一種基于ViBe和改進(jìn)LBP的目標(biāo)跟蹤算法1

張緯誠(chéng)，尹莉莉，方文貴

（中國(guó)電子科技集團(tuán)電子第三十八研究所博微信息發(fā)展有限責(zé)任公司 安徽四創(chuàng)電子股份有限公司，安徽 合肥 230031）

一種基于ViBe和改進(jìn)LBP的目標(biāo)跟蹤算法1

張緯誠(chéng)，尹莉莉，方文貴

（中國(guó)電子科技集團(tuán)電子第三十八研究所博微信息發(fā)展有限責(zé)任公司 安徽四創(chuàng)電子股份有限公司，安徽 合肥 230031）

ViBe算法在跟蹤視頻場(chǎng)景中運(yùn)動(dòng)狀態(tài)突然變化的物體時(shí)，效果較差，例如目標(biāo)由靜止?fàn)顟B(tài)到運(yùn)動(dòng)或者由運(yùn)動(dòng)狀態(tài)到靜止都會(huì)產(chǎn)生拖影區(qū)域（Ghost區(qū)域），而且Ghost區(qū)域在以后的跟蹤中不會(huì)立即消除，這個(gè)問(wèn)題大大降低了對(duì)物體跟蹤的準(zhǔn)確性.為了提高跟蹤的正確率本文將ViBe算法和改進(jìn)的局部二值算法（LBP）相結(jié)合使用，即針對(duì)ViBe算法提取出的前景圖像，再使用改進(jìn)的局部二值算法進(jìn)行前景的二次提取，以達(dá)到快速消除Ghost區(qū)域的目的.仿真實(shí)驗(yàn)說(shuō)明了該方法的有效性.

ViBe算法；Ghost；LBP算法

引言

對(duì)視頻中運(yùn)動(dòng)物體的檢測(cè)方法有很多，目前流行的方法有GMM算法和ViBe算法［1-5］.

GMM模型使用K個(gè)（基本為3到5個(gè)）高斯模型來(lái)表征圖像中各個(gè)像素點(diǎn)的特征，在新一幀圖像獲得后，用當(dāng)前圖像中的每個(gè)像素點(diǎn)與GMM模型匹配，如果成功則判定該點(diǎn)為背景點(diǎn)，否則為前景點(diǎn).GMM算法使用起來(lái)比較簡(jiǎn)單，因開(kāi)源Opencv庫(kù)集成了GMM算法，在應(yīng)用中可以直接調(diào)用，但是在創(chuàng)建背景模型時(shí)相關(guān)參數(shù)的取值直接影響該算法檢測(cè)到前景的正確率，并且也存在著計(jì)算量大等缺點(diǎn).

ViBe算法是一個(gè)像素級(jí)的背景建模和前景檢測(cè)的方法，它提出了一個(gè)新穎的背景模型更新方法，其主要特點(diǎn)就是像素選擇的隨機(jī)性，這在一定程度上利用了像素值的空間傳播性，但是正是由于其像素選擇的隨機(jī)性，有可能采用了運(yùn)動(dòng)物體的像素作為樣本集，這就容易引入拖影區(qū)域，影響后續(xù)的處理.

針對(duì)ViBe算法的這一缺點(diǎn)，本文提出將局部二值化算法（LBP）應(yīng)用到ViBe算法中，使其能夠快速的消除拖影區(qū)域.

1、基于ViBe和改進(jìn)LBP的目標(biāo)跟蹤算法

ViBe算法是一種像素級(jí)背景建模算法，它是由Olivier等人在2009年提出.運(yùn)用該算法進(jìn)行運(yùn)動(dòng)物體檢測(cè)時(shí)，需要經(jīng)過(guò)三個(gè)步驟，即初始化模型階段、運(yùn)動(dòng)物體檢測(cè)階段、模型更新階段.下面簡(jiǎn)要敘述這三個(gè)階段.

1）初始化模型階段，在該階段，算法只需要使用視頻序列的第一幀圖像即可建立背景模型，利用鄰域像素在空間分布上具有許多相似性的特征，在模型建立時(shí)，為圖像中每個(gè)位置的像素點(diǎn)，存儲(chǔ)一個(gè)背景樣本集，樣本集內(nèi)每個(gè)樣本值為該像素位置鄰域內(nèi)的若干位置像素值.

2）運(yùn)動(dòng)物體檢測(cè)階段，從下一幀開(kāi)始，把圖像中每一個(gè)位置的像素值與背景模型中對(duì)應(yīng)位置的樣本集中的每個(gè)樣本逐個(gè)比較，判斷該像素與背景的相似性.如果與背景樣本集內(nèi)的大部分像素相似，則把該像素作為背景像素，否則把該像素作為前景.

3）模型更新階段，算法在更新背景模型時(shí)，對(duì)檢測(cè)到的前景和背景分別更新.對(duì)于每一個(gè)前景像素，判斷該像素在若干連續(xù)幀中是否都為前景像素，如果是，則把該像素置為背景像素，而且用隨機(jī)的方法，更新該像素鄰域內(nèi)的像素背景樣本集中的一個(gè)樣本，否則，使記錄該像素作為前景像素次數(shù)的計(jì)數(shù)器加1；對(duì)于被檢測(cè)為背景的像素，使用隨機(jī)法對(duì)背景樣本集和鄰域內(nèi)的像素樣本集進(jìn)行更新.

圖1 基本的LBP算子

LBP指局部二值模式，它是一個(gè)強(qiáng)大的算子，能夠有效且高效地提取圖像的局部紋理信息；最簡(jiǎn)單的LBP是對(duì)尺度3×3圖像進(jìn)行操作，首先將周圍位置的值與中心點(diǎn)位置的值進(jìn)行比較，然后對(duì)比較后的差值進(jìn)行二值化，二值化所組成的二進(jìn)制字符串就是LBP二值模式；而把這個(gè)二值串轉(zhuǎn)換成對(duì)應(yīng)的十進(jìn)制數(shù)就是對(duì)應(yīng)的LBP標(biāo)號(hào).

最基本的LBP算子如圖1所示.其中心點(diǎn)位置值為5，然后求取周圍的位置與中心位置差值；再根據(jù)差值跟零比較進(jìn)行二值化，如果差值大于或等于0，則該位置賦予1；如果小于0，則賦予0.二值化的結(jié)果沿著順時(shí)針?lè)较虻玫降亩M(jìn)制字符串11001101就是二值化模式，而轉(zhuǎn)換后得到的十進(jìn)制數(shù)205就是LBP標(biāo)號(hào).

利用LBP對(duì)一張圖進(jìn)行操作，把原有位置值都置換成操作后的LBP標(biāo)號(hào)，得到圖像的特征紋理圖.LBP圖像獲取的是圖像局部紋理變化的情況，這個(gè)特點(diǎn)決定了它不會(huì)隨著光照的變化而改變；因此LBP紋理圖擁有能夠?qū)构庹兆兓奶匦?

基本的LBP特征是范圍3×3的小區(qū)域特征，它不僅容易受到噪聲的干擾，而且無(wú)法捕捉大尺度的結(jié)構(gòu)性特征；因而有許多LBP的變種被提出來(lái)，其中一種變種是Multi-scale Block Local Binary（MB-LBP）［6］.MBLBP把LBP中單個(gè)像素值擴(kuò)展到一個(gè)方塊；這樣處理有以下好處：（1）MB-LBP比LBP有更好的魯棒性和更強(qiáng)的抗噪聲干擾能力；（2）MB-LBP不僅能夠?qū)ξ⑿〉慕Y(jié)構(gòu)進(jìn)行編碼還能夠?qū)Υ蟪叨鹊慕Y(jié)構(gòu)進(jìn)行編碼；（3）MB-LBP可以應(yīng)用積分圖計(jì)算方法提高計(jì)算效率.圖2顯示的是一個(gè)9×9的MB-LBP例子：在a圖中這個(gè)9× 9的圖像被切分成均等的九個(gè)子部分，每個(gè)部分是一個(gè)3×3的塊.與前面LBP相比易知，MB-LBP是以一個(gè)3×3的塊代替LBP操作中的單個(gè)像素點(diǎn)，其他的計(jì)算跟原來(lái)基本不變.

實(shí)質(zhì)上而言，MB-LBP是對(duì)簡(jiǎn)單LBP在尺度上進(jìn)行擴(kuò)展的變種.MB-LBP既保留了基本LBP對(duì)光照的變化具有不變性的特征，還具備了其他的優(yōu)良特性，已經(jīng)在多個(gè)應(yīng)用上取得了比較好的結(jié)果.選擇MB-LBP做為目標(biāo)跟蹤的特征，不但具有光照不變性，而且對(duì)圖像紋理比較敏感，能夠高效地提取到目標(biāo)的邊界信息.與LBP的直方圖類似，在加入一些限制條件后，MBLBP紋理圖在實(shí)際中并不直接應(yīng)用，而是把它轉(zhuǎn)換為SEMB-LBP（Statistically Effective Multi-scale Block Local Binary Pattern，統(tǒng)計(jì)有效的多尺度塊的局部二值化模式向量.SEMB-LBP的計(jì)算方法如下：令fs（x，y）尺度為s的MB-LBP特征圖像在坐標(biāo)位置為（x，y）的值，可以得到對(duì)應(yīng)特征的直方圖為：

圖2 MB-LBP算子

其中1（s）是集合s的指示器，?是MB-LBP碼的標(biāo)號(hào).由上面MB-LBP的計(jì)算過(guò)程可知，MB-LBP是一個(gè)8位的二進(jìn)制字符串，因此L=256，即最后得到的直方圖特征向量是一個(gè)256元素的特征向量.

本文基于ViBe算法和MB-LBP算法基礎(chǔ)上，提出了一種新的算法，從而改善ViBe算法的跟蹤性能，實(shí)現(xiàn)在復(fù)雜環(huán)境下的目標(biāo)跟蹤.

改進(jìn)的算法基本思路為：根據(jù)ViBe算法的原理，使用視頻中的第一幀圖像建立背景樣本集，從第二幀圖像開(kāi)始檢測(cè)前景，在檢測(cè)到的前景中使用LBP描述，記錄當(dāng)前幀當(dāng)前像素點(diǎn)與上一幀中對(duì)應(yīng)位置像素點(diǎn)的紋理情況，第二次提取出前景.改進(jìn)算法的具體步驟如下：

1）首先使用ViBe算法對(duì)輸入的視頻圖像進(jìn)行第一次背景去除；

2）對(duì)提取到的前景圖像使用數(shù)學(xué)形態(tài)學(xué)方法去除一些由于噪聲等因素形成的小面積區(qū)域；

3）使用MB-LBP算法對(duì)提取到的前景區(qū)域進(jìn)行第二次背景去除，消除ghost區(qū)域.算法的流程如圖3所示.

圖3 改進(jìn)的跟蹤算法流程圖

2、實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)過(guò)程中，大都選取的是靜態(tài)場(chǎng)景視頻作為研究對(duì)象，為了更清楚地闡釋本文算法的可行性，現(xiàn)提取實(shí)驗(yàn)中用到的兩段視頻作為描述材料，進(jìn)行說(shuō)明.

第一段視頻中圖像尺寸長(zhǎng)寬為1080*1920，在圖像的開(kāi)始部分，圖像中右下角有一輛汽車.實(shí)驗(yàn)檢測(cè)效果如圖4所示.

圖4 不同方法比較結(jié)果

圖4中第一行為視頻的原始圖像，第二行為用ViBe算法提取出的前景圖像，可以看出右下角產(chǎn)生了拖影區(qū)域，第三行為經(jīng)過(guò)數(shù)學(xué)形態(tài)學(xué)處理后的圖像，第四行為GMM算法提取到的前景，第五行為本文改進(jìn)算法提取的前景，可以看出快速的消除了拖影區(qū)域.提出的算法能很好地解決此類問(wèn)題.

第二段視頻為dataset2016公共數(shù)據(jù)集中的PETS2006測(cè)試視頻，對(duì)上述各個(gè)算法進(jìn)行測(cè)試.選擇PETS2006視頻序列中第1110幀到第1140幀進(jìn)行實(shí)驗(yàn).在PETS2006視頻序列中，第1110幀之前的若干幀中的運(yùn)動(dòng)物體呈現(xiàn)靜止?fàn)顟B(tài)，從第1111幀開(kāi)始，場(chǎng)景中運(yùn)動(dòng)物體開(kāi)始移動(dòng)，實(shí)驗(yàn)檢測(cè)結(jié)果如下圖所示.

圖5 不同算法對(duì)Ghost區(qū)域的消除情況

從圖5可以看出本文算法可以快速的消除Ghost區(qū)域.為了確切說(shuō)明本文改進(jìn)算法的優(yōu)越性，引進(jìn)PCC［7］值來(lái)進(jìn)行描述.表1為上述算法的PCC取值情況，值越高表明算法越好.

表1 不同算法的PCC取值表

四、結(jié)束語(yǔ)

通過(guò)把ViBe算法和MB-LBP描述子結(jié)合，本文提出了一個(gè)改進(jìn)的目標(biāo)跟蹤算法.通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，本文改進(jìn)的算法可以很快的去除拖影區(qū)域，有利于對(duì)該視頻的后續(xù)處理.

參考文獻(xiàn)：

［1］梁淑芬，劉銀華，李立琛.基于LBP和深度學(xué)習(xí)的非限制條件下人臉識(shí)別算法［J］.通信學(xué)報(bào)，2014（11）.

［2］胡小冉，孫涵.一種新的基于ViBe的運(yùn)動(dòng)目標(biāo)檢測(cè)方法［J］.計(jì)算機(jī)科學(xué)，2014（12）.

［3］JOSHI K A，THAKORE D G.A survey on moving object detection and tracking in video surveillance system［J］.International Journal of Soft Computing and Engineering，2012.

［4］PANDER R P，MISHRA N D，GULHANE S.Detection of moving object with the help of motion detection alarm system in video survelliance［J］.Journal of Signal and Image Processing，2012.

［5］BARNICH O，DROOGENBROECK M V.ViBe：A universal background subtraction algorithm for video sequences［C］∥In IEEE Transactions on Image Processing，June 2011，20（6）：1709-1724.

［6］CAI Z，GU Z，YU Z L，et al.A real-time visual object tracking system based on Kalman filter and MB-LBP feature matching［J］.Multimed Tools Appl，2015.

［7］FIDA E B，THIERRY B，BERTRAND V.Type-2 Fuzzy Mixture of Gaussians Model：Application to Background Modeling［C］∥ISVC 2008，2008：772-781.

【責(zé)任編輯：吳躍新】

An Optimized Target Tracking Algorithm based on ViBe and Modified LBP

ZHANG Weicheng，YIN Lili，F(xiàn)ANG Wengui
（No.38 Reseach Institute，China Electronics Technology Group Corporation，Brainware Information Development Co.，LTD，Anhui Sun Create Electronics Co.，LTD.，Hefei 230031，Anhui，China）

The use of ViBe algorithm will always generate a ghost area in the scene of target tracking video.The area will not be eliminated immediately，which seriously degrades the accuracy of the tracking.To solve this problem，this paper combines the Vibe algorithm and modified LBP algorithm to eliminate the ghost area rapidly.To be specific，extract the foreground image by using LBP algorithm right after the ViBe algorithm extracting.

ViBe algorithm；ghost area；LBP

TP391

A

1671-5934（2017）03-0076-07

2017-04-20

作者簡(jiǎn)介：張緯誠(chéng)（1992-），男，湖北黃梅人，工程師，研究方向?yàn)樾畔⒖茖W(xué)技術(shù)，Email:weicheng@163.com