《基于鬼影判断抑制和局部运动补偿的改进vibe算法》由会员分享，可在线阅读，更多相关《基于鬼影判断抑制和局部运动补偿的改进vibe算法（10页珍藏版）》请在金锄头文库上搜索。
1、基于鬼影判断抑制和局部运动补偿的改进 ViBe 算法 章伟明 周武能 东华大学信息科学与技术学院 摘 要： 传统的 Vi Be 算法在检测运动目标时会产生“鬼影”现象, 并且对只存在局部运动的目标无法检测出完整的结果。已有的改进算法在克服上述缺陷时没有进行缺陷类型的判断使得在一定程度上降低了算法的性能。因此, 针对“鬼影”现象, 本文提出先利用边缘相似性进行“鬼影判断”, 之后结合三帧差分算法来消除鬼影。针对局部运动目标, 本文提出一种结合检测阈值判断的方法, 先确定是否存在身体局部运动, 之后结合扫描线填充算法对目标进行补偿填充得到完整的运动目标。实验结果表明, 本文算法能有效克服“鬼影”及
2、局部运动的缺陷, 提高目标检测的效率以及准确性。关键词： Vi Be 算法; 边缘相似性; 三帧差分; 局部运动; 扫描线填充; 作者简介：章伟明 (1992-) , 男, 浙江湖州人, 东华大学信息科学与技术学院硕士研究生, 研究方向:视频图像处理;作者简介：周武能 (1959-) , 男, 教授, 博士生导师, 研究方向:神经网络, 图像处理, 控制理论。收稿日期：2017-03-28基金：国家自然科学基金资助项目 (61573095) An Improved ViBe Algorithm Based on Ghost Judgment Suppression and Local Moti
3、on CompensationZHANG Wei-ming ZHOU Wu-neng College of Information Science and Technology, Donghua University; Abstract： The traditional ViBe algorithm has a “ghost”phenomenon in the detection of moving targets, and it cant detect the complete result for the target with only local motion. Most improv
4、ed algorithms cant determine the types of defects in overcoming the above defects which reduces the performance of the algorithm. Therefore, for the“ghost”phenomenon, this paper uses edge similarity to make“the ghost judgment”, then combines the three frame difference method to eliminate ghosting. A
5、iming at local moving target, this paper proposes a new method to determine the existence of local motion, then the whole moving object is obtained by combining the scan line filling algorithm. Experiments show that this algorithm can effectively overcome the defects of“ghost”and local motion, and i
6、mprove the efficiency and accuracy of the target detection.Keyword： ViBe algorithm; edge similarity; three frame difference method; local motion; scan line filling; Received： 2017-03-280 引言在未来大数据、物联网的时代背景下, 智能监控的研究与发展得到广泛关注。运动目标检测作为智能监控系统研究中的重要研究课题之一, 是一个融合了机器视觉、模式识别、图像处理、自动控制等多领域研究内容的前沿课题。运动目标检测的准确
7、与否, 会对整个智能监控系统中后续的目标跟踪、分类乃至更高层次的视频内容分析理解起到至关重要的作用。目前主流的运动目标检测算法主要有:光流法1、帧差法2以及背景减除法3-6。帧差法的基本原理是对视频序列相邻若干帧对应的像素作差分阈值化处理来得到运动目标。该方法不需要建立背景模型, 更新速度快, 计算量小, 适用于视频的实时处理, 但容易受到噪声影响。光流法的基本思想是计算视频图像的光流场, 通过光流场的变化来提取视频中的运动目标。光流法对视频的背景没有要求, 在没有任何场景信息的情况下即可检测目标, 但该方法计算复杂, 计算量大, 且十分容易受外界因素干扰从而对检测目标产生严重影响。背景减除法
8、的主要思想是使用当前帧图像与不包含前景目标的背景模型进行比较, 根据背景模型的判别条件来判断是否属于前景。本文深入研究背景差分法的一种高效建模方法Vi Be 算法7-9, 并融合多种算法模型, 针对“鬼影”和局部运动的缺陷选择相应的模型进行判断和改进优化, 提高算法的性能和精确度, 得到令人满意的结果。1 Vi Be 算法Vi Be 算法是基于视频图像帧像素的背景建模方法, 核心思想是为视频图像帧的每一个像素建立一个像素值样本空间, 在该样本空间下, 视频帧图像的像素及其邻域像素随机地选取空间中的像素值, 据此就可以建立视频序列的背景模型。1.1 背景模型的建立Vi Be 算法根据视频序列第一
9、帧图像完成背景模型初始化。视频图像每一个像素 x 的背景模型表示为:其中, v i表示背景样本空间中的像素值;N 表示样本空间的大小 (实验中 N=20) 。初始化时, 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, Vi Be 算法根据视频图像第一帧, 随机选择当前像素点的 8 邻域任意一点像素值存到当前像素点的背景模型中, 记为 vi, 重复此操作 N 次即得到该像素点的背景模型 M (x) 。1.2 前景目标检测从第二帧开始, Vi Be 算法开始计算每个像素值与背景模型相应像素点的 N 个样本值的距离。图 1 当前像素点与背景模型的比较 下载原图如图 1 所示, 定义
10、为以 x 为中心、R 为半径的球形区域, 对新的像素值 x, 若区域包含了 个以上的背景样本值, 则将其归为背景, 并更新其背景样本, 即背景判断准则为:其中, R, 均为参数。1.3 背景模型更新策略Vi Be 模型更新思路为:1) 当一个像素点被分类为背景点时, 该背景像素点有 1/ ( 为时间采样因子, 一般取值为 15 或 16) 概率更新模型样本, 更新方式为在它的样本集中随机地选择一个样本点, 用这个像素点进行填充更新。2) 同时也有 1/ 概率更新其邻域模型样本;在邻域像素点的样本集中利用33 的模板随机地选择它的一个样本点, 用它的邻居点的像素值进行填充更新。更新邻居的样本值利
11、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 区域的更快识别。3) 在选择替换样本值时, 随机抽取更新的方式可以保证样本值平滑的生命周期, 该方式使得一个样本值在时刻 t 不被更新的概率为 (N-1) /N, 假设在连续时间下, dt 后样本值的保留概率为:这表明一个样本值在模型中是否被替换与时间 t 无关, 随机策略是合适的。2 基于边缘相似特征的鬼影判断Vi Be 单帧初始化的策略使得一旦视频图像的第一帧存在前景目标就会引入鬼影10-12 (Ghost) 区域。通过实验观察发现鬼影存在区域与真实目标区域的边缘特性存在明显差别。本文利用 Sobel 边缘算子检测
12、运动目标的轮廓如图 2所示, 所采用的检测视频为背景帧包含运动目标的室外运动视频。图 2 视频目标边缘特征 下载原图从图 2 中可以看出, 鬼影区域部分与视频初始化帧对应部分的边缘性存在极大相似性, 而真实目标区域与当前输入帧对应部分的边缘存在极大相似性, 根据这一特性可以利用边缘特征是否相似来判别鬼影区域。2.1 归一化一阶距离的边缘相似性度量函数为了比较 2 幅图像的边缘相似性, 在基于最小相似性度量的一阶距离度量方法基础上本文定义了一种归一化最大相似性度量函数:2.2 基于相似性度量函数的鬼影判断将算法检测目标的边缘图像记为 Ea, 视频第一帧检测目标对应区域的边缘图像记为 Eb, 当前
13、帧的目标边缘图像记为 Ec, 分别计算式 (4) 定义的相似性度量函数 (E a, Eb) , (E a, Ec) , (E b, Ec) , 然后根据如下判别规则进行鬼影判别:1) 假如 , 即检测目标与第一帧相应区域的相似性优于当前帧, 则将检测目标判别为鬼影。2) 假如 , 即检测目标与第一帧相应区域的相似性劣于当前帧, 则将检测目标判别为真实目标。3 融合三帧差分的鬼影消除算法Vi Be 算法采用视频图像的第一帧完成背景模型的初始化, 一旦第一帧图像中存在运动目标, 则运动目标所在的像素点也会被填充到背景模型中, 由此就会导致在前景检测时引入 Ghost 区域。针对 Vi Be 会出现
14、鬼影的缺陷, 本文引入三帧差分13算法来获取真实的背景图像完成对 Vi Be 算法模型的初始化。融合三帧差分后的背景模型初始化过程步骤如下:1) 设当前帧为第 i 帧, F k-1, Fk, Fk+1表示第 k-1, k, k+1 帧, n 代表训练视频帧数。2) 假设从第 Fk帧开始检测, 令 i=k, 对视频中的连续 3 帧图像 Fk-1, Fk, Fk+1进行灰度化处理和三帧差分, 之后将所得图像再进行阈值化和二值化处理, 得到第 Fk帧的运动目标像素和背景像素点, 将当前帧的背景像素点保存, 运动目标像素点记为 Sk。3) 将当前帧往后移一帧, 令 i=k+1, 重复步骤 2 得到 S
15、k+1, 判断 Sk+1的背景像素点在 Sk中是否被保存为背景像素点, 如果没有则将 k+1 帧的这些背景像素点填充到第 k 帧保存为背景像素点, 同时为了保证准确性也将该像素点的 8 邻域点保存为背景点。如果背景图像中还有未填充的像素, 跳到步骤 3。若 in, 且还有未填充的背景像素, 则用背景图像中其邻域像素值近似填充。若 in 且第 k 顿图像所有像素都已全部填充, 那么完成初始背景的建立, 得到准确的背景图像。4 融合边缘检测的局部运动检测传统的 Vi Be 算法对只存在局部运动的运动目标并不能进行有效完整的检测, 因此提出一种融合 Sobel 算子和区域填充的算法来提高检测率。算法
16、的具体实现步骤如下:1) 判断检测目标是否为局部运动。2) 利用 Sobel 算子提取出运动检测目标的实际轮廓, 并对检测结果进行二值化处理。3) 将改进后的 Vi Be 检测目标结果叠加到上述步骤所得二值化图像边缘内实现融合, 消除了原本存在的阴影部分。4) 步骤 3 的检测结果会存在空洞部分, 因此利用扫描线填充算法对检测结果进行区域填充, 得到完整的运动目标。4.1 局部运动判断对于存在局部运动的检测目标而言, Vi Be 算法无法完整检测出运动目标, 针对这种情况, 本文提出了一种局部运动判断方法。Vi Be 算法在检测局部运动目标时效果如图 3 所示。图 3 Vi Be 局部运动检测结果 下载原图根据图 3 特性, 本文利用检测目标的阈值范围来确定目标是否存在局部运动。判断方法如下:1) 对当前检测的视频帧, 首先利用边缘检测算子 Sobel 算子来检测出当前的运动目标轮廓并进行二值化处理。2) 利用传统 Vi Be 算法对运动目标进行检测
