【计算机视觉】背景建模--Vibe 算法优缺点分析

一、Vibe 算法的优点

Vibe背景建模为运动目标检测研究邻域开拓了新思路，是一种新颖、快速及有效的运动目标检测算法。其优点有以下两点：

1、思想简单，易于实现。Vibe通常随机选取邻域20个样本为每个像素点建立一个基于样本的背景模型，具有初始化速度快、内存消耗少和占用资源少等优点，随后，利用一个二次抽样因子φ，使有限的样本基数能近似表示无限的时间窗口，即在较少样本前提下，保证算法的准确性，最后，并采用一种领域传播机制保证算法的空间一致性。

2、运算效率高。有两方面的原因：一是Vibe背景模型是基于少量样本的背景模型，二是优化了背景模型中的相似度匹配算法。Vibe背景模型是一种基于N个样本的背景模型，为得到最佳N值，分别选取N为5、15、20、25进行了实验对比，如图3.3所示，实验结果表明，N取20、25时，检测结果理想，考虑计算负载，N取20最优。与混合高斯的3-5个高斯模型的计算匹配比较，基于20个样本的背景模型计算具有计算开销低、检测速度快等优点。Vibe的背景模型相似度匹配函数只与R和Umin
有关，背景模型中的样本与待分类像素的欧式距离小于R的个数超过Umin 时，匹配背景模型，判断为背景，在实际实现过程中，优化算法，一旦找到Umin 个匹配样本时，停止计算，判断待分类像素为背景，该方法大大减少了整个算法的计算量，从而提高运算效率。

3、样本衰减最优。有人通过增加样本基数（上至200个）来处理复杂场景，也有人结合两个子模型分别处理快速更新和缓慢更新的情况。其实，选取被替换样本更新背景模型，实质上是样本寿命问题，传统方式采用先进先出的替换策略。Vibe背景模型中每个样本被选中为替换样本的概率是相等的，与样本存在时间的长短无关，这种策略保证背景模型中的样本寿命呈指数衰减，模型更新达到最佳状态。

二、Vibe 算法的缺点

Vibe背景建模有思想简单、易于实现、运算效率高等优点，但算法自身也存在着局限性。主要有鬼影、静止目标、阴影前景和运动目标不完整等问题。

第一个问题：鬼影问题。如图3.4所示，Vibe背景建模利用第一帧作为初始帧初始化背景模型，图(d)是图(c)用Vibe算法检测到的结果，因第一帧（如图(b)所示）中存在着运动目标，并非真实的背景图像（如图(a)所示），检测结果中出现鬼影，如图3.4(d)所示。产生鬼影的根源可归纳为两类：（1）背景模型的初始帧存在着运动目标；（2）运动目标的状态转变，从静止到运动，背景模型的更新速率无法与背景变率相同步，出现虚假目标，即鬼影。

第二个问题：静止目标问题。如图3.5所示，图(a)红框中的人在等地铁，从图(a)到图(c)经过498帧，长时间驻留未运动，该人物运动目标逐渐被背景吸收。本文将在450帧以上都没有明显位移的运动目标区域定义为静止目标区域。产生静止目标问题的根源可归纳为两类：（1）运动目标从运动到静止，（2）运动目标运动缓慢。当Vibe背景模型的更新速度过快时，将静止或缓慢运动目标吸收为背景的一部分，此时这两种运动目标就检测不出来了。

第三个问题：阴影前景问题。如图3.6所示，图(b)和图(d)分别是用Vibe 算法对人体运动目标(a)和车体运动目标(c)的检测结果，由于光线被人体或车体运动目标所遮挡，投射阴影区的背景被误检为运动目标前景。阴影的存在导致检测出来的运动目标形状不准确，影响后续目标分类、跟踪、识别和分析等其他智能视频处理模块。产生阴影前景问题的根源是：光线被运动目标前景遮挡，投射阴影区的颜色比背景的颜色暗，即阴影和背景颜色值的距离相差较大，背景差分后被误检为运动目标前景。

第四个问题：运动目标不完整问题。如图3.7所示，图(a)中的人内部出现空洞，图(b)中的人中间出现断层，图(c)中的人上半身出现边缘残躯，图(d)车体的挡风玻璃出现空洞。运动目标通常可分为非刚性物体和刚性物体，人属于非刚性物体，车属于刚性物体，这两种常见检测对象的检测结果都出现了不完整现象。总结图3.7的实验结果，可将运动目标不完整现象分为三类：a）运动目标内部有大量空洞。（b）运动目标边缘残缺，呈现C字型凹陷。（c）运动目标中间有断层。

产生运动目标不完整问题的根源主要有以下两点：（1）Vibe算法自身存在缺陷。基于统计学原理的Vibe样本模型受限于模型的样本个数，当样本趋于无穷大时才能准确描述场景，这在实际应用中是不可能实现的；（2）场景或运动目标的 复杂性和多变性。主要有三种情况：1）瞬时的光线突变，背景模型来不及更新，2）前景与背景颜色相近，将前景误判为背景，3）噪声干扰，出现孤立噪声点和连通噪声区域。