吳爾杰，楊艷芳，田中賀，蔣建國（.合肥工業(yè)大學計算機與信息學院，安徽合肥　30009；.合肥工業(yè)大學電子科學與應用物理學院，安徽合肥　30009）

?

一種能快速抑制鬼影及靜止目標的ViBe改進算法

吳爾杰1，楊艷芳2，田中賀1，蔣建國1
（1.合肥工業(yè)大學計算機與信息學院，安徽合肥230009；2.合肥工業(yè)大學電子科學與應用物理學院，安徽合肥230009）

摘要：ViBe算法存在鬼影和靜止目標問題，這些問題給目標檢測帶來誤差，需要快速有效地抑制。文章在原始ViBe算法基礎(chǔ)上，先通過比較局部區(qū)域的背景模型像素值方差和新來幀該區(qū)域的像素值方差的大小來判斷該區(qū)域存在鬼影還是靜止目標，存在則進行抑制，然后采用不同的策略更新鬼影區(qū)域和靜止目標區(qū)域的背景。實驗結(jié)果中，改進算法僅用15幀就可以完全抑制鬼影，僅用20幀就能完全抑制靜止目標，而原始ViBe算法完全抑制鬼影需要108幀且抑制靜止目標能力有限。實驗結(jié)果表明，對于普通的以及背景較為復雜的監(jiān)控場景，文中改進算法可行、有效。

關(guān)鍵詞：目標檢測；背景模型；ViBe算法；鬼影；靜止目標

蔣建國（1955-），男，安徽寧國人，合肥工業(yè)大學教授，博士生導師.

在智能視頻監(jiān)控系統(tǒng)中，目標檢測效果的優(yōu)劣直接影響目標分類、跟蹤等后期處理的效果，準確、實時的運動檢測算法是智能視頻監(jiān)控技術(shù)的迫切需要。對于最為普遍的、固定背景的視頻監(jiān)控場景，常用方法是先通過背景建模獲得不含目標的背景模型，再將背景模型與當前幀圖像進行差分得到運動目標。工程上常用的背景建模運動目標檢測算法有均值濾波法、單高斯模型法、混合高斯模型法等。均值濾波法［1］使用連續(xù)N幀圖像序列的平均作為背景，若當前幀與背景幀對應位置的像素值差別大于一定閾值，則判定該像素點為前景點。該算法簡單、實時性好，但對環(huán)境光照變化和一些動態(tài)背景變化比較敏感，文獻［2］采用單高斯模型對背景像素點建模，在簡單環(huán)境下的檢測效果良好，但是在波動的湖面、搖曳的樹枝等復雜場景下，很難有效地檢測目標；混合高斯模型［3-6］對一個像素點的像素值出現(xiàn)概率使用多個高斯分布進行描述，能反映背景自身的變化，檢測效果較好，但算法計算量大，實時性差。文獻［7-8］提出了一種名為ViBe的非參數(shù)背景建模算法，這種算法具有良好的適應性和實時性，但是，ViBe算法的背景更新速度較慢，不能迅速處理靜止目標變?yōu)檫\動目標，以及運動目標變?yōu)殪o止目標這2種情況。比如，ViBe一般直接將第1幀作為初始背景，如果第1幀中含有運動目標，算法不但會檢測到運動目標，還會在目標的原位置檢測到一個虛假的運動區(qū)域，該區(qū)域就是所謂的鬼影。與之類似，在檢測過程中，某個原本長時間靜止的目標一旦開始運動，同樣會產(chǎn)生鬼影。由于ViBe的更新速度慢，鬼影的存在時間較長。另外一種情況是當目標長時間靜止時，ViBe算法會在較長時間內(nèi)將該目標判為運動目標，增加了后續(xù)處理的運算量。如何快速消除鬼影和目標靜止這2種情況，是智能視覺監(jiān)控系統(tǒng)中要解決的實際問題。

對于鬼影問題，一些研究者提出了改進，文獻［9］利用相鄰像素點的空間一致性對ViBe算法進行改進，當一像素點被判為前景時，將該點與其鄰域像素點背景模型中的像素值進行匹配，如果匹配點數(shù)超過閾值則判定此像素點為鬼影點，然后消除鬼影點并重新初始化該點的背景模型，從而抑制鬼影。該方法雖然能抑制鬼影，但算法運算量大。文獻［10］提出了一種幀間差分法與ViBe算法相結(jié)合的改進算法，這種方法將開始若干幀的差分結(jié)果與ViBe算法同一幀檢測得到的結(jié)果進行“與”運算，抑制鬼影并更新鬼影區(qū)域的背景模型。該方法可以抑制部分鬼影，而剩余鬼影點的抑制還是依賴ViBe原始更新策略，多幀后才能消除。

綜上所述，這些ViBe改進方法鬼影抑制的效果并不理想，也沒有考慮抑制目標靜止的問題。鬼影和靜止目標這2種虛假“靜止前景”，都需要改進ViBe算法來抑制，但是由于兩者的產(chǎn)生原因不同，需要采用不同的方法來抑制。本文根據(jù)局部區(qū)域像素值的方差大小來判斷一塊區(qū)域是鬼影區(qū)域還是靜止目標區(qū)域。對鬼影區(qū)域，該區(qū)域的背景模型用新來一幀的相應像素點去更新；而對靜止目標區(qū)域，待其靜止超過一定幀數(shù)則存儲原背景模型，并用當前像素值作為臨時背景模型，當該目標再次運動時則使用存儲的原背景模型替換當前的臨時背景模型。本文算法能夠快速有效抑制鬼影和靜止目標。

1　ViBe簡介

1.1ViBe原理

ViBe算法是一種比較高效的、魯棒性相對較強的算法。ViBe算法主要包含背景模型初始化、前景檢測以及背景模型更新3個模塊。

（1）背景模型初始化。ViBe為每個像素都建立背景模型，背景模型的容量為N。背景模型記為M＝{ p1，p2，…，pN}，初始化時，選擇視頻的第1幀，隨機選擇當前像素點的8鄰域任意一點像素值存到當前像素點的背景模型中，得到pi。重復此操作N次，就得到初始背景模型M。

（2）前景檢測。從第2幀開始計算每個像素點像素值與背景模型同一位置像素點N幀像素值的差的絕對值，將結(jié)果和預設(shè)的閾值R相比，如果小于R則說明找到一個匹配；統(tǒng)計上述小于R的匹配數(shù)目，如果匹配數(shù)目大于設(shè)定的匹配數(shù)目閾值，就判斷此像素點是背景點，否則就判為前景點。

（3）背景模型更新。如果一個像素點被判為背景點，那么就要對此點及其鄰域進行背景模型的更新。從N幀背景模型中任意選擇一幀p（x），用新來一幀中被判為背景點的像素值更新p（x）中對應點，然后再用此像素值隨機更新p（x）8鄰域任一像素點像素值。

1.2ViBe對鬼影的抑制

鬼影是ViBe算法存在的一個難點問題。ViBe算法中，鬼影鄰近背景像素點可以更新鬼影的背景模型，當鬼影背景模型中被更新的像素值個數(shù)超過閾值時，鬼影被抑制。ViBe算法需要經(jīng)過很多幀以后才能抑制鬼影。原始ViBe抑制鬼影如圖1所示，可見直到108幀鬼影才被完全抑制，消耗了大量的幀。

此外，ViBe對于靜止目標的抑制能力也比較有限。當目標與背景接近時，ViBe算法可以逐漸腐蝕靜止目標，但需要經(jīng)過很多幀以后才能抑制靜止目標；當目標與背景差別較大時，ViBe則不能抑制該目標。

圖1　ViBe抑制鬼影示意圖

2　ViBe改進算法

如前所述，原始ViBe算法在多幀以后才能抑制鬼影和靜止目標，本文改進算法的目的就是減少抑制鬼影和靜止目標所需的幀數(shù)。

2.1算法改進思路

鬼影和靜止目標都是要抑制的，但是兩者產(chǎn)生的原因以及消除的方法不同，本文的思路是先判斷后抑制。首先利用原始ViBe方法檢測到持續(xù)一定幀數(shù)的“靜止前景”區(qū)域（鬼影或者靜止目標），然后比較該區(qū)域的當前幀全部像素值方差與背景模型全部像素值方差的大小，從而判定該區(qū)域是鬼影區(qū)域還是靜止目標區(qū)域，再利用不同策略來更新背景模型并進行相應抑制。

當某局部區(qū)域的背景中含有目標，而新來一幀中此目標離開該區(qū)域，就導致該區(qū)域產(chǎn)生了鬼影。而當某局部區(qū)域的背景中沒有目標，而新來幀中該區(qū)域一直存在目標時，就檢測出該區(qū)域存在靜止目標。也就是說，通過分析局部區(qū)域的背景幀和當前幀是否含有目標來判斷該區(qū)域是存在鬼影還是靜止目標。有目標和無目標灰度圖如圖2所示，當某局部區(qū)域中不含有目標時，各像素值的差異較小，該區(qū)域的像素值方差就較小；當局部區(qū)域中含有目標時，各像素值的差異較大，該區(qū)域的像素值方差就較大。設(shè)σB為背景區(qū)域的像素值方差，σF為新來幀對應區(qū)域的像素值方差，方差計算公式為：

其中，I（i，j）為像素值；M、N為區(qū)域的高度和寬度；u為該區(qū)域像素值均值。圖1a無目標區(qū)域灰度值方差為2 703.3，而圖1b有目標區(qū)域灰度值方差為6 909.3。對于鬼影情況，背景一般如圖1b所示，新來幀如圖1a所示，顯然應該是背景方差大于新來幀的方差；對于靜止目標情況，顯然是背景方差小于新來幀的方差。

根據(jù)以上分析可知，當σB＞σF時，判定該區(qū)域出現(xiàn)鬼影；當σB＜σF時，判定該區(qū)域出現(xiàn)靜止目標。

圖2　有目標和無目標灰度圖

鬼影和靜止目標的抑制都需要更新當前的背景模型。鬼影區(qū)域的背景模型實際上就是目標，要想去掉鬼影，可以用實際背景來替代鬼影區(qū)域的背景模型，所以直接采用新來一幀對應像素點來更新鬼影背景模型。

靜止目標區(qū)域的背景模型是實際背景，為了抑制靜止目標，可以用該目標來更新靜止目標區(qū)域的背景模型。但是，當靜止目標離開靜止區(qū)域時，由于此時背景模型為目標，又會產(chǎn)生鬼影，所以在更新靜止區(qū)域背景模型之前，將該區(qū)域的原始背景模型保存，當靜止目標離開靜止區(qū)域時，再用前面保存的原始背景模型替代靜止位置的當前背景模型，從而避免了鬼影的產(chǎn)生。

2.2算法實現(xiàn)步驟

本文算法是在ViBe基礎(chǔ)上改進的，算法流程如圖3所示。

（1）算法初始化。開辟一塊存儲器用于保存各像素點的原始背景模型，并為每個像素點設(shè)置一個標志C來指示該像素點是否保存有原始背景模型（C為1表示該點保存了原始背景模型，C的初始為0）。另外，為每個像素點設(shè)置一個計數(shù)器，用來統(tǒng)計該像素點連續(xù)被判為前景的幀數(shù)。

（2）前景區(qū)域檢測。用原始ViBe算法進行目標檢測，并標記出每個前景目標的大小、位置。

（3）背景點背景模型更新。對新來一幀每個像素點進行分析，如果該像素點為背景則直接使用新來一幀像素點更新背景模型。

（4）靜止目標區(qū)域背景更新。若該像素點為前景，并且標志C為1，則用保存的原始背景模型替換當前背景模型，且標志C清零、存儲器清空。

（5）鬼影或靜止目標區(qū)域判別。如果該點為前景點且未存有背景模型（即C為0），則計數(shù)器加1。若計數(shù)器值大于等于ghosth，則判定該點為持續(xù)前景點，并標記出持續(xù)前景點所在區(qū)域，記為SA。

（7）鬼影區(qū)域判別及抑制。若小于設(shè)定的閾值T，說明此SA區(qū)域為鬼影，所以用新來一幀像素值替換該點背景模型，并將計數(shù)器清零。

（8）靜止目標區(qū)域判別及抑制。若大于設(shè)定的閾值T，且計數(shù)器值大于靜止目標閾值backth，說明該SA是靜止目標區(qū)域，所以用新來一幀像素值替換該點背景模型，并且存儲該點原始背景模型、標志C置1。

圖3　ViBe改進算法流程圖

3　實驗結(jié)果分析

實驗環(huán)境為i5處理器、內(nèi)存4 GB、VS2008以及OpenCV2.3.1。視頻序列為View-001 （768×576）。下面通過4個實驗來說明本文改進算法的處理能力。

3.1實驗1

為了測試本文改進算法對視頻起始產(chǎn)生鬼影的抑制能力，將原始ViBe算法、文獻［10］的算法以及本文改進算法的實驗結(jié)果進行比較和分析。實驗結(jié)果如圖4所示。

圖4　初始鬼影抑制效果對比

如圖4所示，視頻初始時有3個運動目標，由實驗結(jié)果可見，原始ViBe算法在第15幀時還有大部分鬼影殘留（鬼影為圈線標出的前景），在108幀時完全抑制鬼影；而文獻［10］算法在第10幀時已對鬼影做了局部的抑制，但是余下的部分仍需ViBe的穿插方法消除，第98幀時完全抑制鬼影，而本文算法在15幀時就完全抑制了鬼影。對于抑制鬼影的閾值ghosth，若設(shè)置過大則會影響抑制鬼影的效率，過小則許多目標都需要計算區(qū)域的方差，計算量大，本文抑制鬼影的閾值ghosth設(shè)置為15。本文提出的方法在抑制鬼影方面明顯優(yōu)于ViBe原始算法與文獻［10］的算法。

3.2實驗2

為了測試本文改進方法對于視頻運行中靜止目標移動產(chǎn)生的鬼影的抑制能力，截取視頻View-001第239幀以后的序列，并進行檢測，實驗結(jié)果如圖5所示。圖5中左側(cè)的目標自239幀開始靜止，在第277幀目標運動離開原始位置，在原始位置留下了明顯的鬼影（圖中圈線標示處），在第292幀時本文改進的ViBe完全抑制了鬼影。這說明本文改進方法可以有效地抑制在視頻運行中靜止目標移動產(chǎn)生的鬼影。

圖5　中期鬼影抑制效果

3.3實驗3

為了測試本文改進方法靜止目標的抑制能力，將原始ViBe算法與改進的ViBe算法對靜止目標的抑制結(jié)果進行對比，實驗結(jié)果如圖6所示。

由圖6可見，目標（圓圈定）自239幀開始靜止，277幀時目標重新開始運動。原始ViBe算法自239幀直至277幀該目標始終被判為前景。在本文的改進算法中，當靜止目標持續(xù)幀數(shù)超過設(shè)定閾值backth時就消除該前景目標，backth可以根據(jù)實際的需要來改動，為了觀測本文消除長期靜止目標的能力，設(shè)置backth值為20?？梢杂^察到，當?shù)?59幀時，已經(jīng)不能檢測到該目標。當?shù)搅说?77幀時，該目標重新運動離開原始位置，可以看出，當目標離開時并未留下鬼影，說明本文改進算法可以有效地抑制靜止目標。

對分辨率為768×576的View-001，原始ViBe算法耗時每幀0.139 s，本文改進算法耗時每幀0.169 s，算法速度略有下降。

圖6　靜止目標抑制效果對比

3.4實驗4

如前所述，本文算法通過比較局部區(qū)域的背景像素值方差和新來幀該區(qū)域的像素值方差的大小來判斷該區(qū)域是鬼影還是靜止目標，對于大多數(shù)監(jiān)控場景均能取得較好的實驗結(jié)果，對于某些背景特別復雜的監(jiān)控場景也會失效。

較復雜背景、特別復雜背景的實驗結(jié)果如圖7、圖8所示。

圖7a～圖7f為第1組圖，場景為樹林；圖7g～圖7l為第2組圖，場景為交叉路口，背景都較為復雜。第1組圖目標在第100幀開始靜止，第120幀就抑制了該靜止目標，第150幀目標開始運動，但沒有留下鬼影（圓圈區(qū)域中無鬼影）。第2組圖目標在第55幀開始靜止，第75幀就抑制了該靜止目標，第99幀目標開始運動，也沒有留下鬼影（圓圈區(qū)域中無鬼影）。圖7說明本文算法在比較復雜的條件適用。

圖8場景特別復雜，目標在第56幀開始靜止，第71幀就抑制了該靜止目標，第103幀目標開始運動，并留下鬼影（圓圈區(qū)域中存在鬼影）。圖8說明本文算法在場景特別復雜時可能并不適用，這也是下一步要解決的問題。

圖7　較復雜背景的實驗效果

圖8　特別復雜背景實驗效果

4　結(jié)束語

本文改進算法在普通的以及背景較為復雜的監(jiān)控場景下能夠有效并快速地抑制鬼影及靜止目標，但是對于背景極其復雜的監(jiān)控場景，由于這類場景含有目標的局部區(qū)域方差往往小于不含目標的同區(qū)域方差，所以容易在鬼影和靜止目標的判斷中出現(xiàn)誤差。

與原始ViBe算法和文中引述的其他ViBe改進文獻相比，本文能有效并快速地抑制鬼影和靜止目標。

在實際應用方面，由于極其復雜的場景在實際生活中比較少見，所以本文改進算法具有一定的實用性，但是在極其復雜場景下有效地抑制鬼影和靜止目標也很重要，在該方面有待于做出進一步探索和研究。

［參考文獻］

［1］Meier T，Ngun K N.Video segmentation for content-based cod2 ing［J］.IEEE Transactions on Circuits and Systems for Video Technology，1999，9（8）：1190-1203.

［2］Wren C R，Darrell T，Pentland A P，et al.Pfinder：real-time tracking of the human body［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1997，19（7）：780-785.

［3］Zhou D，Zhang H.Modified GMM background modeling and optical flow for detection of moving objects［C］//IEEE International Conference on Systems，Man and Cybernetics，2005：2224-2229.

［4］Zivkovic Z.Improved adaptive gaussian mixture model for background subtraction［C］//Proceedings of the 17th International Conference on Pattern Recognition.IEEE Computer Society，2004：28-31.

［5］Lee D S.Effective gaussian mixture learning for video background subtraction［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2005，27（5）：827-832.

［6］Sun Y G，Li H，Zhang H Y.Moving object detection algorithm based on improved gaussian mixture model［J］.Computer Engineering，2012，38（18）：166-170.

［7］Barnich O，Van Droogenbroeck M.ViBe：a powerful random technique to estimate the background in video sequences［C］//Proceedings of the ICASSP 2009 on Acoustics，Speech and Signal Processing.Taipei：IEEE，2009：945-948.

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

［9］陳亮，陳曉竹，范振濤.基于Vibe的鬼影抑制算法［J］.中國計量學院學報，2013，24（4）：425-429.

［10］Li Yongqiang，Chen Wanzhong，Jiang Rui.The integration adjacent frame difference of improved ViBe for foreground object detection［C］//International Conference on Wireless Communications，Networking＆Mobile Computing（WiCOM），2011：1-4.

（責任編輯張镅）

An improved ViBe algorithm for restraining ghost and stay object

WU Er-jie1，YANG Yan-fang2，TIAN Zhong-he1，JIANG Jian-guo1
（1.School of Computer and Information，Hefei University of Technology，Hefei 230009，China；2.School of Electronic Science and Applied Physics，Hefei University of Technology，Hefei 230009，China）

Abstract：Ghost and stay object may be detected by visual background extractor（ViBe）algorithm，which bring some errors when detecting objects，so these problems need to be restrained effectively.In this paper，based on the original ViBe algorithm，whether a foreground is stay object or ghost is judged by comparing the variance of gray value of a regional background model and the variance of gray value of the same region of next frame，and then different measures are adopted to limit the ghost and stay object and update the background model.The experimental results show that the improved algorithm can restrain ghost completely in only 15 frames，and restrain stay object completely in only 20 frames，but the original ViBe algorithm restrains ghost completely in 108 frames and it can not restrain stay object effectively.The experimental results indicate that when the monitoring scene is ordinary or relatively complex，this improved algorithm is feasible and effective.Key words：object detection；background model；visual background extractor（ViBe）algorithm；ghost；stay object

作者簡介：吳爾杰（1990-），男，安徽靈璧人，合肥工業(yè)大學碩士生；

基金項目：國家自然科學基金資助項目（61371155）；安徽省科技攻關(guān)計劃資助項目（1301b042023）

收稿日期：2014-12-24；修回日期：2015-03-03

Doi：10.3969/j.issn.1003-5060.2016.01.011

中圖分類號：TP301.6

文獻標識碼：A

文章編號：1003-5060（2016）01-0056-06