二值圖像判定(x,y)像素點(diǎn)是否是前景，如是前景則F(x,y）中的值就得加1。若連續(xù)被判斷為前景點(diǎn)的次數(shù)大于滯留值β，則該點(diǎn)是鬼影或者殘影，那么就得利用相同的方法更新背景模板。若(x,y)在其中一旦出現(xiàn)是背景點(diǎn)，則F(x,y中的值被置零。而樣本模版的更新則根據(jù)1/γ的概率隨即更新。

（4）空洞填充。通過改進(jìn)的算法得到前景目標(biāo)的二值圖像后會出現(xiàn)很多空洞，所以使用形態(tài)學(xué)方法進(jìn)行空洞填充。

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文的算法，利用三組室內(nèi)視頻對實(shí)驗(yàn)進(jìn)行測試并做對比試驗(yàn)。本文實(shí)驗(yàn)的環(huán)境和參數(shù)設(shè)置如下：Windows 10系統(tǒng)，Intel i5的處理器，4G的運(yùn)行內(nèi)存，使用MATLAB R2015a做實(shí)驗(yàn)仿真。實(shí)驗(yàn)中的運(yùn)行參數(shù)為背景模型樣本數(shù)N=20，判斷閾值R=20，背景樣本最小匹配數(shù)#min=2，更新因子γ=10，滯留值為β=3。本文選取changedetection視頻庫中的input視頻和in?telligentroom視頻驗(yàn)證本文算法。

本算法采用input視頻的第36幀和intelligentroom的第300幀呈現(xiàn)算法之間的對比。實(shí)驗(yàn)結(jié)果如下：圖（a）和（b）分別使input監(jiān)控視頻序列第36幀和intelli?gentroom監(jiān)控視頻序列第300幀的圖像，圖（c）和（d）分別是原圖像經(jīng)過傳統(tǒng)的ViBe算法的檢查結(jié)果，圖（e）和（f）分別是在原始算法上改進(jìn)鄰域值的選取后出現(xiàn)的實(shí)驗(yàn)結(jié)果，圖（g）和（h）分別是添加滯留值后出現(xiàn)的實(shí)驗(yàn)結(jié)果，圖（i）和（j）是針對不同的視頻經(jīng)過本文改進(jìn)算法后得到的實(shí)驗(yàn)結(jié)果。

圖3

由實(shí)驗(yàn)結(jié)果可以看出在視頻input中原始的ViBe算法在視頻序列第一幀出現(xiàn)運(yùn)動目標(biāo)時，到第36幀還出現(xiàn)嚴(yán)重的鬼影或者殘影，經(jīng)過本文算法的改進(jìn)在圖（i）中鬼影或殘影基本消失。在intelligentroom視頻中由于視頻序列的第一幀沒有出現(xiàn)與運(yùn)動目標(biāo)，所以沒有出現(xiàn)鬼影或殘影，從而增加了前景目標(biāo)的完整性。但在圖（d）中能夠看到很多由于光照不均勻，背景的變化導(dǎo)致提取的前景目標(biāo)不精準(zhǔn)，所以通過本文算法（j）后得到了完整的前景目標(biāo)。經(jīng)過本文的算法，得到的前景目標(biāo)與實(shí)際壞境中相一致。

4 結(jié)語

本文對ViBe算法進(jìn)行了分析研究，針對其在室內(nèi)檢測出現(xiàn)的不足提出了改進(jìn)算法。利用背景初始化時鄰域的選擇增加背景模型初始化的精確度減少前景起初出現(xiàn)的空洞現(xiàn)象，并為提取得到的前景目標(biāo)設(shè)置滯留值消除由于初始化存在運(yùn)動目標(biāo)從而導(dǎo)致存在殘影或者鬼影出現(xiàn)的前景提取錯誤的問題。在這兩組視頻中通過對原始算法和本文算法做了一個對比，證明了本文算法的有效性和檢測性能的提高。