一種能快速抑制鬼影及靜止目標(biāo)的ViBe改進(jìn)算法

吳爾杰，楊艷芳，田中賀，蔣建國(guó)（.合肥工業(yè)大學(xué)計(jì)算機(jī)與信息學(xué)院，安徽合肥　30009；.合肥工業(yè)大學(xué)電子科學(xué)與應(yīng)用物理學(xué)院，安徽合肥　30009）

?

一種能快速抑制鬼影及靜止目標(biāo)的ViBe改進(jìn)算法

吳爾杰1，楊艷芳2，田中賀1，蔣建國(guó)1
（1.合肥工業(yè)大學(xué)計(jì)算機(jī)與信息學(xué)院，安徽合肥230009；2.合肥工業(yè)大學(xué)電子科學(xué)與應(yīng)用物理學(xué)院，安徽合肥230009）

摘要：ViBe算法存在鬼影和靜止目標(biāo)問題，這些問題給目標(biāo)檢測(cè)帶來誤差，需要快速有效地抑制。文章在原始ViBe算法基礎(chǔ)上，先通過比較局部區(qū)域的背景模型像素值方差和新來幀該區(qū)域的像素值方差的大小來判斷該區(qū)域存在鬼影還是靜止目標(biāo)，存在則進(jìn)行抑制，然后采用不同的策略更新鬼影區(qū)域和靜止目標(biāo)區(qū)域的背景。實(shí)驗(yàn)結(jié)果中，改進(jìn)算法僅用15幀就可以完全抑制鬼影，僅用20幀就能完全抑制靜止目標(biāo)，而原始ViBe算法完全抑制鬼影需要108幀且抑制靜止目標(biāo)能力有限。實(shí)驗(yàn)結(jié)果表明，對(duì)于普通的以及背景較為復(fù)雜的監(jiān)控場(chǎng)景，文中改進(jìn)算法可行、有效。

關(guān)鍵詞：目標(biāo)檢測(cè)；背景模型；ViBe算法；鬼影；靜止目標(biāo)

蔣建國(guó)（1955-），男，安徽寧國(guó)人，合肥工業(yè)大學(xué)教授，博士生導(dǎo)師.

在智能視頻監(jiān)控系統(tǒng)中，目標(biāo)檢測(cè)效果的優(yōu)劣直接影響目標(biāo)分類、跟蹤等后期處理的效果，準(zhǔn)確、實(shí)時(shí)的運(yùn)動(dòng)檢測(cè)算法是智能視頻監(jiān)控技術(shù)的迫切需要。對(duì)于最為普遍的、固定背景的視頻監(jiān)控場(chǎng)景，常用方法是先通過背景建模獲得不含目標(biāo)的背景模型，再將背景模型與當(dāng)前幀圖像進(jìn)行差分得到運(yùn)動(dòng)目標(biāo)。工程上常用的背景建模運(yùn)動(dòng)目標(biāo)檢測(cè)算法有均值濾波法、單高斯模型法、混合高斯模型法等。均值濾波法［1］使用連續(xù)N幀圖像序列的平均作為背景，若當(dāng)前幀與背景幀對(duì)應(yīng)位置的像素值差別大于一定閾值，則判定該像素點(diǎn)為前景點(diǎn)。該算法簡(jiǎn)單、實(shí)時(shí)性好，但對(duì)環(huán)境光照變化和一些動(dòng)態(tài)背景變化比較敏感，文獻(xiàn)［2］采用單高斯模型對(duì)背景像素點(diǎn)建模，在簡(jiǎn)單環(huán)境下的檢測(cè)效果良好，但是在波動(dòng)的湖面、搖曳的樹枝等復(fù)雜場(chǎng)景下，很難有效地檢測(cè)目標(biāo)；混合高斯模型［3-6］對(duì)一個(gè)像素點(diǎn)的像素值出現(xiàn)概率使用多個(gè)高斯分布進(jìn)行描述，能反映背景自身的變化，檢測(cè)效果較好，但算法計(jì)算量大，實(shí)時(shí)性差。文獻(xiàn)［7-8］提出了一種名為ViBe的非參數(shù)背景建模算法，這種算法具有良好的適應(yīng)性和實(shí)時(shí)性，但是，ViBe算法的背景更新速度較慢，不能迅速處理靜止目標(biāo)變?yōu)檫\(yùn)動(dòng)目標(biāo)，以及運(yùn)動(dòng)目標(biāo)變?yōu)殪o止目標(biāo)這2種情況。比如，ViBe一般直接將第1幀作為初始背景，如果第1幀中含有運(yùn)動(dòng)目標(biāo)，算法不但會(huì)檢測(cè)到運(yùn)動(dòng)目標(biāo)，還會(huì)在目標(biāo)的原位置檢測(cè)到一個(gè)虛假的運(yùn)動(dòng)區(qū)域，該區(qū)域就是所謂的鬼影。與之類似，在檢測(cè)過程中，某個(gè)原本長(zhǎng)時(shí)間靜止的目標(biāo)一旦開始運(yùn)動(dòng)，同樣會(huì)產(chǎn)生鬼影。由于ViBe的更新速度慢，鬼影的存在時(shí)間較長(zhǎng)。另外一種情況是當(dāng)目標(biāo)長(zhǎng)時(shí)間靜止時(shí)，ViBe算法會(huì)在較長(zhǎng)時(shí)間內(nèi)將該目標(biāo)判為運(yùn)動(dòng)目標(biāo)，增加了后續(xù)處理的運(yùn)算量。如何快速消除鬼影和目標(biāo)靜止這2種情況，是智能視覺監(jiān)控系統(tǒng)中要解決的實(shí)際問題。

對(duì)于鬼影問題，一些研究者提出了改進(jìn)，文獻(xiàn)［9］利用相鄰像素點(diǎn)的空間一致性對(duì)ViBe算法進(jìn)行改進(jìn)，當(dāng)一像素點(diǎn)被判為前景時(shí)，將該點(diǎn)與其鄰域像素點(diǎn)背景模型中的像素值進(jìn)行匹配，如果匹配點(diǎn)數(shù)超過閾值則判定此像素點(diǎn)為鬼影點(diǎn)，然后消除鬼影點(diǎn)并重新初始化該點(diǎn)的背景模型，從而抑制鬼影。該方法雖然能抑制鬼影，但算法運(yùn)算量大。文獻(xiàn)［10］提出了一種幀間差分法與ViBe算法相結(jié)合的改進(jìn)算法，這種方法將開始若干幀的差分結(jié)果與ViBe算法同一幀檢測(cè)得到的結(jié)果進(jìn)行“與”運(yùn)算，抑制鬼影并更新鬼影區(qū)域的背景模型。該方法可以抑制部分鬼影，而剩余鬼影點(diǎn)的抑制還是依賴ViBe原始更新策略，多幀后才能消除。

綜上所述，這些ViBe改進(jìn)方法鬼影抑制的效果并不理想，也沒有考慮抑制目標(biāo)靜止的問題。鬼影和靜止目標(biāo)這2種虛假“靜止前景”，都需要改進(jìn)ViBe算法來抑制，但是由于兩者的產(chǎn)生原因不同，需要采用不同的方法來抑制。本文根據(jù)局部區(qū)域像素值的方差大小來判斷一塊區(qū)域是鬼影區(qū)域還是靜止目標(biāo)區(qū)域。對(duì)鬼影區(qū)域，該區(qū)域的背景模型用新來一幀的相應(yīng)像素點(diǎn)去更新；而對(duì)靜止目標(biāo)區(qū)域，待其靜止超過一定幀數(shù)則存儲(chǔ)原背景模型，并用當(dāng)前像素值作為臨時(shí)背景模型，當(dāng)該目標(biāo)再次運(yùn)動(dòng)時(shí)則使用存儲(chǔ)的原背景模型替換當(dāng)前的臨時(shí)背景模型。本文算法能夠快速有效抑制鬼影和靜止目標(biāo)。

1　ViBe簡(jiǎn)介

1.1ViBe原理

ViBe算法是一種比較高效的、魯棒性相對(duì)較強(qiáng)的算法。ViBe算法主要包含背景模型初始化、前景檢測(cè)以及背景模型更新3個(gè)模塊。

（1）背景模型初始化。ViBe為每個(gè)像素都建立背景模型，背景模型的容量為N。背景模型記為M＝{ p1，p2，…，pN}，初始化時(shí)，選擇視頻的第1幀，隨機(jī)選擇當(dāng)前像素點(diǎn)的8鄰域任意一點(diǎn)像素值存到當(dāng)前像素點(diǎn)的背景模型中，得到pi。重復(fù)此操作N次，就得到初始背景模型M。

（2）前景檢測(cè)。從第2幀開始計(jì)算每個(gè)像素點(diǎn)像素值與背景模型同一位置像素點(diǎn)N幀像素值的差的絕對(duì)值，將結(jié)果和預(yù)設(shè)的閾值R相比，如果小于R則說明找到一個(gè)匹配；統(tǒng)計(jì)上述小于R的匹配數(shù)目，如果匹配數(shù)目大于設(shè)定的匹配數(shù)目閾值，就判斷此像素點(diǎn)是背景點(diǎn)，否則就判為前景點(diǎn)。

（3）背景模型更新。如果一個(gè)像素點(diǎn)被判為背景點(diǎn)，那么就要對(duì)此點(diǎn)及其鄰域進(jìn)行背景模型的更新。從N幀背景模型中任意選擇一幀p（x），用新來一幀中被判為背景點(diǎn)的像素值更新p（x）中對(duì)應(yīng)點(diǎn)，然后再用此像素值隨機(jī)更新p（x）8鄰域任一像素點(diǎn)像素值。

1.2ViBe對(duì)鬼影的抑制

鬼影是ViBe算法存在的一個(gè)難點(diǎn)問題。ViBe算法中，鬼影鄰近背景像素點(diǎn)可以更新鬼影的背景模型，當(dāng)鬼影背景模型中被更新的像素值個(gè)數(shù)超過閾值時(shí)，鬼影被抑制。ViBe算法需要經(jīng)過很多幀以后才能抑制鬼影。原始ViBe抑制鬼影如圖1所示，可見直到108幀鬼影才被完全抑制，消耗了大量的幀。

此外，ViBe對(duì)于靜止目標(biāo)的抑制能力也比較有限。當(dāng)目標(biāo)與背景接近時(shí)，ViBe算法可以逐漸腐蝕靜止目標(biāo)，但需要經(jīng)過很多幀以后才能抑制靜止目標(biāo)；當(dāng)目標(biāo)與背景差別較大時(shí)，ViBe則不能抑制該目標(biāo)。

圖1　ViBe抑制鬼影示意圖

2　ViBe改進(jìn)算法

如前所述，原始ViBe算法在多幀以后才能抑制鬼影和靜止目標(biāo)，本文改進(jìn)算法的目的就是減少抑制鬼影和靜止目標(biāo)所需的幀數(shù)。

2.1算法改進(jìn)思路

鬼影和靜止目標(biāo)都是要抑制的，但是兩者產(chǎn)生的原因以及消除的方法不同，本文的思路是先判斷后抑制。首先利用原始ViBe方法檢測(cè)到持續(xù)一定幀數(shù)的“靜止前景”區(qū)域（鬼影或者靜止目標(biāo)），然后比較該區(qū)域的當(dāng)前幀全部像素值方差與背景模型全部像素值方差的大小，從而判定該區(qū)域是鬼影區(qū)域還是靜止目標(biāo)區(qū)域，再利用不同策略來更新背景模型并進(jìn)行相應(yīng)抑制。

當(dāng)某局部區(qū)域的背景中含有目標(biāo)，而新來一幀中此目標(biāo)離開該區(qū)域，就導(dǎo)致該區(qū)域產(chǎn)生了鬼影。而當(dāng)某局部區(qū)域的背景中沒有目標(biāo)，而新來幀中該區(qū)域一直存在目標(biāo)時(shí)，就檢測(cè)出該區(qū)域存在靜止目標(biāo)。也就是說，通過分析局部區(qū)域的背景幀和當(dāng)前幀是否含有目標(biāo)來判斷該區(qū)域是存在鬼影還是靜止目標(biāo)。有目標(biāo)和無目標(biāo)灰度圖如圖2所示，當(dāng)某局部區(qū)域中不含有目標(biāo)時(shí)，各像素值的差異較小，該區(qū)域的像素值方差就較??；當(dāng)局部區(qū)域中含有目標(biāo)時(shí)，各像素值的差異較大，該區(qū)域的像素值方差就較大。設(shè)σB為背景區(qū)域的像素值方差，σF為新來幀對(duì)應(yīng)區(qū)域的像素值方差，方差計(jì)算公式為：

其中，I（i，j）為像素值；M、N為區(qū)域的高度和寬度；u為該區(qū)域像素值均值。圖1a無目標(biāo)區(qū)域灰度值方差為2 703.3，而圖1b有目標(biāo)區(qū)域灰度值方差為6 909.3。對(duì)于鬼影情況，背景一般如圖1b所示，新來幀如圖1a所示，顯然應(yīng)該是背景方差大于新來幀的方差；對(duì)于靜止目標(biāo)情況，顯然是背景方差小于新來幀的方差。

根據(jù)以上分析可知，當(dāng)σB＞σF時(shí)，判定該區(qū)域出現(xiàn)鬼影；當(dāng)σB＜σF時(shí)，判定該區(qū)域出現(xiàn)靜止目標(biāo)。

圖2　有目標(biāo)和無目標(biāo)灰度圖

鬼影和靜止目標(biāo)的抑制都需要更新當(dāng)前的背景模型。鬼影區(qū)域的背景模型實(shí)際上就是目標(biāo)，要想去掉鬼影，可以用實(shí)際背景來替代鬼影區(qū)域的背景模型，所以直接采用新來一幀對(duì)應(yīng)像素點(diǎn)來更新鬼影背景模型。

靜止目標(biāo)區(qū)域的背景模型是實(shí)際背景，為了抑制靜止目標(biāo)，可以用該目標(biāo)來更新靜止目標(biāo)區(qū)域的背景模型。但是，當(dāng)靜止目標(biāo)離開靜止區(qū)域時(shí)，由于此時(shí)背景模型為目標(biāo)，又會(huì)產(chǎn)生鬼影，所以在更新靜止區(qū)域背景模型之前，將該區(qū)域的原始背景模型保存，當(dāng)靜止目標(biāo)離開靜止區(qū)域時(shí)，再用前面保存的原始背景模型替代靜止位置的當(dāng)前背景模型，從而避免了鬼影的產(chǎn)生。

2.2算法實(shí)現(xiàn)步驟

本文算法是在ViBe基礎(chǔ)上改進(jìn)的，算法流程如圖3所示。

（1）算法初始化。開辟一塊存儲(chǔ)器用于保存各像素點(diǎn)的原始背景模型，并為每個(gè)像素點(diǎn)設(shè)置一個(gè)標(biāo)志C來指示該像素點(diǎn)是否保存有原始背景模型（C為1表示該點(diǎn)保存了原始背景模型，C的初始為0）。另外，為每個(gè)像素點(diǎn)設(shè)置一個(gè)計(jì)數(shù)器，用來統(tǒng)計(jì)該像素點(diǎn)連續(xù)被判為前景的幀數(shù)。

（2）前景區(qū)域檢測(cè)。用原始ViBe算法進(jìn)行目標(biāo)檢測(cè)，并標(biāo)記出每個(gè)前景目標(biāo)的大小、位置。

（3）背景點(diǎn)背景模型更新。對(duì)新來一幀每個(gè)像素點(diǎn)進(jìn)行分析，如果該像素點(diǎn)為背景則直接使用新來一幀像素點(diǎn)更新背景模型。

（4）靜止目標(biāo)區(qū)域背景更新。若該像素點(diǎn)為前景，并且標(biāo)志C為1，則用保存的原始背景模型替換當(dāng)前背景模型，且標(biāo)志C清零、存儲(chǔ)器清空。

（5）鬼影或靜止目標(biāo)區(qū)域判別。如果該點(diǎn)為前景點(diǎn)且未存有背景模型（即C為0），則計(jì)數(shù)器加1。若計(jì)數(shù)器值大于等于ghosth，則判定該點(diǎn)為持續(xù)前景點(diǎn)，并標(biāo)記出持續(xù)前景點(diǎn)所在區(qū)域，記為SA。

（7）鬼影區(qū)域判別及抑制。若小于設(shè)定的閾值T，說明此SA區(qū)域?yàn)楣碛?，所以用新來一幀像素值替換該點(diǎn)背景模型，并將計(jì)數(shù)器清零。

（8）靜止目標(biāo)區(qū)域判別及抑制。若大于設(shè)定的閾值T，且計(jì)數(shù)器值大于靜止目標(biāo)閾值backth，說明該SA是靜止目標(biāo)區(qū)域，所以用新來一幀像素值替換該點(diǎn)背景模型，并且存儲(chǔ)該點(diǎn)原始背景模型、標(biāo)志C置1。

圖3　ViBe改進(jìn)算法流程圖

3　實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)環(huán)境為i5處理器、內(nèi)存4 GB、VS2008以及OpenCV2.3.1。視頻序列為View-001 （768×576）。下面通過4個(gè)實(shí)驗(yàn)來說明本文改進(jìn)算法的處理能力。

3.1實(shí)驗(yàn)1

為了測(cè)試本文改進(jìn)算法對(duì)視頻起始產(chǎn)生鬼影的抑制能力，將原始ViBe算法、文獻(xiàn)［10］的算法以及本文改進(jìn)算法的實(shí)驗(yàn)結(jié)果進(jìn)行比較和分析。實(shí)驗(yàn)結(jié)果如圖4所示。

圖4　初始鬼影抑制效果對(duì)比

如圖4所示，視頻初始時(shí)有3個(gè)運(yùn)動(dòng)目標(biāo)，由實(shí)驗(yàn)結(jié)果可見，原始ViBe算法在第15幀時(shí)還有大部分鬼影殘留（鬼影為圈線標(biāo)出的前景），在108幀時(shí)完全抑制鬼影；而文獻(xiàn)［10］算法在第10幀時(shí)已對(duì)鬼影做了局部的抑制，但是余下的部分仍需ViBe的穿插方法消除，第98幀時(shí)完全抑制鬼影，而本文算法在15幀時(shí)就完全抑制了鬼影。對(duì)于抑制鬼影的閾值ghosth，若設(shè)置過大則會(huì)影響抑制鬼影的效率，過小則許多目標(biāo)都需要計(jì)算區(qū)域的方差，計(jì)算量大，本文抑制鬼影的閾值ghosth設(shè)置為15。本文提出的方法在抑制鬼影方面明顯優(yōu)于ViBe原始算法與文獻(xiàn)［10］的算法。

3.2實(shí)驗(yàn)2

為了測(cè)試本文改進(jìn)方法對(duì)于視頻運(yùn)行中靜止目標(biāo)移動(dòng)產(chǎn)生的鬼影的抑制能力，截取視頻View-001第239幀以后的序列，并進(jìn)行檢測(cè)，實(shí)驗(yàn)結(jié)果如圖5所示。圖5中左側(cè)的目標(biāo)自239幀開始靜止，在第277幀目標(biāo)運(yùn)動(dòng)離開原始位置，在原始位置留下了明顯的鬼影（圖中圈線標(biāo)示處），在第292幀時(shí)本文改進(jìn)的ViBe完全抑制了鬼影。這說明本文改進(jìn)方法可以有效地抑制在視頻運(yùn)行中靜止目標(biāo)移動(dòng)產(chǎn)生的鬼影。

圖5　中期鬼影抑制效果

3.3實(shí)驗(yàn)3

為了測(cè)試本文改進(jìn)方法靜止目標(biāo)的抑制能力，將原始ViBe算法與改進(jìn)的ViBe算法對(duì)靜止目標(biāo)的抑制結(jié)果進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果如圖6所示。

由圖6可見，目標(biāo)（圓圈定）自239幀開始靜止，277幀時(shí)目標(biāo)重新開始運(yùn)動(dòng)。原始ViBe算法自239幀直至277幀該目標(biāo)始終被判為前景。在本文的改進(jìn)算法中，當(dāng)靜止目標(biāo)持續(xù)幀數(shù)超過設(shè)定閾值backth時(shí)就消除該前景目標(biāo)，backth可以根據(jù)實(shí)際的需要來改動(dòng)，為了觀測(cè)本文消除長(zhǎng)期靜止目標(biāo)的能力，設(shè)置backth值為20?？梢杂^察到，當(dāng)?shù)?59幀時(shí)，已經(jīng)不能檢測(cè)到該目標(biāo)。當(dāng)?shù)搅说?77幀時(shí)，該目標(biāo)重新運(yùn)動(dòng)離開原始位置，可以看出，當(dāng)目標(biāo)離開時(shí)并未留下鬼影，說明本文改進(jìn)算法可以有效地抑制靜止目標(biāo)。

對(duì)分辨率為768×576的View-001，原始ViBe算法耗時(shí)每幀0.139 s，本文改進(jìn)算法耗時(shí)每幀0.169 s，算法速度略有下降。

圖6　靜止目標(biāo)抑制效果對(duì)比

3.4實(shí)驗(yàn)4

如前所述，本文算法通過比較局部區(qū)域的背景像素值方差和新來幀該區(qū)域的像素值方差的大小來判斷該區(qū)域是鬼影還是靜止目標(biāo)，對(duì)于大多數(shù)監(jiān)控場(chǎng)景均能取得較好的實(shí)驗(yàn)結(jié)果，對(duì)于某些背景特別復(fù)雜的監(jiān)控場(chǎng)景也會(huì)失效。

較復(fù)雜背景、特別復(fù)雜背景的實(shí)驗(yàn)結(jié)果如圖7、圖8所示。

圖7a～圖7f為第1組圖，場(chǎng)景為樹林；圖7g～圖7l為第2組圖，場(chǎng)景為交叉路口，背景都較為復(fù)雜。第1組圖目標(biāo)在第100幀開始靜止，第120幀就抑制了該靜止目標(biāo)，第150幀目標(biāo)開始運(yùn)動(dòng)，但沒有留下鬼影（圓圈區(qū)域中無鬼影）。第2組圖目標(biāo)在第55幀開始靜止，第75幀就抑制了該靜止目標(biāo)，第99幀目標(biāo)開始運(yùn)動(dòng)，也沒有留下鬼影（圓圈區(qū)域中無鬼影）。圖7說明本文算法在比較復(fù)雜的條件適用。

圖8場(chǎng)景特別復(fù)雜，目標(biāo)在第56幀開始靜止，第71幀就抑制了該靜止目標(biāo)，第103幀目標(biāo)開始運(yùn)動(dòng)，并留下鬼影（圓圈區(qū)域中存在鬼影）。圖8說明本文算法在場(chǎng)景特別復(fù)雜時(shí)可能并不適用，這也是下一步要解決的問題。

圖7　較復(fù)雜背景的實(shí)驗(yàn)效果

圖8　特別復(fù)雜背景實(shí)驗(yàn)效果

4　結(jié)束語

本文改進(jìn)算法在普通的以及背景較為復(fù)雜的監(jiān)控場(chǎng)景下能夠有效并快速地抑制鬼影及靜止目標(biāo)，但是對(duì)于背景極其復(fù)雜的監(jiān)控場(chǎng)景，由于這類場(chǎng)景含有目標(biāo)的局部區(qū)域方差往往小于不含目標(biāo)的同區(qū)域方差，所以容易在鬼影和靜止目標(biāo)的判斷中出現(xiàn)誤差。

與原始ViBe算法和文中引述的其他ViBe改進(jìn)文獻(xiàn)相比，本文能有效并快速地抑制鬼影和靜止目標(biāo)。

在實(shí)際應(yīng)用方面，由于極其復(fù)雜的場(chǎng)景在實(shí)際生活中比較少見，所以本文改進(jìn)算法具有一定的實(shí)用性，但是在極其復(fù)雜場(chǎng)景下有效地抑制鬼影和靜止目標(biāo)也很重要，在該方面有待于做出進(jìn)一步探索和研究。

［參考文獻(xiàn)］

［1］Meier T，Ngun K N.Video segmentation for content-based cod2 ing［J］.IEEE Transactions on Circuits and Systems for Video Technology，1999，9（8）：1190-1203.

［2］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.

［3］Zhou D，Zhang H.Modified GMM background modeling and optical flow for detection of moving objects［C］//IEEE International Conference on Systems，Man and Cybernetics，2005：2224-2229.

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

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

［6］Sun Y G，Li H，Zhang H Y.Moving object detection algorithm based on improved gaussian mixture model［J］.Computer Engineering，2012，38（18）：166-170.

［7］Barnich O，Van Droogenbroeck M.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.

［8］Barnich O，Van Droogenbroeck M.ViBe：a universal background subtraction algorithm for video sequences［J］.IEEE Transactions on Image Proceeding，2011，20（6）：1709-1724.

［9］陳亮，陳曉竹，范振濤.基于Vibe的鬼影抑制算法［J］.中國(guó)計(jì)量學(xué)院學(xué)報(bào)，2013，24（4）：425-429.

［10］Li Yongqiang，Chen Wanzhong，Jiang Rui.The integration adjacent frame difference of improved ViBe for foreground object detection［C］//International Conference on Wireless Communications，Networking＆Mobile Computing（WiCOM），2011：1-4.

（責(zé)任編輯張镅）

An improved ViBe algorithm for restraining ghost and stay object

WU Er-jie1，YANG Yan-fang2，TIAN Zhong-he1，JIANG Jian-guo1
（1.School of Computer and Information，Hefei University of Technology，Hefei 230009，China；2.School of Electronic Science and Applied Physics，Hefei University of Technology，Hefei 230009，China）

Abstract：Ghost and stay object may be detected by visual background extractor（ViBe）algorithm，which bring some errors when detecting objects，so these problems need to be restrained effectively.In this paper，based on the original ViBe algorithm，whether a foreground is stay object or ghost is judged by comparing the variance of gray value of a regional background model and the variance of gray value of the same region of next frame，and then different measures are adopted to limit the ghost and stay object and update the background model.The experimental results show that the improved algorithm can restrain ghost completely in only 15 frames，and restrain stay object completely in only 20 frames，but the original ViBe algorithm restrains ghost completely in 108 frames and it can not restrain stay object effectively.The experimental results indicate that when the monitoring scene is ordinary or relatively complex，this improved algorithm is feasible and effective.Key words：object detection；background model；visual background extractor（ViBe）algorithm；ghost；stay object

作者簡(jiǎn)介：吳爾杰（1990-），男，安徽靈璧人，合肥工業(yè)大學(xué)碩士生；

基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目（61371155）；安徽省科技攻關(guān)計(jì)劃資助項(xiàng)目（1301b042023）

收稿日期：2014-12-24；修回日期：2015-03-03

Doi：10.3969/j.issn.1003-5060.2016.01.011

中圖分類號(hào)：TP301.6

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1003-5060（2016）01-0056-06