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
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
式中:
用
当
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
式中:
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
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
取各连通区域的最小外接矩形区域
分别计算各前景对应的邻近背景区域
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
式中:
式中:
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
式中:
式中:
(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(
式中:
计算候选阴影区域像素点
式中:
式中:
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
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
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
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
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
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,
由
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
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
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
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
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
|
从
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
表 2. 算法总体性能比较
Table 2. Comparison of overall performance of algorithms
|
从
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。
[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.
[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.
[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.
[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.
[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.
[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.
[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.
[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.
[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.
Article Outline
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.