复杂背景下改进的ViBe运动目标检测算法.pdf
《复杂背景下改进的ViBe运动目标检测算法.pdf》由会员分享,可在线阅读,更多相关《复杂背景下改进的ViBe运动目标检测算法.pdf(9页珍藏版)》请在咨信网上搜索。
1、文章编号:1002-2082(2023)05-1045-09复杂背景下改进的 ViBe 运动目标检测算法贾澎涛,侯长民,李娜(西安科技大学计算机科学与技术学院,陕西西安710054)摘摘 要:要:针对传统 ViBe 算法在复杂背景下检测运动目标时会出现鬼影、阴影、误检等问题,提出了一种改进的 ViBe 运动目标检测算法,称为 GS-ViBe 算法。在 GS-ViBe 背景模型初始化阶段,利用最大后验估计法确定每个像素点的最佳高斯分布数目,使其形成多帧融合背景来代替 ViBe 的单帧背景初始化方法,从而消除鬼影;在 GS-ViBe 前景检测阶段,增加多特征融合阴影检测过程,并将其检测结果和 Vi
2、Be 前景目标融合,得到消除阴影后的前景目标;最后,在 GS-ViBe 背景模型更新阶段,引入动态更新因子代替固定更新因子,使得背景可以自适应更新,从而降低目标的误检率。在多种复杂背景下与传统 ViBe 算法对比发现,GS-ViBe 算法召回率提高了 37.74%,准确率平均提高了 19.83%,误检率平均降低了 52.57%,表明 GS-ViBe 算法可以有效消除鬼影、阴影、误检的干扰,获取到完整的前景目标。关键词:关键词:运动目标检测;阴影检测;ViBe;最大后验估计;多特征融合中图分类号:TN911.73文献标志码:ADOI:10.5768/JAO202344.0502005Improv
3、ed ViBe moving target detection algorithm in complex backgroundJIAPengtao,HOUChangmin,LINa(CollegeofComputerScienceandTechnology,XianUniversityofScienceandTechnology,Xian710054,China)Abstract:Aiming at the problems of ghosts,shadows,and false detections occur when traditional ViBealgorithm detects m
4、oving targets in complex backgrounds,an improved ViBe moving target detectionalgorithm was proposed,which was called GS-ViBe algorithm.In the initialization stage of GS-ViBebackgroundmodel,themaximumposterioriestimationmethodwasusedtodeterminetheoptimalnumberofGaussian distributions of each pixel to
5、 form a multi-frame fusion background instead of single-framebackgroundinitializationmethodofViBe,sothattheghostswereeliminated.IntheGS-ViBeforegrounddetectionstage,themulti-featurefusionshadowdetectionprocesswasadded,andthedetectionresultswerefusedwithViBeforegroundtargetstoobtaintheforegroundtarge
6、tsaftereliminatingshadows.Finally,intheGS-ViBebackgroundmodelupdatestage,adynamicupdatefactorwasintroducedinsteadofafixedupdatefactor,sothatthebackgroundcouldbeupdatedadaptively,therebyreducingthefalsedetectionrateoftargets.IncomparisonwithtraditionalViBealgorithminavarietyofcomplexbackgrounds,itisf
7、oundthattherecallrateofGS-ViBealgorithmisincreasedby37.74%onaverage,theaccuracyrateisincreasedby19.83%onaverageandthefalsedetectionrateisreducedby52.57%onaverage.ItshowsthattheGS-ViBealgorithmcaneffectivelyeliminatetheinterferencefromghosts,shadowsandfalsedetections,whichobtainsthecompleteforeground
8、targets.Key words:moving target detection;shadow detection;ViBe algorithm;maximum posteriori estimation;multi-featurefusion收稿日期:2022-10-10;修回日期:2023-01-18基金项目:国家自然科学基金(62002285)作者简介:贾澎涛(1977),女,博士,教授,硕士生导师,主要从事人工智能、机器学习、目标检测研究。E-mail:通信作者:侯长民(1997),男,硕士研究生,主要从事目标检测、图像处理、深度学习研究。E-mail:第44卷第5期应用光学Vol.
9、44No.52023年9月JournalofAppliedOpticsSep.2023引言运动目标检测的目的是从视频中检测得到运动目标,在目标识别与跟踪、行为分析、视频监控等方面有着广泛应用1-4。在实际场景中,光照变换、树叶晃动、水面闪烁、雨雪天气等干扰因素都会增加运动目标检测的难度,如何从视频中快速准确地检测出完整运动目标成为了研究热点。ViBe算法5-7是较为常用的运动目标检测算法之一,因其具有检测精度高和实时检测的特点,而被广泛应用。但是,Vibe 算法使用单帧初始化背景模型,当视频首帧存在运动目标时,后续检测结果中便会出现鬼影现象8;同时,在强光照场景下,ViBe 算法会将背景中的阴
10、影部分误检为前景目标。针对 ViBe 算法中存在的鬼影问题,尹芳等人9使用帧间差分法消除鬼影,但如果运动目标长时间存在,检测效果便不够理想。JINDL10和ZHANGYJ11分别使用改进的 Canny 算子和 Sobel 算子与ViBe 算法结合,通过边缘检测区分前景目标与鬼影,取得了较好的鬼影消除效果,但是当鬼影与前景区域重叠时,就难以检测出完整前景目标。刘家军等人12通过选择颜色和空间位置相近的像素点作为样本集初始化背景模型,该算法在保证实时性的前提下能检测出完整运动目标,但有时也会将阴影误检为前景目标。崔鹏翔等人13结合YCbCr 颜色空间和混合高斯模型(Gaussianmixturem
11、odel,GMM)来消除鬼影,但是对于复杂背景的鲁棒性较低。上述方法虽然能够有效消除鬼影,但是对于阴影误检问题却难以解决。为了消除阴影对目标检测的影响,研究者们提出了一系列基于各种特征的阴影检测算法。SALVADOR 等人14在 HSV(hue,saturation,value)颜色空间下根据明度分量 V 检测阴影;韩延祥等人15通过计算当前图像与背景图像的纹理相似度来区分图像中的阴影和前景目标。上述两种方法均属于单特征阴影检测算法,颜色空间法在光线较暗的环境下检测效果较差,而纹理法则容易将深色目标误检为阴影。为了克服单特征方法的局限性,李鹏等人16提出了一种将颜色特征、归一化向量距离和亮度比
12、值相融合的阴影去除方法,甘玲等人17结合色相和纹理特征进行特征融合进行运动车辆阴影的检测与去除,龙浩等人18结合 HSV 颜色特征和 LBP(localbinarypattern)纹理特征进行阴影检测,上述 3 种方法将颜色特征和纹理特征并行处理后进行融合,这 3 种多特征融合方法能有效克服单特征方法的不足,较好地去除阴影,并保留完整的前景目标,但是会引入新的阴影和噪声破坏检测结果,尤其是在阴影与前景目标的交界处检测效果还需进一步改进。为了解决 ViBe 算法存在的上述问题,论文提出了一种复杂背景下改进的 ViBe 运动目标检测算法GS-ViBe(GMMandshadowdetectionVi
13、Be),GS-ViBe 从背景模型初始化、前景检测和背景模型更新 3 个阶段进行改进。改进的算法可以有效抑制各种干扰,适应各种复杂背景,并且满足实时性检测需求。1 GS-ViBe 算法1.1 算法思想针对 ViBe 算法背景初始化时容易产生鬼影的问题,GS-ViBe 使用改进的 GMM 背景初始化方法代替单帧背景初始化方法,通过最大后验估计法引入先验概率影响,实现自适应更新高斯分布数量,并重新设计了学习率公式,使其可以动态调整,加速背景建模,提高了算法的鲁棒性,解决了鬼影问题;对于 ViBe 算法的阴影误检问题,GS-ViBe 在前景检测阶段增加了多特征融合阴影检测过程,将阴影检测结果和前景结
14、果结合,消除阴影对于前景检测的影响;同时 GS-ViBe 在背景模型更新阶段引入动态更新因子代替固定更新因子,使得背景可以自适应更新,从而降低背景的误检率。1.2 基于改进 GMM 的背景模型初始化方法XtGMM 作为一种基于像素的背景建模方法,主要使用 K 个高斯分布对视频帧的每个像素建模,对于 t 时刻的视频帧,高斯混合模型分布概率公式如下所示:P(x|Xt)=Ki=1i,t(xt|i,t)(1)i,ti.ti,ti,t|Xti,t1|2.5i,t1Mi,t=1Mi,t=0式中表示 t 时刻第 i 个高斯分布的均值和协方差矩阵。为标准差,若满足条件,则认为该像素点与该高斯分布匹配,此时记,
15、否则。Xtt/t如果出现与所有高斯分布均不匹配时,则需要使用新的高斯分布代替优先级较低的分布,高斯分布参数更新公式如下:i,t=(1)i,t1+Mi,t(2)1046应用光学第44卷第5期i,t=(1)i,t1+Xi(3)2t=(1)2i,t1+(Xti,t)T(Xti,t)(4)式中:代表学习率;的大小与学习率 相关,表示参数的更新速率。将式(2)中的权重序列作为一个隐式的多项式分布看待,引入多项式分布的共轭先验狄利克雷分布:P=Ki=1cii(5)ci式中 是第 i 个分布的先验,即属于第 i 个分布的先验样本数量。在引入先验概率分布后,通过极大似然法求解得到最终的权重更新公式:i,t=(
16、1)i,t1+Mi,t1d(6)d式中 为先验估计引入的影响因子。负数权重的狄利克雷分布将使与像素无法匹配的分布权重减小,当其权重减小为负数时便舍弃该分布,保证了分布权重的非负性。此外,背景模型应尽可能保留初始帧的特征,传统 GMM 中的学习率是一个固定值,影响背景模型的准确性,因此改进的 GMM 中重新设计了学习率更新公式:=1min(2t,L)(7)式中:t 代表视频帧编号;L 为初始化视频帧数。随着输入视频帧数的增加,学习率会从较大值逐渐趋于稳定,所包含的初始帧特征达到最大化,确保了背景模型的准确性。1.3 多特征融合阴影检测算法为了消除阴影对于前景检测结果的影响,充分利用各个特征来辅助
17、阴影检测,GS-ViBe 中提出了一种基于串行结构的多特征融合阴影检测算法。针对现有算法容易引入新的阴影和噪声以及在阴影与目标边界不明显时检测效果较差的问题,改进算法对颜色特征、纹理特征和边缘特征进行融合,通过新引入的边缘特征计算图像边缘与前景检测结果之间的差异,获得目标周围的边缘特征,之后将其他特征检测得到的阴影结果与边缘特征融合,最大限度地去除阴影部分,解决了边界模糊时目标难以完整检测的问题;此外,为了解决前景目标中易出现孔洞的问题,改进算法采用串行结构进行特征融合,尽量充分利用各种特征来辅助阴影检测,并添加了形态学处理步骤,对检测结果进行修正,降低孔洞现象的出现。在光照环境下,运动目标在
18、颜色构成上与阴影部分存在较大差异,并且当阴影将背景像素覆盖之后,其纹理特征变化较小。因此,通过计算背景图像和当前帧图像之间的颜色特征和纹理特征的差异,可以初步得到当前帧位于(x,y)处的阴影检测结果 S(x,y)。S(x,y)=255,|Fb(x,y)Fi(x,y)|0,otherwise(8)Fb(x,y)Fi(x,y)i式中:和分别表示背景图像和当前第帧的特征值;和 是两个阈值,用于判断当前像素点是否属于阴影部分。之后,使用边缘特征获取当前帧图像边缘结果后,将其检测结果与 ViBe 前景结果进行对比,进而保留目标周围的边缘:E(x,y)=255,P(x,y)=Eall(x,y)=2550,
19、otherwise(9)P(x,y)Eall(x,y)式中和分别表示当前帧图像的 ViBe前景检测结果和边缘检测结果中位于(x,y)处的像素值。SF(x,y)在对目标边缘经过形态学膨胀处理后,将当前帧图像在位置(x,y)处的阴影检测结果与边缘检测结果的像素值相减,得到最终的阴影检测结果。SF(x,y)=S(x,y)E(x,y)(10)D(x,y)最后,将阴影检测结果和 ViBe 前景检测结果融合,得到消除阴影后的前景目标。D(x,y)=0,SF(x,y)=P(x,y)=255P(x,y),otherwise(11)1.4 自适应背景更新模型在复杂背景下,背景模型更新容易受到环境干扰,如果采用传
20、统 ViBe 算法中的更新策略,则可能使得前景被误检为背景或者背景被误检为前景,进而导致误检率升高。因此为了降低误检率,GS-ViBe 在背景模型更新阶段引入空间一致性原则,即为每个像素点定义一个邻域集合,通过判断该邻域集与其背景模型的空间一致性,来决定背景模型的更新概率。当前视频帧位于(x,y)处的像素点的 邻域定义为N(x,y)=n1,n2,n(12)式中 为一正整数。N(x,y)B(x,y)然后,计算像素点邻域与其背景模型集合的交集:I(x,y)=N(x,y)B(x,y)(13)应用光学2023,44(5)贾澎涛,等:复杂背景下改进的 ViBe 运动目标检测算法1047之后将空间一致性系
21、数定义为C(x,y)=|I(x,y)|N(x,y)|(14)C(x,y)空间一致性系数作为像素点被判定为背景点的度量标准,其值越大,说明像素点邻域中属于背景的像素点也越多,进而说明该点作为背景的可能性也越高,该像素点的背景模型更新概率也就越高,因此使用空间一致性系数定义自适应更新因子:(x,y)=C(x,y)(15)(x,y)1/(x,y)式中:为初始更新因子;为自适应更新因子,该像素点有的概率去更新背景模型。这样不仅可以有效减少前景被误检为背景的概率,而且可以进一步增强算法的鲁棒性。2 实验结果分析2.1 数据集与实验环境为了验证 GS-ViBe 算法的有效性,选用具有复杂背景的数据集CDN
22、et201419进行实验。CDNet2014数据集中包含大量有复杂背景的视频数据,包括雨雪环境、强光照环境、晃动的树叶、水面以及夜间环境等。同时,数据集中每个视频都标注有真值标签,便于算法性能的定量分析。L=500M=6R=20N=20=16Qmin=2算法代码是在 Windows10 操作系统下使用VisualStudio2022、C+和 OpenCV4.5.2 编写运行,实验环境为i5-11400H2.70GHzCPU,内存为16.0GB。实验中 GMM 背景模型初始化视频帧数,初始高斯分布个数,ViBe 算法初始化匹配半径,样本个数,背景更新因子,最小匹配数。2.2 背景模型初始化结果对
23、比为了对比各种背景模型初始化算法的背景建模结果,选取了数据集中的 3 个视频(PETS2009、Highway 和 Skating),将多帧平均法、多帧中位数和 GMM 背景初始化方法与 GS-ViBe 算法中改进的多帧背景初始化方法进行实验对比,图 1 为各视频使用不同的背景模型初始化方法的结果对比图,图 2 为 Highway 数据集通过背景建模后 300 个像素点的高斯分布数目曲线图。PETS2009HighwaySkating视频第1帧多帧平均法多帧中位数GMMGS-ViBe图 1 各种背景初始化算法结果对比Fig.1 Comparison of results of various
24、background initialization algorithms由图 1 可知,对于多帧平均法和多帧中位数,在目标较多的视频 PETS2009 和 Skating 上,初始化背景中存在虚影,对于目标移动过快的 Highway数据集,其初始化背景中虚影被拖长,而传统的GMM 算法背景中的虚影现象更严重。GS-ViBe算法背景初始化结果中几乎不含运动目标和虚影,更加接近于真实背景,能够适应各种不同复杂背景。从图 2 中可以看出,像素的高斯分布数目最高可高达 12 个,最低则为 2 个,由于使用视频的前12108642高斯分布数目/个050100150200250300视频帧/帧图 2 像素
25、点高斯分布数目Fig.2 The number of Gaussian distribution of pixels1048应用光学第44卷第5期500 帧进行高斯混合模型的训练,所以当某一帧的某一像素位置处出现运动目标或是受到其他干扰时,会导致高斯分布数目变化,但是基本上集中在36 个之间,传统 ViBe 算法的高斯分布数目一般设定为 35 个,高斯分布数目实验既验证了算法有效性,也证明了自适应高斯分布数目可以适应复杂背景下视频帧的变化。2.3 阴影消除结果对比为了验证多特征融合阴影检测算法的效果,实验选择了 HSV 颜色特征和 Canny 边缘特征进行多特征融合阴影检测,并选取了数据集中包
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 复杂 背景 改进 ViBe 运动 目标 检测 算法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。