基于改進(jìn)VIBE算法的前景檢測

徐文瀚 程石磊

摘要

本文針對智能視頻監(jiān)控中的前景檢測功能展開研究工作，研究內(nèi)容主要包括核心的前景檢測算法。本文首先研究圖像預(yù)、后處理對系統(tǒng)性能的提升。在前景檢測方面，本文對比多種主流算法，選擇ViBe（Visual Background extractor）算法進(jìn)行深入學(xué)習(xí)研究，從閃爍點判斷、自適應(yīng)閾值處理等方面進(jìn)行了改進(jìn)。

【關(guān)鍵詞】改進(jìn)VIBE算法 前景檢測 ViBe算法

1 引言

二十一世紀(jì)，世界范圍內(nèi)社會生產(chǎn)力和科學(xué)技術(shù)高速發(fā)展，而由此帶來的安全隱患以及日益增長的人力成本需要無人值守的智能視頻入侵檢測技術(shù)的出現(xiàn)。視頻監(jiān)控入侵檢測系統(tǒng)能夠在輸入的一系列視頻圖像序列中分離出運動前景和場景背景，從而實現(xiàn)對場景中運動目標(biāo)的檢測，若運動目標(biāo)進(jìn)入禁區(qū)，則發(fā)出警報。高實時性的檢測系統(tǒng)能及時檢測到入侵行為，替代監(jiān)控人員的大部分工作，避免了監(jiān)控人員因過度疲勞或注意力分散造成的漏報、誤報等現(xiàn)象。

2 ViBe算法

ViBe算法（Visual Background extractor）假設(shè)鄰域像素具有相似的時空分布?；谶@個假設(shè)，算法可以選擇像素點的空間鄰域的像素值來作為該像素的背景模型樣本。換句話說，第一幀時，算法在像素點的鄰域內(nèi)隨機取固定個數(shù)的像素點來組成背景樣本集合。這就實現(xiàn)了單幀初始化的實現(xiàn)，即只需一幀圖像即可實現(xiàn)模型的初始化，這對于入侵檢測的性能提升是有重大意義的。

經(jīng)過大量實驗，單幀初始化的策略被證明是成功的。但是它也有缺陷，若初始幀中有運動物體，算法會持續(xù)地在運動物體初始的位置檢測到一個前景，即使運動物體已經(jīng)離開那個位置，即產(chǎn)生了鬼影。但是隨著背景模型的更新，鬼影會在一段時間后淡化消失，此問題將被大幅度改善。

設(shè)V（x）代表圖像中像素x的歐式顏色距離；Vi代表索引i的背景樣本值，每一個像素點的背景模型表示為一個有N個背景樣本值的集合，表示為：

。這就是像素的背景模型。

為了通過上述的背景模型完成對像素的分類，即需要定義像素點的分類機制。假設(shè)有一個以v（x）為球心，以R為半徑的球SRv（x），當(dāng)樣本模型M（x）中歐式色彩值位于球SRv（x）的像素點的個數(shù)大于閾值#min時，像素x被分類為背景，否則x為前景。二維色彩空間下示意圖如圖1所示。

若做出以下設(shè)定，則能夠小幅提高算法效率：分類像素點時，若樣本內(nèi)匹配的像素點的個數(shù)己達(dá)#min，則分類停止，無需繼續(xù)檢測剩余樣本值。

這個模型的準(zhǔn)確性僅僅由兩個參數(shù)決定：球體的半徑R與最小基數(shù)#min。通過查閱文獻(xiàn)，對于單通道圖像，大量實驗表明半徑R=20，最小基數(shù)#min=2是較為有效的參數(shù)。在算法分類過程中無需適應(yīng)修正這些參數(shù)，也不需要對圖像中不同位置的像素值修改參數(shù)。因此樣本N的個數(shù)和一旦選好即可固定，該模型的敏感度可由#min/N來表示。

2 基于背景模型更新的改進(jìn)ViBe算法

這一節(jié)將描述隨著每個新圖像幀的讀入，如何不斷地更新背景模型。如果想要算法穩(wěn)定正確的運行，這一步將是至關(guān)重要的一步：更新過程必須能夠適應(yīng)光照變化和處理場景中出現(xiàn)的新目標(biāo)。

2.1 閃爍像素點檢測

在水面波紋、樹葉抖動等動態(tài)場景下，算法通常難以區(qū)分動態(tài)部分是前景像素還是背景像素，檢測結(jié)果一般為檢測出大量的離散前景像素點，并不停閃爍更新，這種情況也會出現(xiàn)于場景中灰度差值較大的分界位置。為了解決這個問題，本文提出一種方法，通過判斷一個像素點的閃爍程度來判斷其是否為動W態(tài)背景像素。

對于每一個像素點，算法為其分配一個標(biāo)簽，記錄其當(dāng)前為前景或是背景，同時給每一個像素點設(shè)定閃爍值blinklevel。當(dāng)某一像素點的上一幀的標(biāo)簽與此幀的標(biāo)簽不同時，設(shè)定其閃爍值blinklevel增加bup，而當(dāng)某一像素點的上一幀的標(biāo)簽與此幀的標(biāo)簽相同時，設(shè)定其閃爍值blinklevel減少bdown。blinklevel的取值應(yīng)為正值，上限設(shè)為p。當(dāng)某一像素點的閃爍值超過閾值k時，即認(rèn)為此點為閃爍點，將其設(shè)定為背景點，并有機會更新為背景模型。如圖2顯示了原Vibe算法與改進(jìn)Vibe算法的效果對比。

2.2 自適應(yīng)閾值

ViBe算法是作為一種無參算法提出的，即在檢測過程中，即使場景變動，閾值無需改變。但在實際應(yīng)用中，根據(jù)樣本值自動更新的閾值能夠改進(jìn)算法效果。

在這里引入自適應(yīng)閾值，閾值大小與樣本集的方差成正比，樣本集方差越大，說明背景越復(fù)雜，判定閾值應(yīng)該越大。閾值為0.5*σm，取值區(qū)間定位20?40。

2.3 自適應(yīng)更新因子

當(dāng)背景變化過快時，固定的更新因子會使樣本更新過慢。在這種情況下應(yīng)該減小更新因子，使背景像素以更高的幾率更新背景樣本集，使算法更快地適應(yīng)新場景。

筆者認(rèn)為，若突然地出現(xiàn)大面積前景像素點，可以根據(jù)前景像素點占圖像總像素的比例來減小更新因子。在光照突變的第70幀，對比時間重采樣系數(shù)ψ為16時的檢測效果和時間重采樣系數(shù)ψ為8的檢測效果，對比結(jié)果如圖3所示。

從圖3可見，自適應(yīng)的更新因子能夠加快算法對突變場景的適應(yīng)，增加系統(tǒng)的魯棒性。

2.4 性能評價

召回率是評價前景檢測算法綜合性能的一個很好的指標(biāo)。，大量開源視頻數(shù)據(jù)庫人工地標(biāo)定了運動區(qū)域，將改進(jìn)后的ViBe算法檢測出的每一個前景像素點和背景像素點結(jié)果與事先標(biāo)定的數(shù)據(jù)進(jìn)行對比計算，即可得出召回率recall。

在改進(jìn)ViBe算法中，我們設(shè)置參數(shù)#min=3，背景樣本個數(shù)N=20，子采樣概率ψ在8—16之間波動，半徑R=20，連通性檢測的閾值sl=s2=（l/10000）*圖像像素，閃爍點檢測中bup=15，bdown=l，p=3000，k=1000。在上述參數(shù)前提下，對SABS（斯圖加特人工背景差）數(shù)據(jù)庫進(jìn)行實驗，在復(fù)雜場景下得出召回率recall=0.8，優(yōu)于改進(jìn)前的ViBe算法，優(yōu)于Sebastian Brutzer等人所進(jìn)行的評估項目中所涉及的前景檢測算法，如圖4所示。

3 結(jié)束語

本文對主流前景檢測算法進(jìn)行深入學(xué)習(xí)后選擇背景建模法，并選擇多種背景模型進(jìn)行實驗評估，發(fā)現(xiàn)ViBe算法在絕大多數(shù)場景下都具有不錯的性能，且運算量小，實時性高。對ViBe算法深入研究學(xué)習(xí)后，經(jīng)過大量實驗，提出了ViBe算法的改進(jìn)，在沒有明顯降低算法效率的同時，改善了算法的更新機制，加入了閃爍點的檢測，并通過后處理提升了前景檢測的實用性。

參考文獻(xiàn)

[1] Barnich 0，Van Droogenbroeck M.ViBe： a powerful random technique to estimate the background in video sequences [C]//Acoustics， Speech and Signal Processing，2009. ICASSP 2009. IEEE International Conference on， IEEE，2009： 945-948.

[2] Jodoin P M， Mignotte Konrad J， Statistical background subtract ion using spatial cues [J]. Circuits and Systems for Video Technology， IEEE Transactions on， 2007，17 （12）：1758-1763.

[3] Shoushtarian B，Bez H E. A practical adaptive approach for dynamic background subtract ion using an invariant colour model and object tracking [J].Pattern Recognition Letters， 2005， 26 （01）： 5-26.

[4] Davis J，Goadrich M. The relationship between Precision-Recall and ROC curves [C]//Proceedings of the 23rd international conference on Machine learning. ACM， 2006： 233-240，

[5] Brutzer，Sebastian；Hoferlin， Benjamin；Heidemann，Gunther： Evaluation of Background Subtraction Techniques for Video Surveillance. In： Computer Vision and Pattern Reco gnition（CVPR），S. 1937-1944， 2011.