ViBe算法原理分析本章主要介紹Vibe算法的基本原理，包含背景模型初始化、前景檢測和背景模型更新；還介紹了一些Vibe算法的改進方法。1.1基本原理Vibe算法是一種基于像素的背景建模或前景檢測工具。背景指的是視頻序列中靜止不動或者移動十分緩慢的物體，而前景則對應于運動的物體。Vibe算法的基本原理是為圖像中每一個像素部分創建一組樣本，該樣本集的采樣值包括當前像素點過去的像素值和其鄰居點的像素值；由于背景點在時間前后、空間分布方面具有近似性，其像素值應該接近于樣本集中的樣本值，所以此后每得到一個新的像素值，就將它與樣本集中的每個樣本進行比較，判斷該點是否應該被添加至背景模型。記： ·p（x,y）:像素點（x，y）的像素值； ·S（x,y）={p1,p2,...,pN}:像素點（x，y）大小為N的樣本集； ·R:給定的取值范圍； 計算p（x,y）與S（x,y）中每一個樣本值的差值，將絕對值在[0,R]范圍內的差值個數集記為Dv；定下一個閾值T，若Dv＞T，則該（x,y）點被認為是背景點。Vibe算法主要包括三個部分：初始背景的建立、運動目標檢測、背景模型的刷新方案。1.1.1背景模型初始化初始化即背景模型的構建。常見的背景檢測算法的建模方法需要較多數量的視頻幀完成初始化，可能導致視頻信息的丟失；Vibe算法完成背景模型的初始化時僅僅使用了單獨一幀圖像，通常使用視頻的第一幀圖片。同時，因為單獨一幀圖像無法包含像素點的時空分布信息，可以根據相鄰的像素點在時間和空間位置上具有連續性，其顏色、像素相近，隨機從該幀中每一個像素點的周圍選取多個像素點的值來填充該點的樣本集；如此便可使樣本庫中不僅包含像素點當前信息，而且包括了其在時間和空間上的分布信息。記： ·So（x,y）:初始背景模型中點（x,y）的樣本集； ·NBg（x,y）[N]:點（x,y）隨機選取的鄰居點； ·po（x,y）:初始幀圖像中（x,y）點處的像素值； 則So（x,y） ={po（x,y）,NBg[1],...,NBg[N]}。 Vibe算法的初始化方法計算量小，模型建立速度快，比起其他方法可以更快的進入目標檢測環節，同時對于意外情況（如畫面突然變化）的處理比較靈敏。可是，由于第一幀圖像中可能存在運動目標，初始化背景模型時將這些運動目標添加到了背景模型中，可能引入鬼影（Ghost）區域。1.1.2前景檢測過程將當前幀每一個像素點與背景模型中的每個樣本點的樣本集進行比較，若差值小于給定范圍，認為該樣本點為近似樣本點；若近似樣本點的數量大于給定的閾值，新的像素點被認為是背景點，將其加入背景模型。用公式表示，我們記：·p(x,y):視頻序列最新一幀圖像的像素點；·S(x,y)={p1,p2,...,pN}:點(x,y)的背景樣本集（大小為N）；·R:判斷像素點與某背景點的是否相似的閾值；·T:判斷前景點的閾值；·DR(p(x)):圓心為p(x)點、半徑為R的圓形區域；圖2-1視頻序列中的像素點分布統計新像素點p(x,y)到其樣本集中樣本點的距離小于R的個數，即{S(x,y)∩DR(p(x))}的元素個數；若{S(x,y)∩DR(p(x))}＞T，則點p(x,y)為背景點（）。1.1.3背景模型更新在實際應用中，視頻序列的背景是不斷變化的，如光照的變化、背景物體的更替等；故需要設計算法適時更新背景模型，使其能適應背景的變化。Vibe算法的更新策略主要有三個：保守更新、前景點計數、隨機子采樣。保守的更新策略即永遠不會用前景點來填充背景模型；但是這種做法在某些情況下會引起死鎖（如初始化時錯誤地將靜止的區域檢測為運動目標），故Vibe算法采取保守更新結合前景點計數法的方式。前景點計數法即統計像素點被檢測為前景點的次數，若某個像素點連續一定次數被認為是前景點，則認為其為背景點。隨機子采樣策略認為在視頻序列中，不需要時時更新每一幀圖像的每一個像素點；而是當某個像素點被判斷為背景點時，它只有1/

φ的概率更新去視頻序列的背景模型（φ為時間采樣因子）。更新背景模型的具體做法是：背景模型中的每一個背景點都有1/φ的概率更新自己的樣本集樣本值，也有1/φ的概率更新其某個鄰居點的樣本集樣本值。前景點計數到達給定次數后被更新為背景點的像素點也有1/φ的概率更新自己的樣本集樣本值。對于鄰居點的樣本值的更新利用了像素點的時空傳播特性，可以更快的識別并消除Ghost區域。而在決定選取更新樣本集中的哪個樣本值時，采取了隨機選取策略。對于某一個樣本值，沒有被更新樣本值的概率是:P(t,t+dt)=(P即一個樣本值是否被更新與時間t無關（）。與傳統方式的先進先出方式對比，Vibe算法中背景模型的樣本值被替換的概率是相同的，與該樣本值已存在的時間長短無關，保證背景模型能被更新為最佳模型。1.2算法改良Vibe算法是一種快速有效的運動目標檢測算法，具有許多優點；但是也因此存在一些算法自身的局限性，容易出現拖影、陰影前景、目標內部不完整、靜止目標難以處理等問題。解決這些問題，可在算法上改動以下幾點：1）增加連通區域的濾波操作：區分分割模型與更新模型。在分割模型中，對區域面積小于或等于20的孔洞區域進行填充，刪除面積小于或等于10的前景目標。針對像素級前景檢測的不足，可以提高檢測準確度。在更新模型中，填充區域面積小于等于50的空洞區域，可以減少運動目標中的空洞。2）抑制傳播：Vibe的背景模型更新策略會使運動目標在靜止時逐漸被吸收為背景模型。。為了保留該前景物體，可以計算像素點的梯度，梯度值較大時說明像素值前后變化較大，該點極有可能為前景點，需要抑制其更新。3）距離計算與自適應閾值：原有Vibe算法為幾何距離測量，可用圓錐模型替換。以codebook中的顏色畸變值大小來判斷倆個像素點是否相似。同時，將固定閾值替換為自適應閾值，自適應閾值的大小與背景有關，背景越復雜，閾值越大。采取的方法是計算樣本集中樣本值的方差σ，并將閾值限制在[20,40]之間，公式如下（M.Va