一种基于帧差法改进VIBE运动目标检测算法.docVIP

一种基于帧差法改进的VIBE运动目标检测算法 　　摘 要 VIBE算法速度较快，不同环境下具有良好的适应性和实时性，但是对于初始帧存在运动目标的情况，会引起“鬼影”区域。为解决上述问题，本文提出了一种基于帧间差分法改进的VIBE算法，通过算法仿真，和在硬件平台上的验证，结果表明该改进算法能快速、有效的去除“鬼影”，准确检测目标，且该算法有很好的实时性和鲁棒性。 　　【关键词】VIBE 帧间差分大津阈值目标检测 　　1 引言 　　运动目标检测是从视频图像序列中提取出感兴趣的目标，是目标分类、跟踪及行为理解等后期处理的基础，是当前计算机视觉和数字图像处理研究的难点和热点之一。运动目标检测算法主要有：光流法、背景差分法、帧间差分法等。背景差分法由于实时性较好，得到了广泛的应用，是目前常用的运动目标检测算法，但背景差分法的检测性能很大程度上依赖于背景模型的准确性。影响背景模型准确性的因素有很多，主要包括动态背景、光线渐变、相机抖动、阴影等，其中动态背景是最常见且影响最大的因素。 　　2 VIBE算法 　　VIBE（Visual Background Extractor）算法是Olivier Barnich等学者在2009年提出的一种通用环境下的运动目标检测算法，在不同环境下具有良好的适应性和实时性，检测效果明显。该算法首先为图像中每一个像素点在不同时间的同一位置或者相邻位置的像素点提供一个存储集合；然后将当前图像的这一像素值与集合中的各个图像相同位置的像素值进行比较，通过设定相应的阈值决定当前像素是否为背景；最后，当认为该像素是背景点时，随机更新背景集合中该像素的一个历史值。VIBE算法与传统算法的区别在于：传统算法采用“先进先出”更新方法，VIBE算法采用随机更新方法，且VIBE算法也随机更新邻域历史像素。总的来说，VIBE算法的主要思想是：根据历史值集合来判定当前像素是目标还是背景，若当前像素值判为背景则加入到模型中，更新模型并随机丢弃旧的历史值。VIBE算法策略可保证像素每帧采样值在模型的生命周期中呈平滑指数衰减的形式，并且使该方法能够在单模型、变速度、内存适度占用的条件下，处理每个像素的伴随事件。通过性能分析发现，VIBE算法无论是在目标检测成功率还是在计算速度上都较传统算法有所提高。 　　像素模型在一个给定的欧几里德（以下简称欧氏）空间表示，如图1所示。v（x）表示图像x位置的像素值，vi表示图像x位置的历史样本集中第i个样本的像素值。每一个背景像素x的历史样本集都含有N个样本： 　　为了依据相应的历史样本集M（x），对像素值v（x）进行分类（即区分为前景还是背景），定义一个圆域SR（v（x））：该圆域的圆心为v（x），半径为R。 　　统计落在圆域内样本的个数，记为，设定阈值#min，若大于阈值#min，则认为v（x）是背景。 　　如图1所示，对像素值v（x）进行分类，首先需要计算v（x）与vi的欧氏距离，然后比较N个欧氏距离和圆半径的大小。在实际应用中，只要圆域内vi的个数超过#min，即可判定v（x）为背景。该模型的精确度依靠两个参数，模型的灵敏度可以根据如下的公式进行调整： 　　3 改进方法 　　传统的VIBE算法利用单帧图像初始化背景模型，对于一个像素点，结合相邻像素点拥有相近像素值的空间分布特性，随机的选择它的邻域像素值作为其模型样本值，减少了背景模型建立的过程，从第二帧图像开始就可以有效检测运动目标，目标检测的实时性较好。但该背景模型初始化方法的最大缺点在于：对于初始帧存在运动目标的情况，它会将运动目标前景像素加入到背景模型中，从而引起“鬼影”区域，在后续视频帧中如果有运动目标经过鬼影区域，将会降低运动目标检测的精度。 　　为了提高运动目标检测精度，本文对传统VIBE算法进行改进，提出了一种VIBE改进算法，该方法利用帧间差分法对图像进行预处理，获取相对真实的背景，对背景模型进行初始化，然后进行运动目标检测，该方法可以提高背景模型的准确性，在初始帧存在运动目标的情况下，可有效去除“鬼影”，提高目标检测精度。 　　改进算法的流程如下： 　　（1）利用帧差法对初始帧进行预处理； 　　（2）用第（1）步处理结果初始化背景模型； 　　（3）对图像的每个像素点计算与背景模型的欧式距离； 　　（4）判断像该素点为背景或目标； 　　（5）若为背景，标记为0，更新背景模型； 　　（6）若为目标，标记为255。 　　（7）完成目标检测。 　　3.1 图像预处理过程 　　帧间差分法是采用基于像素的时间差分并阈值化来提取图像中的运动区域，实现简单，计算量小，对光线等场景变化不太敏感，对动态环境具有较强的自适应性，其最大的优势在于速度快，且不会产生鬼影。 　　算法预留视频的前n帧（当id