摘  要： 針對(duì)ViBe算法第一幀圖像中含有運(yùn)動(dòng)的目標(biāo)時(shí)容易引入“鬼影”及不能完整提取前景目標(biāo)的問(wèn)題，在原算法的基礎(chǔ)上融合幀間差分法,、Canny邊緣檢測(cè),，采用中值濾波、形態(tài)學(xué)算子進(jìn)行后處理,。實(shí)驗(yàn)結(jié)果表明,，本文算法能很快消除“鬼影”，并能比較完整地提取出紅外運(yùn)動(dòng)目標(biāo),。

　　關(guān)鍵詞： 背景建模,；ViBe；紅外目標(biāo)檢測(cè),；幀間差分法

　　運(yùn)動(dòng)目標(biāo)檢測(cè)是計(jì)算機(jī)機(jī)器視覺(jué)研究的一個(gè)重要研究領(lǐng)域,，它是目標(biāo)跟蹤和視頻圖像分析的基礎(chǔ)，在視頻監(jiān)控,、智能交通,、醫(yī)學(xué)圖像處理等方面有著廣泛的應(yīng)用，具有重要的應(yīng)用價(jià)值和廣闊的發(fā)展前景,。紅外視頻圖像利用熱量成像,，可以透過(guò)黑暗和煙霧，在夜間成像光線不足等情況下比可見(jiàn)光圖像容易發(fā)現(xiàn)目標(biāo)。紅外視頻圖像不易受光線影響,，背景比較簡(jiǎn)單,。目前，越來(lái)越多的目標(biāo)檢測(cè)應(yīng)用從可見(jiàn)光視頻方法轉(zhuǎn)向紅外視頻或者可見(jiàn)光與紅外視頻相結(jié)合的方法,。

　　背景差分是運(yùn)動(dòng)目標(biāo)檢測(cè)中一種重要且廣泛應(yīng)用的方法,，算法的關(guān)鍵是背景建模及更新。STAUFFER C等人[1]提出的混合高斯模型GMM（Gaussian Mixture Model）是最重要應(yīng)用最廣泛的一種背景建模方法,?；旌细咚鼓Ｐ椭斜尘跋袼乇硎緸槎鄠€(gè)高斯模型的加權(quán)和的形式,，能夠很好地模擬多峰背景的情況,，當(dāng)背景變化不劇烈時(shí)對(duì)動(dòng)態(tài)背景也有一定的適應(yīng)能力。其缺點(diǎn)是計(jì)算量比較大,，實(shí)時(shí)性不夠好,，當(dāng)光照劇烈變化或目標(biāo)移動(dòng)速度很慢時(shí)檢測(cè)效果不好。BARNICH O等人[2]在2011年提出了ViBe（Visual Background extractor）算法,，即視覺(jué)背景提取算法,。該算法簡(jiǎn)單高效，計(jì)算量非常小,，具有很高的實(shí)時(shí)性和魯棒性,。ViBe算法是一種可以通用的背景建模算法，能適用于很多動(dòng)態(tài)變化的場(chǎng)景中,。本文將ViBe算法引入到紅外視頻運(yùn)動(dòng)目標(biāo)檢測(cè)中,。

　　1 ViBe背景建模算法

　　ViBe算法創(chuàng)新地運(yùn)用隨機(jī)過(guò)程的思想，背景建模及更新都采用隨機(jī)的策略為每個(gè)背景像素點(diǎn)建立樣本集合,，是一種無(wú)參的像素級(jí)背景建模的算法,。

　　1.1 背景像素建模及分類過(guò)程

　　模型的建立可以概括為對(duì)像素值分類的過(guò)程。每個(gè)像素點(diǎn)選取其鄰域內(nèi)N個(gè)像素點(diǎn),，用這N個(gè)樣本點(diǎn)的集合來(lái)表示該像素,。記M（x）={v1，v2,，…,，vN}為圖像中x處的一個(gè)樣本集合。為對(duì)該像素值v（x）進(jìn)行分類,，即判斷是背景還是前景,，采用如下的方法。定義一個(gè)以v（x）為圓心,，R為半徑的圓SR（v（x））,。定義一個(gè)基數(shù)#來(lái)表示樣本集合M（x）與圓SR（v（x））交集的個(gè)數(shù)。如果基數(shù)#大于等于給定的閾值#min,，則該像素值被判為背景像素,。即計(jì)算歐幾里得距離：

　　|v（x）-vi|>R,，前景候選|v（x）-vi|≤R，背景候選

　　其中,，vi為樣本集合,，i=1，2,，…,，N。對(duì)像素點(diǎn)v（x）進(jìn)行分類的過(guò)程并不需要計(jì)算N次,，當(dāng)滿足|v（x）-vi|≤R的次數(shù)#達(dá)到#min,，該點(diǎn)就被判為背景點(diǎn)，可以停止計(jì)算,。這一過(guò)程如圖1所示,。

　　1.2 背景模型初始化

　　通常檢測(cè)算法的初始化需要多幀視頻序列來(lái)完成，要耗費(fèi)數(shù)秒的時(shí)間,，這極大降低了檢測(cè)的實(shí)時(shí)性,。ViBe算法的初始化僅僅通過(guò)一幀圖像即可完成。由于背景像素值與其一個(gè)鄰域內(nèi)的像素值有相似的時(shí)域分布特性,，因而對(duì)每個(gè)像素點(diǎn),，可以隨機(jī)選擇其鄰域點(diǎn)的像素值來(lái)填充背景模型中的樣本值。實(shí)驗(yàn)證明,，每個(gè)像素點(diǎn)選取8連通鄰域效果很好,。設(shè)t=0時(shí)代表第1幀，NG（x）是位于x處的像素點(diǎn)的一個(gè)空間鄰域,。樣本集合可表示為：

　　M0（x）={v0（y∈NG（x））}（1）

　　其中,，y是在空間鄰域內(nèi)等概率隨機(jī)選取的。這種初始化方法的優(yōu)點(diǎn)是對(duì)噪聲的反應(yīng)比較靈敏,，計(jì)算量小,，可以很快地進(jìn)行運(yùn)動(dòng)物體的檢測(cè)；缺點(diǎn)是當(dāng)?shù)?幀視頻含有運(yùn)動(dòng)目標(biāo)時(shí),，容易產(chǎn)生鬼影,。

　　1.3 背景模型的更新

　　背景模型的更新就是使背景模型能夠適應(yīng)背景的不斷變化，如光照的變化,、輕微的樹(shù)枝擺動(dòng),、新目標(biāo)的出現(xiàn)等。傳統(tǒng)的背景更新方法采用先進(jìn)先出的方法來(lái)更新模型,，丟棄舊的樣本值并用新的樣本值代替,。ViBe采用保守的更新策略與前景點(diǎn)計(jì)數(shù)相結(jié)合的方法。保守的更新策略是指像素值只有被判為背景才能加入模型中，只有背景樣本中的像素點(diǎn)才進(jìn)行更新,。采用前景點(diǎn)計(jì)數(shù),，對(duì)前景像素點(diǎn)進(jìn)行統(tǒng)計(jì)，如果次數(shù)超過(guò)了特定像素區(qū)域給定的閾值,，則將其更新為背景模型,。這樣能夠?qū)⒈尘爸型蝗煌？坎㈤L(zhǎng)時(shí)間逗留的前景目標(biāo)去除,，使其不被檢測(cè)為前景目標(biāo),，也可以更新被前景擋住的背景像素模型。該算法不是每一幀都更新,，采用隨機(jī)的二次采樣,，每個(gè)背景像素有1/φ的概率來(lái)更新背景模型。由于是等概率隨機(jī)地對(duì)樣本更新,，模型中樣本值在t時(shí)刻不被更新的概率是（N-1）/N,，在時(shí)刻t+dt,，樣本值被保留的概率是：

　　也可以寫作：

　　這表明在（t,，t+dt）的時(shí)間間隔內(nèi)，一個(gè)樣本值在模型中是否被替換與時(shí)間t無(wú)關(guān),，是無(wú)記憶的,。

　　2 改進(jìn)的ViBe算法

　　ViBe算法初始化速度非常快,，由1幀就可以完成初始化過(guò)程,。但當(dāng)?shù)?幀圖像中含有運(yùn)動(dòng)目標(biāo)時(shí)，容易引入“鬼影”,。針對(duì)這一問(wèn)題,，融入幀間差分法，可以快速消除鬼影,，并提高檢測(cè)的準(zhǔn)確率,。由于ViBe算法本身特有的背景更新機(jī)制在后續(xù)幀中可以消除鬼影，只需在前幾幀圖像中融入幀間差分法,，這樣既可以快速消除鬼影,，又不會(huì)影響算法的實(shí)時(shí)性。

　　具體算法如下,。

　?。?）前3幀與原ViBe算法結(jié)果相同，得到提取的前景目標(biāo)圖像,。

　?。?）用Fi表示ViBe算法處理后的第i幀的結(jié)果。將第3幀圖像與第2幀作差分，采用OTSU分割算子[3]進(jìn)行分割,，得到二值化圖像,，使其與F3作與運(yùn)算，去除掉F3中的部分鬼影,。

　?。?）將第4幀圖像與第3幀作差分，采用OTSU算子進(jìn)行分割,，得到二值化圖像,，使其與F4作與運(yùn)算，去除掉F4中的部分鬼影,。

　?。?）重復(fù)以上步驟，直至達(dá)到預(yù)定的幀數(shù),。

　　由于噪聲干擾,、前景背景對(duì)比度低等原因會(huì)導(dǎo)致提取出的前景目標(biāo)斷裂不完整，不能對(duì)紅外圖像目標(biāo)準(zhǔn)確分割,。經(jīng)典的Canny算子[4]具有很好的邊緣檢測(cè)性,，能夠給出較為連續(xù)的邊緣。因此,，本文在原ViBe算法基礎(chǔ)上結(jié)合邊緣信息進(jìn)行檢測(cè),，可以提取出完整的紅外目標(biāo)。

　　3 后處理

　　經(jīng)過(guò)圖像分割后的二值圖像,，目標(biāo)含有空洞,、噪聲邊緣和少量的孤立噪聲，為進(jìn)行后續(xù)的目標(biāo)特征提取和分析,，必須對(duì)二值圖像進(jìn)行后處理,。算法后處理階段采用了中值濾波、形態(tài)學(xué)算子,，有效地去噪并填充分割后的空洞,。

　　3.1 中值濾波器

　　紅外熱圖像的熱噪聲主要由顆粒噪聲和隨機(jī)噪聲組成，中值濾波[5]消除隨機(jī)干擾噪聲和保持細(xì)節(jié)能力很強(qiáng),，常采用中值濾波對(duì)紅外圖像進(jìn)行去噪,，實(shí)現(xiàn)背景抑制。實(shí)驗(yàn)證明,，小于中值濾波器面積一半的物體會(huì)被濾掉,，較大物體會(huì)保留下來(lái)。因此,，中值濾波器的尺寸很重要,。分別采取3×3,、5×5、7×7,、9×9,、11×11的中值模板進(jìn)行實(shí)驗(yàn)，仿真結(jié)果表明,，9×9的中值模板具有較穩(wěn)定的濾波表現(xiàn),，能在消除噪聲的同時(shí)有效保持目標(biāo)的邊緣信息。

　　3.2 形態(tài)學(xué)算子

　　數(shù)學(xué)形態(tài)學(xué)基本思想是用一定形態(tài)的結(jié)構(gòu)元素去提取圖像中的對(duì)應(yīng)形狀,。圖像經(jīng)過(guò)形態(tài)學(xué)濾波后能有效保留目標(biāo)信息的同時(shí)濾除噪聲,，提高圖像信噪比。開(kāi)運(yùn)算能夠?yàn)V除比結(jié)構(gòu)元素小的明亮細(xì)節(jié),，可以消除圖像中的離散噪聲與毛刺,，同時(shí)基本保持整體的灰度和較大明亮區(qū)域不變，還可以填充分割后目標(biāo)內(nèi)部的空洞,。

　　4 實(shí)驗(yàn)仿真結(jié)果及分析

　　經(jīng)過(guò)大量實(shí)驗(yàn)證明,，ViBe算法中取半徑R=20，最小基數(shù)#min=2,，N=20,，φ=16時(shí)實(shí)驗(yàn)結(jié)果最好。本實(shí)驗(yàn)用到的紅外視頻序列是從http：//www.cse.ohio-state.edu/OTCBVS-BENCH網(wǎng)站上獲取的,，大小為320×240,，本文截取了部分圖片序列，生成一段幀率為20 fps的視頻序列,。本文實(shí)驗(yàn)在VS 2010，OpenCV 2.4.4的環(huán)境下進(jìn)行,。圖1是原視頻序列中的第3幀,、第12幀、第17幀,，圖2~圖5分別為原ViBe算法的結(jié)果,、融合幀間差分法及Canny算子改進(jìn)、后處理的實(shí)驗(yàn)結(jié)果,。原算法的鬼影區(qū)域較為集中,，使用本文改進(jìn)的算法能夠去除大部分鬼影區(qū)域，同時(shí)引入了離散的噪聲點(diǎn),。通過(guò)后處理可以很好地濾除孤立的噪聲,。從圖5可以看出，經(jīng)過(guò)中值濾波,，形態(tài)學(xué)操作后處理鬼影后留下的孤立噪聲幾乎全被濾除,，可以得到比較干凈,、完整的前景目標(biāo)。

　　本文在ViBe算法的基礎(chǔ)上進(jìn)行改進(jìn),，融合了幀間差分法,、邊緣信息進(jìn)行前景提取，能夠更快地消除鬼影,。對(duì)提取出的前景目標(biāo)采用中值濾波,、形態(tài)學(xué)操作進(jìn)行后處理。實(shí)驗(yàn)結(jié)果表明,，當(dāng)紅外目標(biāo)對(duì)比度很低時(shí),，該算法時(shí)仍可以快速完整地提取前景目標(biāo)，由于算法是非參數(shù)的,，適用于動(dòng)態(tài)變化的場(chǎng)景,，有很高的實(shí)時(shí)性和魯棒性。

　　參考文獻(xiàn)

　　[1] STAUFFER C,， GRIMSON W. Adaptive background mixture models for real time tracking[C]. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition,， Fort Collins， Colorado,， USA,，1999： 246-252.

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

　　[3] OTSU N. A threshold selection method from gray-level histograms[J]. Automatica， 1975,， 11（285-296）： 23-27.

　　[4] CANNY J. A computational approach to edge detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,， 1986，8 （6）：679 -698.

　　[5] ATAMAN E,， AATRE V K,， WONG K M. Some statistical properties of median filters[J]. IEEE Transactions on Acoust Speech， Signal Process,， 1980,， 28 （4） ： 415-421