史瑞環，吳斌，李務軍，范風兵

　　（西南科技大學 信息工程學院，四川 綿陽 621010）

　　摘要：ViBe運動目標檢測算法速度快，能有效抑制噪聲，但在光照強度突然改變的情況下，該算法會造成大面積的背景像素被誤判為前景像素，針對此問題提出一種改進的融合幀差法的ViBe算法。實驗結果表明，改進的算法能在光照有變化時依然能檢測到完整的運動目標。

　　關鍵詞： ViBe；目標檢測； 幀差法

0引言

　　隨著互聯網和物聯網的飛速發展 ，近年來智能安防監控得到了廣泛的關注和應用。前景目標的提取是運動視頻分析的關鍵步驟，提取的目標是否準確完整將直接影響到后續的目標分類、目標跟蹤和識別的準確率。

　　目前，常用的運動檢測方法有：幀差法、背景差法、光流法［1］。其中，背景差法應用最為廣泛，核心原理是為每一個像素點建立一個背景模型，然后用模型與當前像素相比，以確定是否為背景像素。經典的背景差法是GMM［2］，它將單一像素點所呈現的顏色用M(一般取 3～5)個高斯分布來近似，能處理多模型背景場景，但是它的計算量非常大，需要估計分布的參數，而且更新參數難調試。

　　2009年，BARNICH O等人［3］提出了一種全新的背景差算法——ViBe算法，只通過在每個像素領域內隨機選取若干個采樣點對各像素建立一個樣本模型，采用隨機的方法更新背景模型。對比其他一些前沿的背景提取方法，ViBe算法簡單，有效地簡化了程序，加快了對于幀的處理速度的同時，可以達到較高的準確度，增強了抗噪能力并減少了計算負載［4］。但是該算法在背景光照突然發生變化時會將大面積的背景誤判為運動前景［5］，導致檢測出的目標無法識別。針對此問題，本文結合幀差法對ViBe算法進行改進，實驗結果驗證了改進算法的有效性。

1ViBe和幀差法的算法原理

　　1.1ViBe算法

　　ViBe算法主要包括工作原理、初始化方法、更新策略三個方面。

　　（1）工作原理

　　ViBe算法為每個背景點存儲了一個樣本集，然后將每一個新的像素值和樣本集進行比較來判斷是否屬于背景點。如果一個新的觀察值屬于背景點，那么它應該與樣本集中的采樣值比較接近。圖1展示了ViBe算法如何判斷像素點是否為前景點。

　　記v(x)為x點處的像素值，M(x)={v1,v2,…,vN}為x處的背景樣本集(樣本集大小為N)，SR(v(x))是以x為中心、R為半徑的區域。如果SR(v(x))∩{v1,v2,…,vN}大于一個給定的閾值#min,則認為x點屬于背景點。

　　（2）初始化方法

　　初始化就是建立背景模型的過程。ViBe的初始化利用了相近像素點擁有相近的時空分布特性，僅通過一幀圖像即可完成，極大地提高了算法的實時性。具體就是：對于一個像素點，隨機地選擇它的鄰居點的像素值作為它的模型樣本值。

　　（3）更新策略

　　BARNICH O在參考文獻［6］中提到，好的更新方式是讓采樣值在模型中的概率單調降低。ViBe算法采用一種無記憶背景更新策略，從每個點的八鄰域中隨機選取一個樣本，替代原有背景模型中隨機選取的一個樣本，這樣既保證了樣本在背景模型中存在壽命的平滑指數衰減，又避免了先入先出方法造成的變化速度不能正確處理的問題。同時采用隨機鄰域傳播機制，即背景模型中的樣本也要更新對應的鄰域，這樣有效地保證了空間的一致性，可以隨時間恢復被前景遮擋的背景像素。

　　1.2幀差法

　　幀差法［7］的基本原理是將連續視頻序列中的兩幀或3幀圖像的像素點相減，然后通過比較相減得到的差值與預先設定的閾值相比較來確定視頻序列中移動目標的運動的區域。對于一段視頻序列，用當前幀圖像fm(x,y,t)減去前一幀圖像fn(x,y,t－1)，最后得到二值圖像 fj(x,y)。用式(1)表示如下：

　　fj(x,y)=1,|fm(x,y,t)-fn(x,y,t-1)|≥X

　　0,|fm(x,y,t)-fn(x,y,t-1)|<X(1)

　　其中,fm(x,y,t)是當前幀的輸入圖像,fn(x,y,t－1)是前一幀輸入圖像，fj(x,y)是檢測到的二值圖像，X是設定的閾值。

　　幀差法是根據相鄰幀差值與閾值X的大小來判斷像素點屬于運動前景還是背景，如果相鄰幀差值的絕對值大于等于閾值X，則該像素是前景像素，反之為背景像素。

2融合幀差法的ViBe算法

　　ViBe算法速度快，能有效抑制噪聲，檢測效果完整準確，但卻在光照變化時幾乎檢測不到準確的目標。而幀差法算法實現簡單，檢測速度快，實時性好，受光線變化的影響小。

　　根據以上分析本文采用幀差法來改進ViBe算法。對于一段視頻，首先，從第二幀開始對輸入的當前幀圖像是否有光照變化進行判斷，然后根據判斷結果選擇使用的目標檢測算法和檢測結果。即計算當前幀與前一幀圖像像素值的變化程度，當像素值的變化大于等于預先設定的閾值時表明當前幀光照有變化，則將幀差法處理的結果和ViBe算法處理的結果做與運算，作為當前幀的目標檢測結果。當像素值的變化小于設定的閾值時表示當前幀光照無變化或變化不明顯，則ViBe算法的處理結果作為當前幀的目標檢測結果。最后再通過形態學處理掉一些孤立的噪點得到完整的目標圖像。具體的算法流程圖如圖2所示 。

　　當前幀像素值的變化大小用M表示：

　　M=∑N|fm(x,y,t)－fn(x,y,t－1)|(2)

　　其中，N是圖像的大小，fm(x,y,t)是當前幀圖像，fn(x,y,t－1)是前一幀圖像。光照變化可能是變亮，也可能是變暗，所以式（2）中加了絕對值。當M≥T（T為閾值）時，表明當前幀與前一幀相比，有光照的變化；當M<T，表明當前幀與前一幀光照幾乎無變化或者變化不明顯。閾值T的大小選取與圖像大小、目標運動速度等有關。

3實驗結果與分析

　　為了驗證算法的有效性，本文選取了一段有光照強度變化（像素值變化了30~40）的車輛視頻做測試，該視頻的幀率為15幀/秒，分辨率為160×120，格式為AVI。實驗效果對比如圖3所示，第71幀與前一幀相比無光照變化，39、77幀與前一幀相比有光照變化。根據實驗結果可以看出ViBe算法在光照不變的情況下檢測效果很好，但是在光照變化的情況下，出現了大面積的像素點誤判。改進之后的ViBe算法不再受光照變化的影響，依然可以檢測到運動目標，大大提高了ViBe算法在光照變化時的目標檢測準確率。

4結論

　　將ViBe算法與幀差法融合在一起，根據閾值判斷當前幀圖像是否發生了光照變化來決定最終目標檢測結果的算法，在監控視頻中有光照變化的情況下依然可以檢測到近乎完整的目標。但是ViBe算法還存在對陰影敏感和鬼影［8］長時間不能消除的問題，這將是下一步的研究計劃。

參考文獻

　　［1］ PANDER R P，MISHRA N D，GULBANE S， et al. Detection of moving object with the help of motion detection alarm system in video survelliance［J］．Journal of Signal and Image Processing，2012，2(3)：118121.

　　［2］ STAUFER C，GRIMSON W E L．Adaptive background mixture models for realtime tracking［C］．IEEE Computer Society Conference on Computer Vision and Pattern Recognition,1999(2)：241252．

　　［3］ BARNIEH O，VAN DROOGENBROECH M．ViBe：a powerful random technique to estimate the background in video sequences［C］Proceedings of IEEE International Conference on Acoustics，Speech and Signal Processing,IEEE，2009：945948.

　　［4］ 邱禎艷, 王修暉. 一種結合Grabcut的Vibe目標檢測算法［J］.中國計量學院學報,2012,23(3):250256.

　　［5］ 嚴紅亮, 王福龍, 劉志煌, 等. 基于ViBe算法的改進背景減去法［J］.計算機系統應用,2014(6):130134.

　　［6］ BARNICH O， M. VAN DROOGENBROECK. ViBe : A universal background subtraction algorithm for video sequences［J］. IEEE Transactions on Image Processing, 2011,20(6):17091724.

　　［7］ SAMUELE S, ANDREA C, LUIGI D S. Adaptive appearance modeling for video tracking: survey and evaluation［J］. IEEE Transactions on Image Processing, 2012,21(21):43344348.

　　［8］ 張杜, 陳元枝, 邱憑婷.基于ViBe算法及Canny邊緣檢測的運動目標提取［J］. 微型機與應用,2015,34(14):3638.