0 引　言

在计算机视觉领域中，运动目标检测是国内外学者研究的热点。目前，帧差法^[1-2]、光流法^[3]、背景差分法^[4]，是应用较为广泛的几种检测方法。背景差分法会先确定背景模型，然后将图像序列中的当前帧和背景模型进行对比，并进行减法运算，得到前景运动区域，从而确定运动物体的各项特征。混合高斯模型(GMM)^[5]、码本(codebook)算法^[6]和视觉背景提取(visual background extractor, ViBe)算法^[7-8]都是背景差分法的应用。与帧差法、混合高斯模型和codebook算法相比，ViBe算法计算量小，运行速度快，实时性高，抗噪声干扰能力强，还具有较好的鲁棒性。同时，ViBe算法不受运动目标的速度影响，静态背景下检测效果良好，与以上算法相比，前景检测效果较为优异。但其缺点也很明显，如“鬼影”、检测目标不完整以及对动态背景鲁棒性差等问题。

为了弥补原始ViBe算法的不足，杨依忠等^[9]提出了一种“与”和“或”类型三帧差法与原始ViBe算法相结合，通过“与”运算减少海面闪烁点被误检测为前景的情况，再通过“或”运算尽可能地保留运动目标，最后对结果进行显著性检测。该方法在一定程度上抑制了首帧出现的“鬼影”，在近距离的大型目标上检测效果理想，但是不适用于小目标检测。VAN D等^[10]在ViBe算法的基础上引入了闪烁等级的概念，并引用了codebook算法中的颜色畸变测量。杨毅等^[11]在原始ViBe的基础上扩大样本取值范围，结合自适应阈值和闪烁等级，对输入的视频序列采用高斯金字塔变换，获得不同分辨率的图像，最后对这些图像分别使用改进的Vibe算法检测出结果，并进行融合。该方法可以有效抑制海面闪烁点，但未对目标“鬼影”进行抑制，造成船舶运动目标的误检。

基于以上分析，为了提高运动船舶识别的检测率和准确性，本文对传统ViBe算法进行改进。在ViBe算法的基础上，本文算法用多帧连续图像初始化背景模型，减少“鬼影”对前景检测结果的影响；通过自适应阈值和闪烁等级抑制海面杂波，再通过多帧前景图像像素点对比消除“鬼影”，提取移动的船舶。最后对输入的动态视频进行高斯金字塔多尺度分解，提取出第4层的低分辨率视频。本文算法流程如图1所示。

1 ViBe算法

ViBe算法流程如下：初始化单帧图像中每个像素点的背景模型、对后续的图像序列进行前景目标分割和模型更新^[11]。

1.1 模型初始化

算法对视频进行处理时，使用首帧图像进行初始化。首先，为每一个像素点创造一个大小为 $N$ 的样本集，从每个像素的8个邻域中随机选取 $N$ 个像素值放入 $N$ 个模型样本中，背景模型 $M(x)$ 如下：

$ M(x) = \{ {v_1},{v_2}, \cdots {v_N}\}。$

(1)

式中： ${v_i}$ 表示背景模型中样本的像素值； $N$ 为背景模型中样本的数量。

1.2 前景检测

模型初始化之后，从第2帧图像开始，将每个新的像素点与模型中已有的样本进行对比，以此判断是否是前景像素。假设 $v(x)$ 是当前像素点 $x$ 的像素值，ViBe算法会定义一个以 $v(x)$ 为圆心， $R$ 为半径的圆形区域 $ {S_R}\left( {v\left( x \right)} \right) $ ，该区域包含了到 $v(x)$ 的欧氏距离小于等于 $R$ 的所有像素点，如图2所示。其中， ${C_1}和{C_2}$ 为二维颜色空间的分量， $M$ 表示 $M(x)$ 落在 $ {S_R}\left( {v\left( x \right)} \right) $ 内的样本数量，当 $M$ 大于预设阈值时， $v(x)$ 为背景，否则为前景。图中黑色点表示 $M(x)$ 的样本点。

1.3 模型更新

当前像素 $v(x)$ 被分类为背景点时， $v(x)$ 会以 $1/\phi $ 的概率更新自身的背景模型，之后会随机替换样本模型中的某一像素点，同时也会以 $1/\phi $ 的概率更新其8个邻域内像素点背景。

2 改进的ViBe海面船舶运动目标检测算法 2.1 背景建模

ViBe算法使用视频的第1帧初始化式(1)中的参数。如果在第1帧中有1个像素是前景目标，那么作为前景的像素也将被分类为背景样本点。若第1帧存在前景目标，则前景像素也将被分类为背景样本点。由于前景一直运动，某些长时间保持不变的前景区域被认为是“鬼影”。如图3(b)所示，矩形框内为运动目标残留的鬼影区域。因此，在初始化时，为了弱化运动目标对背景建模的影响，本文算法采用前N帧图像进行建模。

$ M(x){\text{ = }}\left\{ {{P_1}(x), \cdots {P_N}(x)} \right\} 。$

(2)

式中， $ {P_N}(x) $ 为前N帧图像的像素值。

2.2 背景建模自适应阈值和闪烁等级

ViBe算法中所采用的固定半径 $R$ 不能适应海面动态背景的变化，易受海浪杂波的干扰，产生大量的误检。因此，使用自适应阈值^[12-15]，并根据动态背景的变化自动调整阈值。参考文献[12]将阈值定义为：

$ T = \frac{1}{{M \times N}}\sum\limits_{i = 0}^{N - 1} {\sum\limits_{j = 0}^{M - 1} {\left| {L(x) - {L_i}(x)} \right|} }。$

(3)

式中： $L(x)$ 是当前帧； ${L_i}(x)$ 为背景模型样本。 $T$ 反映背景的变化程度， $R$ 根据 $T$ 的动态变化自适应地调整模型进行更新，如下式：

$ R(x) = \left\{ {\begin{array}{*{20}{c}} {R(x)(1 - \varepsilon )},&{R(x) > T}, \\ {R(x)(1 + \varepsilon )},&{{\rm{else}}} 。\end{array}} \right. $

(4)

式中： $\varepsilon $ 为阈值调节改变量，设置门限 ${R_H}$ 和 ${R_L}$ (分别取40和20)防止阈值变化较大。当环境变化较小时， $R(x)$ 趋于稳定；当背景变化较大时， $R(x)$ 就会逐渐增大。

引用文献[10-11]中的闪烁等级 $ B $ 降低海面杂波的干扰。闪烁等级即若某一背景像素的8邻域中存在前景，根据像素的8邻域状态与前一帧同位置像素8邻域状态不同，对 $ B $ 进行修改。若 $B \geqslant 30$ ，认为该像素正在闪烁，表示为：

$ B = \left\{ {\begin{array}{*{20}{c}} {B + 15},&{{S_I} \ne {S_{I - 1}}}, \\ {B - 1},&{{S_I} = {S_{I - 1}}}, \end{array}} \right.\begin{array}{*{20}{c}} {}&{B \in (0,150)} 。\end{array} $

(5)

式中： $ B $ 为闪烁等级； $ {S_I} $ 为像素点8邻域状态， $ {S_{I - 1}} $ 为上一帧同位置像素的8邻域状态；

$ v(x) = \left\{ {\begin{array}{*{20}{c}} 0&{B \geqslant 30}, \\ 1&{B < 30} 。\end{array}} \right. $

(6)

式中： $v(x)$ 为像素值。

2.3 “鬼影”消除策略与前景检测

“鬼影”消除策略如下：

步骤1　以是否检测到“鬼影”作为第1个判断，连续两帧中相同位置的像素被判断为前景。如果存在“鬼影”，则进行步骤2，否则跳转至步骤3。

步骤2　结合帧间信息，增加第2次判断，即统计前 $n$ 帧中相同位置的前景像素的次数，并与 $n$ 比较。如果小于 $n$ ，则确定为前景像素，否则为“鬼影”。此时“鬼影”更新为背景像素，如式(7)所示。

步骤3　通过改进的ViBe算法提取前景区域，然后与Log边缘检测和形态学运算提取的前景目标进行“与”运算，消除“鬼影”。

$ I(x,y) = \left\{ {\begin{array}{*{20}{c}} 1,&{count < n}, \\ 0,&{{\rm{else}}} 。\end{array}} \right. $

(7)

其中： $ I(x,y) $ 是值为 $ (x,y) $ 的像素，1是前景，0是背景。

在前景检测过程中，基于背景模型提取运动前景，并进行如下操作：

步骤1　第2次判断“鬼影”后，提取船舶运动的前景区域 ${W_1}$ ；

步骤2　利用Log算子对当前帧进行边缘检测，将运动目标区域简化并进行填充；

步骤3　利用形态学运算先膨胀，将运动区域边缘进行连接；然后腐蚀，消除边缘周围纤细区域，得到目标区域 ${W_2}$ ；

步骤4　将 ${W_1}$ 和 ${W_2}$ 两个运动区域进行“与”计算，得到最终目标区域 $W$ 。

由于改进ViBe算法仍存在些许的海浪杂波，同时边缘检测也易检测非目标边缘，如图4(b)和图4(c)所示。将边缘检测和改进的ViBe算法进行“与”运算可以进一步抑制改进的ViBe算法残留的海面杂波以及干扰边缘带来的影响，从而获得完整目标的显著图，如图4(d)所示。

3 多尺度分解

前景检测是在不同分辨率的同一视频上执行的。与高分辨率视频相比，低分辨率视频具有模糊、尺寸较小、灰度值变化小等特点，从而抑制了海面杂波。高斯金字塔可以对视频图像进行多尺度采样，还可以将它们排列成金字塔的形式。金字塔层数越多，图像尺寸越小，分辨率越低。假设第k层输入图像的分辨率为 $M \times N$ ，则经过低通滤波和下采样之后，第k+1层图像的分辨率为 $M/2 \times N/2$ 。

$ {G_{k + 1}}(i,j) = \sum\limits_{ - 2}^2 {\sum\limits_{ - 2}^2 {w(m,n)} {G_k}(2i + m,2j + n)}, $

(8)

${G_{k + 1}}(i,j)$ 为k+1层的高斯金字塔图像， $ w(m,n){{ = }} w(m) \times w(n) $ 是W长度为5的卷积核，如下式：

$ w(m,n) = \frac{1}{{256}}\left( {\begin{array}{*{20}{c}} 1&4&6&4&1 \\ 4&{16}&{24}&{16}&4 \\ 6&{24}&{36}&{24}&6 \\ 4&{16}&{36}&{16}&1 \\ 1&4&6&4&1 \end{array}} \right)。$

(9)

在动态背景下，海上航行船舶的检测会到受海浪的影响，为了减少海面杂波的干扰，采用高斯金字塔提取5层分辨率视频，使用改进的ViBe算法提取船舶运动目标。如图5(b)、图5(c)和图5(d)所示，前3层分辨率视频中存在大量海面杂波干扰，高分辨率还降低了运行速度。单帧视频的运行时间分别为1 018 ms，285 ms，153 ms，如表1所示。从图5(f)和表1可以看出，海浪的干扰得到了抑制，第5层分辨率视频的单帧视频处理耗时为29 ms。然而，由于丢失了部分船体，目标检测不完整。在第4层分辨率视频中，海杂波得到了很好的抑制，而且舰船目标的显著区域也比较完整，如图5(e)所示。同时，单帧视频运行时间为97 ms，满足实时性要求。因此，本文对分辨率为1280×720的视频采用高斯金字塔分解，得到第4层160×90的低分辨率视频。根据以上实验结果，使用改进的ViBe算法提取运动船舶目标的前景，避免了海浪对高分辨率船舶目标提取精度的影响，可以准确提取运动中的船舶目标。

4 实验结果与分析

实验中使用分辨率为1280 $ \times $ 720，604帧的视频进行仿真。改进算法的部分参数取值与ViBe算法一致，其中背景样本数设置为20，最小匹配个数设置为2，模板更新率设置为16，R的初始值是20。

ViBe算法在进行船舶目标检测时会受到大量海浪杂波的影响，如图6(b)所示。在ViBe算法基础上加入自适应动态阈值和闪烁等级判断，鲁棒性较好，对海浪杂波的抑制较为明显(见图6(c))，船舶目标检测的准确率得到了提高。

经过高斯金字塔分解，得到第4层160 $ \times $ 90低分辨率视频，之后通过多帧连续图像初始化背景模型，加入像素点对比，从而消除“鬼影”对船舶目标检测的影响，如图7所示。图7(b)为ViBe算法对前景提取的效果，存在“鬼影”的干扰，而本文算法采用像素点对比，“鬼影”抑制效果显著，如图7(c)所示。船舶运动目标前景提取完整，可以避免“鬼影”对海面船舶检测准确性的影响。图8(c)为ViBe算法前景检测结果，受“鬼影”区域的影响较大，存在目标检测不完整以及误检等问题。图8(d)为本文基于像素点对比的前景检测结果，“鬼影”区域得到抑制，船舶目标检测完整且准确。

图9为同一视频下3种算法第82，208，263，465视频帧前景显著区域提取结果对比图。从图9第2，3列82帧和208帧可以看出，ViBe算法和文献[11]中产生的“鬼影”区域严重影响船舶运动目标前景提取完整度和准确度，而本文算法在“鬼影”区域的抑制上效果显著，船舶运动目标前景提取完整。从第2，3列可知，ViBe算法对“鬼影”区域的更新缓慢，文献[11]中在263帧视频图像已完成“鬼影”区域上的更新，但依然存在部分海浪杂波的影响造成海面船舶运动目标的误检，如图9(c)所示。在465帧时，由于背景变化过快，ViBe算法和文献[11]的背景更新速度无法满足背景的变化，出现大面积区域误检，而本文算法结合边缘检测进行前景区域的提取，避免了大面积区域的误检，相比ViBe算法和文献[11]，本文改进的ViBe算法所得目标区域较为完整和准确。在低分辨率视频下进行检测，不仅能抑制“鬼影”区域的影响，还可以降低动态背景下海面噪声的干扰，同时也适用于小目标船舶的检测。

选取检测率(true precision rate, TPR)和虚警率(false precision rate, FPR)作为检测结果的评价标准^[16]。

$ \left\{ {\begin{array}{*{20}{c}} {{P_{FPR}} = {N_{FP}}/\left( {{N_{FP}} + {N_{TP}}} \right)}，\\ {{P_{TPR}} = {N_{TP}}/\left( {{N_{TP}} + {N_{FN}}} \right)}。\end{array}} \right. $

(10)

式中： ${N_{FP}}$ 为背景区域将运动船舶检测为目标的次数； ${N_{TP}}$ 为背景区域没有将运动船舶检测为目标的次数； $ {N_{TP}} $ 为目标区域运动船舶目标被成功识别的次数， ${N_{FN}}$ 为目标区域运动船舶目标未被检测到的次数。

在相同的实验条件下进行仿真，结果如表2所示。可知：本文算法的TPR(检测率)为92.5%，而ViBe算法、文献[11]中算法的TPR分别为60.1%和80.8%，本文算法的检测效果明显优于其余两者；本文算法的FPR (虚警率)为6.2%，ViBe算法、文献[11]中算法的FPR分别为26.3%和9.1%，与其相比，FPR分别降低了20.1%和2.8%。由于本文算法加入了“鬼影”消除策略，比ViBe算法和文献[11]在单帧视频图像耗时多61 ms和38 ms，平均时间控制在97 ms以内，满足实时检测的要求。

5 结　语

为了解决运动船舶检测中的“鬼影”问题，本文对ViBe算法进行改进。结果表明，本文改进的ViBe算法的TPR(检测率)为92.5%，ViBe算法和文献[11]中的算法的TPR分别为60.1%和80.8%，本文算法在“Ghost”抑制方面也明显优于ViBe算法和文献[11]中算法。本文提出的ViBe算法对海上运动船舶检测过程中的“鬼影”抑制效果明显，抗海浪干扰强，可以快速准确地检测出运动船舶。因此，本文算法对海浪背景下船舶目标检测有较好的适用性，同时为海上船舶目标检测提供了参考，并为海上船舶目标跟踪奠定了可靠的基础。