基于ViBe算法的图像关键帧特征点匹配方法研究

蒋小波 徐小艳 余君

摘要：本文针对运动类视频的特征点匹配进行分析，针对关键帧的结构进行了探讨。传统算法常常出现关键帧检测漏帧的问题，并由此导致对图像的关键帧匹配不准确。基于此，文章提出了以ViBe算法为基础的图像关键帧特征点匹配技术，为相关领域的研究人员提供一定的技术性参考，满足相关领域人士对于关键技术的了解需求。

关键词：ViBe算法;图像关键帧;特征点匹配;监控视频信息

中图分类号：TP3      文献标识码：A

文章编号：1009-3044（2022）17-0064-02

为了避免目标运动过小，避免背景占据运动目标视频画面主要内容的面积过大，从而导致出现漏检的问题，就需要基于视频帧熵值，对颜色进行变化凸显，当作关键的部分关键帧，实现对目标数据信息的处理，其次，在进行处理的过程中，可以實现对视频信息的针对性匹配计算分析，为相关工作人员提供针对性数据参考。

1 研究背景

在现阶段的社会发展背景下，信息技术高速发展，使得视频监控系统十分常见，利用视频监控系统进行信息记录，可以呈现出较强的直观属性，例如在当下的交通、刑侦的取证过程中，视频监控都可以发挥出较强的作用。同时在校园、社区的安全工作开展中，也需要利用视频监控系统提供稳定的数据信息[1]。

伴随着视频监控系统的发展，使得自动处理监控视频的信息数据，逐渐成为计算机视觉领域研究的重要方向，因此就需要在视频当中，实时提取一些重要的特征数据信息，全面提升视频数据系统的整体处理效率[2]。在日常视频监控的过程中，传统的技术都是采用不同的背景，在上述情况下，一旦摄像头受到外界的影响，就会导致镜头出现严重的晃动问题，进而导致与前景目标的提取与跟踪，造成不良的影响[3]。

现阶段在提取了前景目标之后，就要马上对目标进行匹配处理。以公园广场为例，在实际监控中，要在广场当中安装不同视角下的监控摄像头，但是由于公园广场每天人流量巨大，因此传统的人工标准目标，显然存在着较低的工作效率，未来在进行监控的过程中，会涉及对于相同目标的不同视角下的监控特征点匹配技术，上述技术的应用，可以极大地提升整体的目标检测的效率性[4]。

2 关键技术分析

在对运动目标进行检测的过程中，其主要目的是处理在较为复杂的环境中的目标，解决背景信息复杂的问题，以此对运动状态进行针对性的特征点的匹配分析，这样就可以及时地将运动目标提取出来[5]。

2.1 帧差法

在使用帧差法的时候，有关人员首先需要选择一段时间内的目标运动图像，对图像帧之间的灰度差进行针对性地分析，同时保障对得到的数据信息进行处理。其次，还需要在阈值化的处理过程中，获取到目标运动的范围。此举的目的在于获得帧数之间的像素灰度值，并借助灰度值改善图像分享效果[6]。在使用该技术的过程中，有关人员可以实现对具体图像的详细绘制。在目标物体运动的过程中，成为目标运动状态，处理这个环节的过程中，有关人员需要对其灰度值进行针对性地特征提取[7]。利用阈值化的方式，能够实现对目标差分计算环节的详细分析，同时考虑到全部的图像数据信息，进而保障计算的过程中，最终得到具体的像素。

现阶段在使用帧差法的过程中，发现此技术具有计算逻辑简单的优势，同时使用的过程也较为便捷，因此就可以快速帮助有关人员得到处理结果。在进行算法执行的过程中，帧差法的算法有着较强的适应性。但是需要注意的是，进行帧差法的处理上，往往也存在着一定的技术局限性，上述局限性基本集中在视频的帧之间，一旦跳转过快，就会导致差异微小，无法保持对完整的运动流程，无法起到良好的运动检测效果。另外，运动速度过快，或者在进行使用中检测的结果存在漏洞，也会导致检测效果受到影响，要保障提取一个运动目标之后，可以借助对技术的使用，进行针对性的数据分析[8]。

2.2 光流法

光流法能够在使用的过程中，对运动中的目标进行针对性的处理，例如在运动目标运动幅度较小时，就需要将其假定亮度恒定不变，因此运动目标便随着场景的移动，对运动目标的灰度值，进行针对性的处理。

在光流法的使用过程中，有关人员并不需要完全了解视频当中的各种信息，就可以检测出运动的目标。在稠密光流的检测中，首先需要提取出前景目标，但是计算过程较为复杂，算法的时效性也比较差，经常会导致在实际的处理过程中，会面临着各种影响因素的干扰，导致无法获得一个良好的计算处理效果。

伴随着科学技术的发展，针对这种干扰问题，有关领域提出了高斯模糊模型分析方式，这一方法强调通过最大程度上容纳光照变化的方式，基于实际的变化效果，针对性地做出一定反应[9]，这样的处理方式适用于户外的场景当中。在现阶段处理的过程中，针对不同的像素点，往往要对像素值构建混合高速分布模型。其次，有关人员还需要做好采样工作，利用数据分析方式，保障像素点可以得到针对性处理。混合高速模型的构建方式，在实际操作中十分便捷，因此具有一定的应用价值。

3 ViBe算法的应用

进行前景检测的过程中，最终得到的检测结果会受到噪音、阈值选择，以及受到背景抖动等诸多方面的因素影响，而呈现出不同的状态。现阶段在使用前景检测的过程中，都会基于背景差分法，在背景建模的过程中，对背景模型进行初始化、更新，并利用模型的原理，得到最终的分析结果，体现技术价值。

现阶段在颜色空间确定之后，有关人员会采用概率密度函数、统计手段的方式，以此形成背景建模。在这样的技术方式下，有关人员要针对算法类型进行选择，结合实际的使用场景和情况，确保算法选择合理，另外在模型的实际建立过程中，往往会在概率密度上无法得到良好的把控，开展全面检测的过程中，需要使用一种可以进行跟踪数据的建模方式，保障技术的合理性。

3.1 ViBe特征

ViBe算法本质上属于一种分类像素点计算方式，这样的算法提出之后，其优势逐渐显现，相比较传统的概率密度函数而言，能够转变为存储样本集的方式，实现对每一个像素的独立化处理。其次，该算法在使用过程中，也相应会随机对像素以及样本的像素进行更新与选择。该算法的使用，对于不同的采样像素点选择的概率大致相同，同时在算法的使用过程中，并不需要对历史问题进行考虑。

ViBe算法的处理对象比较特殊，基本上选的都是像素，之所以如此，主要是为了在前景检测的过程中，可以实现对样本取样的充分处理。在模型建模的过程中，分为三个基本步骤。该算法相比较传统的算法而言，在前景检测的计量上比较小，这样就导致需要的硬件内存也比较小，有效提升了整体的运行效率。

3.2 ViBe模型初始化

ViBe模型初始化的过程中，建模属于重要环节，建模期间通常面临功能性缺陷。实际运行过程中，模型无法保障实现实时性的效果。因此就导致在建模过程中，一旦背景出现了一定变化，就要利用大量的时间，进行模型的调整以及处理。现阶段在算法使用中，进行初始化的处理环节，都需要针对一段连续图像进行分析。但是ViBe算法下，针对数据进行处理期间，有关人员可以针对图像构建初始化的模型，解決在背景模型建立中的难题，能够实现对相邻像素点的空间部分相似性的探究。当下使用随机选择领域的像素值，可以有效降低当作背景模型的样本集，直接解决了一帧图像样本不充足的问题。另外，在邻域的选择过程中，需要对实验人员进行充分的考量分析，这样数据间的较弱关联性，就会导致模型的偏差问题。

该算法下，可以很好地实现对运动目标的状态监测，并提升数据信息的处理效率。但是该技术也存在着较为明显弊端问题。例如，技术经常会在使用中，出现一定的鬼影问题，之所以出现上述问题，是由于该算法仅仅对一帧图像初始化操作，此时，会导致标记一些不存在的运动目标。

3.3 ViBe模型更新策略

在一段图像信息当中，环境往往会伴随着状态信息发生一定的改变。例如物体的更换、光照变化、阴影替代等诸多方面。因此，一旦这些信息出现改变，就会直接导致模型无法使用。现阶段在建筑的传统观念当中，经常会发生背景模型伴随着图像序列的变换而导致模型的重塑，因此就需要在进行使用的过程中避免上述问题发生。ViBe模型更新过程中，工作人员还需要积极对其图像进行针对性分析。

在信息处理中，需要将前景的像素点全部替换，在新建的背景模型当中，使用一些使用过的背景像素点。这样的更新方式下，可以将前景色与背景色的运动目标匹配信息，可以形成较为精确的处理。但是这样更新也面临一定弊端，就是容易出现锁死的问题。在初始化的过程中，要重点避免前景检测算法的一些错误性的分类，同时避免背景监测的过程中，始终处于静止的状态当中，或者将其当做前景，这样就会导致出现一些错误的背景模型。

3.4 ViBe算法更新

为了保障对背景更新策略所存在的问题进行缺点弥补，就要记忆领域像素进行合理性的分布处理，最大程度上保障更新策略的完整性，同时对空间信息的背景模型进行全面的扩展分析。

3.5 背景差法的ViBe目标匹配处理

虽然在现阶段所使用的ViBe的算法有着较高的运行效率，但是在实际的处理过程中，前景的噪声检测比较少，因此直接导致算法提取运动目标的过程中，经常会出现孔洞或者不完整的问题。现阶段在初始视频的处理中，针对ViBe算法进行使用，可以实现对其内容的形态学处理。因此很好地去除噪声点，但是在其技术运用过程中，也存在着一定的缺陷性问题，这样就会导致前景目标存在着一定的不完整问题。

当下ViBe算法创新计算中，往往是基于样本模型的方式，进行前景信息的判断以及分析，会导致算法体系中，有着过于庞大的样本模型，从而导致对于背景信息无法实现一个高效率的描述。现阶段在进行处理的过程中，为了保障对其前景特征点的良好匹配，就要利用背景差分法的方式，将其信息实现敏

感的处理。现阶段技术的使用中，通过提升背景的频率，起到降低噪声的效果。但是，现阶段在进行算法的使用过程中，这样的处理效率往往需要得到良好的控制，才可以很好地发挥出应有的作用。

3.6 背景建模与后处理

在此期间，有关人员需要利用多帧平均法的方式，进行背景建模。做好背景建模以及后处理工作的关键，在于对相关内容进行考察。该技术可以降低噪声对于背景模型的直接负面影响。其次对背景图像当中的不同特征点进行处理中，可以随机选择一个样本，当作背景图图像的像素点，这样进行处理中，就能够对不同的像素进行针对性的处理。其次通过抽样的方式，这样建模之后可以始终保持背景模型的空间信息，因此提升了整体空间的适用性。另外，针对监控视频当中的场景变化，基本上是基于明暗的变化关系，以及对背景当中的几何变化问题进行处理，从而了解到具体的场景情况。

在图像特征点的提取过程中，经过对图片进行处理之后，可以极大地提升数据信息的整体处理效果。另外，在该技术的使用过程中， 检测提取的目标存在不完整的问题，在垂直方向上会出现的一些断裂问题，因此在进行处理的过程中，基本上就是对其垂直方向进行图像融合问题的处理。在具体处理中，首先提取出算法检测当中的前景目标轮廓，其次在寻找轮廓的过程中，要实现最小化的外接矩形，因此相应可以分别计算出两个轮廓当中的矩形中心点的水平距离。在水平距离的处理上，通过合并这两个矩形的方式，就可以综合性地判断出具体的计算公式。

4结论

综上所述，基于本文所提出的算法进行计算，可以极大提升图像特征点的匹配效率，并在实际的运算过程中，有助于提升运行的整体质量，全面提升图像处理的质量以及准确性，同时降低处理的质量性影响，降低干扰值。

参考文献：

[1]陈文佑，章伟，史晓帆，等. 一种改进ORB特征匹配的半稠密三维重建ORB-SLAM算法[J]. 电子科技，2021，34（12）：62-67.

[2]李娜. 基于多特征融合的舰船壳体外形图像关键点匹配[J]. 舰船科学技术，2021，43（22）：217-219.

[3]杨波，潘峥嵘. 基于三帧差分法和改进ViBe算法的前景检测方法[J]. 计算机与数字工程，2021，49（11）：2242-2247.

[4]邓晨，李宏伟，张斌，等. 基于深度学习的语义SLAM关键帧图像处理[J]. 测绘学报，2021，50（11）：1605-1616.

[5]李宝根. 基于特征金字塔网络的图像关键点检测算法研究[J]. 计算机应用与软件，2021，38（9）：205-213.

[6]涂伟强，李炎炎，龙伟，等. 采取阶段性改进的全新ViBe目标检测算法[J]. 四川大学学报（自然科学版），2021，58（3）：67-72.

[7]黄远民，易铭，杨曼，等. 舰船雷达图像关键目标模糊特征抑制方法[J]. 舰船科学技术，2020，42（24）：85-87.

[8]金海燕，曹甜，肖聪，等. 基于多特征图像视觉显著性的视频摘要化生成[J]. 北京航空航天大学学报，2021，47（3）：441-450.

[9]聂鼎，黄然，周仿荣，等. 基于卫星遥感影像的输电线路异物故障特征分析[J]. 云南电力技术，2020，48（4）：97-99.

收稿日期：2021-11-15

基金项目：本文系广东省普通高校重点领域专项项目（自然科学）：基于深度相机的三维场景重建技术与应用研究（项目编号：2020ZDZX3094）

作者简介：蒋小波（1982—），男，湖南隆回人，硕士，助理研究员，主要研究方向为计算机应用、计算机图形学;徐小艳（1985—），女，湖南隆回人，硕士，中级经济师，主要从事教育管理、计算机科学技术;余君（1982—），男，安徽黄山人，硕士，高级工程师，主要研究方向为计算机技术应用。