原文：http://blog.****.net/zouxy09/article/details/9622285
转自：http://blog.****.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：
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.****.net/stellar0/article/details/8777283
http://blog.****.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。
![[转]前景检测算法--ViBe算法](https://image.miaokee.com:8440/aHR0cHM6Ly9pbWFnZXMwLmNuYmxvZ3MuY29tL2Jsb2cvNDE0MDA4LzIwMTQwMS8yMTA5NTA0NDA0NzUucG5n.png?w=700&webp=1 "[转]前景检测算法--ViBe算法")
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
![[转]前景检测算法--ViBe算法](https://image.miaokee.com:8440/aHR0cHM6Ly9pbWFnZXMwLmNuYmxvZ3MuY29tL2Jsb2cvNDE0MDA4LzIwMTQwMS8yMTEwMTAxMzgxMzgucG5n.png?w=700&webp=1 "[转]前景检测算法--ViBe算法")
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
![[转]前景检测算法--ViBe算法](https://image.miaokee.com:8440/aHR0cHM6Ly9pbWFnZXMwLmNuYmxvZ3MuY29tL2Jsb2cvNDE0MDA4LzIwMTQwMS8yMTEwMTIyOTkwNjgucG5n.png?w=700&webp=1 "[转]前景检测算法--ViBe算法")
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。
![[转]前景检测算法--ViBe算法](https://image.miaokee.com:8440/aHR0cHM6Ly9pbWFnZXMwLmNuYmxvZ3MuY29tL2Jsb2cvNDE0MDA4LzIwMTQwMS8yMTEwMTQ1NDc1MDUucG5n.png?w=700&webp=1 "[转]前景检测算法--ViBe算法")
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。