一種基于ViBe的改進運動目標檢測方法
【專利摘要】本發(fā)明公開了一種基于ViBe的改進運動目標檢測算法，將ViBe算法中僅有的二值前景圖像的單一分割過程加入了二值前景圖像的更新過程。經ViBe算法輸出的二值前景圖像進行斑點去除、小空洞填充和大空洞填充的形態(tài)學處理，斑點去除和小空洞填充后的前景圖像作為最終檢測結果輸出。同時，用去除的斑點像素區(qū)和填充的大空洞像素區(qū)的像素對背景模型的樣本進行更新，作為下一幅圖像進行ViBe算法運動目標檢測的背景模型。本發(fā)明計算復雜度低，靜止背景下運功目標檢測效果優(yōu)于ViBe算法和ViBe+算法，可作為實際應用的運動目標檢測，也適于作為施加輔助手段以求在特殊場景下獲取更佳運動目標檢測效果的基礎算法。
【專利說明】
一種基于Vi Be的改進運動目標檢測方法
技術領域
[0001] 本申請涉及一種運功目標檢測算法，該方法可廣泛用于圖像、視頻處理領域。
【背景技術】
[0002] Barnich和Van Droogenbroeck提出的ViBe(Visual Background Extractor)運動 檢測算法是背景減除算法中的非參數非迭代算法，為基于像素為的背景建模，前景檢測算 法，也是第一個隨機背景減除算法。該算法的背景模型的更新策略僅依靠本幅圖像中隨機 選擇所需替換的像素樣本，隨機選擇鄰域像素進行更新，從空間信息間接取得時間信息，建 立背景模型，從而實現(xiàn)前景運動對象的檢測。因該算法內存占用小、計算復雜度低，背景模 型建立迅速，抗噪性能好等優(yōu)點受到廣泛關注。同時ViBe算法還存在一些缺點，如檢測指標 有相當提升空間，陰影、鬼影、抖動等方面存在較大局限性，有不少的研究關注于ViBe算法 性能的進一步改善。
[0003] ViBe算法的作者之一Van Droogenbroeck隨后又提出了ViBe的改進算法ViBe+。 ViBe+區(qū)分了二值前景檢測圖像分割和更新兩個過程，綜合了多種手段，如加入100幀的訓 練序列、通過調整眾多固定參數加速保守的更新進程、用形態(tài)學對前景空洞的填充和對斑 點塊的消除、抑制空間擴散速度、用更精確也更復雜的距離判斷和啟發(fā)式的閃爍像素檢測 等改善ViBe的缺陷，使得檢測的結果更加精確，但過于強調對抖動的改善，計算復雜度大且 延時大大增加，不便于移植也難以適用于廣泛的實時性應用。
[0004] ViBe+為ViBe算法的改進提供了很好的思路，加入提高檢測效果的關鍵手段一一 形態(tài)學處理方法。但一方面ViBe+算法在形態(tài)學手段的應用上存在缺陷，另一方面ViBe+過 多的其它手段增加了算法復雜度和延時，降低了實用性。將ViBe+的形態(tài)學方法完善，并獨 立用于對ViBe算法改進上，可以提高運動目標檢測效果同時不增加過多的計算復雜度和延 時。

【發(fā)明內容】

[0005] 基于上述想法，本發(fā)明提出了一種基于ViBe的改進運動目標檢測算法，采用更完 善的生態(tài)學手段應用于ViBe算法中，進一步提高靜止背景下運動目標檢測的效果。
[0006] 為實現(xiàn)上述目的，采用如下技術方案：
[0007] 步驟1:對輸入圖像序列逐幀進行Vi Be算法處理，輸出二值的運動目標檢索圖像 Mask。對ViBe算法做如下改進：1)記錄背景模型背景樣本集合中所有樣本的來源坐標，便于 后續(xù)背景樣本失效刪除;2)采用YUV顏色空間Y、U、V三分量分別計算待分類像素與背景樣本 集中樣本像素的歐幾里德距離(分別為Ydist、Udist和Vdist)是否滿足判決，來決定待分類 像素是否選入背景模型背景樣本集合中，具體采用下式為判決依據：
[0008] (Ydist<Y_Radius)&&(Udist<U_Radius)&&(Vdist<V_Radius) = 1 (1)
[0009] 其中3_1^(11118、1]_1^(11118、￥_1^(11118分別是背景樣本選取半徑，分別取20、10、10。
[0010] 步驟2 :對Mask先后進彳丁面積小于Sspot的前景斑點去除和面積小于Ssmallhole的前景 空洞填充，分別輸出二值圖像Maskl和Mask2，以Mask2作為最終檢測結果輸出，其中，SspQt和 Sgllhole按下面給出的公式求得：
(2) (3) (4)
[0014]其中，"L」"算子為下取整，"「1"算子為上取整，Area是當前圖像的像素總數， AreaciF是CIF格式圖像像素總數。
[0015]步驟3:對Maskl進行面積小于Sbighoie(式3)的前景空洞填充輸出二值圖像Mask3， 再進行中值濾波輸出最終運動目標檢測二值圖像。從步驟1到步驟3完成了前景檢測圖像的 分割過程。
[0016] 步驟4:將Mask和Maskl進行異或，得到已刪除的斑點像素區(qū).將Mask和Mask3進行 異或，可以得到已填充的大空洞像素區(qū)。
[0017]步驟5:將斑點像素區(qū)內的像素隨機的添加在背景模型的樣本集合中，更新背景模 型;將大空洞像素區(qū)內的像素從背景模型的背景樣本集合中刪除，二次更新背景模型。
[0018]步驟6:將更新的的背景模型用于步驟1的新的圖像幀的運動目標檢測。從步驟4到 步驟6完成了前景檢測圖像的更新過程。
[0019] 經過上述6個步驟，實現(xiàn)了前景檢測圖像的分割過程和更新過程，完成了基于ViBe 算法改進的運動目標檢測工作，其中目標檢測結果在前景檢測圖像的分割過程的步驟3中 輸出完成。
[0020] 本發(fā)明的有益效果是：
[0021] 1、本發(fā)明在基于ViBe算法基礎施加生態(tài)學手段，并增加了更完善的前景檢測圖像 更新過程，引入的額外計算復雜度低，獲得了更好的靜止背景下的運動目標檢測效果，優(yōu)于 ViBe算法和ViBe+算法，算法復雜度遠低于ViBe+且不會受訓練序列影響產生延時。
[0022] 2、本發(fā)明可以替代ViBe算法，作為施加輔助手段以求在特殊場景下獲取更佳運動 目標檢測效果的基礎算法。
【附圖說明】
[0023]圖1為本發(fā)明基于ViBe算法改進的運動目標檢測方法的流程示意圖；
[0024]圖2為本發(fā)明提出的運動目標檢測方法與ViBe、ViBe+算法的指標比較；
【具體實施方式】
[0025]下面結合附圖和具體實施例對本發(fā)明做進一步詳細說明，但不以任何形式限制本 發(fā)明?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下進行若 干變形和改進所獲得的其他實施例，都屬于本發(fā)明保護的范圍。
[0026] 用pf (X，y, {f = y，C/, F丨表示圖像(x，y)位置像素p (x，y)在YUV彩色空間中的某 一基色值(Y，U或V)，用/表示(x，y)像素第i個背景f基色樣本值。為每個像素點基 色建立含有N個帶有坐標信息的從之前幀中獲取的背景樣本值的集合，以此為背 景模型：
[0027] Mt (x, y) = [ptx (x, y), pt2(x9 y),..., ptN (x, >；)}, {t = Y, U, V}
[0028] 對第1幀背景模型M (X，樣本的建立，取自p (x，y)空間上8領域內隨機的N個像 素。
[0029 ]對當前待分類像素與對應的背景模型(X，進行相似度比較， 0 = ，相似度高為前景。相似度判決，首先要計算與背景模型 中N個樣本值中的每一個樣本按下式分別計算歐式距離：
[0030] tdist = ^pt(x,y)~ = Y,U,V}
[0031] 當沿M5, f = ；K,t/,F都滿足時，才認為該像素與背景模型樣本集合中 的當前樣本的距離符合要求，與一個樣本相似，即：
[0032] (Ydist<Y-Radius)&&(Udist<U-Radius)&&(Vdist<V-Radius) = = 1
[0033] 其中，fA_及ac//財，{f = r，t/，F(xiàn)}為距離判別閾值。當樣本相似的數量達到閾值#!^11 后，就認為當前待分類像素pf (X,與對應的背景模型A/? 相似，將當前像素p (x，y) 的值隨機的更新到背景模型中，其中#min = 2，N = 20，Y_Radius = 20， U_Radius = 10，V_Radius = 10 都為固定值。
[0034]上述工作，是對ViBe算法內部做的必要改進及原理說明，其它過程同ViBe算法一 致。本實施例通過圖1所示的過程完成基于ViBe的改進運動目標檢測。
[0035]步驟101:以上述改進后的ViBe算法對輸入圖像序列逐幀進行運動目標的檢測，輸 出檢測的二值圖像Mask，白色(255值)表示前景，黑色(0值)表示背景。
[0036]步驟102:對Mask進行斑點去除，輸出二值圖像Mask。斑點的大小Ssp〇t按下式作為 去除依據：
[0038]其中，"L」"算子為下取整，"「1"算子為上取整，Area是當前圖像的像素總數， AreaciF是CIF格式圖像像素總數。
[0039]步驟10 3 :對Ma s k進行前景中的小空洞填充，輸出二值圖像Ma s k 2。小空洞的大小 Ssmallhole按下式作為填充依據：
[0041] 其中，符號表不同Sspot中含義一致。
[0042]步驟104:對Mask2進行3 X 3的中值濾波，輸出輸出最終運動目標檢測二值圖像。 [0043] 步驟105:將Mask和Maskl進行異或，得到已刪除的斑點像素區(qū)。
[0044]步驟106:對Maskl進行前景中的大空洞填充，輸出二值圖像Masl^Dda空洞的大小 Sbighole按下式作為填充依據：
[0046] 其中，符號表不同Sspot中含義一致。
[0047] 步驟107:將Mask和Mask3進行異或，得到已填充的大空洞像素區(qū)。
[0048] 步驟108:將斑點像素區(qū)內的像素隨機的添加在背景模型的樣本集合中，更新背景 模型;將大空洞像素區(qū)內的像素從背景模型的背景樣本集合中刪除，二次更新背景模型。將 二次更新的的背景模型用于新的圖像幀的運動目標檢測。
[0049] IEEE Change Detection Workshop(O)W)以目標運動/變化檢測算法的性能驗證 為目的，于2012年和2014年分別對近幾年運動目標檢測的研究成果進行了評價與總結。為 了使其研究結果可信并具有普適性，CDW提供了綜合測試視頻序列庫，為運動檢測算法提供 了良好的素材庫。采用CDW提供的圖像序列進行運動目標檢測的算法測試，選取了公共場景 基準68861；[116序列子庫和動態(tài)背景(17仙111；[〇1^〇1^1'01111(1子庫共7組序列進行測試。采用〇)￥ 中公認的7個常用指標（召回率Recall、特異性Specficity、前景錯誤率FPR、背景錯誤率 FNR、分類錯誤率I^C、準確率Precision和F測度F-Measure)進行定量地評價檢測結果。圖2 所示的結果表明：測試指標普遍優(yōu)于ViBe算法和ViBe+算法。
【主權項】
1. 一種基于ViBe的改進運動目標檢測方法，其特征在于，包括以下步驟： 步驟1:對輸入圖像序列逐幀進行ViBe算法處理，輸出二值的運動目標檢索圖像Mask。 對ViBe算法做如下改進：1)記錄背景模型背景樣本集合中所有樣本的來源坐標，便于后續(xù) 背景樣本失效刪除；2)采用YUV顏色空間三基色分量分別計算待分類像素與背景樣本集中 樣本像素的歐幾里德距離，來判斷待分類像素是否選入背景模型背景樣本集合的依據。 步驟2 :對Mask先后進彳丁面積小于Sspot的前景斑點去除和面積小于Ssmallhole的前景空洞 填充，分別輸出二值圖像Maskl和Mask2，以Mask2作為最終檢測結果輸出。 步驟3:對Maskl進行面積小于SbighciIe的前景空洞填充輸出二值圖像Mask3。 步驟4:將Mask和Maskl進行異或，得到已刪除的斑點像素區(qū).將Mask和Mask3進行異或， 可以得到已填充的大空洞像素區(qū)。 步驟5:將斑點像素區(qū)內的像素隨機的添加在背景模型的樣本集合中，更新背景模型； 將大空洞像素區(qū)內的像素從背景模型的背景樣本集合中刪除，二次更新背景模型。 步驟6:將更新的的背景模型用于新的圖像幀的運動目標檢測。2. 根據權利要求1所述的一種基于ViBe的改進運動目標檢測方法，其特征在于，記錄背 景模型背景樣本集合中所有樣本的來源坐標，用于后續(xù)處理;采用YUV顏色空間三基色分量 分別計算待分類像素與背景樣本集中樣本像素的歐幾里德距離（分別為Ydist、Udist和 Vdist )，來判斷待分類像素是否選入背景模型背景樣本集合的依據，具體采用下式： (Ydist<Y_Radius)&&(Udist<U_Radius)&&(Vdist<V_Radius) = 1 其中，￥_1^(1丨118、1]_1^(1丨118、￥_1^(1丨118分別是背景樣本選取半徑，分別取20、10、10。3. 根據權利要求1和2所述的一種基于ViBe的改進運動目標檢測方法，其特征在于，將 二值圖像Mask和Maskl進行異或，得到已刪除的斑點像素區(qū)；將二值圖像Mask和Mask3進行 異或，可以得到已填充的大空洞像素區(qū)。接著將已刪除的斑點像素區(qū)內的像素隨機的添加 在背景模型的樣本集合中更新背景模型，將大空洞像素區(qū)內的像素從背景模型的背景樣本 集合中刪除進行背景模型的二次更新，將更新后的模型用于新的輸入圖像的運動目標檢 測 。
【文檔編號】G06T7/00GK105894534SQ201610172005
【公開日】2016年8月24日
【申請日】2016年3月25日
【發(fā)明人】石東新, 王非非, 孫象然, 楊占昕
【申請人】中國傳媒大學