一种静态背景下目标检测与提取算法研究
张雅博I，别雄波2
'郑州商学院，郑州451200；
2重庆科技发展战略研究院有限责任公司，重庆401123
摘要：在静态背景下，运动目标检测常用的最简单、运算量小的为帧差法，应用最为广泛的是背景减除法，而光流法具有不需要预先知道场景信息的情况下，也有较好检测效果的特点，但它们都存在着各自的不足。而背景减除法中最常用的视觉背景提取(ViBe)在运动目标检测时存在阈值固定、检测出现鬼影以及检测缓慢移动目标时出现残影等一系列问题。基于ViBe算法的基础上，研究设计出了一种改进的静态背景下目标检测与提取算法，该算法采用改进型累加平均的方法对背景模型进行初始化，扩大邻域范围为20邻域，同时增加了动态阈值判别以及背景自适应更新环节进行鬼影、残影抑制。实验结果表明，改进的算法提高了前景检测的准确性，有效地抑制了鬼影、残影现象，计算速度快，鲁棒性强。
关键词：静态背景；目标检测;ViBe；动态阀值
中图分类号:TN26文献标识码：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 moving 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 designed in the study.This paper studies and designs an improved algorithm of target detection and extraction in the static 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
随着社会应用技术的发展，在静态背景下运动的
收稿日期:2020-09-24
基金项目：国家自然科学基金项目(N<>.51876018)
作者简介：张雅博(1989-)，男，工学硕士，讲师，研究方向：信息获取技术与处理。E-mail：
通讯作者：别雄波(1988-)，男，硕士，工程师，研究方向：光纤信息处理。目标检测与提取越来越被重视，检测速度、精度、抗噪性能等日益增强。其中，静态背景下运动目标检测常用的最简单、运算量小的为帧差法，应用最为广泛的为背景减除法，而光流法具有不需要预先知道场景信息的情况下，也有较好检测效果的特点，但它们都存在着各自的不足[*-3]o2009年，一种基于背景减除的目标检测方法ViBe(Visual Background Extractor)算法由Bamich和Van Droogenbroeck提出，该方法在
www・
《激光杂志》2021 年第 42 卷第 2 期 LASER JOURNAL( Vol. 42, No. 2,2021)
95
目标检测时，相较于传统的检测方法而言，在运算效
率、抗噪性、检测精度以及对硬件内存占用等方面脱 颖而出。但它仍然存在检测算法阈值固定、第一帧图
像作为初始化背景模型出现检测鬼影以及缓慢运动
目标存在残影等一系列问题。
针对静态背景下的目标检测问题进行研究，在原
ViBe 算法的基础上，为提高检测精度、降低鬼影、残影
的影响，对其进行改进。提出了建立新型背景模型,
以动态阈值判别为基础，以及背景自适应更新进行鬼
影、残影抑制目标检测改进算法。
2静态背景下运动目标提取
2. 1 ViBe 算法原理
ViBe 算法是采用随机更新和邻域更新的方法对 目标图像中的每个像素都建立一个存储该像素和其
邻域像素值的背景模型。将当前检测帧图像中的像 素样本集与对应该像素的样本集进行比较来实现对 前景检测和背景模型进行更新⑼。大体流程如图1
所示。 1
2*(1) 初始化背景模型:ViBe 算法把第一帧图像作 为基础数据，并对背景模型进行初始化建立。其中，
图像中每个像素点％对应的背景模型中均含有P1,
P2,P3…P"共计»个像素值数据，组成各自的背景样
本集，如公式(1)所示：
S (X )=也丿2 ,P ” I ( 1 )
背景模型样本集中的n 个参数值由像素点x 对 应像素值和其邻域像素值随机产生组成。通常情况
下，邻域范围采用8邻域，"取经验值20o
(2) 前景目标检测[10-12]：提取视频非第一帧序列
中当前帧图像，按照公式(1)将图像中各个像素点建立一个最新样本集，与背景模型各个像素点对应样本
集进行一一比较，判断当前帧图像各个像素是否是背景像素。设几仏)表示视频第t 帧图像％位置的像素值，用S r (p ，仏))表示以视频第t 帧图像%位置为中
图1 ViBe 算法对帧序列图像更新背景模型流程图
心，半径为R 的圆形区域，如图2所示。图中点円4
心…P ”为S&)背景样本集中各像素值。
S ；Pt （x ））
・产
% ; %
q
图2像素点的分类过程
S r (p ,&))表示的圆形区域范围包含背景样本集 S(x)中样本个数与某个阈值进行比较，如公式(2)所
示：
f#i S r (p 3 ) c 旧，巴，巴…p ” H m %“，背景 1#!s r (p ,(x ))n|P,,p 2，巴…代!!＜〃罰，前景
(2)
其中〃罰为算法设定的固定前景判定阈值，如果
像素点％为背景像素则对应圆形区域内包含的背景
样本集s (%)中样本个数应大于或等于u mmO
(3)更新背景模型：如果像素p,(x)经过公式(2)
计算后被认定为背景像素时，则采用随机原则，从对
应的背景模型S&)中随机选取一个样本值，将其用
p,(x)的像素值进行代替，而背景模型中P&)邻域像 素同样也等概率进行替换。
2.2提出的改进算法
(1)背景模型初始化
考虑到第一帧图像含有运动目标的快速移动，原
ViBe 算法初始化的背景模型会影响后期检测的准确 性。对于大多数视频帧图像而言，图像内各像素点在
没有目标运动或者噪声干扰的情况下，其灰度值在短
时间内通常只在较小的范围内波动，采用改进型累加
平均的方法，选取视频前N 帧序列图像作为基础数 据，计算每帧图像对应像素点各灰度值出现的频率,
选择频率最高的前2个，并求取所有提取的灰度值的
平均值，并取整进行背景模型初始化，如公式(3) 所示：
Backguound (x ,y)二
]i = N
—[image + image i (x,y) ] (3)
其中，等号左边表示用于背景模型初始化的平均
图像，等号右边N 表示需平均的帧数，这里N= 30, im
age,(x,y)和image l (x,y)表示第i 帧图像对应像素点
各灰度值出现的频率最高的前2个。
在采用原ViBe 算法初始化建立样本集时，由于
http : //www. larjoumal.
cn
依据第一帧视频图像，从而会出现图像某个像素点被
多次采样现象，且背景模型各个样本集更新采用随机
原则，选取区域为该像素和其8邻域像素值，范围过
于集中，在像素分类时，检测正确率降低［13-'5］o 这里
将采样范围从8邻域扩展到20邻域，如图3所示。 通过扩大邻域范围能避免一个像素被多次重复采样,
进而提高模型样本集的质量。
图3 20邻域示意图
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） 阈值问题改进
采用最大类间方差法OTSU 算法对ViBe 算法阈 值固定①丄］，可能在多模态场景划分前景和背景精 度不能较高进行改进。OTSU 算法是先计算背景模型 中第一个样本值与当前需要判断的一帧图像之间的 差值，计算当前帧的最佳分割阈值，以得出差分图像
D （%,y ）。
这里假设当前某帧图像像素的灰度范围为［0，厶-
1 ］，若分割阈值为〃，则该帧图像的灰度级分割为［0,
的区域/1 +和［〃+1，厶-1］的区域A-，其中，4 +、4-
分别代表前景和背景。定义类间方差如公式（4）所 示：
/ =30（“0-“）'+5（如-“1 尸 （4）
其中,3。和3分别表示分割的前景和背景区域
像素点的数目占整个图像的比例，和⑷分别是
图像所有像素点、前景和背景灰度级区域像素点的灰 度平均值。卅与前景和背景区域差别度成正比，值
越大图像分割效果越好，值越小则效果越差。根据不 同的分割阈值〃计算各自的其中〃的最优值为 /的最大值所对应的分割阈值，即为此帧图像的最 优动态阈值U*，如公式（5）所示：
旷二人叭聽’佔-小屯⑺宀门（5）
（3） 消除残影
针对运动目标运动状态发生缓慢的变化时，经过
ViBe 算法提取的前景图像会在目标身后出现虚拟影 子，该影子与实际目标不相符即为残影。根据不同帧
图像中前景目标质心位置计算其对应的质心差，以此 来改变背景模型的更新率，从而可以较好地解决采用
固定更新率的传统ViBe 算法所引起的残影现象。
这里，引入一段时间内运动目标质心的平均移动
速度4D 来反映检测目标缓慢移动的速度。4D 为帧 差测量值，具体计算如公式（6）所示：
f
AZ ） = X d /f
（6）
i = 1
其中，仏为连续两帧运动目标相对质心差,/为要
统计的连续帧数和。若较小，则反映运动目标质 心移动速度较慢，为充分使缓慢移动的物体融入到背
景样本集，应降低背景模型更新速度，适当地增加Q
若△£>较大，则反映运动目标移动速度较快，为使得
运动目标移动过的地方能够快速地恢复为背景，应提
高背景模型更新速度，适当的减小卩。为了尽可能的
使与更新速度相匹配，设置更新关系式如公式 （7）所示：
f —（p = K * SD
（7）
其中,K 为更新速度相关因子,K 值的选取根据
当前视频的实际情况给岀，一般情况下，取K=4。
3实验结果与分析
使用数据集中的office 视频序列作为检测对象,
对原始ViBe 算法以及改进的ViBe 算法分别进行了 编程实验，对实验结果进行了对比分析。
如图4所示，从视频序列中提取出第145、146、
147 J48帧作为说明对象。并且将office mask 图中同
样的帧数提取出来如图5所示，采用原始ViBe 算法
模型和提出的改进的ViBe 算法模型对office 视频提
取的前景目标做对比，其效果图分别如图6和图7 所示。
图4 office 视频中连续4帧原图
IUUIUU
图5 office mask 视频中对应4帧原图
图6 office 对应4帧vibe 算法
图7 office 对应4帧本文改进的ViBe 算法
由图6可以看出，采用传统的ViBe 算法会产生
http : //www. larjoumal.
cn
《激光杂志》2021年第42卷第2期LASER JOURNAL(Vol.42,No.2,2021)97
较为严重的鬼影现象，而且由于图中还有灯光变化导致提取出的前景目标有噪点，该算法并不能较准确得到提取目标。由图7可以看出提出的改进ViBe算法模型不仅能很好地提取前景目标，而且对消除鬼影和去噪方面都有很好的效果。而且相比较于图4中office mask视频的真实前景目标，提岀的算法运行结果虽然仍有有空洞的岀现，但是已经能较好地提取目标的轮廓，辨认度比较高。
采用IEEE Change Detection Workshop(CDW)评价检测标准来定量地进行客观评价分析。定义TP为检测到的正确的目标点数，FP为错误目标点数，F7V 为错误背景点数，77V为正确背景点数。评价内容包括：
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评价参数比较
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
分别对两种算法做了评价分析如表1所示，可知在错判率和误判率方面，提出的算法的相关参数指标均较小，正确检测率和精度也较高。这也从侧面反映出本文提出的算法具有更强的鲁棒性。
4结论
在静态背景下，对原ViBe算法存在的问题做出了改进。提出的采用改进型累加平均的方法对背景模型进行初始化，扩大邻域范围为20邻域，同时增加了动态阈值判别以及背景自适应更新环节的改进算法相较原ViBe算法的错判率和误判率都得到降低，提高了前景检测的准确性，有效地抑制了鬼影现象，计算速度快，鲁棒性强。
参考文献
[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]余启明.基于背景减法和帧差法的运动目标检测算法
研究[D].赣州：江西理工大学,2013.
[4]陈亮，陈晓竹，胡正东.用于鬼影抑制的区域检测算法
[J]・中国计量学院学报,2015,26(01):115-122.
[5]蒋建国，王涛，齐美彬，等.基于ViBe的车流量统计算法
[J].电子测量与仪器学报,2012,26(06)=558-563. [6]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(06)=204-213.
[7]李亚伟，曹凯，王杰，等.一种改进的ViBe鬼影抑制算法
[J].广西大学学报(自然科学版),2017,42(02):712-
719
[8]闵卫东，郭晓光，韩清.改进的ViBe算法及其在交通视
频处理中的应用[J].光学精密工程,2017,25(03):806-
811.
[9]韩悦，金晅宏，郭旭，等.视频序列中的运动目标检测算
法研究[J].电子测量技术,2019,42(13):103-106. [10]陈星明，廖娟，李勃，等.动态背景下基于改进视觉背景
提取的前景检测[J].光学精密工程,2014,22(09)：2545
-2552.
[11]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)：71
-7&
[12]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):321-328.
[13]欧阳梓标，牛燕雄，谢朋言.一种改进的基于ViBe的运
动目标检测方法[J]•半导体光电,2018,39(02):260-
263
[14]彭志勇，刘子琪，窦慧，等.基于自适应Lab色差阈值的
ViBe运动目标检测算法[J].光电子•激光,2019,30
(05):529-535.
[15]吴建胜.徐博.动态阈值的Vibe运动目标检测[J].计算
机工程与应用,2017,53(11):182-186.
www.larjournal,cn
