[转]前景检测算法--ViBe算法

原文：http://blog.csdn.net/zouxy09/article/details/9622285

转自：http://blog.csdn.net/app_12062011/article/details/51866319

因为监控发展的需求，目前前景检测的研究还是很多的，也出现了很多新的方法和思路。个人了解的大概概括为以下一些：

帧差、背景减除（GMM、CodeBook、 SOBS、 SACON、 VIBE、 W4、多帧平均……）、光流（稀疏光流、稠密光流）、运动竞争（Motion Competition）、运动模版（运动历史图像）、时间熵……等等。如果加上他们的改进版，那就是很大的一个家族了。

对于上一些方法的一点简单的对比分析可以参考下：

http://www.cnblogs.com/ronny/archive/2012/04/12/2444053.html

至于哪个最好，看使用环境吧，各有千秋，有一些适用的情况更多，有一些在某些情况下表现更好。这些都需要针对自己的使用情况作测试确定的。呵呵。

推荐一个牛逼的库：http://code.google.com/p/bgslibrary/里面包含了各种背景减除的方法，可以让自己少做很多力气活。

还有王先荣博客上存在不少的分析：

http://www.cnblogs.com/xrwang/archive/2010/02/21/ForegroundDetection.html

下面的博客上转载王先荣的上面几篇，然后加上自己分析了两篇：

http://blog.csdn.net/stellar0

本文主要关注其中的一种背景减除方法：ViBe。stellar0的博客上对ViBe进行了分析，我这里就不再啰嗦了，具体的理论可以参考：

http://www2.ulg.ac.be/telecom/research/vibe/

http://blog.csdn.net/stellar0/article/details/8777283

http://blog.csdn.net/yongshengsilingsa/article/details/6659859

http://www2.ulg.ac.be/telecom/research/vibe/download.html

http://www.cvchina.info/2011/12/25/vibe/

ViBe是一种像素级的背景建模、前景检测算法，该算法主要不同之处是背景模型的更新策略，随机选择需要替换的像素的样本，随机选择邻域像素进行更新。在无法确定像素变化的模型时，随机的更新策略，在一定程度上可以模拟像素变化的不确定性。

背景模型的初始化

　　初始化是建立背景模型的过程，一般的检测算法需要一定长度的视频序列学习完成，影响了检测的实时性，而且当视频画面突然变化时，重新学习背景模型需要较长时间。

　　ViBe算法主要是利用单帧视频序列初始化背景模型，对于一个像素点，结合相邻像素点拥有相近像素值的空间分布特性，随机的选择它的邻域点的像素值作为它的模型样本值。

　　优点：不仅减少了背景模型建立的过程，还可以处理背景突然变化的情况，当检测到背景突然变化明显时，只需要舍弃原始的模型，重新利用变化后的首帧图像建立背景模型。

　　缺点：由于可能采用了运动物体的像素初始化样本集，容易引入拖影（Ghost）区域。

前景检测过程

　　背景模型为每个背景点存储一个样本集，然后每个新的像素值和样本集比较判断是否属于背景。

　　计算新像素值和样本集中每个样本值的距离，若距离小于阈值，则近似样本点数目增加。

　　如果近似样本点数目大于阈值，则认为新的像素点为背景。

　　检测过程主要由三个参数决定：样本集数目N，阈值#min和距离相近判定的阈值R，一般具体实现，参数设置为N=20，#min=2，R=20。

　　

背景模型的更新策略

1).无记忆更新策略

　　每次确定需要更新像素点的背景模型时，以新的像素值随机取代该像素点样本集的一个样本值。

2).时间取样更新策略

　　并不是每处理一帧数据，都需要更新处理，而是按一定的更新率更新背景模型。当一个像素点被判定为背景时，它有1/rate的概率更新背景模型。rate是时间采样因子，一般取值为16。

3).空间邻域更新策略

　　针对需要更新像素点，随机的选择一个该像素点邻域的背景模型，以新的像素点更新被选中的背景模型。

ViBe的改进

　　

1).距离计算方法

　　以圆椎模型代替原来的几何距离计算方法

　　

　　以自适应阈值代替原来固定的距离判定阈值，阈值大小与样本集的方差成正比，样本集方差越大，说明背景越复杂，判定阈值应该越大。

　　

2).分离updating mask和segmentation mask

　　引入目标整体的概念，弥补基于像素级前景检测的不足。针对updating mask和segmentation mask采用不同尺寸的形态学处理方法，提高检测准确率。

3).抑制邻域更新

　　在updating mask里，计算像素点的梯度，根据梯度大小，确定是否需要更新邻域。梯度值越大，说明像素值变化越大，说明该像素值可能为前景，不应该更新。

4).检测闪烁像素点

　　引入闪烁程度的概念，当一个像素点的updating label与前一帧的updating label不一样时，blinking level增加15，否则，减少1，然后根据blinking level的大小判断该像素点是否为闪烁点。闪烁像素主要出现在背景复杂的场景，如树叶、水纹等，这些场景会出现像素背景和前景的频繁变化，因而针对这些闪烁应该单独处理，可以作为全部作为背景。

5).增加更新因子

　　ViBe算法中，默认的更新因子是16，当背景变化很快时，背景模型无法快速的更新，将会导致前景检测的较多的错误。因而，需要根据背景变化快慢程度，调整更新因子的大小，可将更新因子分多个等级，如rate = 16,rate = 5,rate = 1。

1）VIBE-A powerful random technique to estimatie the background in video sequences.

2) VIBE-A universal background subtraction algorithms for video sequences

VIBE的头文件Vibe.hpp如下：

 #pragma once
 #include "stdafx.h"
 #define  WINSIZE 3  

 class Vibe
 {
 public:
     Vibe(void);
     Vibe(IplImage *img);
     void SetMinMatch(int nthreshold){g_MinMatch=nthreshold;}
     void SetRadius(int radius){g_Radius=radius;}
     void SetSampleNum(int num){g_SampleNum=num;}
     void SetThreshold(double t){g_threshold=t;}
     IplImage* GetForeground(){return g_ForeImg;}
     IplImage* GetSegMask(){return g_SegementMask;}
     void Detect(IplImage *img);
     void ForegroundCombineEdge(); // 结合边缘信息
     void DeleteSmallAreaInForeground(double minArea=);//删除小面积区域
     // 实现背景更新机制
     void Update();
     // 实现后处理，主要用形态学算子
     void PostProcess();  

 public:
     ~Vibe(void);  

 private:
     void ClearLongLifeForeground(int i_lifeLength=); // 清除场景中存在时间较长的像素，i_lifeLength用于控制允许存在的最长时间
     double AreaDense(IplImage *pFr,int AI,int AJ,int W,int H); //计算(i,j)处邻域大小为W×H的密度
     int GetRandom(int istart,int iend); // 默认istart=0,iend=15
     int GetRandom(int random);
     int GetRandom();// 产生一个随机数
     // 计算两个像素之间的欧式距离
     double CalcPixelDist(CvScalar bkCs,CvScalar curCs);
     // 按照Kim的方法来计算颜色畸变
     double CalcuColorDist(CvScalar bkCs,CvScalar curCs);
     int g_SampleNum;// Sample number for the models，默认为20
     int g_MinMatch; // 当前像素与背景模型匹配的最少个数，默认为2
     int g_Height;
     int g_Width;
     int g_Radius;// 球体的半径，默认为20
     int g_offset; //边界的宽和高
     double g_threshold; // 距离度量的阈值
     unsigned char ***g_Model;// 保存背景模型
     IplImage *g_ForeImg;// 保存前景图
     IplImage *g_Edge;  

     IplConvKernel* element;  

     IplImage *g_SegementMask; //分割掩膜
     IplImage *g_UpdateMask; // 更新掩膜
     IplImage *g_Gray;
     int ** LifeLength; // 记录前景点的生命长度,如果前景点的生命长度到达一定的阈值，则将其融入背景中去,且要随机两次。
 };  

对应的实现文件如下Vibe.cpp所示：

 #include "StdAfx.h"
 #include "Vibe.h"  

 Vibe::Vibe(void)
 {
     g_Radius=;
     g_MinMatch=;
     g_SampleNum=;
     g_offset=(WINSIZE-)/;  

 }  

 Vibe::Vibe(IplImage *img)
 {
     if (!img)
     {
         cout<<" The parameter referenced to NUll Pointer!"<<endl;
         return;
     }
     this->g_Height=img->height;
     this->g_Width=img->width;  

     g_Radius=;
     g_MinMatch=;
     g_SampleNum=;
     g_threshold=;
     g_offset=(WINSIZE-)/;  

     g_ForeImg=cvCreateImage(cvGetSize(img),IPL_DEPTH_8U,);
     g_Gray=cvCreateImage(cvGetSize(img),IPL_DEPTH_8U,);
     g_Edge=cvCreateImage(cvGetSize(img),IPL_DEPTH_8U,);
     g_SegementMask=cvCreateImage(cvGetSize(img),IPL_DEPTH_8U,);
     g_UpdateMask=cvCreateImage(cvGetSize(img),IPL_DEPTH_8U,);  

     element=cvCreateStructuringElementEx(,,,,CV_SHAPE_CROSS,NULL);  

     cvCvtColor(img,g_Gray,CV_BGR2GRAY);  

     // 以上完成相关的初始化操作
     /**********************  以下实现第一帧在每个像素的8邻域内的采样功能，建立对应的背景模型*****************************/  

     int i=,j=,k=;
     g_Model=new unsigned char**[g_SampleNum];
     for (k=;k<g_SampleNum;k++)
     {
         g_Model[k]=new unsigned char *[g_Height];
         for(i=;i<g_Height;i++)
         {
             g_Model[k][i]=new unsigned char [g_Width];
             for (j=;j<g_Width;j++)
             {
                 g_Model[k][i][j]=;
             }
         }
     }  

     // 采样进行背景建模
     double dVal;
     int ri=,rj=; //随机采样的值
     for (i=g_offset;i<g_Height-g_offset;i++)
     {
         for (j=g_offset;j<g_Width-g_offset;j++)
         {
             // 周围3*3的邻域内进行采样
             for(k=;k<g_SampleNum;k++)
             {
                 ri=GetRandom(i);
                 rj=GetRandom(j);
                 dVal=cvGetReal2D(g_Gray,ri,rj);
                 g_Model[k][i][j]=dVal;
             }
         }
     }  

     // 初始化前景点掩膜的生命长度
     LifeLength=new int *[g_Height];
     for (i=;i<g_Height;i++)
     {
         LifeLength[i]=new int [g_Width];
         for(j=;j<g_Width;j++)
         {
             LifeLength[i][j]=;
         }
     }
 }  

 void Vibe::Detect(IplImage *img)
 {
     cvZero(g_ForeImg);
     cvCvtColor(img,g_Gray,CV_BGR2GRAY);
     int i=,j=,k=;
     double dModVal,dCurrVal;
     int tmpCount=;// 距离比较在阈值内的次数
     double tmpDist=;
     int iR1,iR2;//产生随机数
     int Ri,Rj; // 产生邻域内X和Y的随机数  

     for (i=;i<g_Height;i++)
     {
         for (j=;j<g_Width;j++)
         {
             if( i < g_offset || j < g_offset || i> g_Height - g_offset || j> g_Width - g_offset )
             {
                 cvSetReal2D(g_ForeImg,i,j,);
                 continue;
             }
             else
             {
                 tmpCount=;
                 dCurrVal=cvGetReal2D(g_Gray,i,j);
                 for (k=;k<g_SampleNum && tmpCount<g_MinMatch  ;k++)
                 {
                     dModVal=g_Model[k][i][j];
                     //tmpDist=CalcPixelDist(dCurrVal,dModVal);
                     //tmpDist=CalcuColorDist(dCurrVal,dModVal);
                     tmpDist=fabs(dModVal-dCurrVal);
                     if (tmpDist<g_Radius)
                     {
                         tmpCount++;
                     }
                 }  

                 //判断是否匹配上
                 if (tmpCount>=g_MinMatch)
                 {
                     cvSetReal2D(g_ForeImg,i,j,);
                     // 背景模型的更新
                     iR1=GetRandom(,);
                     if (iR1==)
                     {
                         iR2=GetRandom();
                         g_Model[iR2][i][j]=dCurrVal;
                     }  

                     //进一步更新邻域模型  

                     iR1=GetRandom(,);
                     if (iR1==)
                     {
                         Ri=GetRandom(i);
                         Rj=GetRandom(j);
                         iR2=GetRandom();
                         g_Model[iR2][Ri][Rj]=dCurrVal;
                     }
                 }
                 else
                 {
                     cvSetReal2D(g_ForeImg,i,j,);
                 }
             }
         }
     }         

     //ForegroundCombineEdge();
     DeleteSmallAreaInForeground();
     ClearLongLifeForeground();
     //PostProcess();
 }  

 double Vibe::AreaDense(IplImage *pFr,int AI,int AJ,int W,int H)
 {
     if (AI<= || AJ<= || AJ>=(g_Width-) || AI>=(g_Height-))
     {
         return ;
     }
     int Num=,i=,j=;
     double dVal=,dense=;
     int Total=(*H+)*(*W+);
     for (i=AI-H;i<=AI+H;i++)
     {
         for (j=AJ-W;j<=AJ+W;j++)
         {
             dVal=cvGetReal2D(pFr,i,j);
             if (dVal>)
             {
                 Num++;
             }
         }
     }
     dense=(double)Num/(double)Total;
     return dense;
 }  

 void Vibe::ForegroundCombineEdge()
 {
     cvZero(g_Edge);
     //cvZero(g_SegementMask);
     //cvCopy(g_ForeImg,g_SegementMask);
     cvCanny(g_Gray,g_Edge,,,);
     int i=,j=;
     double dense;
     double dVal;
     for (i=g_offset;i<g_Height-g_offset;i++)
     {
         for (j=g_offset;j<g_Width-g_offset;j++)
         {
             dense=AreaDense(g_ForeImg,i,j,,);
             dVal=cvGetReal2D(g_Edge,i,j);
             if (dense>0.2 && dVal>)
             {
                 cvSetReal2D(g_ForeImg,i,j,);
             }
         }
     }  

 }  

 void Vibe::DeleteSmallAreaInForeground(double minArea/* =20 */)
 {
     //cvZero(g_SegementMask);
     //cvCopy(g_ForeImg,g_SegementMask);
     int region_count = ;
     CvSeq *first_seq = NULL, *prev_seq = NULL, *seq = NULL;
     CvMemStorage*  storage = cvCreateMemStorage();
     cvClearMemStorage(storage);
     cvFindContours( g_ForeImg, storage, &first_seq, sizeof(CvContour), CV_RETR_LIST );
     for( seq = first_seq; seq; seq = seq->h_next )
     {
         CvContour* cnt = (CvContour*)seq;
         if( cnt->rect.width * cnt->rect.height < minArea )
         {
             prev_seq = seq->h_prev;
             if( prev_seq )
             {
                 prev_seq->h_next = seq->h_next;
                 if( seq->h_next ) seq->h_next->h_prev = prev_seq;
             }
             else
             {
                 first_seq = seq->h_next;
                 if( seq->h_next ) seq->h_next->h_prev = NULL;
             }
         }
         else
         {
             region_count++;
         }
     }
     cvZero(g_ForeImg);
     cvDrawContours(g_ForeImg, first_seq, CV_RGB(, , ), CV_RGB(, , ), , -);   

     /*
     CvContourScanner scanner = cvStartFindContours( g_ForeImg, storage,sizeof(CvContour), CV_RETR_EXTERNAL, CV_CHAIN_APPROX_SIMPLE, cvPoint(0,0) );
     CvSeq *contours=NULL,*c=NULL;
     int poly1Hull0=0;
     int nContours=0;
     double perimScale=100;
     while( (c = cvFindNextContour( scanner )) != 0 )
     {
         double len = cvContourPerimeter( c );
         double q = (g_ForeImg->height + g_ForeImg->width)/perimScale; // calculate perimeter len threshold
         if( len < q ) //Get rid of blob if it's perimeter is too small
             cvSubstituteContour( scanner, 0 );
         else //Smooth it's edges if it's large enough
         {
             CvSeq* newC;
             if( poly1Hull0 ) //Polygonal approximation of the segmentation
                 newC = cvApproxPoly( c, sizeof(CvContour), storage, CV_POLY_APPROX_DP, 2, 0 );
             else //Convex Hull of the segmentation
                 newC = cvConvexHull2( c, storage, CV_CLOCKWISE, 1 );
             cvSubstituteContour( scanner, newC );
             nContours++;
         }
     }
     contours = cvEndFindContours( &scanner );
     // paint the found regions back into the image
     cvZero( g_ForeImg );
     for( c=contours; c != 0; c = c->h_next )
         cvDrawContours( g_ForeImg, c, cvScalarAll(255), cvScalarAll(0), -1, CV_FILLED, 8,cvPoint(0,0));
     */  

     cvReleaseMemStorage(&storage);
 }  

 void Vibe::ClearLongLifeForeground(int i_lifeLength/* =200 */)
 {
     int i=,j=;
     double dVal=;
     double dLife=;
     int iR1,iR2=;
     double dCurrVal=;
     for (i=g_offset;i<g_Height-g_offset;i++)
     {
         for (j=g_offset;j<g_Width-g_offset;j++)
         {
             dVal=cvGetReal2D(g_ForeImg,i,j);
             dLife=LifeLength[i][j];
             if (dLife>i_lifeLength)
             {
                 LifeLength[i][j]=;
                 dCurrVal=cvGetReal2D(g_Gray,i,j);
                 // 更新背景模型
                 iR1=GetRandom();
                 iR2=GetRandom();
                 g_Model[iR1][i][j]=dCurrVal;
                 g_Model[iR2][i][j]=dCurrVal;
             }
             else
             {
                 LifeLength[i][j]=dLife+;
             }  

         }
     }
 }  

 void Vibe::Update()
 {
     cvZero(g_UpdateMask);     

 }  

 void Vibe::PostProcess()
 {
     cvZero(g_SegementMask);
     cvMorphologyEx(g_ForeImg,g_SegementMask,NULL,element,CV_MOP_OPEN,);  

 }  

 //算颜色畸变
 double Vibe::CalcuColorDist(CvScalar bkCs,CvScalar curCs)
 {
     double r,g,b,br,bg,bb;
     r=curCs.val[];
     g=curCs.val[];
     b=curCs.val[];  

     br=bkCs.val[];
     bg=bkCs.val[];
     bb=bkCs.val[];  

     double curDist=r*r+g*g*b*b;
     double bkDist=br*br+bg*bg+bb*bb;  

     double curBK=r*br+g*bg+b*bb;
     double curbkDist=curBK*curBK;
     double SquareP;
     if (bkDist==0.0)
     {
         SquareP=;
     }
     else
     {
         SquareP=curbkDist/bkDist;
     }
     double dist=sqrtf(curDist-SquareP);
     return dist;
 }  

 double Vibe::CalcPixelDist(CvScalar bkCs,CvScalar curCs)
 {
     double tmpDist=pow(bkCs.val[]-curCs.val[],)+pow(bkCs.val[]-curCs.val[],)+pow(bkCs.val[]-curCs.val[],);
     return sqrtf(tmpDist);
 }  

 int Vibe::GetRandom()
 {
     int val = g_SampleNum * 1.0 * rand() / RAND_MAX;
     if( val == g_SampleNum )
         return val - ;
     else
         return val;
 }  

 int Vibe::GetRandom(int random)
 {
     int val=random-g_offset+rand()%(*g_offset);
     if (val<random-g_offset)
     {
         val=random-g_offset;
     }
     if (val>random+g_offset)
     {
         val=random+g_offset;
     }
     return val;
 }  

 int Vibe::GetRandom(int istart,int iend)
 {
     int val=istart+rand()%(iend-istart);
     return val;
 }  

 Vibe::~Vibe(void)
 {
     if (g_ForeImg)
     {
         cvReleaseImage(&g_ForeImg);
     }
     if (g_SegementMask)
     {
         cvReleaseImage(&g_SegementMask);
     }
     if (g_UpdateMask)
     {
         cvReleaseImage(&g_UpdateMask);
     }
     if (g_Gray)
     {
         cvReleaseImage(&g_Gray);
     }  

     if (g_Model!=NULL)
     {
         delete[]g_Model;
         g_Model=NULL;
     }
 }  

最后附上调用的main函数：

 int _tmain(int argc, _TCHAR* argv[])
 {
     CvCapture *capture=NULL;
     IplImage* frame=NULL;
     IplImage* pForeImg=NULL;
     IplImage* segImg=NULL;    

     char *file_path="E:\\testVideo\\VTS_01_4.avi";  // m1  test2 锦带河  VTS_01_4_2  head rear  VTS_01_6_2  VTS_01_4
     //const char* file_path="E:\\suntektechvideo\\锦带河.avi";  //test2  

     capture=cvCreateFileCapture(file_path);
     if (!capture)
     {
         //cout<<"Read Video File Error!"<<endl;
         return -;
     }
     frame=cvQueryFrame(capture);
     frame=cvQueryFrame(capture);  

     cvNamedWindow("img",);
     cvNamedWindow("foreN",);
     //cvNamedWindow("seg",1);  

     Vibe* pV=new Vibe(frame);  

     while(frame=cvQueryFrame(capture))
     {
         pV->Detect(frame);
         pForeImg=pV->GetForeground();
         //segImg=pV->GetSegMask();
         //frame->origin=1;
         //pForeImg->origin=1;
         cvShowImage("img",frame);
         cvShowImage("foreN",pForeImg);
         //cvShowImage("seg",segImg);
         cvWaitKey();
     }  

     cvReleaseImage(&frame);
     cvReleaseImage(&pForeImg);
     cvReleaseCapture(&capture);
     return ;
 }  

代码没做过多的注释，但现有的注释应该对于理解代码足够了。另外，对于计算机视觉里的任何一种算法都不是万能的，VIBE也不例外，只能说VIBE相对其他算法有一定的优势，但是还是有相当的不足，其pixel-wise-based的灰度建模方式解决不了pixel-wise建模算法共有的问题，其他必要辅助信息的融合是必要的。