树枝扰动下的改进VIBE算法

乐应英

(玉溪师范学院 数学与信息技术学院，云南 玉溪 653100)

前景目标检测算法需要从视频序列中，检测出运动目标，并实现前景像素分割，为后续目标跟踪、行为识别、姿态识别等高级任务提供鲁棒、稳定的前期处理结果[1].VIBE算法是一种基于背景减除的前景目标检测算法.基于背景减除的前景目标检测算法首先通过统计学相关理论建立一个背景模型，再利用当前输入帧与背景模型进行差分，根据阈值实现对前景目标与背景像素的分类.背景减除法的关键在于背景模型的建立以及更新[2].

建立背景模型最简单的思路就是直接捕获一幅不包含任何前景目标的纯净的背景图像，然而在实际监控场景中存在各种干扰因素，要获取这样干净的背景图像是很难实现的，因此研究人员提出了各种背景建模方法，其中，VIBE算法是效果相对较好的.

图1 数枝扰动带来的背景建模干扰

但是，当背景中存在树枝随风飘动等轻微背景扰动时，由于树枝所处区域频繁的像素变化(给定线上像素值在60帧内的变化)，如图1所示，VIBE算法的检测结果会出现大面积的噪声.为了解决这个问题，本文提出改进的VIBE算法,结合了密集光流特征，消除了树枝扰动对背景建模的干扰，实验结果表明，改进算法能在具有树枝扰动的动态背景下，相较于传统VIBE算法，实现了更加准确、鲁棒前景目标的检测和定位.

1 传统VIBE算法

VIBE算法是典型的基于背景减除的前景目标检测算法，是一种像素级视频背景建模和前景检测的算法，效果优于GMM[3]和Code book[4]，对硬件内存占用也少.Vibe把物体检测看成一个二分类问题，问题的关键是确定一个像素点是否属于背景点，其包括以下几个基本步骤：

图2 基于背景减除的VIBE算法基本流程

模型表示在ViBe模型中，背景模型为每个背景点存储了一个样本集，记p(x)：x点处的像素值；M(x)={V1,V2,…,VN}为x处的背景样本集(样本集大小为N).

背景初始化ViBe的初始化利用单帧视频序列初始化背景模型，对于一个像素点，结合相邻像素点拥有相近像素值的空间分布特性，随机的选择它的邻居点的像素值作为它的模型样本值.M0(x) = {v0(y|y∈NG(x))},t=0初始时刻，NG(x)即为邻居点 .这种初始化方法优点是对于噪声的反应比较灵敏，计算量小速度快，缺点是引入了拖影(Ghost)区域.

前景目标检测计算新像素值和样本集中每个样本值的距离，若距离小于阈值，则近似样本点数目增加，如图1所示，SR(p(x))是以x为中心R为半径的区域.如果近似样本点数目大于阈值，则认为新的像素点为背景，如公式1所示，涉及3个参数：样本集数目N，阈值m和距离相近判定的阈值R，如图4所示，如果满足公式1,那么就认为x点属于背景点.

M(x)=[{SR(P(x))∩{V1,V2,…,VN}}]>m

(1)

图3 8邻域采样改为12邻域采样 图4 判定当前像素与样本的距离

背景更新VIBE算法采用保守的更新策略和前景点计数方法，即只能由背景像素进行更新，前景像素不能参与更新，同时，如果某个像素点连续N次被检测为前景，则将其更新为背景点，如停在停车场的车，可以转换为背景.在选择替换样本值时，随机选取一个样本值进行更新，这样可以保证样本值的平滑的生命周期.每一个背景点可以更新自己的模型样本值和它的邻居点的模型样本值，更新邻居的样本值利用了像素值的空间传播特性，背景模型逐渐向外扩散，这也有利于Ghost区域的更快的识别.

2 改进VIBE算法框架

针对传统VIBE算法在树枝扰动下出现的噪声问题，本文对其进行了3大改进：算法的流程图如图5所示：

图5 改进VIBE算法流程图

改进1 增大样本采集范围.由于树枝扰动属于频繁、小范围的背景干扰，所以，增大样本采集的范围，把传统的8邻域随机采样改为16邻域，如图3所示，这样一来，16邻域内的像素值可以进入背景模型，树枝飘动时相同位置的新像素值很可能是其领域内的像素值T，增加采样邻域会使得T进入背景样本的概率更高，减少了前景误判，提高了算法准确度.

改进2 引入稠密光流，用计算出的运动幅度和方向过滤树枝扰动带来的噪声.使用基于Gunner_Farneback的算法计算稠密光流.结果是一个带有光流向量(u，v)的双通道数组.通过计算我们能得到光流的大小和方向，使用颜色对结果进行编码以便于更好的观察.方向对应于H(Hue)通道，大小对应于V(Value)通道，可以得到光流可视化效果，如图6所示，提取到了前景目标信息.

改进3 采用Otsu二值化方法，传统的VIBE使用全局阈值,就是随便给一个数来做阈值，那么选取最优数的方法就是不停的尝试.如果是一副双峰图像(简单来说双峰图像是指图像直方图中存在两个峰)，就会给检测结果带来误差或者错误，而Otsu二值化可以对一副双峰图像自动根据其直方图计算出一个阈值，分割结果更佳，如图7所示：

图6 稠密光流结果可视化 图7 Otsu与全局二值化对比

3 实验结果及分析

实验在数据集CDnet2012和CDnet2014[5,6]上进行，分别发布在CVPR 2012和2014年的变化检测专场会议上(Change Detection Workshop)，是近几年前景目标检测领域最常用的评测数据集.算法主要解决树枝树叶扰动背景下的前景目标检测问题，故实验选用数据集中的Baseline类别里的highway视频流，该视频里公路旁的树枝扰动频繁，非常适合测试改进的VIBE算法.在同一数据集上对GMM、传统VIBE和改进VIBE算法进行对比实验，参数设置为N=20，m=2，R=20，对比结果如图8～图10所示：

92帧 312帧 833帧

图8 传统VIBE算法

图9 GMM算法

图10 改进VIBE算法

由上图可知，GMM算法对背景的抗干扰能力最弱，在312帧时效果很差，前景分割结果中噪声最多，传统VIBE虽然对树枝扰动有一定的鲁棒性，但是，还是存在少量的噪声，通过增加采样邻域、引入稠密光流和Otsu二值化方法，改进后的VIBE算法消除了树枝扰动对背景建模的干扰，在具有树枝扰动的动态背景下，相较于传统VIBE算法和GMM算法，实现了更加准确、鲁棒的前景目标的检测和定位.