基于改进视觉背景提取算法的运动目标检测方法 下载: 1302次
ing at the problems of ghost and the noise interference from dynamic background in classic visual background extraction algorithm, an improved visual background extraction algorithm is proposed. The important feature information of pixels in complex environment can be collected by creating the auxiliary sample set. By introducing analysis of the pixel ghost factor and the region complexity, the matching threshold and updating rate of each pixel can be adaptively adjusted. With the pixel flicker analysis based on sliding window, the points which may be misdetected as foreground can be updated to the auxiliary samples according to probability. The comparative experiments in the multi-scene show that the proposed method can reduce the wrong classifications rate to as low as 1.49%, eliminate the ghost quickly, suppress the noise interference from the dynamic background, and ensure the complete recognition of foreground target. The results of the algorithm are more accurate in the complex environment.
1 引言
运动目标检测技术是计算机视觉和数字图像处理领域的重要研究内容,近年来国内外学者对该问题进行了大量研究。常见的运动目标检测方法主要有帧差法[1]、光流法[2]、背景剪除法[3]等。其中背景剪除法应用最为广泛,其特点是通过提取视频中相应数据对视频场景中的背景进行建模。最具代表性的背景剪除算法有高斯混合模型(GMM)[4-6]、视觉背景提取(Vibe)算法[7-11]等。Barnich等[12]提出基于像素的非参数化随机样本模型,即Vibe算法,它通过收集背景样本来构建背景模型,并将待检测序列中某像素点的特征与其背景模型进行匹配,通过阈值判断对该点进行背景前景划分,如果该点被划分为背景,则将其特征值向该点及其邻域点样本集中,以一定概率随机更新。该算法具有计算量小、处理速度快以及应对噪声稳定性好等特点,非常适合嵌入中小型视频设备中。
Vibe算法在复杂环境中检测运动目标时仍存在一些问题,比如:算法初始化时存在前景目标或静止目标突然运动而出现鬼影的现象;复杂环境中的动态背景因素会使得相应像素点值在时域中频繁变化,导致动态背景被误检为前景,使结果中出现大量噪声。
针对这些问题,本文综合考虑算法在复杂环境下的准确性及有效性,在Vibe算法基础上提出通过分析像素点的鬼影程度,动态调整像素点在空间中的传播速率,提高鬼影消除速度;通过分析像素点的区域复杂度信息自适应调整匹配阈值;并根据像素点的闪烁程度更新辅助样本集合,在有效去除动态背景干扰的同时,保证真正前景能被准确检测。
2 Vibe算法描述
2.1 采样与匹配
Vibe算法初始化时为每个像素点创建一个背景样本集合。某像素点位置一定范围内的所有像素点均依概率收集在其背景样本集合中。在检测过程中,将当前视频序列中的像素点与该点位置的背景样本集进行匹配,通过样本集匹配程度来判断该点是否属于背景。设
式中
在匹配时,
式中
2.2 背景模型初始化
Vibe算法在初始化时为视频序列初始帧中的每个像素点创建其背景样本集合。由于单个像素点包含信息较少,假设像素点的相邻像素点均具有相似的特性分布,Vibe算法对某像素点所在区域内的所有像素点按一定概率进行采样,并构建该像素点的背景样本集合。初始化公式为
式中
2.3 背景模型的更新策略
Vibe算法采用随机更新的策略,只有在某像素点被划分为背景像素时对其样本集进行更新,时间采样因子为
3 改进的Vibe算法
3.1 辅助样本集
在传统Vibe算法中,样本集合初始化时对像素点及其邻域的采样并不能满足复杂环境下的检测要求。在复杂场景中,部分像素点的特征信息变化频率较快,不能被背景样本集合及时收集,容易产生误检。
本文提出为每个像素点创建一个辅助样本集合,在一定条件下对可能被误检为前景的像素点进行更新,将其特征信息更新到辅助样本集合中。辅助样本集合保证像素点在特殊情况下的重要特征信息能被有效收集,便于减少动态背景因素产生的噪声误检。
3.2 消除鬼影
在视频序列的初始化过程中,由于Vibe算法仅采用第一帧图像构建背景模型,因此初始化时如果存在前景目标或者长期静止的目标突然运动,会导致真实背景像素因无法有效匹配而被检测为前景,产生鬼影。Vibe算法在背景更新时通过空间传播的方法使静止的前景目标逐渐融入到背景中,但该过程耗时较长。
文献[ 10]提出利用固定较大的更新参数快速消除鬼影,但运动速度较慢的前景目标容易被同化到背景中,且对于不同场景需要给出不同的先验参数,难以满足多场景环境下的检测要求。由于真实前景区域的像素特征与其邻域背景区域像素特征差距较大,背景像素的信息传播到前景边界像素的样本集合后,该信息很难与前景目标成功匹配,即邻域背景信息很难穿透边界进入到前景目标区域中去。相反,由于背景像素通常具有区域相似的特性,鬼影区域的像素值与其邻域背景区域的像素值差别较小。
在像素点空间传播时进行二次匹配,衡量前景像素点的鬼影程度,并调整疑似鬼影区域的更新速率,实现快速消除鬼影。设背景像素点
式中
3.3 结合区域信息的复杂度分析
文献[
7]提出通过像素背景复杂度自适应调节匹配阈值
通过水平方向与竖直方向上的Sobel梯度算子对像素点区域进行边缘检测分析,其梯度特征模板为
使用横向梯度模板算子
通过收集像素点的邻域颜色差值对其区域颜色显著性进行分析,定义像素点
式中
区域复杂度特征因子
式中参数
式中
像素点区域复杂度越高,则该点作为运动目标外边界点或背景物体边缘点的可能性越高,此时适当提高匹配阈值,防止背景因素被误检为前景。像素点区域复杂度越低,该点所在区域背景信息分布越稳定,应适当减小匹配阈值,提高检测精度。
3.4 滑动窗模型
滑动窗模型在很多领域都得到了应用,常用于图像、信号等的动态分析处理。该模型通过对某元素在时域中的某一有限区域进行采样,来描述该元素一定时间段内的变化特性。在视频图像处理中,使用滑动窗模型进行采样可有效提高处理结果的实时性。
在某视频序列中,设{
3.5 像素点闪烁因子
在水波纹、树叶抖动等背景较为复杂的场景中,动态背景区域像素值变化频率较快,因而传统Vibe算法在检测时产生大量误检区域。文献[ 9]提出通过分析像素点在时域中背景与前景之间的切换程度来判断该像素点属于动态背景的可能性。但是当一个像素点具有较高的闪烁参数值时,不一定表示其属于动态背景。由于闪烁程度是累计计算模式,因此只能大致反映该像素从初始化到当前帧的总体闪烁趋势,且闪烁程度值会因连续前景或背景序列而削减。
本文引入滑动窗模型,统计视频序列中包括当前帧
式中
式中
4 实验结果
仿真实验硬件平台的CPU为Intel Core i5,内存为8 G,操作系统为WIN7旗舰版,运行环境为VS2013。实验数据来源于highway、boats、overpass、canoe、pedestrians等视频中的图像序列,共计14417帧。将改进Vibe算法、GMM算法和传统Vibe算法[11]进行对比,并对其中部分有真值的视频序列进行定量分析。实验部分参数取值参考文献[
9-12],背景样本集大小
实验在视频pedestrians中以第330帧为起始帧开始检测。初始化帧中存在运动目标是产生鬼影的典型场景,起始帧如
图 3. pedestrians视频序列测试结果比较。(a)起始帧;(b)第340帧;(c)第430帧;(d)第340帧GMM算法检测结果;(e)第430帧GMM算法检测结果;(f)第340帧Vibe算法检测结果;(g)第430帧Vibe算法检测结果;(h)第340帧本文算法检测结果;(i)第430帧本文算法检测结果
Fig. 3. Comparison of test results in pedestrians video sequence. (a) Initialization frame; (b) input 340th frame; (c) input 430th frame; (d) GMM result of 340th frame; (e) GMM result of 430th frame; (f) Vibe method result of 340th frame; (g) Vibe method result of 430th frame; (h) proposed method result of 340th frame; (i) proposed method result of 430th frame
为了较为精确地定量分析几种算法的性能,文献[
13]中定义多个性能评估指标,即召回率、特异率、虚警率(FPR)、漏检率(FNR)、精度、错分率(PWC)。实验对上述视频序列中部分有真值的序列共计10517帧进行测试与计算,将结果进行平均处理,并通过帧率(FPS)描述算法运行的时间效率,得到数据如
图 5. 第2705帧overpass视频序列测试结果比较。(a)输入帧;(b) GMM算法检测结果;(c) Vibe算法检测结果;(d)本文算法检测结果
Fig. 5. Comparison of test results in overpass video sequence of 2705th frame. (a) Input frame; (b) GMM result; (c) Vibe method result; (d) proposed method result
表 1. 算法性能评估指标
Table 1. Comparison of algorithm capability
|
GMM算法通过比较松弛的背景更新策略提升其环境适应能力,降低虚警率,但导致过快将前景目标更新为背景,漏检率大幅升高。传统Vibe算法能较为有效地检测前景目标,但由于其固定的匹配阈值与更新速率导致复杂环境中的动态背景大量被检测为前景,且算法运行中出现鬼影后难以将其消除。本文算法的PWC指数、特异率、虚警率、精度指标均相对最优。对比GMM算法和传统Vibe算法,本文算法的精度分别提高9.9%和26.59%,虚警率分别降低44.9%和72.55%,在综合性能上错分率分别下降46.87%和52.38%。由于改进算法复杂度有所增加,本文算法平均帧率较传统Vibe算法有所下降,但明显优于GMM算法,且平均帧率保持在30 frame/s以上,具有一定实时性[3]。本文算法综合检测性能相对最优。
5 结论
提出为像素点创建辅助样本集合,保证像素点重要特征信息不被丢失,并引入区域复杂度信息,结合时域滑动闪烁因子,动态调整匹配阈值与鬼影区域更新速率。实验结果表明,改进算法能快速消除鬼影和复杂背景中的动态噪声,并保证前景目标能被有效检测,提高复杂环境下运动目标检测结果的精确性。算法具有实时性好、抗干扰能力强、检测结果较为准确等优点。
[1] Lu GQ. A combined frame difference with a background subtraction algorithm of moving object detection[C]∥International Workshop on Communication Technology 2013, International Conference on Consumer Electronics, Communications and Networks, 2013.
[2] 丁祺, 顾国华, 徐富元, 等. 强视差下的移动相机运动目标检测[J]. 激光与光电子学进展, 2015, 52(9): 091501.
[3] 徐鸿伟, 陈钱, 钱惟贤. 基于改进的单高斯背景模型检测算法的研究[J]. 激光与光电子学进展, 2016, 53(4): 040401.
[4] Wang XM, Zhao DQ, Sun GM, et al. Target detection algorithm based on improved Gaussian mixture model[C]∥Proceedings of the 2015 International Conference on Electrical, Computer Engineering and Electronics, 2015.
[5] 周建英, 吴小培, 张超, 等. 基于滑动窗的混合高斯模型运动目标检测方法[J]. 电子与信息学报, 2013, 35(7): 1650-1656.
[6] Godbehere AB, MatsukawaA, GoldbergK. Visual tracking of human visitors under variable-lighting conditions for a responsive audio art installation[C]∥2012 American Control Conference (ACC), 2012: 4305- 4312.
[7] 张文雅, 徐华中, 罗杰. 基于ViBe的复杂背景下的运动目标检测[J]. 计算机科学, 2017, 44(9): 304-307.
[8] 徐久强, 江萍萍, 朱宏博, 等. 面向运动目标检测的 ViBe 算法改进[J]. 东北大学学报(自然科学版), 2015, 36(9): 1227-1231.
[9] 莫邵文, 邓新蒲, 王帅, 等. 基于改进视觉背景提取的运动目标检测算法[J]. 光学学报, 2016, 36(6): 0615001.
[10] 谢申汝, 叶生波, 杨宝华, 等. 基于改进的YUV_Vibe融合算法的运动目标检测[J]. 激光与光电子学进展, 2018, 55(11): 111002.
[11] van DroogenbroeckM, PaquotO. Background subtraction: experiments and improvements for ViBe[C]∥IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops, 2012: 32- 37.
[13] GoyetteN, Jodoin PM, PorikliF, et al. Changedetection.net: a new change detection benchmark dataset[C]∥IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops, 2012: 1- 8.
Article Outline
王旭, 刘毅, 李国燕. 基于改进视觉背景提取算法的运动目标检测方法[J]. 激光与光电子学进展, 2019, 56(1): 011007. Xu Wang, Yi Liu, Guoyan Li. Moving Object Detection Algorithm Based on Improved Visual Background Extractor Algorithm[J]. Laser & Optoelectronics Progress, 2019, 56(1): 011007.