张纬诚，尹莉莉，方文贵

（中国电子科技集团电子第三十八研究所博微信息发展有限责任公司 安徽四创电子股份有限公司，安徽 合肥 230031）

一种基于ViBe和改进LBP的目标跟踪算法1

张纬诚，尹莉莉，方文贵

（中国电子科技集团电子第三十八研究所博微信息发展有限责任公司 安徽四创电子股份有限公司，安徽 合肥 230031）

ViBe算法在跟踪视频场景中运动状态突然变化的物体时，效果较差，例如目标由静止状态到运动或者由运动状态到静止都会产生拖影区域（Ghost区域），而且Ghost区域在以后的跟踪中不会立即消除，这个问题大大降低了对物体跟踪的准确性.为了提高跟踪的正确率本文将ViBe算法和改进的局部二值算法（LBP）相结合使用，即针对ViBe算法提取出的前景图像，再使用改进的局部二值算法进行前景的二次提取，以达到快速消除Ghost区域的目的.仿真实验说明了该方法的有效性.

ViBe算法；Ghost；LBP算法

引言

对视频中运动物体的检测方法有很多，目前流行的方法有GMM算法和ViBe算法［1-5］.

GMM模型使用K个（基本为3到5个）高斯模型来表征图像中各个像素点的特征，在新一帧图像获得后，用当前图像中的每个像素点与GMM模型匹配，如果成功则判定该点为背景点，否则为前景点.GMM算法使用起来比较简单，因开源Opencv库集成了GMM算法，在应用中可以直接调用，但是在创建背景模型时相关参数的取值直接影响该算法检测到前景的正确率，并且也存在着计算量大等缺点.

ViBe算法是一个像素级的背景建模和前景检测的方法，它提出了一个新颖的背景模型更新方法，其主要特点就是像素选择的随机性，这在一定程度上利用了像素值的空间传播性，但是正是由于其像素选择的随机性，有可能采用了运动物体的像素作为样本集，这就容易引入拖影区域，影响后续的处理.

针对ViBe算法的这一缺点，本文提出将局部二值化算法（LBP）应用到ViBe算法中，使其能够快速的消除拖影区域.

1、基于ViBe和改进LBP的目标跟踪算法

ViBe算法是一种像素级背景建模算法，它是由Olivier等人在2009年提出.运用该算法进行运动物体检测时，需要经过三个步骤，即初始化模型阶段、运动物体检测阶段、模型更新阶段.下面简要叙述这三个阶段.

1）初始化模型阶段，在该阶段，算法只需要使用视频序列的第一帧图像即可建立背景模型，利用邻域像素在空间分布上具有许多相似性的特征，在模型建立时，为图像中每个位置的像素点，存储一个背景样本集，样本集内每个样本值为该像素位置邻域内的若干位置像素值.

2）运动物体检测阶段，从下一帧开始，把图像中每一个位置的像素值与背景模型中对应位置的样本集中的每个样本逐个比较，判断该像素与背景的相似性.如果与背景样本集内的大部分像素相似，则把该像素作为背景像素，否则把该像素作为前景.

3）模型更新阶段，算法在更新背景模型时，对检测到的前景和背景分别更新.对于每一个前景像素，判断该像素在若干连续帧中是否都为前景像素，如果是，则把该像素置为背景像素，而且用随机的方法，更新该像素邻域内的像素背景样本集中的一个样本，否则，使记录该像素作为前景像素次数的计数器加1；对于被检测为背景的像素，使用随机法对背景样本集和邻域内的像素样本集进行更新.

图1 基本的LBP算子

LBP指局部二值模式，它是一个强大的算子，能够有效且高效地提取图像的局部纹理信息；最简单的LBP是对尺度3×3图像进行操作，首先将周围位置的值与中心点位置的值进行比较，然后对比较后的差值进行二值化，二值化所组成的二进制字符串就是LBP二值模式；而把这个二值串转换成对应的十进制数就是对应的LBP标号.

最基本的LBP算子如图1所示.其中心点位置值为5，然后求取周围的位置与中心位置差值；再根据差值跟零比较进行二值化，如果差值大于或等于0，则该位置赋予1；如果小于0，则赋予0.二值化的结果沿着顺时针方向得到的二进制字符串11001101就是二值化模式，而转换后得到的十进制数205就是LBP标号.

利用LBP对一张图进行操作，把原有位置值都置换成操作后的LBP标号，得到图像的特征纹理图.LBP图像获取的是图像局部纹理变化的情况，这个特点决定了它不会随着光照的变化而改变；因此LBP纹理图拥有能够对抗光照变化的特性.

基本的LBP特征是范围3×3的小区域特征，它不仅容易受到噪声的干扰，而且无法捕捉大尺度的结构性特征；因而有许多LBP的变种被提出来，其中一种变种是Multi-scale Block Local Binary（MB-LBP）［6］.MBLBP把LBP中单个像素值扩展到一个方块；这样处理有以下好处：（1）MB-LBP比LBP有更好的鲁棒性和更强的抗噪声干扰能力；（2）MB-LBP不仅能够对微小的结构进行编码还能够对大尺度的结构进行编码；（3）MB-LBP可以应用积分图计算方法提高计算效率.图2显示的是一个9×9的MB-LBP例子：在a图中这个9× 9的图像被切分成均等的九个子部分，每个部分是一个3×3的块.与前面LBP相比易知，MB-LBP是以一个3×3的块代替LBP操作中的单个像素点，其他的计算跟原来基本不变.

实质上而言，MB-LBP是对简单LBP在尺度上进行扩展的变种.MB-LBP既保留了基本LBP对光照的变化具有不变性的特征，还具备了其他的优良特性，已经在多个应用上取得了比较好的结果.选择MB-LBP做为目标跟踪的特征，不但具有光照不变性，而且对图像纹理比较敏感，能够高效地提取到目标的边界信息.与LBP的直方图类似，在加入一些限制条件后，MBLBP纹理图在实际中并不直接应用，而是把它转换为SEMB-LBP（Statistically Effective Multi-scale Block Local Binary Pattern，统计有效的多尺度块的局部二值化模式向量.SEMB-LBP的计算方法如下：令fs（x，y）尺度为s的MB-LBP特征图像在坐标位置为（x，y）的值，可以得到对应特征的直方图为：

图2 MB-LBP算子

其中1（s）是集合s的指示器，ℓ是MB-LBP码的标号.由上面MB-LBP的计算过程可知，MB-LBP是一个8位的二进制字符串，因此L=256，即最后得到的直方图特征向量是一个256元素的特征向量.

本文基于ViBe算法和MB-LBP算法基础上，提出了一种新的算法，从而改善ViBe算法的跟踪性能，实现在复杂环境下的目标跟踪.

改进的算法基本思路为：根据ViBe算法的原理，使用视频中的第一帧图像建立背景样本集，从第二帧图像开始检测前景，在检测到的前景中使用LBP描述，记录当前帧当前像素点与上一帧中对应位置像素点的纹理情况，第二次提取出前景.改进算法的具体步骤如下：

1）首先使用ViBe算法对输入的视频图像进行第一次背景去除；

2）对提取到的前景图像使用数学形态学方法去除一些由于噪声等因素形成的小面积区域；

3）使用MB-LBP算法对提取到的前景区域进行第二次背景去除，消除ghost区域.算法的流程如图3所示.

图3 改进的跟踪算法流程图

2、实验结果

实验过程中，大都选取的是静态场景视频作为研究对象，为了更清楚地阐释本文算法的可行性，现提取实验中用到的两段视频作为描述材料，进行说明.

第一段视频中图像尺寸长宽为1080*1920，在图像的开始部分，图像中右下角有一辆汽车.实验检测效果如图4所示.

图4 不同方法比较结果

图4中第一行为视频的原始图像，第二行为用ViBe算法提取出的前景图像，可以看出右下角产生了拖影区域，第三行为经过数学形态学处理后的图像，第四行为GMM算法提取到的前景，第五行为本文改进算法提取的前景，可以看出快速的消除了拖影区域.提出的算法能很好地解决此类问题.

第二段视频为dataset2016公共数据集中的PETS2006测试视频，对上述各个算法进行测试.选择PETS2006视频序列中第1110帧到第1140帧进行实验.在PETS2006视频序列中，第1110帧之前的若干帧中的运动物体呈现静止状态，从第1111帧开始，场景中运动物体开始移动，实验检测结果如下图所示.

图5 不同算法对Ghost区域的消除情况

从图5可以看出本文算法可以快速的消除Ghost区域.为了确切说明本文改进算法的优越性，引进PCC［7］值来进行描述.表1为上述算法的PCC取值情况，值越高表明算法越好.

表1 不同算法的PCC取值表

四、结束语

通过把ViBe算法和MB-LBP描述子结合，本文提出了一个改进的目标跟踪算法.通过实验发现，本文改进的算法可以很快的去除拖影区域，有利于对该视频的后续处理.

参考文献：

［1］梁淑芬，刘银华，李立琛.基于LBP和深度学习的非限制条件下人脸识别算法［J］.通信学报，2014（11）.

［2］胡小冉，孙涵.一种新的基于ViBe的运动目标检测方法［J］.计算机科学，2014（12）.

［3］JOSHI K A，THAKORE D G.A survey on moving object detection and tracking in video surveillance system［J］.International Journal of Soft Computing and Engineering，2012.

［4］PANDER R P，MISHRA N D，GULHANE S.Detection of moving object with the help of motion detection alarm system in video survelliance［J］.Journal of Signal and Image Processing，2012.

［5］BARNICH O，DROOGENBROECK M V.ViBe：A universal background subtraction algorithm for video sequences［C］∥In IEEE Transactions on Image Processing，June 2011，20（6）：1709-1724.

［6］CAI Z，GU Z，YU Z L，et al.A real-time visual object tracking system based on Kalman filter and MB-LBP feature matching［J］.Multimed Tools Appl，2015.

［7］FIDA E B，THIERRY B，BERTRAND V.Type-2 Fuzzy Mixture of Gaussians Model：Application to Background Modeling［C］∥ISVC 2008，2008：772-781.

【责任编辑：吴跃新】

An Optimized Target Tracking Algorithm based on ViBe and Modified LBP

ZHANG Weicheng，YIN Lili，FANG Wengui
（No.38 Reseach Institute，China Electronics Technology Group Corporation，Brainware Information Development Co.，LTD，Anhui Sun Create Electronics Co.，LTD.，Hefei 230031，Anhui，China）

The use of ViBe algorithm will always generate a ghost area in the scene of target tracking video.The area will not be eliminated immediately，which seriously degrades the accuracy of the tracking.To solve this problem，this paper combines the Vibe algorithm and modified LBP algorithm to eliminate the ghost area rapidly.To be specific，extract the foreground image by using LBP algorithm right after the ViBe algorithm extracting.

ViBe algorithm；ghost area；LBP

TP391

A

1671-5934（2017）03-0076-07

2017-04-20

作者简介：张纬诚（1992-），男，湖北黄梅人，工程师，研究方向为信息科学技术，Email:weicheng@163.com