去除鬼影及阴影的视觉背景提取运动目标检测算法

方岚; 于凤芹

doi:doi:10.3788/LOP56.131002

激光与光电子学进展, 2019, 56 (13): 131002, 网络出版: 2019-07-11

去除鬼影及阴影的视觉背景提取运动目标检测算法下载： 1183次

Moving Object Detection Algorithm Based on Removed Ghost and Shadow Visual Background Extractor

论文大纲

方岚 ^*于凤芹

作者单位

江南大学物联网工程学院, 江苏无锡 214122

图像处理运动目标检测 Vibe算法鬼影消除阴影检测 imaging proceeding moving object detection Vibe algorithm ghost elimination shadow detection

AI 词云图 AI一句话精读 AI短摘要

注：本部分内容由 AI 自动生成，请您知悉。

摘要

针对视觉背景提取(Vibe)运动目标检测算法存在的鬼影及阴影问题,利用鬼影与背景相似而运动目标与背景差异大的特点,提出了一种基于前景和邻域背景像素直方图相似度匹配的方法,快速检测鬼影并更新背景模型;利用阴影的颜色特性和纹理不变性,提出在亮度和色度分离的YCbCr色彩空间中先根据颜色特性得到候选阴影区域,再利用完全局部二值模式算子(CLBP)提取区域的详细纹理特征,进一步检测与去除阴影。在公开视频数据库CDnet-2012上进行仿真,仿真结果表明,该算法能够保证运动目标被完整检测的同时快速去除鬼影和阴影,其检测精度比原Vibe算法提高了21.53%。

Abstract

Results

show that the proposed algorithm can completely detect moving objects in the sample videos while quickly removing ghosts and shadows. The proposed algorithm's detection accuracy is 21.53% higher than that of the existing Vibe algorithm.

1 引言

运动目标检测技术是计算机视觉领域中的一项关键技术,是后续目标跟踪和目标识别等高级处理的基础。运动目标检测算法中最常用的方法是背景差分法,通过对视频图像建立背景模型,当前帧与背景模型作差得到前景图像。Vibe算法是Barnich等^[1-2]提出的基于像素随机样本模型的运动目标检测算法,该算法采用邻域像素创建背景模型,通过比对背景模型和当前输入像素值检测前景。

Vibe算法具有计算速度快、操作简单和检测效果好等特点,但容易出现鬼影且不能很好地抑制阴影,鬼影和阴影问题会对后续的目标跟踪、分类和识别等操作造成不利影响。针对鬼影检测的问题,文献[ 3]中结合帧间信息,加入二次判断策略,提出了一种与帧差法结合抑制鬼影的方法;文献[ 4]中通过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;文献[ 5]中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,以快速消除鬼影。以上方法都在一定程度上有效地抑制了鬼影的产生,但增加了算法复杂度,不利于在实际应用中实时检测。阴影检测方法主要有基于几何模型^[6]和基于阴影特征^[7-8]两类。基于几何模型的方法通常在特定环境条件下使用,且建模计算复杂;基于阴影特征的检测方法通常假设投射阴影亮度低且无显著色度变化,这些方法通常应用于容易进行色度比较的色彩空间中,如归一化的RGB(red,green,blue)或HSV(hue,saturation,value)。然而,基于色度恒定的假设通常仅适用于室内场景,当遇到彩色阴影时,这种算法的性能将会降低。

由于鬼影区域与邻近背景区域像素分布相似,而运动目标与背景像素分布差异较大,本文利用这一特性,在Vibe算法提取前景的基础上计算前景区域与邻近背景区域像素分布直方图,设立直方图相似度匹配阈值,可有效区分运动目标和鬼影。由于常用的RGB色彩空间各分量融合在一起且受亮度的影响较大,HSV色彩空间转换计算复杂且H分量不稳定,本文利用YCbCr色彩空间中亮度与色度分离且转换计算简单的特点,在YCbCr空间中进行阴影去除。为解决色度信息在室外情况下检测性能降低的问题,本文利用阴影覆盖前后区域纹理不变性,结合纹理和颜色特征的优势,在满足亮度和色度范围内的阴影潜在区域中进一步提取区域的完全局部二值模式算子(CLBP)纹理特征,最终确定并去除阴影区域。

2 改进的Vibe算法原理

2.1 Vibe背景模型

Vibe算法为每个像素点建立一个背景样本集,样本数为N,随机选取邻域像素值填充背景样本。当前帧中新像素点与背景样本进行比较时,应该与最接近的某些样本值比较,而非所有值中的大多数样本值。由N个背景样本值的集合对每个背景像素x进行建模,背景模型M(x)在形式上表示为

\begin{matrix} M (x) = {V_{1}, V_{2}, \dots, V_{N}}, (1) \end{matrix}

式中:V_i为色彩空间里的像素,像素序号i=1,2,…,N。为了根据背景模型M(x)对像素值V(x)进行分类,定义一个以V(x)为中心,半径为R的球体S_R[V(x)],将其与样本集合中的最接近的值进行比较,分类过程如图1所示。

图 1. Vibe背景模型像素分类示意图

Fig. 1. Schematic of pixel classification of Vibe background model

下载图片查看所有图片

用U表示该球体S_R[V(x)]与模型样本集合M(x)的交集的样本个数,即

\begin{matrix} U = S_{R} [V (x)] ⋂ {V_{1}, V_{2}, \dots, V_{N}} 。 (2) \end{matrix}

当U大于或等于给定阈值ξ_min时,将像素值V(x)分类为背景。

Vibe算法采用单帧初始化背景模型。由于视频单帧中没有时间信息,Vibe算法基于邻近像素有相似的时空分布信息,从首帧中随机选取邻域像素的初始化背景模型。假设时间t=0为第1帧,N_G(x)为像素x的空间邻域,背景模型的初始化为

\begin{matrix} M_{0} (x) = \{v_{0} [y |y \in N_{G} (x)]\}, (3) \end{matrix}

式中:M₀为背景样本集合;v₀为像素点x在初始化时背景样本集中的采样元素;y为根据统一性原则从N_G(x)中随机选择的像素点。

Vibe算法的更新策略具有随机子采样性和空间传播特性。根据(2)式划分背景,更新该点背景样本集及该点相邻像素的背景样本集中的某一元素的概率为1/φ(φ为时间采样因子)。

2.2 基于直方图相似度匹配的鬼影消除

在Vibe算法前景提取结果的基础上,采用前景区域和邻近背景区域直方图相似度匹配的方法完成对鬼影的检测,匹配度较高的即为鬼影区域,具体方法为:利用(3)式对视频图像进行背景建模,然后利用(2)式获得前景目标,通过结构元素为圆盘半径为3 pixel的腐蚀操作将粘连的前景区域分离开,得到相应帧的前景区域,并对前景区域进行8连通标记,得到标记好的前景块F_j(j=1,2,…,n),n为连通区域个数,j为序号。分别计算各连通区域在当前帧视频图像中的像素分布直方图H_j(j=1,2,…,n)。

取各连通区域的最小外接矩形区域C_j,前景邻近的背景区域表示为

\begin{matrix} B_{j} = C_{j} - F_{j}, j = 1,2, \dots, n, (4) \end{matrix}

分别计算各前景对应的邻近背景区域B_j在当前帧视频图像的像素分布直方图,记为N_j(j=1,2,…,n)。

选用余弦值和巴氏距离计算2个直方图的相似度。余弦相似性定理通过计算2个向量之间的夹角判断向量的相似程度,余弦值越接近1,表明夹角越接近0°,代表这两个直方图越相似。在进行直方图距离相似度计算时,巴氏距离计算效果最好。巴氏距离计算结果越大,表示这两个直方图越不匹配,其值为0,表示完全匹配,其值为1,表示完全不匹配。将得到的前景直方图H_j和邻近背景区域直方图N_j划分为64个区,每个区为连续的4个灰度等级,分别对每个区域的像素进行求和,可以得到一个64维的图像向量。对于两个直方图得到的64维向量a(x₁,x₂,…,x₆₄),b(x₁,x₂,…,x₆₄),其余弦夹角cosθ和巴氏距离D分别表示为

\begin{matrix} \begin{matrix} cosθ = \frac{\overset{64}{\sum_{j = 1}} |a (x_{j})| \times |b (x_{j})|}{\sqrt[]{\overset{64}{\sum_{j = 1}} |a^{2} (x_{j})|} \times \sqrt[]{\overset{64}{\sum_{j = 1}} |b^{2} (x_{j})|}}, (5) \\ D = \sqrt[]{1 - \overset{64}{\sum_{j = 1}} \frac{\sqrt[]{|a (x_{j})| \cdot |b (x_{j})|}}{\overset{64}{\sum_{j = 1}} |a (x_{j})| \cdot \overset{64}{\sum_{j = 1}} |b (x_{j})|}}, (6) \end{matrix} \end{matrix}

式中:x_j为向量a和b中下标j对应的元素。则前景区域F_j为鬼影的判决条件为

\begin{matrix} \begin{matrix} F_{j} is \\ \{\begin{matrix} g h ost, \\ M_{cosθ} (H_{j}, N_{j}) > T_{1} M_{D} (H_{j}, N_{j}) < T_{2} \\ object, ot h erwise \end{matrix}, (7) \end{matrix} \end{matrix}

式中:M_cos_θ(H_j,N_j)为前景区域与邻近背景区域直方图的夹角余弦值;M_D(H_j,N_j)为前景区域和邻近背景区域直方图的巴氏距离;T₁和T₂分别为角度阈值和距离阈值。在进行直方图相似度比较前,分别对前景和邻近背景直方图进行归一化处理,其值在[0,1]之间,经多组实验验证,当T₁=0.65,T₂=0.49时,实验效果最好。在判断出鬼影之后,将鬼影点像素值置0,参与背景模型更新,以快速消除鬼影像素区域。

2.3 基于YCbCr空间阴影前景的去除

YCbCr色彩空间是由YUV色彩空间衍生出来的一种颜色空间,亮度和色度分离且转换计算简单,本研究在YCbCr色彩空间中结合颜色和纹理特征检测并消除阴影。利用亮度和色度信息在YCbCr色彩空间中初步判断阴影候选区域。RGB色彩空间转换成YCbCr色彩空间的公式为

\begin{matrix} [\begin{matrix} Y \\ C_{b} \\ C_{r} \end{matrix}] = [\begin{matrix} 16 \\ 128 \\ 128 \end{matrix}] + \frac{1}{256} [\begin{matrix} 65.738 & 129.057 & 25.064 \\ - 37.945 & - 74.494 & 112.439 \\ 112.439 & - 94.154 & - 18.285 \end{matrix}] \times [\begin{matrix} R \\ G \\ B \end{matrix}], (8) \end{matrix}

式中:Y为亮度分量;C_b为蓝色色度分量;C_r为红色色度分量;R、G和B分别为RGB空间红色、绿色和蓝色分量。阴影区域的特点是亮度较背景区域低,但色度基本不变,这满足基于阴影的色度不变性假设,该假设已在很多算法中被验证^[7-8]。利用Y、C_b和C_r分量分别找出阴影区域的共同特性,粗略检测出阴影。阴影每个像素的各分量满足

\begin{matrix} \{\begin{matrix} |I_{Y} (x, y) - B_{Y} (x, y)| \leq T_{Y} \\ |I_{Cb} (x, y) - B_{Cb} (x, y)| \leq T_{Cb} \\ |I_{Cr} (x, y) - B_{Cr} (x, y)| \leq T_{Cr} \end{matrix}, (9) \end{matrix}

式中:I_Y(x,y)、I_C_b(x,y)和I_C_r(x,y)分别为当前像素在YCbCr色彩空间中的亮度Y分量和色度C_b、C_r分量;B_Y(x,y)、B_C_b(x,y)和B_C_r(x,y)分别为该点对应背景图像中的亮度Y分量和色度C_b、C_r分量;T_Y为亮度阈值;T_C_b和T_C_r分别为蓝色和红色色度分量阈值。根据文献[ 9],T_Y=50、T_C_b=10和T_C_r=15满足阴影在YCbCr色彩空间中的共性。因此,本文选用以上3个值进行阴影判断,确定候选阴影区域,记为S_c(x,y)。

(9)式粗检测的阴影区域中包含亮度较低且蓝色分量较大的非阴影区域,因为阴影覆盖前后的区域纹理信息不变,对候选阴影区域进一步提取区域的纹理特征^[10]。LBP算子是一种描述图像局部纹理特征的算子,传统的LBP 算子只考虑中心像素与邻域像素的差值符号特征,未考虑差值幅度,丢失了部分信息。为使纹理特征的提取更加充分,本研究采用CLBP算法^[11],对于像素点(x_c,y_c),其CLBP值可表示为

\begin{matrix} \{\begin{matrix} S_{P, R} (x_{c}, y_{c}) = \overset{P - 1}{\sum_{p = 0}} S (g_{p} - g_{c}) 2^{p} \\ M_{P, R} (x_{c}, y_{c}) = \overset{P - 1}{\sum_{p = 0}} S (D_{p} - D_{c}) 2^{p} \\ C_{P, R} (x_{c}, y_{c}) = S (g_{c} - g_{N'}) \end{matrix}, (10) \end{matrix}

式中:P为相邻像素的个数;R为邻域半径;g_P为相邻像素点的像素灰度值;g_c为该点的像素灰度值,N'为窗口数;g_N'= $\begin{matrix} \frac{1}{N'} \end{matrix} \begin{matrix} \overset{N' - 1}{\sum_{n = 0}} \end{matrix}$ g_n;D_P=g_P-g_c;D_c= $\begin{matrix} \frac{1}{P} \end{matrix} \begin{matrix} \overset{P - 1}{\sum_{p = 0}} \end{matrix}$ (g_c-g_P);S_P_,_R(x_c,y_c)为传统的LBP算子,描述局部窗口的灰度差异特征;M_P_,_R(x_c,y_c)为局部窗口内灰度梯度差异特征;C_P_,_R(x_c,y_c)为中心像素点的灰度信息;S(x')为判别函数,当自变量x'>0时,取值为1,否则取值为0。根据文献[ 11],邻域大小影响纹理分类的准确性,当P值增大时,由于M_P_,_R是通过两像素点的灰度差异幅值与局部窗口灰度差异幅值的均值比较而产生,并且采用旋转不变的均匀模式,M_P_,_R容易产生不均匀模式,可区分性降低,且S_P_,_R对局部窗口的模糊作用随P值的增大而增大,S_P_,_R的可区分性也会降低,故本实验选取P=8,R=1的邻域,使纹理分类准确性最高,可区分性最优。本文用串联方法融合以上3种特征的区域纹理特征直方图f_SMC-_P_,_R表示为

\begin{matrix} f_{SMC ⁃ P, R} = S_{P, R} ⋃ M_{P, R} ⋃ C_{P, R} 。 (11) \end{matrix}

计算候选阴影区域像素点S_c(x,y)在当前帧与背景图像之间的纹理相关性

\begin{matrix} c = \frac{\overset{n'}{\sum_{p = 1}} H (T_{\partial} - Δ_{p})}{n'}, (12) \end{matrix}

式中:n'为候选阴影区域中的像素数;H(·)为单位阶跃函数;T_∂为阈值;Δ_p为候选阴影区域像素点在当前帧与背景中的纹理特征直方图差异度。该异度由卡方距离计算

\begin{matrix} Δ_{p} = \overset{X}{\sum_{x = 1}} (C_{x} - B_{x})^{2} / (C_{x} + B_{x}), (13) \end{matrix}

式中:X为直方图bin总数;C_x和B_x分别为候选阴影区域在当前帧和背景图像第x个bin上的值。根据(12)式,当纹理差异度Δ_p小于阈值T_∂时,c值为1,否则为0。实质上相关系数c为当前帧和背景中纹理相似区域中的相似度分数,若c大于阈值T_c,则将候选区域视为阴影区域,并将检测出来的阴影像素置0,划分为背景。

3 改进的Vibe算法实现步骤

1) 视频首帧利用Vibe算法建立一个样本数为N的背景模型,用(3)式初始化背景模型;

2) 从视频第2帧开始,在RGB空间利用(2)式进行前景提取,并将图像转换到YCbCr空间中,利用(9)式和(12)式进行阴影检测与去除;

3) 对步骤2)提取的前景区域进行形态学处理,得到各个连通的前景区域;

4) 计算前景像素直方图和邻域背景像素直方图,比较直方图的相似度,根据(7)式判断前景区域是否为鬼影,若为鬼影将其像素值置0,改为背景像素;

5) 检测为背景点的像素参与背景模型更新,用当前像素值随机更新该点与其邻域背景模型样本中的一个样本值的概率为1/φ;

6) 将阴影检测后的二值图像与鬼影检测后的二值图像相与;

7) 得到去除鬼影和阴影的前景目标,算法结束。

改进的Vibe算法实现流程如图2所示。

图 2. 改进的Vibe算法流程图

Fig. 2. Flow chart of improved Vibe algorithm

下载图片查看所有图片

4 仿真结果与分析

4.1 鬼影去除

本实验运行环境为Windows10 64位操作系统,Inter Xeon E5 CPU处理器,16 GB内存,MATLAB R2016a仿真系统。利用本文算法在视频集highwayII进行仿真实验,highwayII共有500帧。本实验中Vibe算法提取前景的参数取值参考文献[ 2],背景样本大小N=20,初始化距离阈值R=20,匹配个数阈值ξ_min=2,初始时间采样因子φ=16。改进部分直方图相似性比较中余弦角度阈值T₁=0.65,巴氏距离阈值T₂=0.49。

图3给出 highwayII的仿真结果。图3(a)中视频序列highwayII首帧存在运动目标,第6帧视频Vibe算法前景提取的结果如图3(c)所示,其中存在鬼影区域。分别计算各连通区域的前景与邻近背景区域像素分布直方图,如图3(d)~(g)所示。可以看出,鬼影区域的像素分布直方图非常相似,而运动目标的直方图有较大差异,据此可以有效区分出鬼影与运动目标。在本实验中,本文算法在该视频第6帧检测出全部将鬼影区域并更新背景模型,原Vibe算法大于70帧后才开始识别鬼影区域。

图 3. HighwayII仿真结果。(a)第1帧视频原图;(b)第6帧视频原图;(c)第6帧Vibe算法前景检测结果;(d)鬼影块前景直方图;(e)邻域背景直方图;(f)运动目标前景直方图;(g)邻域背景直方图;(h)第6帧改进的Vibe算法检测结果

Fig. 3. Simulation results of highwayII. (a) First frame original image; (b) 6th frame original image; (c) 6th frame foreground detection result of Vibe algorithm; (d) foreground histogram of ghost; (e) background histogram of neighboring; (f) foreground histogram of moving object; (g) background histogram of neighboring; (h) 6th frame result of improved Vibe algorithm

下载图片查看所有图片

与Vibe改进算法PBAS^[12]和SBBS^[13]在CDnet-2012数据集highway上比较鬼影抑制效果,highway数据集共有1700帧,首帧存在运动目标,图4所示为本文算法与PBAS算法、SBBS算法的鬼影抑制效果对比仿真实验结果。

由图4可以看出,本文算法在第60帧时因首帧运动目标初始化产生的鬼影区域已明显缩小;第85帧时,本文算法已完全消除鬼影区域,PBAS算法和SBBS算法中鬼影区域依然存在;第238帧时SBBS算法鬼影区域消除,PBAS算法鬼影区域面积减少;第354帧时PBAS算法已消除大部分鬼影区域,原Vibe算法中鬼影区域依然大面积存在;第1101帧时原Vibe算法鬼影区域减少,直到1600帧以后鬼影区域完全消除。综上仿真结果,本文算法在保留完整的运动目标检测的同时,消除鬼影的速度最快。

图 4. CDnet-2012 highway仿真结果比较。(a)视频原图;(b) Vibe算法检测结果;(c) PBAS算法检测结果;(d) SBBS算法检测结果;(e)本文算法检测结果

Fig. 4. Comparison of simulation results of CDnet-2012 highway. (a) Original video images; (b) results of Vibe algorithm detection; (c) results of PBAS algorithm detection; (d) results of SBBS algorithm detection; (e) results of proposed algorithm detection

下载图片查看所有图片

4.2 阴影去除

本研究在CDnet-2012数据集中的shadow类别中进行阴影去除的仿真。该类别包含2个室内视频(copy machine and cubicle)和4个室外视频(backdoor, bungalows, bus station, and people in shade),共14099帧。阴影去除实验参数为亮度阈值T_Y=50,色度阈值T_C_b=10、T_C_r=15,纹理特征提取邻域数P=8,邻域半径R=1,纹理差异阈值T_∂=0.2,纹理相关性阈值T_c=0.75。图5所示为本文算法在cubicle、bus station和people in shade的仿真结果。

图 5. CDnet-2012 shadow仿真结果。(a)视频原图;(b)真实图像;(c)前景提取图像;(d)阴影去除图像

Fig. 5. Simulation results of CDnet-2012 shadow. (a) Original video images; (b) ground truth images; (c) images of foreground extraction; (d) images of shadow removal

下载图片查看所有图片

室内序列cubicle和people in shade照明条件和视角不同,bus station序列为嘈杂的室外序列。从图5可以看出,本文算法在室内和室外环境中都有较好的阴影去除效果,大部分的阴影已被去除。对于阴影检测性能评估,文献[ 14]中定义了假阳性率阴影(FPR-S),即在groundtruth中被标记为阴影但被检测为前景的像素数量与被标记为阴影像素的总数的比率。本文算法与3种阴影去除算法^[8,13,15]在CDnet-2012数据库shadow类别(6种)中定量分析比较结果如表1所示。

表 1. CDnet-2012 shadow类别4种算法阴影去除性能比较

Table 1. Comparison of shadow removal performance of four algorithms in CDnet-2012 shadow categories

Method	Proposed	Method in Ref. [8]	Method in Ref. [13]	Method in Ref. [15]
FPR-S in backdoor	0.3752	0.5884	0.1274	0.5789
FPR-S in bungalows	0.4019	0.6523	0.1293	0.5747
FPR-S in bus station	0.4123	0.6608	0.1361	0.5996
FPR-S in copy machine	0.3511	0.5718	0.1125	0.4363
FPR-S in cubicle	0.3416	0.5789	0.1002	0.4179
FPR-S in people in shade	0.4363	0.6360	0.1313	0.5552
FPR-S in overall	0.3864	0.6148	0.1228	0.5271
Time /(s·frame^-1)	0.06627	0.00738	0.01312	0.04878

查看所有表

从表1可以看出,文献[ 13]中基于像素级的阴影样本模型更适用于各种场景中的阴影检测,FPR-S最低;文献[ 8]中在HSV色彩空间中只基于色度模型检测阴影,算法最快但在室外环境或当前景目标与阴影颜色相似存在较多误检,FPR-S最高;文献[ 15]中结合色度和梯度信息时对阴影的检测效果较优,平均FPR-S较文献[ 8]算法降低了14.26%,但由于复杂室外场景中噪声对边缘梯度信息干扰大,故室外场景的FPR-S较高;本文算法在YCbCr空间中结合阴影颜色和区域纹理特征,算法时间有所增加,但平均帧率约为15 frame/s,满足实时性,平均FPR-S较文献[ 8]算法和文献[ 15]算法分别下降了37.15%和26.69%,说明本文算法在满足实时性的同时有效降低了阴影误检率。

4.3 定量对比分析

为了更加精确地评估算法性能,从定量的角度出发,文献[ 14]中定义了多个性能评估指标:召回率(recall,Re)、特异率(specificity,Sp)、虚警率(false positive rate,FPR)、漏检率(false negative rate,FNR)、精度(precision,Pr)、错分率(percentage of wrong,PWC)和F-Measure。其中Re、Sp、Pr和F-Measure指标越高,表示算法性能越好;FPR、FNR和PWC指标越低,表示算法性能相对越好,F-Measure指标为综合性评价指标。使用上述实验视频有真值的序列,共15336帧。本文算法与Vibe算法及2种排名较好的Vibe改进算法(PBAS和SBBS算法)性能进行比较,4种算法总体性能比较结果如表2所示。

表 2. 算法总体性能比较

Table 2. Comparison of overall performance of algorithms

Method	Vibe^[2]	PBAS^[12]	SBBS^[13]	Proposed
Re	0.6821	0.7840	0.7506	0.7699
Sp	0.9830	0.9898	0.9859	0.9981
FPR	0.0170	0.0102	0.0141	0.0019
FNR	0.3179	0.2160	0.2494	0.2301
PWC	3.1178	1.7693	2.1276	1.6997
Pr	0.7357	0.8160	0.8378	0.8941
F-Measure	0.6683	0.7532	0.7678	0.7588

查看所有表

从表2可以看出,本文算法的特异率、虚警率、错分率和精度指标较Vibe、PBAS和SBBS算法优,特异率分别提高了1.53%、0.84%和1.24%,虚警率分别降低了88.82%、81.37%和86.52%,错分率分别降低了45.48%、3.93%和20.11%,精度分别提高了21.53%、9.57%和6.72%。本文算法的F-Measure较原Vibe算法提高了13.54%。综上所述,本文算法在改进传统Vibe算法效果性能方面表现较好,且极大地提高了传统Vibe算法的精度,降低了算法错分率。

5 结论

针对Vibe算法存在鬼影及阴影前景的问题,利用基于前景和邻域背景直方图相似度匹配的方法快速检测鬼影区域,算法复杂性低、消除鬼影速度快;在YCbCr空间中结合阴影颜色和纹理特征,利用CLBP算子提取详细的区域纹理特征,有效降低了阴影误检率。在CDnet-2012数据库中分别与其他几种改进算法进行了比较,仿真结果表明:该算法具有鬼影消除速度快、错分率低和精度高等优点。笔者今后的主要研究方向为复杂室外背景中多光源情况下的阴影检测,使算法更有实用性。

参考文献

[1] BarnichO, van DroogenbroeckM. ViBe: a powerful random technique to estimate the background in video sequences[C]∥2009 IEEE International Conference on Acoustics, Speech and Signal Processing, April 19-24, 2009, Taipei, Taiwan, China. New York: IEEE, 2009: 945- 948.

[2] Barnich O, van Droogenbroeck M. ViBe: a universal background subtraction algorithm for video sequences[J]. IEEE Transactions on Image Processing, 2011, 20(6): 1709-1724.

[3] 茅正冲, 沈雪松. 融合多尺度变换的改进Vibe算法[J]. 激光与光电子学进展, 2018, 55(11): 111501.

Mao Z C, Shen X S. Improved Vibe algorithm integrated with multiscale transformation[J]. Laser & Optoelectronics Progress, 2018, 55(11): 111501.

[4] 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.

Xie S R, Ye S B, Yang B H, et al. Moving target detection based on improved YUV_Vibe fusion algorithm[J]. Laser & Optoelectronics Progress, 2018, 55(11): 111002.

[5] 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.

Wang X, Liu Y, Li G Y. Moving object detection algorithm based on improved visual background extractor[J]. Laser & Optoelectronics Progress, 2019, 56(1): 011007.

[6] Martel-BrissonN, ZaccarinA. Moving cast shadow detection from a Gaussian mixture shadow model[C]∥2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), June 20-25, 2005, San Diego, CA, USA. New York: IEEE, 2005: 643- 648.

[7] Yuan JJ, WuJ, Cheng YH. Shadow detecting algorithms research for moving objects base on self-adaptive background[C]∥2019 Proceedings of International Conference on Modeling, Identification & Control, June 24-26, 2012, Wuhan, Hubei, China. New York: IEEE, 2012: 197- 200.

[8] Salvador E, Cavallaro A, Ebrahimi T. Cast shadow segmentation using invariant color features[J]. Computer Vision and Image Understanding, 2004, 95(2): 238-259.

[9] 邓亚丽, 毋立芳, 李云腾, 等. 一种有效的图像阴影自动去除算法[J]. 信号处理, 2011, 27(11): 1724-1728.

Deng Y L, Wu L F, Li Y T, et al. An effective shadow removal approach[J]. Signal Processing, 2011, 27(11): 1724-1728.

[10] 殷保才, 刘羽, 汪增福. 结合色度和纹理不变性的运动阴影检测[J]. 中国图象图形学报, 2014, 19(6): 896-905.

Yin B C, Liu Y, Wang Z F. Moving shadow detection by combining chromaticity and texture invariance[J]. Journal of Image and Graphics, 2014, 19(6): 896-905.

[11] Guo Z H, Zhang L, Zhang D. A completed modeling of local binary pattern operator for texture classification[J]. IEEE Transactions on Image Processing, 2010, 19(6): 1657-1663.

[12] HofmannM, TiefenbacherP, RigollG. Background segmentation with feedback: the pixel-based adaptive segmenter[C]∥2012 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops, June 16-21, 2012, Providence, RI, USA. New York: IEEE, 2012: 38- 43.

[13] Varghese A, Sreelekha G. Sample-based integrated background subtraction and shadow detection[J]. IPSJ Transactions on Computer Vision and Applications, 2017, 9: 25.

[14] GoyetteN, Jodoin PM, PorikliF, et al. Changedetection.net: a new change detection benchmark dataset[C]∥2012 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops, June 16-21, 2012, Providence, RI, USA. New York: IEEE, 2012: 1- 8.

[15] SaninA, SandersonC, Lovell BC. Improved shadow removal for robust person tracking in surveillance scenarios[C]∥2010 20th International Conference on Pattern Recognition, August 23-26, 2010, Istanbul, Turkey. New York: IEEE, 2010: 141- 144.

方岚, 于凤芹. 去除鬼影及阴影的视觉背景提取运动目标检测算法[J]. 激光与光电子学进展, 2019, 56(13): 131002. Lan Fang, Fengqin Yu. Moving Object Detection Algorithm Based on Removed Ghost and Shadow Visual Background Extractor[J]. Laser & Optoelectronics Progress, 2019, 56(13): 131002.

去除鬼影及阴影的视觉背景提取运动目标检测算法下载： 1183次

1 引言

2 改进的Vibe算法原理

2.1 Vibe背景模型

图 1. Vibe背景模型像素分类示意图

Fig. 1. Schematic of pixel classification of Vibe background model

2.2 基于直方图相似度匹配的鬼影消除

2.3 基于YCbCr空间阴影前景的去除

3 改进的Vibe算法实现步骤

图 2. 改进的Vibe算法流程图

Fig. 2. Flow chart of improved Vibe algorithm

4 仿真结果与分析

4.1 鬼影去除

图 3. HighwayII仿真结果。(a)第1帧视频原图;(b)第6帧视频原图;(c)第6帧Vibe算法前景检测结果;(d)鬼影块前景直方图;(e)邻域背景直方图;(f)运动目标前景直方图;(g)邻域背景直方图;(h)第6帧改进的Vibe算法检测结果

图 4. CDnet-2012 highway仿真结果比较。(a)视频原图;(b) Vibe算法检测结果;(c) PBAS算法检测结果;(d) SBBS算法检测结果;(e)本文算法检测结果

Fig. 4. Comparison of simulation results of CDnet-2012 highway. (a) Original video images; (b) results of Vibe algorithm detection; (c) results of PBAS algorithm detection; (d) results of SBBS algorithm detection; (e) results of proposed algorithm detection

4.2 阴影去除

图 5. CDnet-2012 shadow仿真结果。(a)视频原图;(b)真实图像;(c)前景提取图像;(d)阴影去除图像

Fig. 5. Simulation results of CDnet-2012 shadow. (a) Original video images; (b) ground truth images; (c) images of foreground extraction; (d) images of shadow removal

表 1. CDnet-2012 shadow类别4种算法阴影去除性能比较

Table 1. Comparison of shadow removal performance of four algorithms in CDnet-2012 shadow categories

4.3 定量对比分析

表 2. 算法总体性能比较

Table 2. Comparison of overall performance of algorithms

5 结论

Article Outline

关于本站 Cookie 的使用提示

全站搜索

去除鬼影及阴影的视觉背景提取运动目标检测算法 下载： 1183次

1 引言

2 改进的Vibe算法原理

2.1 Vibe背景模型

图 1. Vibe背景模型像素分类示意图

Fig. 1. Schematic of pixel classification of Vibe background model

2.2 基于直方图相似度匹配的鬼影消除

2.3 基于YCbCr空间阴影前景的去除

3 改进的Vibe算法实现步骤

图 2. 改进的Vibe算法流程图

Fig. 2. Flow chart of improved Vibe algorithm

4 仿真结果与分析

4.1 鬼影去除

图 3. HighwayII仿真结果。(a)第1帧视频原图;(b)第6帧视频原图;(c)第6帧Vibe算法前景检测结果;(d)鬼影块前景直方图;(e)邻域背景直方图;(f)运动目标前景直方图;(g)邻域背景直方图;(h)第6帧改进的Vibe算法检测结果

图 4. CDnet-2012 highway仿真结果比较。(a)视频原图;(b) Vibe算法检测结果;(c) PBAS算法检测结果;(d) SBBS算法检测结果;(e)本文算法检测结果

Fig. 4. Comparison of simulation results of CDnet-2012 highway. (a) Original video images; (b) results of Vibe algorithm detection; (c) results of PBAS algorithm detection; (d) results of SBBS algorithm detection; (e) results of proposed algorithm detection

4.2 阴影去除

图 5. CDnet-2012 shadow仿真结果。(a)视频原图;(b)真实图像;(c)前景提取图像;(d)阴影去除图像

Fig. 5. Simulation results of CDnet-2012 shadow. (a) Original video images; (b) ground truth images; (c) images of foreground extraction; (d) images of shadow removal

表 1. CDnet-2012 shadow类别4种算法阴影去除性能比较

Table 1. Comparison of shadow removal performance of four algorithms in CDnet-2012 shadow categories

4.3 定量对比分析

表 2. 算法总体性能比较

Table 2. Comparison of overall performance of algorithms

5 结论

Article Outline

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

去除鬼影及阴影的视觉背景提取运动目标检测算法下载： 1183次