一種靜態背景下目標檢測與提取算法研究
張雅博I，別雄波2
'鄭州商學院，鄭州451200；
2重慶科技發展戰略研究院有限責任公司，重慶401123
摘要：在靜態背景下，運動目標檢測常用的最簡單、運算量小的為幀差法，應用最為廣泛的是背景減除法，而光流法具有不需要預先知道場景信息的情況下，也有較好檢測效果的特點，但它們都存在著各自的不足。而背景減除法中最常用的視覺背景提取(ViBe)在運動目標檢測時存在閾值固定、檢測出現鬼影以及檢測緩慢移動目標時出現殘影等一系列問題。基于ViBe算法的基礎上，研究設計出了一種改進的靜態背景下目標檢測與提取算法，該算法采用改進型累加平均的方法對背景模型進行初始化，擴大鄰域范圍為20鄰域，同時增加了動態閾值判別以及背景自適應更新環節進行鬼影、殘影抑制。實驗結果表明，改進的算法提高了前景檢測的準確性，有效地抑制了鬼影、殘影現象，計算速度快，魯棒性強。
關鍵詞：靜態背景；目標檢測;ViBe；動態閥值
中圖分類號:TN26文獻標識碼：A doi：10.ki.jgzz.2021.02.094
Rearch on target detection and extraction algorithm in static background
ZHANG Yabo1,BIE Xiongbo2
1Zhengzhou Business University,Zhengzhou451200,China；
2Chongqing Academy of S&T f or Development,Chongqing401123,China
Abstract:In the static background,frame difference method is the most simple and the least computation in mov-ing object detection,and background subtraction method is the most widely ud method,while optical flow method has the characteristics of better detection effect without knowing the scene information in advance,but they all have their own shortcomings.The most commonly ud graphical background extraction(vibe)in the background subtrac?tion method has a ries of problems,such as the fixed threshold,ghost shadows and residual shadows while slowly moving the objects,an improved algorithm for the detection and extraction of objects under the static background is de-signed in the study.This paper studies and designs an improved algorithm of target detection and extraction in the stat-ic background bad on the vibe algorithm.This algorithm adopts an improved cumulative average method to initiali the background model,expanding the neighbourhood range to20.Simultaneously,the dynamic threshold judgment and background adaptive update is added to suppress ghost shadows and residual shadows.The results show that th
e improved algorithm improves foreground detection accuracy,effectively suppress ghost shadows and residual shadows and has fast calculation speed and strong robustness.
Key words:static background；object detection；ViBe；dynamic threshold
1引言
隨著社會應用技術的發展，在靜態背景下運動的
收稿日期:2020-09-24
基金項目：國家自然科學基金項目(N<>.51876018)
作者簡介：張雅博(1989-)，男，工學碩士，講師，研究方向：信息獲取技術與處理。E-mail：
通訊作者：別雄波(1988-)，男，碩士，工程師，研究方向：光纖信息處理。目標檢測與提取越來越被重視，檢測速度、精度、抗噪性能等日益增強。其中，靜態背景下運動目標檢測常用的最簡單、運算量小的為幀差法，應用最為廣泛的為背景減除法，而光流法具有不需要預先知道場景信息的情況下，也有較好檢測效果的特點，但它們都存在著各自的不足[*-3]o2009年，一種基于背景減除的目標檢測方法ViBe(Visual Background Extractor)算法由Bamich和Van Droogenbroeck提出，該方法在
www?
《激光雜志》2021 年第 42 卷第 2 期 LASER JOURNAL( Vol. 42, No. 2,2021)
95
目標檢測時，相較于傳統的檢測方法而言，在運算效
率、抗噪性、檢測精度以及對硬件內存占用等方面脫 穎而出。但它仍然存在檢測算法閾值固定、第一幀圖
像作為初始化背景模型出現檢測鬼影以及緩慢運動
目標存在殘影等一系列問題。
針對靜態背景下的目標檢測問題進行研究，在原
ViBe 算法的基礎上，為提高檢測精度、降低鬼影、殘影
的影響，對其進行改進。提出了建立新型背景模型,
以動態閾值判別為基礎，以及背景自適應更新進行鬼
影、殘影抑制目標檢測改進算法。
2靜態背景下運動目標提取
2. 1 ViBe 算法原理
ViBe 算法是采用隨機更新和鄰域更新的方法對 目標圖像中的每個像素都建立一個存儲該像素和其
鄰域像素值的背景模型。將當前檢測幀圖像中的像 素樣本集與對應該像素的樣本集進行比較來實現對 前景檢測和背景模型進行更新⑼。大體流程如圖1
所示。 1
2*(1) 初始化背景模型:ViBe 算法把第一幀圖像作 為基礎數據，并對背景模型進行初始化建立。其中，
圖像中每個像素點％對應的背景模型中均含有P1,
P2,P3…P"共計?個像素值數據，組成各自的背景樣
本集，如公式(1)所示：
S (X )=也丿2 ,P ” I ( 1 )
背景模型樣本集中的n 個參數值由像素點x 對 應像素值和其鄰域像素值隨機產生組成。通常情況
下，鄰域范圍采用8鄰域，"取經驗值20o
(2) 前景目標檢測[10-12]：提取視頻非第一幀序列
中當前幀圖像，按照公式(1)將圖像中各個像素點建立一個最新樣本集，與背景模型各個像素點對應樣本
集進行一一比較，判斷當前幀圖像各個像素是否是背景像素。設幾仏)表示視頻第t 幀圖像％位置的像素值，用S r (p ，仏))表示以視頻第t 幀圖像%位置為中
圖1 ViBe 算法對幀序列圖像更新背景模型流程圖
心，半徑為R 的圓形區域，如圖2所示。圖中點円4
心…P ”為S&)背景樣本集中各像素值。
S ；Pt （x ））
?產
% ; %
q
圖2像素點的分類過程
S r (p ,&))表示的圓形區域范圍包含背景樣本集 S(x)中樣本個數與某個閾值進行比較，如公式(2)所
示：
f#i S r (p 3 ) c 舊，巴，巴…p ” H m %“，背景 1#!s r (p ,(x ))n|P,,p 2，巴…代!!＜〃罰，前景
(2)
其中〃罰為算法設定的固定前景判定閾值，如果
像素點％為背景像素則對應圓形區域內包含的背景
樣本集s (%)中樣本個數應大于或等于u mmO
(3)更新背景模型：如果像素p,(x)經過公式(2)
計算后被認定為背景像素時，則采用隨機原則，從對
應的背景模型S&)中隨機選取一個樣本值，將其用
p,(x)的像素值進行代替，而背景模型中P&)鄰域像 素同樣也等概率進行替換。
2.2提出的改進算法
(1)背景模型初始化
考慮到第一幀圖像含有運動目標的快速移動，原
ViBe 算法初始化的背景模型會影響后期檢測的準確 性。對于大多數視頻幀圖像而言，圖像內各像素點在
沒有目標運動或者噪聲干擾的情況下，其灰度值在短
時間內通常只在較小的范圍內波動，采用改進型累加
平均的方法，選取視頻前N 幀序列圖像作為基礎數 據，計算每幀圖像對應像素點各灰度值出現的頻率,
選擇頻率最高的前2個，并求取所有提取的灰度值的
平均值，并取整進行背景模型初始化，如公式(3) 所示：
Backguound (x ,y)二
]i = N
—[image + image i (x,y) ] (3)
其中，等號左邊表示用于背景模型初始化的平均
圖像，等號右邊N 表示需平均的幀數，這里N= 30, im -
age,(x,y)和image l (x,y)表示第i 幀圖像對應像素點
各灰度值出現的頻率最高的前2個。
在采用原ViBe 算法初始化建立樣本集時，由于
http : //www. larjoumal.
cn
依據第一幀視頻圖像，從而會出現圖像某個像素點被
多次采樣現象，且背景模型各個樣本集更新采用隨機
原則，選取區域為該像素和其8鄰域像素值，范圍過
于集中，在像素分類時，檢測正確率降低［13-'5］o 這里
將采樣范圍從8鄰域擴展到20鄰域，如圖3所示。 通過擴大鄰域范圍能避免一個像素被多次重復采樣,
進而提高模型樣本集的質量。
圖3 20鄰域示意圖
Pl （X ）
/>2（%）
卩3 (% )
卩4( X )
P5 (%)06（ *）
/>7 ( % )
卩8（%）
Pg （X ）
Pio （%）/>( X )P\\（%）
Pl2（X ）
Pl3（%）Pg (%)P15（%）
円6（%）
Pl7 (%)
P18（%）P19（%）
Do （ %）
（2） 閾值問題改進
采用最大類間方差法OTSU 算法對ViBe 算法閾 值固定①丄］，可能在多模態場景劃分前景和背景精 度不能較高進行改進。OTSU 算法是先計算背景模型 中第一個樣本值與當前需要判斷的一幀圖像之間的 差值，計算當前幀的最佳分割閾值，以得出差分圖像
D （%,y ）。
這里假設當前某幀圖像像素的灰度范圍為［0，厶-
1 ］，若分割閾值為〃，則該幀圖像的灰度級分割為［0,
的區域/1 +和［〃+1，厶-1］的區域A-，其中，4 +、4-
分別代表前景和背景。定義類間方差如公式（4）所 示：
/ =30（“0-“）'+5（如-“1 尸 （4）
其中,3。和3分別表示分割的前景和背景區域
像素點的數目占整個圖像的比例，和⑷分別是
圖像所有像素點、前景和背景灰度級區域像素點的灰 度平均值。卅與前景和背景區域差別度成正比，值
越大圖像分割效果越好，值越小則效果越差。根據不 同的分割閾值〃計算各自的其中〃的最優值為 /的最大值所對應的分割閾值，即為此幀圖像的最 優動態閾值U*，如公式（5）所示：
曠二人叭聽’佔-小屯⑺宀門（5）
（3） 消除殘影
針對運動目標運動狀態發生緩慢的變化時，經過
ViBe 算法提取的前景圖像會在目標身后出現虛擬影 子，該影子與實際目標不相符即為殘影。根據不同幀
圖像中前景目標質心位置計算其對應的質心差，以此 來改變背景模型的更新率，從而可以較好地解決采用
固定更新率的傳統ViBe 算法所引起的殘影現象。
這里，引入一段時間內運動目標質心的平均移動
速度4D 來反映檢測目標緩慢移動的速度。4D 為幀 差測量值，具體計算如公式（6）所示：
f
AZ ） = X d /f
（6）
i = 1
其中，仏為連續兩幀運動目標相對質心差,/為要
統計的連續幀數和。若較小，則反映運動目標質 心移動速度較慢，為充分使緩慢移動的物體融入到背
景樣本集，應降低背景模型更新速度，適當地增加Q
若△￡>較大，則反映運動目標移動速度較快，為使得
運動目標移動過的地方能夠快速地恢復為背景，應提
高背景模型更新速度，適當的減小卩。為了盡可能的
使與更新速度相匹配，設置更新關系式如公式 （7）所示：
f —（p = K * SD
（7）
其中,K 為更新速度相關因子,K 值的選取根據
當前視頻的實際情況給岀，一般情況下，取K=4。
3實驗結果與分析
使用數據集中的office 視頻序列作為檢測對象,
對原始ViBe 算法以及改進的ViBe 算法分別進行了 編程實驗，對實驗結果進行了對比分析。
如圖4所示，從視頻序列中提取出第145、146、
147 J48幀作為說明對象。并且將office mask 圖中同
樣的幀數提取出來如圖5所示，采用原始ViBe 算法
模型和提出的改進的ViBe 算法模型對office 視頻提
取的前景目標做對比，其效果圖分別如圖6和圖7 所示。
圖4 office 視頻中連續4幀原圖
IUUIUU
圖5 office mask 視頻中對應4幀原圖
圖6 office 對應4幀vibe 算法
圖7 office 對應4幀本文改進的ViBe 算法
由圖6可以看出，采用傳統的ViBe 算法會產生
http : //www. larjoumal.
cn
《激光雜志》2021年第42卷第2期LASER JOURNAL(Vol.42,No.2,2021)97
較為嚴重的鬼影現象，而且由于圖中還有燈光變化導致提取出的前景目標有噪點，該算法并不能較準確得到提取目標。由圖7可以看出提出的改進ViBe算法模型不僅能很好地提取前景目標，而且對消除鬼影和去噪方面都有很好的效果。而且相比較于圖4中of-fice mask視頻的真實前景目標，提岀的算法運行結果雖然仍有有空洞的岀現，但是已經能較好地提取目標的輪廓，辨認度比較高。
采用IEEE Change Detection Workshop(CDW)評價檢測標準來定量地進行客觀評價分析。定義TP為檢測到的正確的目標點數，FP為錯誤目標點數，F7V 為錯誤背景點數，77V為正確背景點數。評價內容包括：
Re(Recall)=TP/(TP+FN)；
Sp(Specificity)=TN/(TN+FP)；
FPR(Fal Positive Rate)二FP/(FP+TN)；
FNR(Fal Negative Rate)=FN/(TP+FN)；
PWC(Percentage of Wrong Classifications)=100 *(FN+FP)/(TP+FN+FP+TN)；
Precision=TP/(TP+FP)；
F-Measure二(2*Precision*Recall)/(Precision+ Recall)o
表1評價參數比較
Algorithms ViBe Enhanced ViBe
Re(Recall)0.68610.7118
Sp(Specificity')0.94270.9963 FPR(Fal Positive Rate)0.09240.0669
FNR(Fal Negative Rate)0.31390.2882 PWC(Percentage of Wrong Classification) 5.2774 4.7409
Precision0.73890.9718
F-Meature0.71150.8217
分別對兩種算法做了評價分析如表1所示，可知在錯判率和誤判率方面，提出的算法的相關參數指標均較小，正確檢測率和精度也較高。這也從側面反映出本文提出的算法具有更強的魯棒性。
4結論
在靜態背景下，對原ViBe算法存在的問題做出了改進。提出的采用改進型累加平均的方法對背景模型進行初始化，擴大鄰域范圍為20鄰域，同時增加了動態閾值判別以及背景自適應更新環節的改進算法相較原ViBe算法的錯判率和誤判率都得到降低，提高了前景檢測的準確性，有效地抑制了鬼影現象，計算速度快，魯棒性強。
參考文獻
[1]Olivier Bamich,Van Droogenbroeck.ViBe:a powerful
random technique to estimate the background in video -
quences[J J.IEEE International Conference on Acoustics,
Speech,and Signal Processing,2009:945-948.
[2]Van Droogenbroeck,Marc Paquot Olivier.Background Sub-
traction:Experiments and Improvements for ViBe[J].IEEE
Computer Society Conference on Computer Vision and Pat-
tern Recognition Workshops,2012：32-37.
[3]余啟明.基于背景減法和幀差法的運動目標檢測算法
研究[D].贛州：江西理工大學,2013.
[4]陳亮，陳曉竹，胡正東.用于鬼影抑制的區域檢測算法
[J]?中國計量學院學報,2015,26(01):115-122.
[5]蔣建國，王濤，齊美彬，等.基于ViBe的車流量統計算法
[J].電子測量與儀器學報,2012,26(06)=558-563. [6]莫邵文，鄧新蒲，王帥，等.基于改進視覺背景提取的運
動目標檢測算法[J]?光學學報,2016,36(06)=204-213.
[7]李亞偉，曹凱，王杰，等.一種改進的ViBe鬼影抑制算法
[J].廣西大學學報(自然科學版),2017,42(02):712-
719
[8]閔衛東，郭曉光，韓清.改進的ViBe算法及其在交通視
頻處理中的應用[J].光學精密工程,2017,25(03):806-
811.
[9]韓悅，金晅宏，郭旭，等.視頻序列中的運動目標檢測算
法研究[J].電子測量技術,2019,42(13):103-106. [10]陳星明，廖娟，李勃，等.動態背景下基于改進視覺背景
提取的前景檢測[J].光學精密工程,2014,22(09)：2545
-2552.
[11]方嵐，于鳳芹.去除鬼影及陰影的視覺背景提取運動目
標檢測算法[J].激光與光電子學進展,2019,56(13)：71
-7&
[12]茅正沖，沈雪松.融合多尺度變換的改進Vibe算法[J].
激光與光電子學進展,2018,55(11):321-328.
[13]歐陽梓標，牛燕雄，謝朋言.一種改進的基于ViBe的運
動目標檢測方法[J]?半導體光電,2018,39(02):260-
263
[14]彭志勇，劉子琪，竇慧，等.基于自適應Lab色差閾值的
ViBe運動目標檢測算法[J].光電子?激光,2019,30
(05):529-535.
[15]吳建勝.徐博.動態閾值的Vibe運動目標檢測[J].計算
機工程與應用,2017,53(11):182-186.
www.larjournal,cn
