基于Subsense 運(yùn)動(dòng)目標(biāo)檢測算法

徐曉明，王雪梅

（核工業(yè)理化工程研究院，天津，300180）

0 引言

運(yùn)動(dòng)目標(biāo)檢測方法是一種重要的檢測方法，目前存在的目標(biāo)檢測算法面對復(fù)雜多變的環(huán)境存在局限性。為了克服這些問題，本文在非參數(shù)模式下，針對環(huán)境的局部靈敏度的變化設(shè)計(jì)了一種可自動(dòng)進(jìn)行適應(yīng)該變化的檢測方法，為了更有效的表征像素特征，該方法協(xié)同使用了LBSP 算子和RGB 特征。為了快速高效的更新背景模型，使用了反饋機(jī)制。現(xiàn)存的多種聯(lián)動(dòng)系統(tǒng)的角度標(biāo)定方法各有其優(yōu)劣之處，通過對他們進(jìn)行分析對比，本文最終對角度標(biāo)定[1]使用了參數(shù)分離的方法。

1 基于Subsense 運(yùn)動(dòng)目標(biāo)檢測算法

1.1 獨(dú)立像素特征表述

為了解決局部模型之間缺乏信息共享這個(gè)問題，本文像素級建模使用RGB 值和時(shí)空域中操作的LBSP 特征。首先對RGB 顏色模型進(jìn)行歸一化處理，使用LBSP 特征進(jìn)行背景紋理建模，其比較操作子被定義為：

參考文獻(xiàn)[2]本文改進(jìn)了LBSP 特征的內(nèi)部閾值Td，并對公式（2）進(jìn)行了修改，修改后的公式如下所示:

其中Tr的變化區(qū)間是[0,1]，其是改進(jìn)后新的相對內(nèi)部閾值，通過實(shí)驗(yàn)可以確定當(dāng)Tr≈0.3時(shí)，可以獲得最優(yōu)的檢測結(jié)果。對單個(gè)背景像素的表示，本文協(xié)同使用LBSP 二進(jìn)制串的組合（16 位向量）和RGB 空間中（或下面的部分中的“樣本”）定義為色彩強(qiáng)度，通過該方法來表征非參數(shù)像素模型，可以將更多的像素分類為前景。

1.2 通過樣本一致性進(jìn)行運(yùn)動(dòng)檢測

1.2.1 背景建模

本文采用非參數(shù)化的技術(shù)針對單個(gè)像素點(diǎn)進(jìn)行建模，檢測輸入中的每個(gè)像素點(diǎn)需要具有模型更新率[3]和前景判斷閾值，使用本文采用的技術(shù)可以為其單獨(dú)并且自適應(yīng)的配置上述兩個(gè)參數(shù)，背景模型可以定義為：

式中，每個(gè)點(diǎn)的像素特征用F表示，t時(shí)刻所有點(diǎn)的背景描述用Bt表示，Bt是一個(gè)高維陣列。t時(shí)刻前景判斷的閾值矩陣使用Rt表示，t時(shí)刻樣本更新率矩陣使用Γt表示。2D圖像上的任意像素位置使用未知數(shù)x表示，背景描述公式如下式所示：

其中Bx(x)={r,g,b}，Bt為輸入的特征圖像中所有位置的背景描述B t(x)陣列的集合。如沒有特別聲明，后文中B(x)與B t(x)的含義相同。

1.2.2 前景/背景劃分

為了實(shí)現(xiàn)對輸入視頻的前景背景劃分，需要對每一幀圖像中的每一個(gè)像素點(diǎn)進(jìn)行二元決策。從文中定義的背景模型(3)公式可知，當(dāng)前圖像的背景描述使用Bt陣列進(jìn)行記錄。對于該圖像中任意位置的像素x來說，為了定義其背景描述[4]需要綜合利用N 個(gè)x所在的坐標(biāo)及其相鄰位置的最近觀察值。設(shè)當(dāng)前圖像幀為It，假設(shè)任意位置像素x的RGB 描述或灰度描述為I t(x)，隨后需要判斷該像素x的背景描述中與I t(x)的距離度量小于其對應(yīng)的閾值Rt(x)的樣本個(gè)數(shù)，當(dāng)且僅當(dāng)該樣本個(gè)數(shù)小等于#min 時(shí)，該像素x將被劃分為背景。根據(jù)以上分析，可以定義劃分每一個(gè)像素前景背景的決策函數(shù)定義為：

式中，S(x)=1意味著x被劃分為前景，否則被劃分為背景。

1.2.3 像素模型更新

本文參考了文獻(xiàn)[5]的方式來更新像素模型，該方式采用了兩步法：保守法、隨機(jī)法。首先，利用決策函數(shù)（5）判別輸入圖像中的像素點(diǎn)xi是否為背景像素點(diǎn)，隨后從該像素點(diǎn)的描述樣本集中隨機(jī)抽取的一個(gè)樣本Bk(xi)，該樣本有p的概率被更新為該像素點(diǎn)xi的特征I t(xi)，其中p=1／T(xi)。該像素點(diǎn)xi的背景描述更新率使用T(xi)表示。

然后，如果上述像素點(diǎn)xi被檢測為背景像素，通過使用該像素點(diǎn)xi的8 領(lǐng)域，以概率p隨機(jī)更新的背景描述樣本集合的樣本。通過調(diào)節(jié)參數(shù)T(xi)來控制背景描述的更新速度，如想使xi獲得一個(gè)較大的更新率，只需調(diào)小的T(xi)值即可。

1.2.4 背景復(fù)雜度量與反饋調(diào)整

對于背景復(fù)雜度量，本文使用背景樣本集合中樣本更新時(shí)的最小距離的平均值進(jìn)行表示。為了表征度量背景的復(fù)雜程度，定義為輸入圖像中任意像素的x的背景描述B(x)的最小決策距離描述。

本文采用了背景模型反饋調(diào)整的研究思路和技術(shù)路線。最大采樣距離閾值R、背景更新率T是本文所采用方法中最重要的兩個(gè)參數(shù)，這兩個(gè)參數(shù)基本上控制著算法的檢測精度和對局部變化的敏感度，并且可以將移動(dòng)元素簡單地集成到模型中。與文獻(xiàn)[6]的方法類似，為了測量背景的動(dòng)態(tài)變化，本文首先對像素模型和局部觀察值進(jìn)行比較，利于該比較結(jié)果表示背景的動(dòng)態(tài)變化，持續(xù)進(jìn)行該步驟而不考慮分類結(jié)果或模型更新。另外，本文引入了R和T兩個(gè)新動(dòng)態(tài)控制器。

背景動(dòng)態(tài)的變化可以基于模型保真度通過測量小時(shí)間窗口上單個(gè)像素位置的運(yùn)動(dòng)熵進(jìn)行表示。本文使用遞歸移動(dòng)平均值來表示上述的行為指標(biāo)，公式如下：

式中，使用參數(shù)α表示學(xué)習(xí)率，使用d t(x)表示函數(shù)B(x)和函數(shù)I t(x)所有樣本中最小歸一化color?LBSP距離。Dmin(x)值在區(qū)間范圍內(nèi)，當(dāng)Dmin(x)≈0時(shí)表示完全靜態(tài)背景區(qū)域；當(dāng)Dmin(x)≈1時(shí)，表示模型無法適應(yīng)的動(dòng)態(tài)背景。

閃爍像素的監(jiān)控可以解決Dmin連續(xù)性方法背后的復(fù)雜問題。關(guān)于分割噪聲水平本文使用像素級累加器的二維圖v來表示。隨后，對輸入圖像中新分割出來的幀St，本文將其與上一分割結(jié)果St?1做異或運(yùn)算，t時(shí)所有閃爍像素的二進(jìn)制圖可以通過上述異或運(yùn)算結(jié)果進(jìn)行表示，該運(yùn)算結(jié)果記為Xt，其公式為：X t=S t⊕St?1。使用該公式更新二維圖v，具體公式如下式所示：

vincr和vdecr分別為1 和0.1，總有v(x) ≥ 0。該公式意味著具有很小標(biāo)記噪聲的區(qū)域通常有v(x)≈0，而具有不穩(wěn)定標(biāo)記的區(qū)域?qū)⒕哂写蟮恼齰(x)值。式中v值的分布可以幫助突出顯示現(xiàn)在正存在動(dòng)態(tài)背景元素的區(qū)域。

2 實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證本文所設(shè)計(jì)全新的基于Subsense 運(yùn)動(dòng)目標(biāo)檢測算法的高效性，使用該算法在CDnet2014 數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)，并同時(shí)使用Groundtruth、FTSG 算法和GMM 算法在CDnet2014 數(shù)據(jù)集進(jìn)行了實(shí)驗(yàn)，并將實(shí)驗(yàn)結(jié)果進(jìn)行了對比，比較結(jié)果如下圖1 所示。

Input為原圖；（a）groundtruth；(b)本文方法分割結(jié)果；（c）FTSG[4]分割結(jié)果；（d）GMM 分割結(jié)果

在眾多目標(biāo)檢測算法中Groundtruth 算法、FTSG 算法、GMM 算法的檢測效果排名較為靠前；使用以上算法與本文提出的算法進(jìn)行比較，對比結(jié)果圖如圖1 所示，從上圖1 可以看出，本文的檢測效果略優(yōu)于其他兩種算法。

3 總結(jié)語

復(fù)雜的環(huán)境下運(yùn)動(dòng)目標(biāo)檢測存在很多問題，本文通過分析現(xiàn)存的問題，基于自適應(yīng)背景模型，針對視頻序列提出了一種的基于Subsense 的運(yùn)動(dòng)目標(biāo)檢測算法。該算法背景建模使用像素級，如果視頻中場景的動(dòng)態(tài)屬性發(fā)生變化，背景模型的背景描述更新率和前景判斷閾值可使用該算法自動(dòng)根據(jù)變動(dòng)的復(fù)雜程度進(jìn)行調(diào)節(jié)。本算法分析了輸入視頻中的每一個(gè)像素的動(dòng)態(tài)噪聲和復(fù)雜性，根據(jù)分析的結(jié)果自動(dòng)的對背景模型進(jìn)行調(diào)整。通過實(shí)驗(yàn)結(jié)果表明，在檢測復(fù)雜場景中的運(yùn)動(dòng)目標(biāo)時(shí)，本文所提出的算法是有效的。