用于鬼影抑制的區(qū)域檢測算法

陳 亮,陳曉竹,胡正東

(中國計量學院 信息工程學院,浙江 杭州 310018)

用于鬼影抑制的區(qū)域檢測算法

陳 亮,陳曉竹,胡正東

(中國計量學院 信息工程學院,浙江 杭州 310018)

Vibe是近期受到廣泛關(guān)注的一種有效的視頻運動目標檢測算法,采用背景像素點的穿插更新策略抑制鬼影的產(chǎn)生,抑制過程緩慢.現(xiàn)在原始Vibe算法的基礎(chǔ)上提出改進,改進包括:為了處理鬼影和短暫停留的前景,引入緩沖模型和第二背景模型替換穿插更新策略;為了避免基于單像素點判別造成的誤判,對處理后的分割掩碼圖片進行區(qū)域檢測.實驗結(jié)果表明,相比于原Vibe算法,改進后的算法不僅能夠有效地處理噪點和鬼影,同時能夠有效處理短暫停留的前景目標.

背景建模;運動檢測;Vibe算法;鬼影抑制

運動目標檢測[1]是整個視頻監(jiān)控系統(tǒng)的關(guān)鍵一步,它是目標跟蹤、目標識別及行為理解等后續(xù)處理的基礎(chǔ),是目前機器視覺領(lǐng)域的一個重要研究方向,運動檢測性能的好壞直接影響整個視頻監(jiān)控系統(tǒng)的表現(xiàn).所謂運動目標檢測就是在視頻序列中將運動的前景目標從靜止的或者緩慢移動的背景環(huán)境中檢測出來,因為背景和應(yīng)用環(huán)境的不同,研究不同環(huán)境下或通用環(huán)境下的有效運動目標檢測變得非常迫切.對背景建模[2],然后將當前幀與背景模型進行差分運算是運動檢測中的一個有效方法,于不同的場景,學者提出了不同的建模算法.常見的背景建模分為參數(shù)模型建模方法和非參數(shù)模型建模方法.其中單高斯模型、混合高斯模型等屬于參數(shù)模型建模方法;背景幀差法、碼本算法、Vibe算法等屬于非參數(shù)建模方法.單高斯模型[3]使用單一的高斯模型對背景像素點建模,在室內(nèi)等單一環(huán)境下具有較好的檢測效果,但在復雜的環(huán)境下,如波動的湖面和搖擺的樹枝等,就很難有效的建模和檢測;針對單高斯模型存在的缺點,有人提出了混合高斯模型[4-8],該方法認為背景像素點在時間序列上符合混合高斯分布,從而用多個高斯分布對一個像素點的所有像素值做出描述,其參數(shù)量多,計算量大,導致參數(shù)估計慢,難以達到實時性的要求;背景差分法[9-10]使用預先給定的背景圖像作為背景模型,將當前幀與背景模型做差,若兩幀之間對應(yīng)位置的像素值差別不夠明顯,則判斷為背景.該算法設(shè)計簡單,計算量小,具有良好的實時性,但是其背景模型固定,不能隨著時間推移更新背景模型,當背景變化時難以有效的檢測前景運動目標;碼本算法[11-14]為每個像素點建立一個碼本,碼本中包含若干碼字,然后將當前像素值與碼本中的碼字在色彩失真和亮度失真兩個條件下進行比較,提取出前景運動目標.該算法計算量小能夠達到實時的要求,但是其先驗參數(shù)需要權(quán)衡,而且該算法在暗色區(qū)域難以有效的進行前景檢測.

Vibe[15-16]算法是Olivier Barnich等學者在2009年提出的一種運動目標檢測算法,在不同環(huán)境下具有良好的適應(yīng)性和實時性,但是它無法及時有效的抑制鬼影和陰影.針對Vibe存在的問題,專家學者提出了改進:蔣建國提出一種基于像素級和幀級相結(jié)合的動態(tài)自適應(yīng)背景更新算法[17],用以解決光照變化對算法的影響,提高了魯棒性,同時利用YUV彩色空間來消除陰影;張磊提出顏色特征信息與Vibe相結(jié)合的改進算法[18],將像素點從RGB空間轉(zhuǎn)換到HSV空間進行顏色失真度比較,提高了魯棒性;M. Van Droogenbroeck通過改變Vibe的背景更新策略,限制背景點的穿插更新.通過對檢測出的掩碼圖片進行二次處理,有效地抑制了噪聲的干擾,提高了算法的有效性和魯棒性[19];陳曉竹為了使Vibe算法能夠快速處理鬼影,利用相鄰像素點的空間一致性對Vibe算法進行改進,能夠有效的處理鬼影[20].為了能夠快速有效的處理鬼影,受到上述文章的啟發(fā),我們提出一種基于區(qū)域檢測的改進Vibe算法.實驗證實,改進后的算法不僅能夠有效地處理噪點和鬼影,同時也能夠有效地處理短暫停留的前景目標.

1 Vibe算法簡介

Vibe算法是Olivier Barnich等學者在2009年提出的一種通用環(huán)境下的有效運動目標檢測算法,該算法為每個像素點建立一個背景模型,背景模型是樣本值的集合,其中的樣本值均是可信賴的背景像素值,模型公式如下:

M(x)={v1,v2,...,vN}

(1)

式(1)中:N—背景模型中的樣本容量,在Vibe算法中N等于20.對于像素點的當前像素值v(x),設(shè)定閾值R,計算以v(x)為中心R為半徑的區(qū)域與M(x)背景模型相交的像素點個數(shù)

#{{v(x)-R,v(x)+R}∩M(x)}

(2)

#為計算當前像素點在閾值范圍內(nèi)與背景模型相交的像素點個數(shù),若其值大于閾值Th,則當前像素值被判為背景像素值,否則判為前景像素值.若當前像素值被判為背景,則它有?分之一的機會更新自己的背景模型,同時也有?分之一的機會更新其8鄰域中任一鄰居像素點的背景模型,Vibe算法中閾值R等于20,Th等于2.?為抽樣因子,其值為16.

初始化是算法建立背景模型的過程,Vibe算法采用視頻第一幀來初始化其背景模型,由于第一幀中不可能包含像素點的N個樣本值,根據(jù)相鄰像素點的空間一致性原則,用其鄰域像素值填充背景模型,進行N次,鄰居點從其8鄰域中隨機選擇

M0(x)={v0(y|y∈NG(x))}

(3)

式(3)中:0—初始時刻,NG(x)—像素點x的任一8鄰居點的初始幀像素值.對Vibe算法進行深入分析發(fā)現(xiàn),Vibe存在以下問題.

1.1 鬼影問題

Vibe算法用視頻序列的第一幀初始化像素點的背景模型,這使得Vibe的初始化非常迅速,但是當待檢測的前景目標在第一幀中出現(xiàn)時,這種初始化方式將導致鬼影的出現(xiàn).模型初始化時Vibe算法錯誤的將前景目標當做背景像素值建模,當前景目標離開后,采樣到的真正背景值無法與背景模型匹配,導致背景點被錯誤的檢測為前景點,形成鬼影.鬼影的出現(xiàn)將嚴重影響運動目標的檢測、跟蹤及行為理解,然而Vibe算法并沒有對鬼影進行特殊處理,鬼影的抑制完全依靠穿插更新策略.

由于鬼影是被誤判為前景的背景像素值,根據(jù)相鄰像素點的空間一致性,可以推斷鬼影像素值與其鄰域的背景像素值相似.在Vibe算法中被判為背景的當前像素值有機會更新其鄰域的背景模型,當穿插到鄰域背景模型中的背景像素值個數(shù)達到判定閾值Th時,鬼影像素點將會被判為背景.隨著時間推移,算法整體表現(xiàn)為鬼影從外到內(nèi)逐漸被判為背景.穿插更新雖然能夠抑制鬼影,但是穿插更新策略對鬼影的抑制從外到內(nèi)是一個緩慢的過程,不能及時有效地抑制鬼影.

1.2 穿插更新引入誤判

雖然穿插更新策略能夠抑制鬼影,但是穿插更新也可能引入誤判.當停留的前景目標像素值與其鄰域的背景像素值接近時,穿插更新的引入將造成對停留前景目標的誤判.

圖1 穿插誤判效果圖Figure 1 Error effect of background model interspersed

如圖1所示,行李箱與其后面的屏風灰度像素值相近,短暫停留后,經(jīng)過鄰域屏風背景像素值的穿插更新,Vibe算法檢測效果如(b)所示:行李箱上半部分已被誤判為背景像素點,而取消穿插更新后,算法依然能夠檢測出完整的行李箱.由此實驗可以得出結(jié)論:當短暫停留的前景目標像素值與其鄰域背景點像素值接近時,穿插更新的引入將導致前景像素點從外到內(nèi)逐漸被誤判為背景點.

在一定條件下背景像素值的穿插更新策略雖然會造成誤判,但是Vibe算法中對鬼影的抑制卻完全依靠穿插更新策略,取消穿插后,Vibe算法將無法處理鬼影,初始化引入的鬼影將始終存在.綜合考慮所有問題,我們提出以下改進算法.

2 基于區(qū)域檢測的改進Vibe算法

為了能夠快速有效的處理鬼影和短暫停留的前景運動目標,在原始Vibe算法的基礎(chǔ)上進行修改,提出基于區(qū)域檢測的改進Vibe算法:為了處理鬼影和短暫停留的前景,引入緩沖模型和第二背景模型替換穿插更新策略;為了避免基于單像素點判別造成的誤判,對處理后的分割掩碼圖片進行區(qū)域檢測;根據(jù)輸出掩碼圖片中像素點X被判為前景的頻率f,進行附加鬼影檢測,或者進行短暫停留前景附加檢測.流程如圖2下:

圖2 算法流程圖Figure 2 Flowchart of the algorithm

2.1 區(qū)域檢測

2.1.1 取消穿插更新

當短暫停留的前景目標像素值與其鄰域背景像素值非常接近時,Vibe算法中的穿插更新策略將引起誤判,所以我們?nèi)∠尘跋袼攸c的穿插更新策略.被判為背景的當前像素值只用來更新其自己的背景模型,不對其鄰域進行穿插更新.為了保持算法的一致性,初始化時僅用本像素點的像素值重復填充背景模型,不用鄰域像素點像素值進行填充.這樣改進后的Vibe是基于單像素點的運動檢測算法,為了避免單像素點檢測造成的誤判,我們引入?yún)^(qū)域檢測更新.

2.1.2 區(qū)域檢測更新

這里的區(qū)域檢測是對改進后的Vibe算法檢測出的掩碼圖片進行再檢測.

圖3 掩碼圖片F(xiàn)igure 3 Mask images

圖3中(b)、(c)示意圖分別是a所示掩碼圖片右上角和左下角紅色矩形框部分放大5倍后的效果圖.通過對掩碼圖片進行觀察研究發(fā)現(xiàn),噪點的8鄰域內(nèi)前景點的個數(shù)一般不會超過2個,而運動目標像素點的8鄰域內(nèi)前景點的個數(shù)基本都大于等于3個,所以,對掩碼圖片的區(qū)域檢測以8鄰域為單位進行.為了達到區(qū)域檢測更新的目的,掃描檢測輸出的掩碼圖片當發(fā)現(xiàn)前景點時,計算其8鄰域內(nèi)的前景點個數(shù),若其8鄰域內(nèi)的前景點個數(shù)小于等于2,則認為其為噪聲點,將其改判為背景像素點.這樣,引入了區(qū)域更新,不僅避免了單像素點引起的誤判,同時也有效地過濾了噪聲點,提高了檢測的性能.

2.2 緩沖模型及第二背景模型

改進后的Vibe算法,經(jīng)過基于8鄰域的區(qū)域檢測,避免了單像素點造成的誤判,同時也有效地過濾了噪點.由于Vibe算法采用保守的更新策略,只有背景像素點能夠用來更新背景模型,所以取消穿插更新后,鬼影像素點的背景模型不能得到更新,鬼影點將始終存在,若不加特殊處理算法將難以處理鬼影和新增背景.為了能夠有效地處理鬼影點和新增加的背景,引入緩沖模型和第二背景模型.其中緩沖模型用于存儲可能的第二背景像素值,第二背景模型用于處理鬼影和短暫停留的前景目標.圖4為緩沖模型更新流程.

圖4 緩沖模型更新流程圖Figure 4 Flowchart of the cache model updating

2.2.1 緩沖模型

對單一像素點分析發(fā)現(xiàn),單一像素點可能存在著四種取值:穩(wěn)定背景像素值、周期背景像素值、新增背景像素值及前景像素值.由于Vibe背景模型幾乎存儲著所有像素點的穩(wěn)定背景模型,這里緩沖模型只考慮其他三種情況.緩沖模型為像素點保存三個緩沖像素值,作為可能的第二背景模型

H(x)={h1,h2,h3}.

(4)

若當前像素值不能與Vibe背景模型及第二背景模型完成匹配,更新緩沖模型.將當前像素值與緩沖像素值依次進行匹配,若能夠匹配,則此緩沖像素值的出現(xiàn)頻率f加1,否則其出現(xiàn)頻率f減1;如果當前像素值與緩沖像素值都不匹配,檢查緩沖模型是否填滿:若緩沖模型沒有填滿,則用當前像素值填充緩沖模型.若緩沖模型已經(jīng)填滿,則用當前像素值替換出現(xiàn)次數(shù)最少的緩沖像素值;最后,依次查看緩沖模型中的緩沖像素值的出現(xiàn)次數(shù)是否超過出現(xiàn)次數(shù)閾值,如果出現(xiàn)次數(shù)超過了出現(xiàn)次數(shù)閾值,將此緩沖背景像素值移入第二背景模型.

由于初始化引入的鬼影在視頻序列的開始即被連續(xù)檢測為前景像素值,為了能夠快速地抑制鬼影,區(qū)別鬼影檢測和短暫停留前景的檢測.引入幀序號閾值fTh,當視頻幀序號fNum小于閾值fTh時,進行附加鬼影檢測.若緩沖像素值的出現(xiàn)次數(shù)大于鬼影閾值GhostTh,將其移入第二背景模型,同時將此緩沖像素值從緩沖模型中清除,標記此像素點為鬼影像素點.當幀序號大于幀序號閾值fTh時,進行短暫停留前景附加檢測.只有當緩沖像素值的出現(xiàn)次數(shù)大于背景閾值BackTh時,才能將此緩沖背景像素值移入第二背景模型.

2.2.2 前景檢測

如圖5,首先讓當前像素值與Vibe背景模型匹配,若能夠完成匹配,再判斷當前Vibe背景模型是否為鬼影背景模型,若是鬼影背景模型,則在接下來的20幀內(nèi)用背景值依次替換背景模型中的樣本值,依次替換模型中的樣本值,是為了增加背景模型中樣本值的多樣性,提升檢測的效率.若不是鬼影背景模型,抽樣更新Vibe背景模型;如果當前像素值不能夠與Vibe模型匹配,則嘗試匹配第二背景模型,若不能與第二背景模型完成匹配,則判其為前景像素值,更新緩沖模型.若能夠與第二背景模型完成匹配,則再判斷當前像素點是否為初始化引入的鬼影像素點;若是鬼影像素點就清空第二背景模型,重新初始化當前像素點的Vibe背景模型,并將其標記為鬼影背景模型,若當前像素點不是初始化引入的鬼影像素點,則抽樣更新第二背景模型.

圖5 前景檢測流程圖Figure 5 Flowchart of the motion detection

緩沖模型的更新策略保證了短時間內(nèi)高頻出現(xiàn)的前景目標不會被當做新增加的背景吸納,避免了誤判.第二背景模型的引入使得單一像素點同時存在多個背景模型的,能夠有效地處理多背景模型的復雜應(yīng)用環(huán)境.另外,如圖5所示,不同模型的更新是相互獨立的,這就保證了當一種背景離開后,算法依然能夠快速有效地檢測出前景目標,同時這種策略也避免了背景離開后鬼影的形成,但是無法處理周期性出現(xiàn)的擾動背景像素點.

3 實驗結(jié)果

本文的實驗環(huán)境為配置opencv 2.4.4的VS2010,運行在惠普pro系列臺式機上,內(nèi)存4 GB,處理器為Intel Core i5 3.20 GHz,處理的視頻序列出自PETS dataset 2006.本文所提的改進算法主要為了解決鬼影問題,為了考察改進算法處理鬼影的能力,從標準訓練集中選取了一段存在鬼影的視頻作為實驗序列,實驗結(jié)果如圖6.

圖6 鬼影對比試驗結(jié)果Figure 6 Comparison of ghost detection

經(jīng)過試驗發(fā)現(xiàn),將幀序號閾值nFrameTh設(shè)置為150,鬼影閾值設(shè)置為70時,鬼影檢測效果最好.鬼影對比試驗結(jié)果如圖6.到第150幀時,由于鬼影像素點的連續(xù)出現(xiàn)幀數(shù)已經(jīng)超過了鬼影檢測閾值,所以在第150幀時,本文改進算法已將鬼影完全抑制.而原Vibe算法對鬼影的抑制完全依賴于背景像素點的抽樣穿插更新策略,到150幀時,原Vibe算法依然檢測出完整的鬼影,直到1 700幀時,原Vibe算法才完成了對鬼影的抑制.文獻[20]所提改進算法依靠相鄰像素點的空間一致性原則從外向內(nèi)對鬼影進行抑制,到第150幀時未能完全抑制鬼影出現(xiàn),直到第400幀才完全抑制了鬼影.由此可見,本文算法在鬼影抑制速度上明顯優(yōu)于原Vibe算法和文獻[20]所提改進算法.

為了全面對比算法的性能,從標準訓練集中選取了一段不存在鬼影的室外視頻作為實驗序列,檢測效果如圖7.圖片中的前景為4位行人、一輛行駛中的白色汽車和一輛剛在三叉路口停下的轎車.觀察圖片發(fā)現(xiàn):相比于原Vibe算法和文獻[20]算法,本文算法不僅能夠更好的抑制噪點的出現(xiàn),還提高了前景目標的檢測率.本文算法性能優(yōu)越因為取消了背景像素點的穿插更新、引入了以8鄰域為單位的區(qū)域檢測,在避免誤判的同時,也有效的抑制了噪點的出現(xiàn).

圖7 室外檢測效果對比圖Figure 7 Comparison of the outdoor detection

為了從參數(shù)指標上對比原Vibe算法、文獻[20]算法和本文算法,引用PCC參數(shù).PCC全稱為:Percentage of Correct Classification,是指一幀圖片中正確檢測的像素點比例,公式如下:

(5)

其中:TP—指正確檢測的前景像素點個數(shù),FP—誤判為前景像素點的背景點個數(shù),TN—正確檢測出的背景像素點個數(shù),FN—誤判為背景的前景點個數(shù).圖7所示圖片大小為448×336,Vibe算法和改進算法的PCC參數(shù)如表1.

表1 PCC參數(shù)表

表1對比的PCC參數(shù)是圖7序列所示視頻處理后的PCC,因為該序列中不存在鬼影,避免了鬼影對PCC參數(shù)的影響,保證了PCC的準確性.對比表1可以看出,本文算法的PCC指標最優(yōu).主要因為改進算法一方面有效的過濾了噪點,另一方面減少了誤判,提高了前景目標的檢測效率.

通過以上對比發(fā)現(xiàn),改進后算法的檢測性能得到了有效的提升,然而算法是否依然滿足實時性的要求呢？在相同的實驗條件下,原Vibe算法、文獻[20]算法和本文算法的運行時間如表2.

表2 算法的平均處理速度

從表2可以看出取消了穿插更新后,即使加入了以8鄰域為單位的區(qū)域檢測,改進算法能夠滿足實時性的要求.

圖8 短暫停留背景Figure 8 Background for short stay

本文算法引入了緩沖背景模型和第二背景模型,使得改進算相比于原Vibe算法和文獻[20]算法發(fā)能夠處理更加復雜的背景環(huán)境.當停留前景目標出現(xiàn)頻率超過背景閾值BackTh時,算法將其吸納為背景,并將前景目標像素值移入第二背景模型.當停留前景離開后,由于原Vibe模型依然存在,算法不會由于停留背景的離開而檢測出鬼影.其中背景閾值根據(jù)應(yīng)用環(huán)境的不同而適當調(diào)整.為了顯示本文算法處理停留前景目標的能力,實驗中我們將背景閾值設(shè)置為600,如圖8,在第950幀時,路過的行人將一白色手提袋放在沙發(fā)上,在第2 150幀時白色手提袋已經(jīng)被吸納為背景,在第2 460幀時路過的行人將白色手提袋拿走,然而因為當前像素值依然能夠與Vibe背景模型匹配,所以白色手提袋原來擺放的位置并沒有因為白色手提袋的離去而形成鬼影.

4 結(jié) 語

本文提出了一種基于Vibe模型的改進運動檢測算法:取消了Vibe算法中的穿插更新策略;為了避免單像素點造成的誤判,引入以8鄰域為單位的區(qū)域更新策略;為了能夠處理復雜的背景環(huán)境,引入了緩沖模型和第二背景模型.實驗結(jié)果分析表明,在空間一致性的原則下,改進后的算法能夠有效地處理鬼影和短暫停留的前景目標.但是當鬼影區(qū)域出現(xiàn)像素值突變時,鬼影的處理效果將受到影響,同時改進算法無法處理周期性出現(xiàn)的擾動目標,如何解決這兩個問題,將是接下來研究的側(cè)重點.

[1] 王亮,胡衛(wèi)明,譚鐵牛.人運動的視覺分析綜述[J].計算機學報,2002,25(3):225-237. WANG Liang, HU Weiming, TAN Tieniu. A survey of visual snalysis of human motion[J]. Chinese Journal of Computers,2002,25(3):225-237.

[2] 田楠.背景建模算法研究[D].蘭州:蘭州大學,2012. TIAN Nan. Research of background modeling algorithm[D]. Lanzhou: Lanzhou University,2012.

[3] WREN C R, DARRELL T,PENTLAND A P, et al. Pfinder: Real-time tracking of the human body[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1997,19(7):780-785.

[4] 孫毅剛,李鴻,張紅穎.基于改進混合高斯模型的運動目標檢測算法[J].計算機工程,2012,38(18):166-170. SUN Yigang, LI Hong, ZHANG Hongying. Moving object detection algorithm based on improved gaussian mixture model[J]. Computer Engineering,2012,38(18):166-170.

[5] 馬若飛.基于高斯混合模型的運動目標檢測算法[D].蘭州:蘭州大學,2010. MA Ruofei. Research on moving object detection algorithm based on Gaussian mixture mode[D]. Lanzhou: Lanzhou University,2010.

[6] ZIVKOVIC Z. Improved adaptive gaussian mixture model for background subtraction[C]//Proceedings of the 17th International Conference on Pattern Recognition. UK: IEEE Computer Society,2004:28-31.

[7] LEE D S. Effective gaussian mixture learning for video background subtraction[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on,2005,27(5):827-832.

[8] WANG Hanzi, SUTER D. A consensus based method for tracking: modelling background scenario and foreground appearance[J].Pattern Recognition,2007,40(3):1091-1105.

[9] 高美鳳,劉娣.分塊幀差和背景差相融合的運動目標檢測[J].計算機應(yīng)用研究,2013,30(1):299-302. GAO Meifeng, LIU Di. Moving object detection based on consecutive blocks frame difference and background subtraction[J].Application Research of Computers,2013,30(1):299-302.

[10] MOHAMED S S, TAHIR N M, ADNAN R. Background modelling and background subtraction performance for object detection[C]//Proceedings of the 6th International on CSPA. Mallaca:IEEE,2010:1-6.

[11] KIM K, CHALIDABHONGSE T H, HARWOOD D, et al. Real-time foreground-background segmentation using codebook model[J]. Real-Time Imaging,2005,11(3):172-185.

[12] KIM K, CHALIDABHONGSE T H, HARWOOD D, et al. Background modeling and subtraction by codebook construction[C]//Proceedings of the 2004 International Conference on Image processing. Singapore:IEEE,2004:3061-3064.

[13] 郭春生,王盼.一種基于碼本模型的運動目標檢測算法[J].中國圖象圖形學報,2010,15(7):1079-1083. GUO Chunsheng, WANG Pan. An algorithm based on codebook model to moving objects detection[J]. Journal of Image and Graphics,2010,15(7):1079-1083.

[14] 齊美彬,楊愛麗,蔣建國,等.一種基于改進碼本的車輛檢測與跟蹤方法[J].中國圖象圖形學報,2010,15(7):406-412. QI Meibin, YANG Aaili, JIANG Janguo, et al. A vehicles detection and tracking algorithm based on improved codebook[J]. Journal of Image and Graphics,2011,16(3):406-412.

[15] BARNICH O, DROOGENBROECK M V. Vibe: a powerful random technique to estimate the background in video sequences[C]// Proceedings of the ICASSP 2009 on Acoustics, Speech and Signal Processing. Taipei: IEEE,2009:945-948.

[16] BARNICH O, DROOGENBROECK M V. Vibe: a universal background subtraction algorithm for video sequences[J]. IEEE Transactions on Image Proceeding,2011,20(6):1709-1724.

[17] 蔣建國,王濤,齊美彬,等.基于vibe的車流量統(tǒng)計算法[J].電子測量與儀器學報,2012,26(6):558-563. JIANG Janguo, WANG Tao, QI Meibin, et al. Statistical algorithm for traffic flow based on ViBe[J]. Journal of Electronic Measurement and Instrument,2012,26(6):558-563.

[18] 張磊,傅志中,周岳平.基于HSV顏色空間和Vibe算法的運動目標檢測[J].計算機工程與應(yīng)用,2014,50(4):181-185. ZHANG Lei, FU Zhizhong, ZHOU Yueping. Moving objects detection based on HSV colorspace and Vibe algorithm[J].Computer Engineering and Applications,2014,50(4):181-185.

[19] VAN D M, PAQUOT O. Background subtraction: experiments and improvements for ViBe[C]//Computer Vision and Pattern Recognition Workshops (CVPRW). Providence, RI: IEEE,2012:32-37.

[20] 陳亮,陳曉竹,范振濤.基于Vibe的鬼影抑制算法[J].中國計量學院學報,2013,24(4):425-429. CHEN Liang, CHEN Xiaozhu, FAN Zhentao. Ghost suppression algorithm based on Vibe[J]. Journal of China University of Metrolohy,2013,24(4):425-429.

Region detection algorithm for ghost suppression

CHEN Liang, CHEN Xiaozhu, HU Zhengdong

(College of Information Engineering, China Jiliang University, Hangzhou 310018, China)

Vibe algorithm is an effective visual motion detection algorithm. By using the updated background model to suppress ghost, the original Vibe algorithm depressed slowly. We proposed an improved Vibe algorithm by making several improvements based on the original algorithm. In order to avoid the misjudgment at the pixel level, we detected the binary mask at the blob level, which was detected by the improved Vibe algorithm, adding a second model and a cache to deal with ghost and short stay objects. The simulation verifies that the improved algorithm can effectively handle noise, ghost and short stay objects.

background modeling; motion detection; Vibe algorithm; ghost suppression

1004-1540(2015)01-0115-08

10.3969/j.issn.1004-1540.2015.01.021

2014-07-19 《中國計量學院學報》網(wǎng)址：zgjl.cbpt.cnki.net

TP301.6

A