基于Subsense 運動目標檢測算法

徐曉明，王雪梅

（核工業理化工程研究院，天津，300180）

0 引言

運動目標檢測方法是一種重要的檢測方法，目前存在的目標檢測算法面對復雜多變的環境存在局限性。為了克服這些問題，本文在非參數模式下，針對環境的局部靈敏度的變化設計了一種可自動進行適應該變化的檢測方法，為了更有效的表征像素特征，該方法協同使用了LBSP 算子和RGB 特征。為了快速高效的更新背景模型，使用了反饋機制。現存的多種聯動系統的角度標定方法各有其優劣之處，通過對他們進行分析對比，本文最終對角度標定[1]使用了參數分離的方法。

1 基于Subsense 運動目標檢測算法

1.1 獨立像素特征表述

為了解決局部模型之間缺乏信息共享這個問題，本文像素級建模使用RGB 值和時空域中操作的LBSP 特征。首先對RGB 顏色模型進行歸一化處理，使用LBSP 特征進行背景紋理建模，其比較操作子被定義為：

參考文獻[2]本文改進了LBSP 特征的內部閾值Td，并對公式（2）進行了修改，修改后的公式如下所示:

其中Tr的變化區間是[0,1]，其是改進后新的相對內部閾值，通過實驗可以確定當Tr≈0.3時，可以獲得最優的檢測結果。對單個背景像素的表示，本文協同使用LBSP 二進制串的組合（16 位向量）和RGB 空間中（或下面的部分中的“樣本”）定義為色彩強度，通過該方法來表征非參數像素模型，可以將更多的像素分類為前景。

1.2 通過樣本一致性進行運動檢測

1.2.1 背景建模

本文采用非參數化的技術針對單個像素點進行建模，檢測輸入中的每個像素點需要具有模型更新率[3]和前景判斷閾值，使用本文采用的技術可以為其單獨并且自適應的配置上述兩個參數，背景模型可以定義為：

式中，每個點的像素特征用F表示，t時刻所有點的背景描述用Bt表示，Bt是一個高維陣列。t時刻前景判斷的閾值矩陣使用Rt表示，t時刻樣本更新率矩陣使用Γt表示。2D圖像上的任意像素位置使用未知數x表示，背景描述公式如下式所示：

其中Bx(x)={r,g,b}，Bt為輸入的特征圖像中所有位置的背景描述B t(x)陣列的集合。如沒有特別聲明，后文中B(x)與B t(x)的含義相同。

1.2.2 前景/背景劃分

為了實現對輸入視頻的前景背景劃分，需要對每一幀圖像中的每一個像素點進行二元決策。從文中定義的背景模型(3)公式可知，當前圖像的背景描述使用Bt陣列進行記錄。對于該圖像中任意位置的像素x來說，為了定義其背景描述[4]需要綜合利用N 個x所在的坐標及其相鄰位置的最近觀察值。設當前圖像幀為It，假設任意位置像素x的RGB 描述或灰度描述為I t(x)，隨后需要判斷該像素x的背景描述中與I t(x)的距離度量小于其對應的閾值Rt(x)的樣本個數，當且僅當該樣本個數小等于#min 時，該像素x將被劃分為背景。根據以上分析，可以定義劃分每一個像素前景背景的決策函數定義為：

式中，S(x)=1意味著x被劃分為前景，否則被劃分為背景。

1.2.3 像素模型更新

本文參考了文獻[5]的方式來更新像素模型，該方式采用了兩步法：保守法、隨機法。首先，利用決策函數（5）判別輸入圖像中的像素點xi是否為背景像素點，隨后從該像素點的描述樣本集中隨機抽取的一個樣本Bk(xi)，該樣本有p的概率被更新為該像素點xi的特征I t(xi)，其中p=1／T(xi)。該像素點xi的背景描述更新率使用T(xi)表示。

然后，如果上述像素點xi被檢測為背景像素，通過使用該像素點xi的8 領域，以概率p隨機更新的背景描述樣本集合的樣本。通過調節參數T(xi)來控制背景描述的更新速度，如想使xi獲得一個較大的更新率，只需調小的T(xi)值即可。

1.2.4 背景復雜度量與反饋調整

對于背景復雜度量，本文使用背景樣本集合中樣本更新時的最小距離的平均值進行表示。為了表征度量背景的復雜程度，定義為輸入圖像中任意像素的x的背景描述B(x)的最小決策距離描述。

本文采用了背景模型反饋調整的研究思路和技術路線。最大采樣距離閾值R、背景更新率T是本文所采用方法中最重要的兩個參數，這兩個參數基本上控制著算法的檢測精度和對局部變化的敏感度，并且可以將移動元素簡單地集成到模型中。與文獻[6]的方法類似，為了測量背景的動態變化，本文首先對像素模型和局部觀察值進行比較，利于該比較結果表示背景的動態變化，持續進行該步驟而不考慮分類結果或模型更新。另外，本文引入了R和T兩個新動態控制器。

背景動態的變化可以基于模型保真度通過測量小時間窗口上單個像素位置的運動熵進行表示。本文使用遞歸移動平均值來表示上述的行為指標，公式如下：

式中，使用參數α表示學習率，使用d t(x)表示函數B(x)和函數I t(x)所有樣本中最小歸一化color?LBSP距離。Dmin(x)值在區間范圍內，當Dmin(x)≈0時表示完全靜態背景區域；當Dmin(x)≈1時，表示模型無法適應的動態背景。

閃爍像素的監控可以解決Dmin連續性方法背后的復雜問題。關于分割噪聲水平本文使用像素級累加器的二維圖v來表示。隨后，對輸入圖像中新分割出來的幀St，本文將其與上一分割結果St?1做異或運算，t時所有閃爍像素的二進制圖可以通過上述異或運算結果進行表示，該運算結果記為Xt，其公式為：X t=S t⊕St?1。使用該公式更新二維圖v，具體公式如下式所示：

vincr和vdecr分別為1 和0.1，總有v(x) ≥ 0。該公式意味著具有很小標記噪聲的區域通常有v(x)≈0，而具有不穩定標記的區域將具有大的正v(x)值。式中v值的分布可以幫助突出顯示現在正存在動態背景元素的區域。

2 實驗結果分析

為了驗證本文所設計全新的基于Subsense 運動目標檢測算法的高效性，使用該算法在CDnet2014 數據集上進行了實驗，并同時使用Groundtruth、FTSG 算法和GMM 算法在CDnet2014 數據集進行了實驗，并將實驗結果進行了對比，比較結果如下圖1 所示。

Input為原圖；（a）groundtruth；(b)本文方法分割結果；（c）FTSG[4]分割結果；（d）GMM 分割結果

在眾多目標檢測算法中Groundtruth 算法、FTSG 算法、GMM 算法的檢測效果排名較為靠前；使用以上算法與本文提出的算法進行比較，對比結果圖如圖1 所示，從上圖1 可以看出，本文的檢測效果略優于其他兩種算法。

3 總結語

復雜的環境下運動目標檢測存在很多問題，本文通過分析現存的問題，基于自適應背景模型，針對視頻序列提出了一種的基于Subsense 的運動目標檢測算法。該算法背景建模使用像素級，如果視頻中場景的動態屬性發生變化，背景模型的背景描述更新率和前景判斷閾值可使用該算法自動根據變動的復雜程度進行調節。本算法分析了輸入視頻中的每一個像素的動態噪聲和復雜性，根據分析的結果自動的對背景模型進行調整。通過實驗結果表明，在檢測復雜場景中的運動目標時，本文所提出的算法是有效的。