莊哲民章聰友*楊金耀李芬蘭

①(汕頭大學(xué)電子工程系 汕頭 515063)

②(汕頭市超聲儀器研究所有限公司 汕頭 515000)

基于灰度特征和自適應(yīng)閾值的虛擬背景提取研究

莊哲民①章聰友*①楊金耀②李芬蘭①

①(汕頭大學(xué)電子工程系 汕頭 515063)

②(汕頭市超聲儀器研究所有限公司 汕頭 515000)

針對虛擬背景提取(Visual Background extractor,ViBe)算法在目標檢測時容易出現(xiàn)鬼影和運動目標陰影的缺點，該文提出了一種基于灰度特征和自適應(yīng)閾值的ViBe背景建模改進方法。該算法首先利用ViBe算法進行背景建模，得到前景目標，然后對前景目標進行灰度特征判斷和自適應(yīng)閾值比較，得到?jīng)]有鬼影和運動目標陰影的運動目標。實驗結(jié)果表明，改進后的算法可以很好地彌補ViBe算法的不足，提高ViBe算法的識別準確率。

計算機視覺；運動目標檢測；背景建模；虛擬背景提取(ViBe)；自適應(yīng)閾值；灰度化特征

1 引言

運動目標的檢測是計算機視覺和數(shù)字圖像處理領(lǐng)域的一個重要研究內(nèi)容，在智能視頻監(jiān)控等許多領(lǐng)域有著廣泛的應(yīng)用。它處于整個視頻處理系統(tǒng)的最底層，是各種后續(xù)高級處理如目標跟蹤、目標分類、行為識別、場景理解等的基礎(chǔ)。

目前最常用的運動目標檢測方法是背景建模法，主要分為兩大類，一類是基于參數(shù)的背景模型，該類方法為每個像素點建立一個參數(shù)模型用以表示背景，其中最為典型的是混合高斯模型[1,2]，可用于復(fù)雜運動的背景建模，但是模型計算復(fù)雜度高；另一類是基于像素樣本的背景模型，這類方法的背景模型可以及時初始化，具有較好的抗噪能力，且算法的復(fù)雜度低[3]，此外，還有基于顏色信息的背景建模方法[4]和基于自組織神經(jīng)網(wǎng)絡(luò)的背景建模方法[5]等方法，其中，基于顏色信息的算法將像素點的差異分解成Chromaticity差異和Brightness差異來對背景進行建模，對光照具有很強的魯棒性；而基于自組織神經(jīng)網(wǎng)絡(luò)的算法則利用神經(jīng)網(wǎng)絡(luò)特性對背景進行建模，不僅對光照具有較強的魯棒性，而且具有較強的實用性。

虛擬背景提取(Visual Background extractor, ViBe)算法[6,7]是基于像素樣本背景模型的運動目標檢測算法，該算法具有計算量小、內(nèi)存占用少、處理速度快、檢測效果好和應(yīng)對噪聲穩(wěn)定可靠的特點，非常適合嵌入照相機等小型設(shè)備中。但是這種算法的初始化容易出現(xiàn)鬼影和運動目標陰影，它會影響背景的建模和更新速度，也會對后續(xù)的運動物體跟蹤、分類和識別等操作造成不利的影響。

目前已經(jīng)發(fā)表的一些文獻提到了解決鬼影和運動目標陰影的問題。如文獻[8]等利用背景差分方法獲得前景目標塊，再把它分為運動目標、鬼影和陰影3類，利用時空差分方程近似計算前景的光流以區(qū)別運動目標和鬼影；文獻[9,10]等利用幀差法判斷前景區(qū)域像素在當(dāng)前幀和前幀圖像之間的差異，記錄它們的運動或靜止狀態(tài),從而確定屬于運動目標還是鬼影；文獻[11]等通過分析陰影與背景顏色空間中的特性，在測到運動目標的同時消除陰影。文獻[12]等通過紋理檢測獲取陰影紋理信息，來進行陰影消除。但是這些方法都存在計算復(fù)雜度高或者當(dāng)車輛與陰影顏色相似時造成誤檢的問題，削弱了ViBe算法檢測速度快、準確率高的特點。

由于當(dāng)前圖像鬼影塊位置的灰度特征和對應(yīng)位置前幀圖像之間的分布非常相近，但是因為運動目標會發(fā)生移動，因此運動目標的灰度特征和對應(yīng)位置前幀圖像之間的分布則相差較遠，本文將利用這一特性可以對鬼影進行檢測；在目標陰影檢測中，雖然RGB顏色空間檢測運動物體陰影的效果比HSV顏色空間好[13,14]，但其閾值需要人為地設(shè)置，不是自適應(yīng)的，只可以用來解決固定場景下的運動物體陰影檢測，為此，本文將引入Ostu[15,16]算法對閾值進行自動尋找。對此，本文結(jié)合ViBe算法本身的特點，提出了一種新的基于灰度特征統(tǒng)計和自適應(yīng)閾值RGB顏色空間的ViBe改進算法。通過實驗仿真證明，改進后的算法可以有效地消除鬼影和運動物體陰影，提高算法的識別率和正確率。

2 ViBe背景建模

文獻[6,7]等人提出的ViBe背景建模法是一種基于概率統(tǒng)計的運動目標檢測算法，適用于任何場景，而且采用隨機選擇的更新機制，使得一個像素只需要作1次比較、占用1個字節(jié)的內(nèi)存，從而有效地提高了檢測的精度和減少了計算的負載。ViBe算法主要由3部分組成：ViBe背景模型的工作原理、模型的初始化方法和模型的更新策略。

2.1 ViBe背景模型的工作原理

在ViBe模型中，背景模型為每個背景點存儲了一個樣本集，并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。因此，如果一個新像素值屬于背景點，則它應(yīng)該和樣本集中的采樣值比較接近。通常，定義vx為x點處的像素值，vi是一個含有指數(shù)i的背景樣本值，每一個背景像素x的模型M(x)是由N個隨機背景樣本值構(gòu)成的集合，即

通過對M(x)的判定，可以確定像素值v(x)是否為背景像素值，其中這個模型是通過前幀獲取的。如圖1所示。

圖1中SR(v(x))表示以x為中心，以R為半徑的區(qū)域，用U表示SR(v(x))與M隨機背景樣本集合的交集來判斷相似度，即

圖1 ViBe背景模型

當(dāng)U大于一個給定的閾值#min時，便就認為x點屬于背景點。

2.2 模型的初始化方法

ViBe背景模型的初始化可以看做是填充像素的背景樣本集的過程。由于在一幀圖像中不可能包含視頻全部的時空分布信息，所以ViBe算法利用了相近像素點具有相近的時空分布的特性，即：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。我們將第1幀的背景模型集合作為其初始化的背景模型，即其中，Mt=0(x)為第1幀的背景模型集合，NG(x)為像素點x在時空分布上相近的鄰居集合，y是根據(jù)統(tǒng)一性原則從NG(x)中隨機選擇的像素點，vt=0(y)為第1幀所選取的像素點的像素值。

這種初始化方法的優(yōu)點是對噪聲的反應(yīng)比較靈敏，計算量小，速度快，可以很快地進行運動物體的檢測，缺點是容易引入鬼影區(qū)域。

2.3 模型的更新策略

背景模型的更新目的就是使得背景模型能夠適應(yīng)背景的不斷變化，比如光照的變化，背景物體的變更等。其方法是從背景樣本模型中隨機選取一個樣本，用已確定背景點對其進行替換，每一個背景點有1/φ的概率去更新其對應(yīng)的模型樣本值和其鄰居點的模型樣本值。對背景點的鄰居點進行更新時，隨機選取該背景點8領(lǐng)域中的一個像素值替換隨機選取的鄰居像素值，如果背景模型樣本集取N=6，則會存在有6種可能的背景更新模型。以圖1的背景模型為例，假設(shè)像素點x已判斷為背景點，圖2為其中的3種更新背景模型結(jié)果，其中圖2(a)為背景點x替換原背景集合樣本v3，圖2(b)為背景點x替換原背景集合樣本v1，圖2(c)為背景點x替換原背景集合樣本v5。

3 基于灰度特征和自適應(yīng)閾值ViBe的設(shè)計

3.1 基于灰度特征直方圖統(tǒng)計的鬼影消除

圖2 背景模型更新后其中3個可能的模型

目前檢測鬼影的算法大概可以分為兩大類：一是判斷獲得的前景目標的運動屬性，二是利用自適應(yīng)的背景維護和更新，從而來區(qū)分運動目標和鬼影，前者不能解決顏色和場景相近的運動目標檢測為鬼影的問題[9]，而后者是ViBe[6,7]算法中鬼影消除的常用方法，雖然這種方法最終能夠消除鬼影，但算法非常耗時。

為此，基于鬼影與前景運動目標在統(tǒng)計學(xué)上的差異，本文提出對前景目標采用灰度特征直方圖處理，完成對鬼影的識別，其具體方法為：

首先，利用ViBe算法式(3)對背景進行建模，然后利用式(2)獲得前景目標，并把彼此相連的前景目標像素點通過形態(tài)學(xué)處理連接成前景塊，得到相應(yīng)幀的前景，記為Fi，接著，采用非線性灰度變換技術(shù)將Fi轉(zhuǎn)換為灰度圖像。以指數(shù)函數(shù)作為映射函數(shù)進行灰度變換，即

其中f(x,y)為原圖像(x,y)像素值，g(x,y)為變換后的像素灰度值，a,b,c為可調(diào)參數(shù)。

然后，對得到的灰度圖像進行直方圖統(tǒng)計得到H，同時求出前第k幀(這里k可取5)相應(yīng)位置圖

iF像的灰度特征統(tǒng)計直方圖kH，然后用交集表示iFH和kH的直方圖匹配，匹配公式為

其中M表示iFH和kH的匹配程度。鬼影的判斷式如下：

其中T為閾值(一般取0.9)。通常，鬼影塊的匹配程度很高，而運動目標塊的匹配程度則很低。在判斷出鬼影之后，可以及時地更新ViBe的背景模型，消除鬼影所帶來的干擾。

總之，雖然當(dāng)前圖像鬼影塊位置的灰度特征和前幀圖像對應(yīng)位置之間的分布非常相近。但由于運動目標會發(fā)生移動，當(dāng)運動目標會發(fā)生快速移動且移動距離較遠時，運動目標灰度特征和前幀圖像對應(yīng)位置之間的統(tǒng)計分布相差較大，因此可以將當(dāng)前前景目標的灰度特征統(tǒng)計直方圖與前幀圖像相對應(yīng)位置的灰度特征統(tǒng)計直方圖進行比較，從而判斷出前景目標是否為鬼影。

3.2 基于自適應(yīng)閾值的RGB顏色空間的陰影檢測

在視頻跟蹤中，常用的陰影檢測[17]算法主要分為兩大類：一類是基于模型[18,19]，另一類是基于陰影性質(zhì)[20,21]。基于模型類別的是通過利用場景、目標的3維幾何結(jié)構(gòu)和光源等已知信息來識別運動目標陰影，基于陰影性質(zhì)類別的主要就是利用陰影的亮度、顏色、紋理和模式等特征來識別的。以上兩種陰影檢測算法無法在復(fù)雜背景下使用，因此將傳統(tǒng)的陰影檢測算法與ViBe算法相結(jié)合，在使用上具有一定的局限性。

因此，為了使ViBe算法能夠進行陰影檢測并適用于任何場景。本文提出基于自適應(yīng)閾值RGB顏色空間對陰影檢測算法進行改進，雖然通過實驗發(fā)現(xiàn)RGB顏色空間特征的陰影檢測效果比HSV顏色空間好，但是只限于固定的場景，沒有普遍性，其主要原因是閾值的設(shè)定問題。因此，本文提出利用Ostu[15,16]對閾值進行自適應(yīng)計算。實驗仿真表明，該方法提高了RGB顏色空間特征陰影檢測算法的準確率和自適應(yīng)性。

首先，我們把圖像總像素數(shù)N定義為其中，圖像的灰度值為1～m級，灰度值i的像素數(shù)為ni。

各灰度值的概率pi定義為

然后用k將灰度級分成兩組，即C0={1,2,…,k}和C1={k+1,k+2,…,m}，C0的概率w0定義為

C1的概率w1定義為

C0的平均值0μ定義為

C1的平均值1μ定義為

兩組灰度級總的方差2σ定義為

因此，把得到的前景目標圖像設(shè)為F，對應(yīng)的背景圖像為b,F對應(yīng)的RGB分量為FR,FG,FB,b對應(yīng)的RGB分量為bR,bG,bB。陰影像素必須同時滿足式(15)的3個條件。

TR,TG,TB分別表示R,G,B 3個顏色通道上的前景像素與對應(yīng)背景點的差值門限。

為了對3個閾值TR,TG,TB進行自適應(yīng)設(shè)置。首先設(shè)置3個分量的量級為mR,mG,mB, 3個分量第i級的像素數(shù)分別為nRi,nGi,nBi，由于各個分量總像素數(shù)相等為，各分量的量級的概率分別為pRi=nRi/N,pGi=nGi/N,pBi=nBi/N，同時把各分量灰度級在某一閾值處分割成兩組，然后把這些值代入式(9)～式(14)進行迭代計算，當(dāng)被分成的兩組間方差為最大時，就可以得到各個顏色分量的自適應(yīng)閾值。

通過引入這個計算閾值的方法，使基于RGB顏色空間特征的陰影檢測方法的閾值可以自適應(yīng)計算，從而避免人為主觀的設(shè)置，可以適合各種場景。

3.3 改進的ViBe算法的實現(xiàn)

改進的ViBe算法的實現(xiàn)流程如圖3所示。

圖3給出ViBe改進算法的整體流程圖，該算法的完整步驟如下所示，通過對獲取的前景目標進行判斷，得到完整的運動目標：

圖3 改進的ViBe算法實現(xiàn)流程圖

首先當(dāng)獲取到視頻的第1幀時，為每個像素建立一個ViBe背景模型，并用式(3)對其進行初始化；接著，從視頻第2幀開始，每個像素和對應(yīng)的ViBe背景模型通過式(2)進行比較，判斷該像素是否屬于背景點。如果屬于背景點，則用該背景點對通過8鄰域隨機選取的背景模型中的某個樣本進行替換以達到對像素的背景模型進行更新的目的。同時可以得到本幀視頻的前景目標；對獲得的前景目標進行形態(tài)學(xué)去噪，主要是去除一些小的前景目標，形態(tài)學(xué)的去噪方式主要是對前景目標進行腐蝕和膨脹操作；然后，對形態(tài)學(xué)去噪之后的前景目標進行連通域標號。連通域標號是指將不同的連通域用唯一的號碼來表示該連通域，用來區(qū)分一個像素是否在某個連通域內(nèi)；對每個連通域標號之后，分別對各個連通域和前幀對應(yīng)的區(qū)域灰度化并進行灰度直方圖統(tǒng)計，通過式(5)進行直方圖匹配計算得到匹配度，將匹配度代入式(6)判斷連通域是否為鬼影，如果是則更新背景模型，不是，則對前景目標進行去陰影操作。對得到的前景目標獲取它們的RGB顏色分量，分別代入式(7)～式(14)獲取RGB分量各自的閾值并代入式(15)得到?jīng)]有陰影的運動目標；最后，對得到的運動目標進行形態(tài)學(xué)操作得到完整的運動目標。

4 本文方法實驗結(jié)果與分析

本實驗在VS2010+OpenCV2.4.3平臺上編程實現(xiàn)，所用電腦配置為Pentium(R) Dual-Core CPU E6700 3.2 GHz，內(nèi)存為2.00 GB。選擇一段標準視頻作為測試樣本，視頻的大小為720×480。

利用本文算法對視頻序列Highway進行檢測，在第5幀，視頻中汽車由于運動在背景中產(chǎn)生鬼影(用方框標示)，如圖4(b)所示；在第9幀分別得到汽車前景和鬼影，其灰度特征直方圖分別如圖4(g)和圖4(h)所示，同時得到汽車前景和鬼影對應(yīng)位置第5幀圖像的灰度特征直方圖，分別如圖4(e)和圖4(f)所示?？梢钥闯觯瑢τ谄嚽熬皦K，圖4(e)和圖4(g)二者的灰度特征直方圖具有較大的差異，而對于鬼影塊，圖4(f)和圖4(h)二者的灰度特征直方圖差異則較小。通過這個依據(jù)，可以判斷出哪個是鬼影，并消除鬼影，如圖4(d)所示。

在這個實驗中，基于灰度特征統(tǒng)計直方圖的算法，在第5幀出現(xiàn)鬼影之后，經(jīng)過4幀左右就可以檢測并消除鬼影，比原ViBe算法要大于50幀才能識別并消除速度快。

在得到運動目標之后，開始對運動目標進行去陰影處理。圖5(a)為第9幀前景運動目標(用方框標示)，可以看到，方框包含著運動目標和陰影塊。圖5(b)為對應(yīng)第9幀的背景圖像。分別求出運動目標像素點和其對應(yīng)位置背景點的3個R,G,B分量，由于式(15)的3個閾值需要人為主觀地去設(shè)置，對RGB顏色空間檢測陰影的實用性產(chǎn)生了不利影響。本文提出利用Ostu算法，使式(15)中的閾值可以隨場景光照情況的不同而自適應(yīng)改變。

如圖5(c)所示，通過自適應(yīng)閾值的RGB顏色空間可以比較理想地去掉陰影，圖5(d)為改進的ViBe算法分割出來的運動目標。

為了說明本文算法的性能，將本文算法、混合高斯模型算法(OpenCV自帶算法)和原ViBe算法，在處理速度、算法正確率(算法正確率=識別出的運動目標數(shù)/實際的運動目標數(shù))、鬼影檢測正確率(鬼影檢測正確率=識別出的鬼影數(shù)量/實際的鬼影數(shù)量)、鬼影識別時間和陰影檢測正確率(陰影檢測正確率=識別出的陰影面積/實際的陰影面積)等方面做了對比分析，如表1所示。

圖4 Highway實驗結(jié)果

圖5 陰影檢測實驗結(jié)果

表1 算法性能比較

從表1可以看出，本文算法的處理速度處于原ViBe算法和混合高斯模型算法之間，能滿足實時處理視頻幀的要求；算法正確率、鬼影檢測正確率和鬼影識別時間均好于原ViBe算法和混合高斯模型算法，并且能夠?qū)崿F(xiàn)陰影檢測，大大降低對后續(xù)視頻幀操作的不利影響。

總之，在本文中，通過利用灰度直方圖的統(tǒng)計識別出鬼影與運動目標，是因為包含鬼影對應(yīng)位置的幀圖像在后幀圖像中的對應(yīng)位置并沒有任何改變，而由于運動目標的運動性，其后幀圖像的對應(yīng)位置會不斷地發(fā)生變化，而灰度圖像的描述可以反映整幅圖像的整體和局部的色度和亮度等級的分布和特征，而且圖像的灰度化并不會給ViBe算法的運行速度帶來明顯的影響；而在本文算法中提出利用基于Ostu的RGB陰影檢測算法，是因為ViBe算法適用于任何的場景，但基于RGB的陰影檢測算法只能針對特定的場景設(shè)定特定的閾值，并不適用于ViBe算法。而Ostu算法可以針對特定的場景把直方圖在某一閾值處分割成兩組，不斷進行迭代計算，當(dāng)被分成的兩組間方差為最大時，便得到閾值，從而實現(xiàn)自動尋找閾值。通過自適應(yīng)閾值的計算，可以使陰影檢測算法適用于任何場景，在不同的場景自動設(shè)置不同的閾值，適用于ViBe算法，并且提高了ViBe算法的計算效率。

5 結(jié)束語

針對ViBe算法無法消除鬼影和運動陰影的不足，本文提出了一種基于灰度特征和自適應(yīng)閾值的ViBe改進算法。利用該算法對背景進行建模，得到預(yù)前景目標，并對預(yù)前景目標進行灰度特征判斷和自適應(yīng)RGB顏色空間閾值比較，得到?jīng)]有鬼影和運動目標陰影的運動目標。實驗結(jié)果表明，該算法可以很好地消除前景目標的噪點，抑制運動目標的陰影，而且在前景目標出現(xiàn)鬼影的時候可以快速地識別并且及時地更新背景模型。

[1] Stauffer C and Grimson W E L. Adaptive background mixture models for real-time tracking[C]. IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Ft. Collins, CO, USA, 1999, 2: 246-252.

[2] Zivkovic Z. Improved adaptive Gaussian mixture model for background subtraction[C]. Proceedings of the 17th IEEE International Conference on Pattern Recognition, Cambridge, UK, 2004: 28-31.

[3] Wang H and Suter D. A consensus-based method for tracking: modeling background scenario and foreground appearance[J]. Pattern Recognition, 2007, 40(3): 1091-1105.

[4] Horprasert T, Harwood D, and Davis L S. A statistical approach for real-time robust background subtraction and shadow detection[C]. IEEE International Conference on Computer Vision (ICCV), Kerkyra (Corfu), Greece, 1999: 1-19.

[5] Maddalena L and Petrosino A. A self-organizing approach to background subtraction for visual surveillance applications[J]. IEEE Transactions on Image Processing, 2008, 17(7): 1168-1177.

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

[7] Barnich O and Van Droogenbroeck M. ViBe: a universal background subtraction algorithm for video sequences[J]. IEEE Transactions on Image Processing, 2011, 20(6): 1709-1724.

[8] Cucchiara R, Grana C, Piccardi M, et al.. Detecting moving objects, ghosts, and shadows in video streams[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2003, 25(10): 1337-1342.

[9] Calderara S, Melli R, Prati A, et al.. Reliable background suppression for complex scenes[C]. Proceedings of the 4th ACM international Workshop on Video Surveillance and Sensor Networks, New York, 2006: 211-214.

[10] Piccinini P, Calderara S, and Cucchiara R. Reliable smoke detection in the domains of image energy and color[C]. 15th IEEE International Conference on Image Processing, San Diego, CA, USA, 2008: 1376-1379.

[11] Yuan J, Wu J, and Cheng Y. Shadow detecting algorithms research for moving objects base on self-adaptive background[C]. IEEE International Conference on Modeling, Identification & Control (ICMIC), Wuhan, China, 2012: 197-200.

[12] McFeely R, Glavin M, and Jones E. Shadow identification for digital imagery using color and texture cues[J]. IET ImageProcessing, 2012, 6(2): 148-159.

[13] Salvador E, Cavallaro A, and Ebrahimi T. Cast shadow segmentation using invariant color features[J]. Computer Vision and Image Understanding, 2004, 95(2): 238-259.

[14] Xiao M, Han C Z, and Zhang L. Moving shadow detection and removal for traffic sequences[J]. International Journal of Automation and Computing, 2007, 4(1): 38-46.

[15] Yoshikawa F, Toraichi K, Wada K, et al.. On a grading system for beef marbling[J]. Pattern Recognition Letters, 2000, 21(12): 1037-1050.

[16] Feng B, Wang Z, and Sun J. Image threshold segmentation with Ostu based on quantum-behaved particle swarm algorithm[J]. Computer Engineering and Design, 2008, 29(13): 3429-3434.

[17] Sanin A, Sanderson C, and Lovell B C. Shadow detection: a survey and comparative evaluation of recent methods[J]. Pattern Recognition, 2012, 45(4): 1684-1695.

[18] Jeong S, Kang S, and Kim J. Vehicle detection based on the use of shadow region and edge[C]. Fifth International Conference on Digital Image Processing. International Society for Optics and Photonics, Beijing, China, 2013: 88782Y-88782Y-4.

[19] Xu Z and Pan J. Fast detect shadow from single outdoor image[C]. 2011 Seventh IEEE International Conference on Natural Computation (ICNC), Shanghai, 2011, 4: 1827-1831.

[20] Jiang K, Li A, Cui Z, et al.. Adaptive shadow detection using global texture and sampling deduction[J]. IET Computer Vision, 2013, 7(2): 115-122.

[21] Shi W and Li J. Shadow detection in color aerial images based on HSI space and color attenuation relationship[J]. EURASIP Journal on Advances in Signal Processing, 2012, 2012(1): 1-13.

莊哲民： 男，1965年生，博士，教授，研究方向為智能信號處理.

章聰友： 男，1987年生，碩士，研究方向為數(shù)字圖像處理.

楊金耀： 男，1962年生，碩士，高級工程師，研究方向為儀器研發(fā).

李芬蘭： 女，1964年生，博士，教授，研究方向為智能信號處理.

Investigation on Visual Background Extractor Based on Gray Feature and Adaptive Threshold

Zhuang Zhe-min①Zhang Cong-you①Yang Jin-yao②Li Fen-lan①

①(Department of Electronic Engineering, Shantou University, Shantou 515063, China)
②(Shantou Institute of Ultrasonic Instruments Limited Corporation, Shantou 515000, China)

In order to solve the problem of the ghost and the shadow of moving object, an improved Visual Background extractor (ViBe) algorithm is proposed based on gray feature and adaptive threshold. The new method firstly applies the ViBe algorithm to obtain the foreground object, and then uses the gray feature judgment, as well as the adaptive threshold comparison in the foreground object to get the moving object without the ghost and the shadow. Experiments show that the improved algorithm results in better recognition accuracy.

Computer vision; Moving object detection; Background modeling; Visual Background extractor (ViBe); Adaptive threshold; Gray feature

TP391.4

A

1009-5896(2015)02-0346-07

10.11999/JEIT140317

2014-03-10收到，2014-05-30改回

國家自然科學(xué)基金(61070152)資助課題

*通信作者：章聰友 11cyzhang1@stu.edu.cn