基于改進ViBe的室外行人檢測方法

崔 瑩,陳升東,袁 峰,李 引

(廣州中國科學院軟件應用技術(shù)研究所,廣東 廣州 511458)

0 引 言

隨著攝像頭安裝數(shù)量的日益增多，以及智慧城市和公共安全需求的日益增長，采用人工視頻監(jiān)控方式已經(jīng)遠遠不能滿足需要，因此智能視頻監(jiān)控技術(shù)應運而生并迅速成為一個研究熱點[1]。在實際應用中，對室外環(huán)境的行人進行檢測監(jiān)控一直是研究的難點，這是因為室外環(huán)境復雜多變，存在光照變化、樹葉搖晃、小動物(尤其是夜間燈光引來的飛蟲)等多種干擾。

目前最具影響力的行人檢測方法是由Dalal等人[2]提出的HOG結(jié)合支持向量機(Support Vector Machine，SVM)分類器的方法。HOG描述圖像的局部邊緣梯度信息，對小量的偏移和光照變化具有很好的魯棒性，缺點是維度較高，以致其提取速度很慢，計算時間比較長，影響實時性[3]。

針對動態(tài)視頻識別應用場景，有學者提出將前景提取與行人識別相結(jié)合從而提高行人檢測速度的方法，該方法是采用現(xiàn)有的某種前景檢測算法提取圖像中的感興趣區(qū)域(Region of Interesting，ROI)，然后在此區(qū)域中通過HOG特征進行行人識別[4-5]，該方法能夠提高行人檢測速度。常用的前景檢測方法有：背景差分法[6]、幀間差分法[7]、光流法[8]、混合高斯背景建模法[9]、視覺背景抽取法(Visual Background Extractor，ViBe)[10]等。背景差分法和幀間差分法在復雜的環(huán)境中適應性不強，光流法計算復雜度較高，而應用較為廣泛的混合高斯背景建模法也存在計算復雜、不適應變化較快的背景等問題。ViBe方法是一種高效的像素級背景建模算法，運算速度快且具有較強的魯棒性[11]。然而ViBe方法存在以下3個缺點：1)該方法對由靜轉(zhuǎn)動的目標存在“鬼影”現(xiàn)象；2)在室外噪聲場景下存在不規(guī)則閃爍像素點(樹枝搖擺等噪聲導致)，對前景檢測結(jié)果造成干擾[12]；3)對于光線突變等較大程度的背景變化存在背景模型更新速度較慢、適應性不強的問題。

文獻[13-14]利用幀差與ViBe這2種方法共同檢測前景目標，快速去除ViBe產(chǎn)生的“鬼影”。文獻[15]采用三幀差分法對視頻進行預處理，避免鬼影的產(chǎn)生。文獻[16]通過統(tǒng)計像素幀差的時域變化判斷鬼影像素，提高消除鬼影的速度。然而以上方法在檢測行人目標時，目標的完整度會受到影響，從而會進一步影響基于HOG的行人識別結(jié)果。

為了減弱閃爍像素的影響，文獻[17]提出通過檢測像素點是否經(jīng)常在前景與背景之間切換來判斷其是否為閃爍像素。該方法容易將行動緩慢的行人前景目標的邊緣像素誤判為閃爍像素。文獻[18]提出通過形態(tài)學操作來處理閃爍像素噪聲，然而該方法在消除閃爍像素噪聲的同時，也提高了將前景目標部分有效區(qū)域消除的概率，影響行人識別準確率。

為了提高在復雜環(huán)境中的檢測準確度，文獻[19]提出自適應參數(shù)法，根據(jù)每個像素點背景模型的標準差，動態(tài)設(shè)置每個像素的閾值。但這個方法的計算量太大，檢測速度很慢。

在以上學者研究的基礎(chǔ)上，本文提出一種基于改進ViBe的室外行人檢測方法，該方法在前景提取過程中采用基于區(qū)域的改進ViBe更新策略，并采用背景差的方法過濾復雜多變背景導致的誤報區(qū)域，最后在此基礎(chǔ)上進行策略性的行人識別，該方法充分結(jié)合了前景提取與行人識別方法的優(yōu)勢，在室外復雜場景行人檢測中具有較高的準確率和魯棒性。

1 相關(guān)工作

1.1 ViBe算法

ViBe算法由以下3個步驟組成：背景模型初始化、背景模型更新和前景檢測。

1.1.1 背景模型初始化

首先根據(jù)視頻第一幀圖像建立ViBe背景模型：對第一幀圖像的每個像素x根據(jù)一定規(guī)則選取樣本點，從而建立樣本集Mt(x)。樣本點的選取規(guī)則為，隨機選擇該像素及其鄰域的像素共N個，第i個樣本值用vi表示，則x的樣本集Mt(x)表示如下：

Mt(x)={v0,v1,…,vN-1}

(1)

1.1.2 背景模型更新

ViBe算法中當某個像素點被檢測為背景時，它有一定幾率更新背景模型。

首先該點有1/φ的概率更新到該點對應的背景模型樣本集Mt(x)中，其次，出于像素點空間傳播特性的考慮，該點同樣有1/φ的概率更新到其領(lǐng)域點對應的背景模型樣本集中。

以上的背景模型樣本集更新采用隨機選擇的方法，概率為1/φ(其中φ為視頻采樣率)，那么在經(jīng)過時間dt后，該樣本依然保留在背景模型中的概率[11]為:

(2)

可以看到該樣本依然保留在背景模型中的概率呈指數(shù)遞減，樣本點的更新與時間無關(guān)，這種無記憶的保守更新策略有利于提高背景模型的適應性。

1.1.3 前景檢測

當前幀與背景模型比較的過程如圖1所示，計算x的像素值v(x)與背景模型樣本集中每一個樣本vi之間的距離，若該距離小于半徑R，則認為v(x)與背景模型樣本點vi匹配。最后通過匹配的樣本個數(shù)若大于設(shè)定的閾值#min則判斷v(x)為背景，反之則為前景。

圖1 前景檢測對比模型圖

1.2 行人檢測基本原理

HOG特征描述的是圖像的邊緣輪廓特征，是比較有效的行人特征描述方式，其提取方法包括以下步驟：

步驟1標準化伽馬空間和顏色空間；

步驟2計算像素梯度；

步驟3將梯度投影到單元格的梯度方向；

步驟4將所有單元格在塊上進行歸一化；

步驟5生成HOG特征向量。

將以上步驟產(chǎn)生的HOG特征向量引入到SVM分類器中，即可進行行人識別。

SVM分類器的主要思路是利用核函數(shù)將向量與高維空間形成一定的映射關(guān)系，在這個高維空間中，找到能夠使不同類別樣本之間的距離最大的超平面。支持向量機的核心就是找到能使2類樣本距離最大化，并保證錯分樣本最小化的超平面。

2 本文算法

2.1 算法流程

本文設(shè)計了能夠適應室外復雜環(huán)境的行人檢測方法，算法的流程如圖2所示。

圖2 算法流程圖

1)輸入視頻序列，壓縮視頻幀。

采用雙線性插值法將視頻畫面尺寸壓縮為720×480的D1標準幀圖像，后續(xù)算法均在此D1標準幀圖像上進行，減少算法的計算時間。

2)ViBe檢測、幀差檢測。

分別采用ViBe前景檢測方法以及幀間差分前景檢測方法對當前幀進行前景檢測，得到2種檢測方法的前景目標區(qū)域結(jié)果。

3)基于區(qū)域的背景更新。

采用本文提出的基于區(qū)域的改進ViBe更新策略，整合2種檢測方法的前景檢測結(jié)果，并更新算法背景模型。首先綜合2種前景檢測結(jié)果的區(qū)域與時域變化，對像素類別進行標注；然后采用自適應參數(shù)策略，對ViBe背景模型進行更新。

4)基于背景差的前景目標篩選。

室外場景復雜多變，在前景目標檢測結(jié)果中容易出現(xiàn)誤報區(qū)域，本文采用基于背景差的方法對ViBe前景目標檢測結(jié)果進行篩選，得到當前幀最終的前景目標檢測結(jié)果。

5)對前景目標進行跟蹤。

采用高效且高精度的meanshift方法，對當前幀的前景目標進行跟蹤。

6)判斷當前幀的每一個前景目標跟蹤對象是否滿足算法實時性策略邏輯規(guī)則(規(guī)則詳見2.4節(jié))，如果滿足則對其進行行人檢測，即從前景目標區(qū)域中提取HOG特征，并利用SVM分類器對HOG特征進行行人檢測。

本文采用如上算法對室外復雜環(huán)境的視頻進行行人檢測，該算法主要在2個方面進行創(chuàng)新：1)在前景檢測與更新過程中，采用基于區(qū)域的改進ViBe更新策略，該策略在加快鬼影消除速度的同時，提高了行人目標提取的完整度；2)在ViBe前景檢測之后，算法采用基于背景差的方法對ViBe前景檢測結(jié)果進行過濾，最終得到的前景目標檢測結(jié)果在一定程度上降低了復雜多變背景導致的誤報區(qū)域。最后本文算法為保證實時性，通過相應的實時性策略進行算法提速，在室外復雜場景具有較高的準確率和魯棒性。

2.2 基于區(qū)域的改進ViBe更新策略

ViBe是基于樣本的背景模型，在背景建模和背景更新時引入了隨機選擇機制，使背景中樣本的生命周期更符合實際分布規(guī)律，降低了算法計算量，提高了目標的檢測速度和檢測精度。

但是當視頻中存在由靜轉(zhuǎn)動的運動目標時，ViBe會在前景檢測中將鬼影(鬼影是一組連接點的集合，它在運動中被檢測到，但是不對應于任何真正移動的對象[20])誤檢為前景目標。

為加快鬼影消除的速度，許多學者嘗試將幀差方法與ViBe方法相結(jié)合：

1)基于幀間差(或三幀差)與ViBe共同檢測行人目標。例如，文獻[13-14]采用幀差與ViBe方法共同檢測前景目標，文獻[15]采用三幀差法進行預處理，避免鬼影形成。然而行人目標的顏色通常較為單一，且運動速度不定甚至存在在小范圍區(qū)域徘徊的現(xiàn)象。基于幀差的行人目標提取方法容易產(chǎn)生內(nèi)部空洞甚至邊緣不完整的情況，雖然對三幀差分法進行了一定改進，但針對行人目標的檢測仍然存在問題?；趲g差(或三幀差)與ViBe共同檢測行人目標的結(jié)果并不理想。

2)基于幀間差統(tǒng)計判斷鬼影像素。例如，文獻[16]就是通過統(tǒng)計像素幀差的時域變化判斷鬼影像素，ViBe算法將會加快“判斷為鬼影的像素”的背景模型更新速度。然而當幀差提取目標不完整時，真正前景的部分像素會被誤判為鬼影，導致前景目標邊緣消融甚至大量滲入背景像素的現(xiàn)象。如圖3所示，為Wallflower數(shù)據(jù)集的MovedObject場景中的幀差結(jié)果，圖3(a)為行人快速運動的幀差結(jié)果(第645,646幀差結(jié)果)，圖3(b)為行人緩慢運動的幀差結(jié)果(第655,656幀差結(jié)果)，圖3(c)為行人徘徊運動的幀差結(jié)果(第659,660幀差結(jié)果)。

(a) 行人快速運動結(jié)果 (b) 行人緩慢運動結(jié)果

(c) 行人徘徊運動結(jié)果圖3 行人幀差檢測結(jié)果圖

行人目標邊緣提取不完整會影響基于HOG的行人識別結(jié)果。因此本文提出基于區(qū)域的改進ViBe更新策略，該方法充分結(jié)合時間和空間的信息，在提高鬼影消除速度的同時保證行人目標的完整性。

2.2.1 基于區(qū)域與時域變化的像素類別標注

文獻[16]中判斷鬼影的方法為：如果某前景像素的前后2幀差值超過預設(shè)閾值時則對其進行統(tǒng)計，如果該現(xiàn)象連續(xù)發(fā)生超過預設(shè)次數(shù)時，則判斷其為鬼影像素。該方法統(tǒng)計單像素的時域變化，與鄰域擴散策略結(jié)合使用，能夠提高鬼影消除的速度。然而在檢測行人目標時，由于行人速度不定且存在在小范圍區(qū)域徘徊的現(xiàn)象，單個像素的統(tǒng)計方法容易造成誤判，當前景目標中的部分像素被誤判為鬼影像素時，結(jié)合ViBe的鄰域擴散策略，這種誤判的影響范圍會逐漸擴大，從而進一步影響行人目標檢測的完整性。

本文受文獻[16]啟發(fā)，結(jié)合行人檢測的實際情況，提出基于區(qū)域和時域變化的像素類別標注方法。具體方法如下：

Ft為視頻中第t幀，Gt為第t幀ViBe前景檢測結(jié)果，對其進行連通域檢測、丟棄過小連通域，得到ViBe前景區(qū)域圖Ht。

(3)

Jt為第t幀與第t-1幀的幀間差分前景檢測結(jié)果，對其進行連通域檢測、丟棄過小連通域，得到幀差前景區(qū)域圖Kt。

(4)

結(jié)合ViBe與幀差的前景區(qū)域檢測結(jié)果，得到像素類別標注結(jié)果Lt。

(5)

此外，對于從Ht與Kt中提取的連通域，要在其四周增加10%的區(qū)域。這是因為行人目標存在徘徊現(xiàn)象，其邊緣區(qū)域易被判斷為鬼影，擴大連通域范圍可以防止基于鄰域擴散的更新策略將行人目標邊緣消融。

2.2.2 應用自適應參數(shù)的更新策略

傳統(tǒng)的ViBe方法采用如下更新策略：在判斷像素為前景狀態(tài)時不更新，在判斷像素為背景狀態(tài)時采用固定概率1/φ更新。然而如上文所述，本文將像素狀態(tài)分為3種：前景狀態(tài)、背景狀態(tài)以及鬼影狀態(tài)。像素處于某種狀態(tài)以及像素在不同狀態(tài)之間切換時均要有不同的更新方式，因此本文提出自適應參數(shù)的更新策略如下：

為每個像素x設(shè)置一個計數(shù)器T(x)，初始化為0，當檢測像素為前景狀態(tài)時清零，當檢測像素為鬼影狀態(tài)時加1計數(shù)，當檢測像素為背景時減10計數(shù)(T(x)不小于0)，該過程用式(6)表示：

(6)

根據(jù)像素的狀態(tài)采用的更新策略如表1所示。

表1 應用自適應參數(shù)的更新策略

狀態(tài)更新策略前景不更新,設(shè)置計數(shù)器T(x)=0鬼影當T(x)>Ω時,進行背景模型更新,更新概率為1(φ-Τ(x)/Ω),設(shè)置計數(shù)器T(x)=T(x)+1背景進行背景模型更新,更新概率為1(φ-Τ(x)/Ω),同時設(shè)置計數(shù)器(T(x)-10)>0?(T(x)-10):0

該更新策略既能夠在判斷像素為鬼影狀態(tài)后加快鬼影消除的速度，也能夠自適應各個狀態(tài)之間的切換，防止鬼影誤判像素的鄰域擴散，防止背景滲入到前景中，保證行人檢測的完整性。

2.3 基于背景差的前景目標篩選方法

室外場景環(huán)境復雜，存在不規(guī)則閃爍像素，且背景環(huán)境會發(fā)生較大變化，例如樹枝大幅度搖晃、光線突變等，當這些復雜噪聲大量地出現(xiàn)時，由于ViBe采用的是保守更新策略，無法迅速適應這種變化，會對前景檢測結(jié)果造成干擾，因此仍需要其他機制對檢測到的前景目標做進一步篩選。

本文在前景檢測過程中采用基于背景差的方法進行篩選，以提高算法對復雜背景的適應性，該方法包括背景幀的初始化、背景幀的更新和背景差分圖的計算及前景目標篩選3個部分。

2.3.1 背景幀的初始化

背景幀如果采用第一幀初始化則存在引入鬼影的風險，因此應采用多幀平均計算法得到的平均圖A進行初始化，同時創(chuàng)建背景幀更新掩碼mt。

對視頻前P幀進行多幀平均計算得到平均圖A，如式(7)所示：

(7)

2.3.2 背景幀的更新

從第P+1幀開始計算背景幀更新掩碼mt：

(8)

此處x判斷為前景或背景的依據(jù)，來自基于改進ViBe的前景目標提取結(jié)果。

然后根據(jù)更新掩碼對背景幀進行更新：

(9)

其中，Bt-1為前一幀的背景幀，Ct為最新Q幀圖像的平均幀，其計算方法如式(10)所示：

(10)

2.3.3 背景差分圖的計算及前景目標篩選

首先計算背景差分圖，如式(11)所示：

Dt(x)=|Ft(x)-Bt(x)|

(11)

背景差分圖計算結(jié)果如圖4所示。

(a) 原圖 (b) 背景幀圖

(c) 整圖的背景差分圖圖4 背景差分圖的計算實例圖

前景目標的篩選采用基于Otsu的方法，Otsu是一種高效的計算圖像分割閾值的方法，該方法基于最大類間原理，背景差分圖中前景目標與背景的大小比例懸殊時，Otsu計算得到的閾值普遍較低，因此可以利用該方法判斷背景差分圖中是否存在明顯前景目標。

2.4 算法實時性策略

目前最廣泛的行人檢測采用的是HOG特征與SVM相結(jié)合的算法，該算法在場景簡單的MIT行人數(shù)據(jù)庫上檢測率近乎100%，在背景較為復雜的INRIA行人數(shù)據(jù)上檢測率大約90%[16]。然而其時間復雜度較高，影響實時性，本文從實用性角度采用以下3個方面的提速方式：

1)在算法執(zhí)行之前對視頻進行壓縮處理；

2)在更新過程中，不再對每一個像素均進行幀間差分計算，而是根據(jù)ViBe的檢測結(jié)果有選擇地進行幀差計算；

3)不再對前景目標跟蹤對象的每一個前景檢測結(jié)果都進行行人檢測，而是采用一定的邏輯規(guī)則選擇性地進行檢測。一方面行人檢測次數(shù)的減少可以較大幅度地提高算法實時性，另一方面根據(jù)一定的邏輯規(guī)則有選擇地執(zhí)行行人檢測，能夠保障跟蹤目標的行人檢測準確率。邏輯規(guī)則設(shè)計如下：

規(guī)則1對于前景目標的前Y幀持續(xù)執(zhí)行行人檢測；

規(guī)則2從前景目標的Y+1幀開始，以ω的頻率間歇執(zhí)行行人檢測；

規(guī)則3當一個前景跟蹤對象的“累計成功檢測行人個數(shù)”達到閾值后，判斷該跟蹤對象為行人，即可停止執(zhí)行行人檢測。

3 實驗及分析

本文算法實驗環(huán)境如下：處理器為Intel(R) Core(TM) i5-4590 CPU@3.30 GHz；內(nèi)存為8 GB；系統(tǒng)類型為64位；操作系統(tǒng)為Windows 7；運行環(huán)境為VS2008以及Opencv2.4.7。

本文算法中采用的參數(shù)：背景模型中樣本個數(shù)N=8；前景檢測v(x)跟樣本vi的比較閾值R=20，前景檢測樣本匹配閾值#min=2；視頻采樣率φ=16；更新自適應閾值Ω=50；背景幀初始平均幀數(shù)P=15；背景幀更新所需幀個數(shù)Q=10幀；前景行人識別邏輯閾值Y=16，頻率ω=3；“累計成功檢測行人個數(shù)”為3；前景篩選中的“前景判斷閾值”為30。

3.1 基于區(qū)域的改進ViBe更新策略實驗

為了驗證在行人目標提取過程中，基于區(qū)域的更新策略對鬼影區(qū)域消除以及徘徊行人提取的性能，本文采用文獻[16]提到的ChangeDetection數(shù)據(jù)集(來自http://www.changedetection.net)中的intermittentObjectMotion-winterDriveway場景進行實驗。詳細實驗結(jié)果如圖5所示。

(a) 第379幀結(jié)果對比圖

(b) 第520幀結(jié)果對比圖

(c) 第1028幀結(jié)果對比圖

(d) 第1839幀結(jié)果對比圖

(e) 第1969幀結(jié)果對比圖

(f) 第2015幀結(jié)果對比圖

由圖5的檢測結(jié)果可以看出：第379幀，鬼影包括早已出現(xiàn)的車輛雨刷移動鬼影以及剛剛出現(xiàn)的車輛前門移動鬼影，ViBe方法的處理結(jié)果中早已出現(xiàn)的雨刷鬼影像素仍然大量存在，文獻[16]改進ViBe方法的處理結(jié)果中雨刷鬼影像素消失了一部分，本文方法的處理結(jié)果中雨刷鬼影像素幾乎完全消失；從第379幀至第1028幀，行人目標在車輛周圍徘徊掃雪，其中車輛被掃掉的雪為鬼影，徘徊的行人為前景，第520幀和第1028幀中，ViBe方法均將被掃掉的雪、行人目標檢測為前景，文獻[16]改進ViBe方法均已將“被掃掉的雪導致的鬼影”消除了，但同時也讓大量的背景滲入到行人前景中，本文方法則在將“被掃掉的雪導致的鬼影”消除的同時，保持了比文獻[16]改進ViBe方法更高的行人目標完整度；第1839幀，車輛離開產(chǎn)生鬼影，ViBe、文獻[16]改進ViBe方法、本文方法均需要開始消除鬼影，第1969幀，ViBe方法的處理結(jié)果中仍然存在大量的車輛鬼影像素，文獻[16]改進ViBe方法的處理結(jié)果中車輛移動鬼影像素消除了很多，本文方法的處理結(jié)果中車輛移動鬼影像素消除最多；第2015幀，本文方法已經(jīng)將鬼影基本消除，文獻[16]改進ViBe略有鬼影殘余，ViBe方法仍有大量鬼影。通過實驗可以看出，本文方法在行人目標提取過程中，提高了鬼影消除速度的同時，也提高了行人目標提取的完整度。

3.2 基于背景差的前景目標篩選實驗

為了驗證本文提出的前景目標篩選方法對復雜背景變化的適應性，本文首先進行直觀的實驗圖對比分析。本文選取了2組室外復雜場景的視頻：第一個視頻為有行人經(jīng)過的視頻；第二個視頻為復雜場景(存在光照變化、草葉搖擺等現(xiàn)象)的視頻，詳細實驗結(jié)果如圖6所示。

(a) 一視頻原圖 (b) 二視頻原圖

(c) 一視頻前景檢測 (d) 二視頻前景檢測

(e) 一視頻背景差分圖 (f) 二視頻背景差分圖

如圖6所示，左側(cè)為行人視頻測試結(jié)果，右側(cè)為復雜場景視頻測試結(jié)果。當有行人經(jīng)過時，改進ViBe算法的前景檢測結(jié)果如圖6(c)所示，按照本文所提的背景差分圖計算方法得到有明顯前景目標的圖6(e)，該圖能夠通過基于Otsu的前景篩選。而對于復雜場景視頻，雖然其前景檢測結(jié)果圖6(d)中存在大量的誤報區(qū)域，但是其背景差分圖6(f)中并無明顯前景目標，該誤報區(qū)域無法通過基于Otsu的前景目標篩選。

其次，本文在公開數(shù)據(jù)集中進行精確的指標評價，采用精確率和召回率作為算法結(jié)果的評價指標。

精確率P：

(12)

TP為檢測正確的前景目標個數(shù)，F(xiàn)P為檢測錯誤的前景目標個數(shù)，即被檢測為前景的背景目標個數(shù)，因此TP+FP為檢測到的前景目標個數(shù)。

召回率REC：

(13)

FN為檢測錯誤的背景目標個數(shù)，即被檢測為背景的前景目標個數(shù)，因此TP+FN為全部的前景目標個數(shù)。

表2、表3為本文提出的改進ViBe算法與文獻[16]的改進ViBe算法的實驗對比結(jié)果，該實驗的測試視頻為ChangeDetection數(shù)據(jù)集中的dynamicBackground-fountain02場景，該視頻場景中包括噴泉、樹葉、水波等動態(tài)背景。

表2 文獻[16]算法與本文算法的精確率

幀號文獻[16]的改進ViBe算法基于區(qū)域的改進ViBe算法基于區(qū)域+前景目標篩選的改進ViBe算法7330.8780.9520.992101117350.8840.9490.98682217370.8850.9540.996590367390.8710.9460.992340837410.8890.9610.998128227430.9550.9590.99548533

表3 文獻[16]算法與本文算法的召回率

幀號文獻[16]的改進ViBe算法基于區(qū)域的改進ViBe算法基于區(qū)域+前景目標篩選的改進ViBe算法7330.6340.7710.7692947350.6390.7820.7822427370.6470.7990.7992197390.6450.8040.8041127410.6480.8050.8055147430.6440.7970.797468

由此可見本文提出的改進ViBe算法與文獻[16]的改進ViBe算法相比在精確率和召回率上均具有一定的提升。且通過表2、表3可以看出基于背景差的前景目標篩選方法能夠在召回率變化很小的情況下，在一定程度上減少復雜場景導致的誤檢，提高其精確率。

表4、表5為本文提出的改進ViBe算法在dynamicBackground中overpass，canoe等其他測試視頻中的測試統(tǒng)計結(jié)果。

表4 本文算法在其他數(shù)據(jù)集的精確率

數(shù)據(jù)集基于區(qū)域的改進ViBe算法基于區(qū)域+前景目標篩選的改進ViBe算法overpass0.7280.958canoe0.5790.904

表5 本文算法在其他數(shù)據(jù)集的召回率

數(shù)據(jù)集基于區(qū)域的改進ViBe算法基于區(qū)域+前景目標篩選的改進ViBe算法overpass0.7310.726canoe0.5100.503

由結(jié)果可以看出，本文所提出的改進ViBe算法在其他復雜場景中具有類似性能。

3.3 基于改進ViBe的室外行人檢測方法性能分析

為驗證本文算法綜合性能，本文首先實現(xiàn)基于文獻[16]改進ViBe的行人檢測算法(以下簡稱文獻[16]算法)，將本文與文獻[16]算法分別從準確率和實時性方面進行對比。由于本文研究的目標為室外復雜場景下的行人檢測，因此算法的長期性能測試所用視頻為如圖7所示的3個場景的室外監(jiān)控視頻，分辨率為1280×720，時長為5×24 h，該視頻中的環(huán)境干擾包括：光照變化(日出、日落以及中午期間的光照突變)、草叢擺動、小動物經(jīng)過(尤其是夜間飛蟲)等。

(a) 光照變化場景圖 (b) 飛鳥場景圖

(c) 草叢擺動以及飛蟲場景圖圖7 實驗視頻場景圖

表6為本文算法準確率對比結(jié)果。

表6 本文算法準確率對比 /%

所用算法漏警率虛警率文獻[16]算法9.7454.70本文算法6.868.64

圖8為本文算法實時性對比結(jié)果。

數(shù)據(jù)來自有行人經(jīng)過的某100幀視頻片段，圖8橫坐標為幀號，縱坐標為單幀執(zhí)行時間，單位為s。

4 結(jié)束語

本文提出了一種基于改進ViBe的室外行人檢測方法，該方法首先采用基于區(qū)域的改進ViBe更新策略，該策略在加快鬼影消除速度的同時提高了行人目標提取的完整度，然后采用基于背景差的方法對前景檢測結(jié)果進行篩選，增強了ViBe前景檢測對復雜多變環(huán)境的適應性，在一定程度上降低了光照突變、樹枝搖晃等背景變化的干擾。此外，由于該方法采用計算速度較快的ViBe方法，并在行人檢測環(huán)節(jié)按照一定的邏輯規(guī)則選擇性執(zhí)行，降低了無意義的行人檢測次數(shù)，提高了算法的執(zhí)行速度。實驗結(jié)果表明，該方法在復雜的室外場景中，能夠有效地對視頻中的行人進行檢測，同時能夠較大幅度地降低光照突變、樹枝搖擺等環(huán)境噪聲引起的誤報率，具有較高的魯棒性和實時性。

[1] 黃凱奇,陳曉棠,康運鋒,等. 智能視頻監(jiān)控技術(shù)綜述[J]. 計算機學報, 2015,38(6):1093-1118.

[2] Dalal N, Triggs B. Histograms of oriented gradients for human detection[C]// Proceedings of the 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2005:886-893.

[3] 樸春赫,潘怡霖,趙海,等. 基于改進ViBe的多行人檢測方法[J]. 東北大學學報(自然科學版), 2016,37(4):481-485.

[4] 張慧,鄭愛華,涂錚錚,等． 基于背景差與HOG-LBP的快速運動人體檢測[J]. 計算機技術(shù)與發(fā)展, 2015,25(2):47-51.

[5] 汪成亮,周佳,黃晟. 基于高斯混合模型與PCA-HOG的快速運動人體檢測[J]. 計算機應用研究, 2012,29(6):2156-2160.

[6] Tekalp A M. Digital Video Processing[M]. Pearson Education, 2015.

[7] Haritaoglu I, Harwood D, Davis L S. W4: Who? When? Where? What? A real time system for detecting and tracking people[C]// Proceedings of the 3rd International Conference on Face & Gesture Recognition. 1998:222-227.

[8] Papenberg N, Bruhn A, Brox T, et al. Highly accurate optic flow computation with theoretically justified warping[J]. International Journal of Computer Vision, 2006,67(2):141-158.

[9] Stauffer C, Grimson W E L. Learning patterns of activity using real-time tracking[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000,22(8):747-757.

[10] Barnich O, Droogenbroeck M V. ViBe: A powerful random technique to estimate the background in video sequences[C]// 2009 IEEE International Conference on Acoustics, Speech and Signal Processing. 2009：945-948.

[11] 吳建勝，徐博． 動態(tài)閾值的Vibe運動目標檢測[J]． 計算機工程與應用, 2017,53(11):182-186.

[12] Tajbakhsh T, Grigat R R. Illumination flicker frequency classification in rolling shutter camera systems[C]// Proceedings of the 9th IASTED International Conference on Signal and Image Processing. 2007:288-293.

[13] 趙光明,韓光,李曉飛,等． 基于融合幀間差的改進Vibe方法[J]. 計算機技術(shù)與發(fā)展, 2015(3):76-80.

[14] 吳劍舞,翁玲瑜,童懷． 一種基于改進ViBe的運動目標檢測方法[J]. 計算機與現(xiàn)代化, 2015(7):50-54.

[15] 仇春春,王恬,程海粟,等. 基于改進ViBe算法的行人目標檢測[J]. 信息技術(shù), 2016(3):6-9.

[16] 徐久強,江萍萍,朱宏博,等. 面向運動目標檢測的ViBe算法改進[J]. 東北大學學報(自然科學版)， 2015,36(9):1227-1231.

[17] Manzanera A, Richefeu J C. A new motion detection algorithm based on Σ-Δ, background estimation[J]. Pattern Recognition Letters, 2007,28(3):320-328.

[18] 孫水發(fā),覃音詩,馬先兵,等. 室外視頻前景檢測中的形態(tài)學改進ViBe算法[J]. 計算機工程與應用, 2013，49(10):159-162.

[19] Droogenbroeck M V, Paquot O. Background subtraction: Experiments and improvements for ViBe[C]// 2012 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). 2012,71(8):32-37.

[20] Joshi K A, Thakore D G. A survey on moving object detection and tracking in video surveillance system[J]. International Journal of Soft Computing & Engineering, 2012,2(3):44-48.