張 萌，侯宏錄，蘇 煒，涂 柯

(西安工業(yè)大學(xué) 光電工程學(xué)院， 西安 710021)

隨著新型武器研究的快速發(fā)展，對(duì)靶場(chǎng)運(yùn)動(dòng)彈丸檢測(cè)系統(tǒng)也提出了更高的精度要求[1-3]。但是由于靶場(chǎng)環(huán)境的復(fù)雜性[4]，如場(chǎng)景變換、噪聲以及鬼影等，使得算法對(duì)運(yùn)動(dòng)彈丸檢測(cè)的準(zhǔn)確度和完整度受到了影響。

常用的靶場(chǎng)運(yùn)動(dòng)目標(biāo)檢測(cè)算法有光流法，幀間差分法以及背景減除法[5-6]等。光流法準(zhǔn)確性高，但是抗干擾性差。文獻(xiàn)[7]對(duì)基于結(jié)構(gòu)-紋理分解和建立光照變化模型的改進(jìn)光流法進(jìn)行實(shí)驗(yàn)分析，發(fā)現(xiàn)解決了傳統(tǒng)光流法精度低和計(jì)算復(fù)雜度高等問(wèn)題，但難以同時(shí)兼顧這些優(yōu)勢(shì)。文獻(xiàn)[8]提出了一種動(dòng)態(tài)背景下光流場(chǎng)分析的運(yùn)動(dòng)目標(biāo)檢測(cè)算法，構(gòu)建馬爾可夫隨機(jī)模型的能量函數(shù)，獲得目標(biāo)函數(shù)能量最小化時(shí)的運(yùn)動(dòng)前景分割結(jié)果，提高了檢測(cè)精度，然而易將背景中的晃動(dòng)目標(biāo)誤檢為前景目標(biāo)。幀差法原理簡(jiǎn)單，檢測(cè)速度快。文獻(xiàn)[9]提出幀間差分融合灰度投影的運(yùn)動(dòng)目標(biāo)檢測(cè)算法，對(duì)三幀差圖像的垂直和水平方向的灰度投影曲線進(jìn)行互相關(guān)運(yùn)算，獲得曲線峰值坐標(biāo)，實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的檢測(cè)，增強(qiáng)了前景點(diǎn)的識(shí)別率，但是投影曲線峰值過(guò)多容易導(dǎo)致誤檢。文獻(xiàn)[10]融合三幀差法和HSV(Hue-Saturation-Value)檢測(cè)運(yùn)動(dòng)目標(biāo)，能夠有效去除陰影，但目標(biāo)空洞現(xiàn)象明顯。背景減除法檢測(cè)準(zhǔn)確且精度高，文獻(xiàn)[11]根據(jù)連續(xù)多幀圖像訓(xùn)練混合高斯背景模型，適應(yīng)動(dòng)態(tài)復(fù)雜背景檢測(cè)，但仍存在大量噪音以及鬼影區(qū)域。文獻(xiàn)[12]針對(duì)高斯混合模型 (Gaussian Mixture Model,GMM) 算法目標(biāo)檢測(cè)存在鬼影問(wèn)題，利用RGB三通道幀間差分法消除鬼影區(qū)域，檢測(cè)過(guò)程復(fù)雜且噪聲問(wèn)題仍未得到解決。由于以上算法無(wú)法同時(shí)有效解決抗干擾性以及偽目標(biāo)等問(wèn)題，文獻(xiàn)[13]提出一種基于背景學(xué)習(xí)率α的視覺(jué)背景提取算法(Visual Background Extractor,ViBe)，根據(jù)圖像背景的變化自適應(yīng)更新分割閾值，對(duì)相機(jī)抖動(dòng)和晃動(dòng)樹(shù)枝等有較強(qiáng)的抗干擾性。文獻(xiàn)[14] 針對(duì)ViBe算法對(duì)光照突變適應(yīng)性差問(wèn)題，根據(jù)Ostu算法獲得最佳分割閾值，利用掩碼mask更新背景幀，進(jìn)而提高前景目標(biāo)檢測(cè)精度，然而消除鬼影時(shí)間較長(zhǎng)。文獻(xiàn)[15]構(gòu)建YUV_Color雙背景模型，增強(qiáng)提升了目標(biāo)完整性和加快了鬼影消除速度，卻延長(zhǎng)了建模時(shí)間。文獻(xiàn)[16]采用融合改進(jìn)三幀差分自適應(yīng)更新ViBe背景模型，檢測(cè)精度和鬼影現(xiàn)象得到了有效解決，而前景目標(biāo)內(nèi)部空洞現(xiàn)象明顯，算法過(guò)程復(fù)雜。

針對(duì)ViBe算法在復(fù)雜場(chǎng)景下檢測(cè)精度低以及易出現(xiàn)鬼影的問(wèn)題，提出一種基于邊緣梯度特征的自適應(yīng)閾值改進(jìn)算法。根據(jù)場(chǎng)景的光線變化調(diào)整分割閾值，實(shí)時(shí)更新準(zhǔn)確的背景模型并基于ViBe算法提取前景目標(biāo)；通過(guò)判斷前景區(qū)域與運(yùn)動(dòng)區(qū)域之間邊緣梯度特征模型的相似度，消除鬼影區(qū)域。

1 ViBe算法原理

ViBe[17]算法是一種像素級(jí)背景建模方法。該算法具有建模速度快，對(duì)簡(jiǎn)單動(dòng)態(tài)背景具有較強(qiáng)的適應(yīng)性等特點(diǎn)，包含三個(gè)模塊：背景初始化、前景檢測(cè)以及背景更新。

1.1 背景初始化

基于第1幀圖像鄰域像素點(diǎn)具有空間相似性且不受時(shí)間歷史性影響的特點(diǎn)，初始化背景模型。為每個(gè)像素點(diǎn)x建立N個(gè)樣本，從該像素點(diǎn)8鄰域中隨機(jī)選取N個(gè)像素特征依次填充樣本集，所有像素點(diǎn)x的樣本集構(gòu)成初始化背景模型M(x)，表達(dá)式為

M(x)={Bx(i)|Bx(i)?Vx(g)},

(1)

式中:Bx(i)為在像素點(diǎn)x樣本集中第i個(gè)像素值；i=1,2,…,N;Vx(g)為像素點(diǎn)x的8鄰域采樣值；g為像素點(diǎn)x的8鄰域隨機(jī)位置。

1.2 前景檢測(cè)

背景初始化完成后，通過(guò)計(jì)算待檢測(cè)像素點(diǎn)與其對(duì)應(yīng)背景模型之間的歐氏距離，并統(tǒng)計(jì)小于閾值R的個(gè)數(shù)CNT.若CNT小于最小匹配閾Smin，表明該像素點(diǎn)與其背景模型不相似，屬于前景點(diǎn)，反之屬于背景點(diǎn)，判定模型為

F(x)=

(2)

1.3 背景更新

ViBe算法采用基于像素隨機(jī)選取的保守背景更新策略，保留了像素點(diǎn)在時(shí)間和空間上的歷史性，提高了算法在動(dòng)態(tài)環(huán)境中的魯棒性。更新流程如下：若當(dāng)前像素點(diǎn)被檢測(cè)為背景像素點(diǎn)或者連續(xù)多幀被判定為前景點(diǎn)，該像素點(diǎn)則有1/q的概率去更新自己和自身8鄰域像素點(diǎn)的背景模型，q為時(shí)間采樣因子。反之，若該像素點(diǎn)被判定為前景點(diǎn)時(shí)，不再更新背景模型。

2 運(yùn)動(dòng)目標(biāo)檢測(cè)的ViBe改進(jìn)算法

在光線瞬變的場(chǎng)景中，ViBe算法建立的背景模型也時(shí)刻發(fā)生變化，若仍采用固定閾值分割前景點(diǎn)與背景點(diǎn)，誤檢率較高。并且視頻首幀中如果存在運(yùn)動(dòng)目標(biāo)，易產(chǎn)生鬼影，導(dǎo)致目標(biāo)多檢，故本文對(duì)ViBe算法提出以下改進(jìn)。

2.1 基于自適應(yīng)閾值的前景分割

GMM算法通過(guò)計(jì)算像素點(diǎn)與其在鄰域的標(biāo)準(zhǔn)化偏差的匹配度，反映出當(dāng)前幀圖像背景與前一幀圖像背景的變化差異，從而自適應(yīng)更新高斯模型[18]。基于該思想，通過(guò)計(jì)算待檢測(cè)像素點(diǎn)x對(duì)應(yīng)的背景復(fù)雜度α(x)，反映當(dāng)前背景的亮度變化；比較α(x)與全局閾值s的大小調(diào)整參數(shù)R，獲得更精確的分割閾值，同時(shí)實(shí)時(shí)更新更準(zhǔn)確的背景模型。

(3)

(4)

式中:R0為全局分割閾值；s為衡量背景復(fù)雜度的全局閾值；?為閾值調(diào)整參數(shù)。

2.2 基于梯度特征模型的鬼影消除

目標(biāo)形狀邊緣是反映感興趣目標(biāo)的一種重要特征，通過(guò)建立圖像中前景區(qū)域與其對(duì)應(yīng)原圖運(yùn)動(dòng)區(qū)域的邊緣特征模型，并比較兩個(gè)模型的相似性，可以篩選出鬼影區(qū)域并消除。

2.2.1 邊緣梯度特征模型的建立

邊緣梯度直方圖特征是在邊緣檢測(cè)理論基礎(chǔ)上提出的一種形狀邊緣特征的提取方法。相比其他梯度邊緣檢測(cè)算法，Canny算子[19-20]抗噪能力強(qiáng)、定位精度高。本文采用該算子建立特征模型過(guò)程為

(5)

(6)

(7)

式中:gx(x,y)和gy(x,y)分別為該圖像的水平梯度和垂直梯度；θ(x,y)為梯度方向；f(x,y)為像素點(diǎn)(x,y)處的鄰域圖像；Sx(w,v)和Sy(w,v)分別為水平和垂直方向模板，其式為

(8)

(9)

將gx(x,y)和gy(x,y)進(jìn)行直方圖統(tǒng)計(jì)并歸一化處理,完成特征模型的建立P和Q，其式為

(10)

式中：n為圖像中前景區(qū)域的個(gè)數(shù)；P為前景區(qū)域特征模型；X為存儲(chǔ)歸一化參數(shù)xi*的向量，Q為原圖運(yùn)動(dòng)區(qū)域特征模型；Y為存儲(chǔ)歸一化參數(shù)yi*的向量。

2.2.2 鬼影消除

通過(guò)計(jì)算向量X和向量Y的Tanimoto系數(shù)[21]來(lái)判斷向量X和向量Y的相似度，進(jìn)而反映前景區(qū)域特征模型Pi和原圖對(duì)應(yīng)運(yùn)動(dòng)區(qū)域特征模型Qi之間的相似程度，兩向量之間的Tanimoto系數(shù)Ti(Xi,Yi)為

(11)

Ti(Xi,Yi)越接近1，說(shuō)明向量Xi與向量Yi相似程度越高，進(jìn)而反映特征模型Pi與特征模型Qi的相似性越高；反之，其值越接近0，說(shuō)明Pi和Qi的相似性越低。

當(dāng)Ti(Xi,Yi)大于等于Tanimoto系數(shù)閾值T0，則判斷該前景區(qū)域?yàn)楣碛皡^(qū)域，將該區(qū)域內(nèi)的所有像素點(diǎn)值置零；反之，則保持該區(qū)域內(nèi)所有像素點(diǎn)值不變。

3 運(yùn)動(dòng)目標(biāo)檢測(cè)算法分析

為了驗(yàn)證算法的有效性，根據(jù)復(fù)雜背景下運(yùn)動(dòng)目標(biāo)檢測(cè)算法常受相機(jī)抖動(dòng)，樹(shù)枝擾動(dòng)以及鬼影等問(wèn)題干擾，采集三類(lèi)不同場(chǎng)景視頻序列，使用改進(jìn)幀差法和GMM法以及ViBe法與本文的ViBe改進(jìn)算法進(jìn)行實(shí)驗(yàn)分析，結(jié)果如下所述。

3.1 實(shí)驗(yàn)結(jié)果定性分析

場(chǎng)景1為含有攝像機(jī)抖動(dòng)和強(qiáng)邊緣區(qū)域的復(fù)雜背景視頻序列。其中，攝像機(jī)在拍攝第27幀時(shí)受到強(qiáng)烈晃動(dòng)，且首幀中存在研究目標(biāo)，實(shí)驗(yàn)結(jié)果如圖1所示：GMM法檢測(cè)出的目標(biāo)較完整，但對(duì)抖動(dòng)和強(qiáng)邊緣產(chǎn)生的噪粒比較敏感且存在多檢現(xiàn)象；改進(jìn)幀差法和ViBe法對(duì)噪粒的處理效果比較好，但改進(jìn)幀差法檢測(cè)出的目標(biāo)內(nèi)部存在空洞并出現(xiàn)了目標(biāo)丟失現(xiàn)象，ViBe法引入偽目標(biāo)；最后通過(guò)對(duì)比視頻原圖1(a)的檢測(cè)結(jié)果，可以發(fā)現(xiàn) ViBe改進(jìn)算法在保證目標(biāo)數(shù)量和完整性的同時(shí)，幾乎濾除了背景中所有的噪粒。

圖1 抖動(dòng)和強(qiáng)邊緣區(qū)域視頻檢測(cè)結(jié)果

場(chǎng)景2為含有樹(shù)枝擾動(dòng)的復(fù)雜背景視頻序列，視頻首幀中存在研究目標(biāo)，隨機(jī)選擇視頻第26幀圖像，實(shí)驗(yàn)結(jié)果如圖2所示?？芍狦MM法和ViBe法將擾動(dòng)樹(shù)枝誤檢為前景目標(biāo)并引入了偽目標(biāo)；改進(jìn)幀差法相比前兩種算法樹(shù)枝擾動(dòng)問(wèn)題得到了明顯改善，但目標(biāo)邊緣不光滑；而ViBe改進(jìn)算法采用的自適應(yīng)閾值背景更新模型和鬼影消除策略，實(shí)時(shí)描述了每幀圖像的背景，提高了目標(biāo)檢測(cè)的準(zhǔn)確性。

場(chǎng)景3為陰雨天拍攝的復(fù)雜背景視頻序列，首幀中不存在研究目標(biāo)，隨機(jī)選擇視頻第20幀圖像，實(shí)驗(yàn)結(jié)果如圖3所示。從圖中可以看到，由于雨水對(duì)光線的吸收和漫反射，四種算法提取的目標(biāo)完整性都比較低,改進(jìn)幀差法效果最差。GMM法和ViBe法將雨滴和擾動(dòng)樹(shù)枝誤檢為前景目標(biāo)；ViBe改進(jìn)算法雖然由于漫反射引入了部分噪音，但相比前三種算法，整體檢測(cè)效果仍然最好。

圖2 擾動(dòng)視頻檢測(cè)結(jié)果

圖3 陰雨天視頻檢測(cè)結(jié)果

3.2 實(shí)驗(yàn)結(jié)果定量分析

為了精確比較以上算法性能，文中采用召回率(Re),精確率(Pre)和調(diào)和平均值F1等3個(gè)性能評(píng)價(jià)指標(biāo)從定量角度對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析。其中，3個(gè)指標(biāo)數(shù)值越接近1，表示算法的檢測(cè)精度和目標(biāo)完整度越高，指標(biāo)公式為：

(12)

(13)

(14)

式中:TP為正檢為前景像素點(diǎn)的個(gè)數(shù)；FN為將前景點(diǎn)錯(cuò)檢為背景點(diǎn)的個(gè)數(shù)；FP為將背景點(diǎn)錯(cuò)檢為前景點(diǎn)的個(gè)數(shù)。

4種算法總體性能結(jié)果比較見(jiàn)表1～表2?？梢园l(fā)現(xiàn)，文中的改進(jìn)ViBe算法相比改進(jìn)幀差法，GMM法以及ViBe法，調(diào)和平均值F1在場(chǎng)景1分別提高了13.22%，36.9%，13.83%；在場(chǎng)景2中分別提高了5.59%，41.81%，29.8%；在場(chǎng)景3中分別提高了38.95%，24.44%，22.74%。召回率Re在場(chǎng)景1中分別提高了19.89%，0.82%，3.79%；在場(chǎng)景2中分別提高了2.62%，0.96%，1.94%；在場(chǎng)景3中分別提高了42.7%，7.55%，27.84%。精確率Pre在場(chǎng)景1中分別提高了18.72%，58.8%，32.74%；場(chǎng)景2中分別提高了7.62%，55.43%，42.83%；在場(chǎng)景3中分別提高了34.43%，36.61%，16.56%。驗(yàn)證了文中算法有效抑制了鬼影區(qū)域，同時(shí)提高了運(yùn)動(dòng)目標(biāo)的檢測(cè)精度。

表1 改進(jìn)幀差法和GMM法的性能比較

表2 ViBe法和ViBe改進(jìn)算法的性能比較

F1分?jǐn)?shù)是根據(jù)召回率和精確率之間的平衡點(diǎn)定義的新指標(biāo)，解決這兩個(gè)矛盾體指標(biāo)無(wú)法達(dá)到雙高問(wèn)題，從而更有效評(píng)價(jià)運(yùn)動(dòng)目標(biāo)檢測(cè)算法的性能。故為了更直觀體現(xiàn)文中算法的優(yōu)越性，從三個(gè)場(chǎng)景視頻圖像序列中隨機(jī)選取連續(xù)7幀圖像進(jìn)行實(shí)驗(yàn)， 采用F1對(duì)4種算法的實(shí)驗(yàn)結(jié)果進(jìn)行評(píng)價(jià)。從實(shí)驗(yàn)數(shù)據(jù)圖4可以看出，在不同場(chǎng)景中文中算法明顯優(yōu)于前三種算法，驗(yàn)證了文中算法的有效性和適用性。

圖4 不同場(chǎng)景中4種算法性能比較

4 結(jié) 論

針對(duì)傳統(tǒng)ViBe算法在復(fù)雜背景下抗干擾性差和出現(xiàn)鬼影等問(wèn)題，提出一種基于邊緣梯度特征的自適應(yīng)閾值改進(jìn)算法。根據(jù)待檢測(cè)像素點(diǎn)在8鄰域范圍內(nèi)像素值的離散度，表示出其背景集的復(fù)雜度并進(jìn)行判斷，從而自適應(yīng)更新分割閾值R并提取前景像素點(diǎn)；建立前景區(qū)域與運(yùn)動(dòng)區(qū)域的邊緣梯度模型，通過(guò)判斷模型之間的相似度，篩選并消除鬼影區(qū)域。最后采用改進(jìn)幀差法、GMM法、ViBe算法以及文中的ViBe改進(jìn)算法處理3種不同場(chǎng)景的復(fù)雜視頻序列圖像，實(shí)驗(yàn)結(jié)果表明，文中算法有效抑制了鬼影問(wèn)題，提升了對(duì)相機(jī)抖動(dòng)性、強(qiáng)邊緣區(qū)域、晃動(dòng)樹(shù)枝以及陰雨天的抗干擾性，同時(shí)，相比前三種算法，其調(diào)和平均值F1提高了23.52%，召回率提高了17.1%，增強(qiáng)了前景目標(biāo)的檢測(cè)精度與目標(biāo)的完整性。下一步將開(kāi)展運(yùn)動(dòng)速度對(duì)目標(biāo)檢測(cè)結(jié)果的影響分析研究，解決暗背景下目標(biāo)檢測(cè)的完整性低問(wèn)題。