[发明专利]一种改进的运动目标检测VIBE方法

说明书

针对经典的VIBE前景提取算法当输入的第一帧含有运动目标时后续检测就会出现“鬼影”现象、像素判别时模型中的固定半径在复杂场景检测效果不佳等问题，本发明提供一种改进的运动目标检测VIBE算法，区分静止区域是“鬼影”区域还是静止目标，并描述当前像素与背景模型中样本之间的差异程度，且在像素判别时根据描述字来动态调整判别模型中半径的大小，使得在场景变化程度较小时有更多的前景点被检测出，变化程度较大时能够阻止波动较小的像素点被检测为前景点，减少检测结果中的噪声。有益的技术效果：与原始的VIBE算法相比较，本发明能够在更少的帧数内去除“鬼影”，并使得检测出的运动目标更为准确。

技术领域

本发明是一种图像/视频处理技术，具体为一种改进的运动目标检测VIBE 算法。

背景内容

运动目标检测^[1]，即通过某种手段去获得视频帧序列中的运动目标(不含场景中的背景信息)，在视频处理、交通监管、社会治安等领域比较常见。目前，步态识别^[2]、目标跟踪^[3]、视频异常行为分析^[4]等多个研究领域比较火热，虽然不同的研究领域存在差异，但有一点相同，那就是这些研究领域的研究对象都是视频信息。所以，如何从视频中获得人们感兴趣的信息，成为了相关领域的首要任务。运动目标检测方法^[5-7]可以分为三类：帧差法、光流法以及背景差分法。帧差法是通过视频相邻帧(或者相同间隔的帧)之间做差，然后根据阈值得到前景和背景。其原理清晰易懂，代码实现起来也非常简单，运行速度也能达到实时的要求，但帧差法提取的轮廓存在双影现象，而且当两帧之间间隔很小时，物体在前后两帧中重叠的区域在相减后就会出现空洞区域。光流法是通过计算光流来描述运动场，再根据光流幅度阈值进行前景提取。其检测结果虽然比较准确，但是在计算光流时付出的时间代价大，故不能适用于实时视频的处理，计算光流时也无法避免阴影、遮挡等噪声的影响。背景减除法需要用输入视频的首帧或者前几帧构建一个背景模型，再用当前帧和背景模型比较判别当前帧中的像素类别。该方法的优点在于能够通过对背景模型的及时更新适应场景的不断变化从而在复杂的场景中得到较好的检测结果。混合高斯算法^[8](GMM)属于背景减除法的一种常见算法，GMM会把变化慢的像素学习为背景，变化快的像素视为前景，从而达到前景和背景的分离。但GMM初始化过程长，参数估计慢，也不能适用于实时视频的处理。

针对上述算法存在的各种问题，Olivier Barnich等人^[9]在2009年提出了一种无参数估计的背景减除算法--VIBE算法，该算法检测效果比较好，运行速度比较快，并且在近年来得到了广泛的应用，逐步发展成为一种通用的背景减除算法^[10]。但是，传统的VIBE算法存在两点不足：1)当第一帧中含有运动目标时，检测就会出现“鬼影”现象；2)VIBE背景模型判别半径固定，这种固定的阈值，不能很好的适应动态场景中的前景检测。

为了使得VIBE算法的检测效果在复杂场景下也能令人满意，众多学者们在 VIBE算法的基础上也做出了各自的改进。

针对“鬼影”检测问题,目前的算法主要分为两类:第一类是根据前景像素的运动属性检测“鬼影”。比如，Yang等^[11]借用帧差法比较某个像素在当前帧和上一帧之间的差异，用运动因子描述每个像素的运动状态，当其值为0，说明该像素为静止像素，应该判别为“鬼影”。第二类是利用背景模型的自动更新功能。比如，Stauffer等^[12]用每一帧对背景模型进行修正，逐步将背景模型初始化时引入的“鬼影”像素替换出去。