CN100579174C - 一种运动检测方法和装置 - Google Patents

Abstract

本发明公开了一种运动检测方法，包括：获取检测场景的深度图像，建立并初始化该深度图像的背景模型，根据该背景模型确定该深度图像中的运动对象像素点。本发明同时公开了一种运动检测装置，包括：深度图像获取模块和运动检测模块。本发明大大减少了运动检测的计算量，同时减少了光照、阴影对运动检测结果的影响，提高了运动检测的精确度。

Description

一种运动检测方法和装置

技术领域

本发明涉及图像处理技术领域，具体涉及一种运动检测方法和装置。

背景技术

运动检测技术是智能视频监控、基于图像的三维对象建模、基于视觉的人机交互等系统中应用的一项基本技术。运动检测算法的效果直接影响着这些系统应用的后续操作。例如：在智能视频监控系统中，需要对某些物体的行为进行分析判断，这就首先需要检测出该物体是否已经出现，而检测的主要依据就是该物体是否运动。在检测到运动对象后，开始对该运动对象进行跟踪，从而得到该运动对象的高级行为分析结果。在运动检测中，阴影的问题也是需要充分考虑到的，因为在运动检测技术中，运动物体的轮廓是非常关键的。其一，物体的轮廓与物体的形状密切相关，而在识别物体如：人、其它动物、车辆等的属性时，物体的形状将是一个非常重要的线索；其二，在后续的跟踪步骤中，需要对物体提取进一步的特征如：直方图特征，而特征提取的范围是由物体的轮廓来限定的。另外，如果运动物体的阴影与其本身是分离的，那么其阴影如果符合一定的要求则可能被看作是一个新的对象，这时就会出现虚警，并且影响被监控对象的计数。因此，在运动检测中，一方面要考虑把所有符合要求的运动物体都要检测出来，另一方面还需要把阴影部分从运动部分排除出去。

目前的运动检测算法主要有背景减除算法、多帧差分算法、光流算法等。去阴影算法分为基于模型的方法和基于特征的方法。通常先采用运动检测算法检测出图像中的运动部分，再依据阴影检测算法确定运动部分中哪些为阴影。阴影检测算法的主要思想是从图像的RGB颜色空间提取出色彩和亮度两个分量，而阴影一般符合亮度比背景暗，而色彩分量不变的特征，据此特征，分别对色彩和亮度两个分量设置门限值，在该门限范围内的像素点即为阴影部分。

该技术的缺点是：运动检测与阴影去除无法同时进行，必须在得到运动部分后，再将阴影当作非运动区域去除，从而增大了运算量。同时，在某些情况下，要为阴影检测设定一个固定的门限值，并不能保证在任何情况下该门限值都能符合实际情况，例如：光照充分与光照较弱两种情况下，阴影的门限值应该是不同的，这就导致该算法没有普遍适应性。

发明内容

本发明提供一种运动检测方法及装置，以减少运动检测的计算量。

本发明的技术方案是这样实现的：

一种运动检测方法，包括：获取检测场景的深度图像，建立并初始化该深度图像的背景模型，根据该背景模型确定该深度图像中的运动对象像素点。

一种运动检测装置，包括：深度图像获取模块和运动检测模块，其中：

深度图像获取模块，用于获取检测场景的深度图像；

运动检测模块，用于建立所述深度图像的背景模型，从所述深度图像获取模块读取深度图像的各像素点，根据该背景模型确定该深度图像的运动对象像素点。

与现有技术相比，本发明通过获取检测场景的深度图像，并建立深度图像的背景模型来进行运动检测，由于深度图像的每个像素点只包含一个像素值，因此与现有的通过对彩色图像建立背景模型进行运动检测的方法相比，本发明可大大减少了运动检测的计算量；同时，由于深度图像与环境光照和阴影无关，因此本发明不需进行去阴影操作，进一步减少了运动检测的计算量，提高了运动检测的效率，也避免了光照、阴影对运动检测结果的影响，提高了运动检测的精确度。

附图说明

图1为本发明实施例一提供的运动检测的流程图；

图2为本发明实施例二提供的运动检测的流程图；

图3为本发明实施例提供的对彩色图像进行运动检测的流程图；

图4为本发明实施例一提供的实现运动检测的装置组成图；

图5为本发明实施例二提供的实现运动检测的装置组成图。

具体实施方式

下面结合附图及具体实施例对本发明再作进一步详细的说明。

图1是本发明实施例一提供的运动检测的流程图，如图1所示，其具体步骤如下：

步骤101：获取检测场景的深度图像。

深度图像与环境光照和阴影无关，深度图像的像素点清晰地表达了景物的表面几何形状。深度图像获取方式分为主动式和被动式两种，主动式主要通过向目标发射能量束如：激光、电磁波、超声波等，并检测回波得到；被动式通过传感器主要利用周围环境条件成像。

在本发明中，针对不同的应用环境可以采用不同的方式获取深度图像。例如：在日常的开放的视频监控系统中，为了避免阳光等强光源的影响，可以采用主动方式获取深度图像。在本实施例中所采集的深度图像只需反映检测对象间的相对深度关系即可，不需对深度图像获取装置进行标定。

步骤102：建立深度图像的混合高斯背景模型，并初始化各高斯分量的权重、均值和方差。

深度图像的每个像素符合由K个高斯函数组合而成的混合分布。设第i(i＝1，2，...，K)个高斯分量的均值和方差分别是μ_i和σ_i，各高斯分量的权重为w_i。在初始化时，可选择第一帧深度图像中的各像素点的值作为该像素点对应的第一个高斯分量的均值，将其它高斯分量的均值设为0，将第一个高斯分量的权重设为1，其它高斯分量的权重设为0，各高斯分量的方差可根据经验设定。

K值为预先设定的，通常为3～7。

步骤103：按照混合高斯背景模型中各高斯分量的权重与方差的比值即：w_i/σ_i的从大到小，对各高斯分量进行排序。

步骤104：计算 $B=\arg {\min }_b(\underset{i=1}{\overset{b}{\mathrm{\Σ}}}{w}_i>T),$ 即：从排序后的第一个高斯分量开始，依次将各高斯分量相加，当所得和值大于T时停止相加，得到参与相加运算的高斯分量的个数B。

T为预先设定的值。

步骤105：选择排序后位于最前面的B个高斯分量作为当前像素点的背景高斯分布。

步骤106：对于选定的B个高斯分量，对每个高斯分量判断|x-μ_i|＜τσ_i(i＝1，2，...，B)是否成立，若是，执行步骤107；否则，执行步骤109。

τ为预先设定的常数，表示当前像素点与当前高斯背景像素点的偏离程度，可根据实际情况设定，通常可设为3。

步骤107：判定该像素点为背景，根据μ_i，t＝(1-ρ)μ_i，t-1+ρx更新μ_i，根据σ_i，t＝(1-ρ)σ_i，t-1+ρ(x-σ_i，t-1)更新σ_i，其中ρ＝αp(x)， $p\left(x\right)=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{w}_{i}N(x,{\mathrm{\μ}}_{i,t-1},{\mathrm{\σ}}_{i,t-1}),$ i＝1，2，...，K 。

其中，μ_i，t表示更新后的第i个高斯分量的均值，μ_i，t-1表示更新前的第i个高斯分量的均值；σ_i，t表示更新后的第i个高斯分量的方差，σ_i，t-1表示更新前的第i个高斯分量的方差；N(x，μ_i，t-1，σ_i，t-1)表示第i个高斯分量函数。

步骤108：根据w_i，t＝(1-α)w_i，t-1+αM_i，t(i＝1，2，...，K)更新w_i，转至步骤110。

其中，w_i，t表示更新后的第i个高斯分量的权重，w_i，t-1表示更新前的第i个高斯分量的权重，α为预先设定的学习速率。若|x-μ_i|＜τσ_i成立，M_i，t＝1；否则，M_i，t＝0。

步骤109：判定该像素点为前景即运动对象，以当前像素点的值替换当前混合高斯背景模型中权重与方差之比最小的高斯分量的均值，以预先设定的初始权重和初始方差替换该高斯分量的当前权重与方差。

步骤110：判断当前帧深度图像是否检测完毕，若是，根据该帧深度图像中确定为前景的像素点确定运动对象；否则，转至步骤103处理下一个像素点。

由于深度图像的每个像素点只包含一个像素值，因此与现有的通过对彩色图像建立背景模型进行运动检测的方法相比，本发明实施例可大大减少运动检测的计算量；同时，由于深度图像与环境光照和阴影无关，因此本发明实施例提供的运动检测算法不需进行去阴影操作，进一步减少了运动检测的计算量，提高了运动检测的效率。

在实际应用中，为了进一步提高运动检测的精确度，可对同一检测场景同时获取彩色图像和深度图像，然后同时对彩色图像和深度图像进行运动检测，将得到的两运动检测结果进行与操作，得到最终的运动检测结果。图2是本发明实施例二提供的运动检测的流程图，如图2所示，其具体步骤如下：

步骤201：对彩色图像获取装置和深度图像获取装置进行标定，以使得二者获取的图像的同一像素位置对应同一坐标点。

步骤202：同时获取检测场景的彩色图像和深度图像。

步骤203：分别对彩色图像和深度图像的各像素点进行运动检测。

步骤204：对于同一像素点，判断彩色图像和深度图像的运动检测结果是否都为前景，若是，判定该像素点为前景；否则，判定该像素点为背景。

步骤205：对于同时获取的彩色图像和深度图像，根据确定为前景的像素点确定运动对象。

深度图像的运动检测过程与图1相同，彩色图像的运动检测过程可与现有技术相同，以下给出一种彩色图像的运动检测过程，如图3所示，其具体步骤如下：

步骤301：获取检测场景的彩色图像。

步骤302：建立彩色图像的混合高斯背景模型，并初始化各高斯分量的权重、均值与方差。

彩色图像的每个像素点符合由K个高斯函数组合而成的混合分布。每个像素点由R、G、B三个分量组成，即：x＝(x_R，x_G，x_B)，设第i(i＝1，2，...，K)个高斯分量的均值和方差分别是μ_i和σ_i，μ_i＝(μ_Ri，μ_Gi，μ_Bi)， ${\mathrm{\σ}}_i=\left[\begin{array}{ccc}{\mathrm{\σ}}_{\mathrm{Ri}}& 0& 0\\ 0& {\mathrm{\σ}}_{\mathrm{Gi}}& 0\\ 0& 0& {\mathrm{\σ}}_{\mathrm{Bi}}\end{array}\right],$ 各高斯分量的权重为w_i。

在初始化时，可选择第一帧图像中的各像素点的R、G、B分量的值(x_R，x_G，x_B)作为该像素点对应的第一个高斯分量的均值(μ_Ri，μ_Gi，μ_Bi)，将其它高斯分量的均值设为0，将第一个高斯分量的权重设为1，其它高斯分量的权重设为0，各高斯分量的方差可根据经验设定。

K值为预先设定的，通常为3～7。

步骤303：按照混合高斯背景模型中各高斯分量的权重与方差的比值即：

的从大到小，对各高斯分量进行排序。

步骤304：计算 $B={\arg \min }_b(\underset{i=1}{\overset{b}{\mathrm{\Σ}}}{w}_i>T).$

步骤305：选择排序后位于最前面的B个高斯分量作为当前像素点的背景高斯分布。

步骤306：对于选定的B个高斯分量，对每个高斯分量判断 $\underset{j=R,G,B}{\mathrm{\&Sigma;}}|x_j-{\mathrm{\&mu;}}_{j,i}|<\underset{j=R,G,B}{\mathrm{\&Sigma;}}{\mathrm{\&tau;\&sigma;}}_{j,i},(i=\mathrm{1,2},...,B)$ 是否成立，若是，执行步骤307；否则，执行步骤309。

τ为预先设定的常数，表示当前像素点与当前高斯背景像素点的偏离程度，可根据实际情况设定，通常可设为3。

步骤307：判定该像素点为背景，根据μ_j，i，t＝(1-ρ)μ_j，i，t-1+ρx_j更新μ_i，根据σ_j，i，t＝(1-ρ)σ_j，i，t-1+ρ(x_j-σ_j，i，t-1)更新σ_i，其中ρ＝αp(x)， $p\left(x\right)=\underset{i=1}{\overset{K}{\mathrm{\&Sigma;}}}{w}_{i}N(x,{\mathrm{\&mu;}}_{i,t-1},{\mathrm{\&sigma;}}_{i,t-1}),$ i＝1，2，...，K。

其中，μ_j，i，t表示更新后的第i个高斯分量的均值分量，μ_j，i，t-1表示更新前的第i个高斯分量的均值分量；σ_j，i，t表示更新后的第i个高斯分量的方差分量，σ_j，i，t-1表示更新前的第i个高斯分量的方差分量；N(x，μ_i，t-1，σ_i，t-1)表示第i个高斯分量函数。

步骤308：根据w_i，t＝(1-α)w_i，t-1+αM_i，t(i＝1，2，...，K)更新w_i，转至步骤303处理下一个像素点。

其中，w_i，t表示更新后的第i个高斯分量的权重，w_i，t-1表示更新前的第i个高斯分量的权重。若 $\underset{j=R,G,B}{\mathrm{\&Sigma;}}(x_j-{\mathrm{\&mu;}}_{j,i})<\underset{j=R,G,B}{\mathrm{\&Sigma;}}{\mathrm{\&tau;\&sigma;}}_{j,i}$ 成立，M_i，t＝1；否则，M_i，t＝0。

步骤309：判定该像素点为前景，以当前像素点的值替换当前混合高斯背景模型中权重与方差之比最小的高斯分量的均值，以预设的初始权重和初始方差替换该高斯分量的当前权重与方差，转至步骤303处理下一个像素点。

图4为本发明实施例一提供的实现运动检测的装置组成图，如图4所示，其主要包括：深度图像获取模块41、背景模型建立模块42、背景分布确定模块43、检测模块44和更新模块45，其中：

深度图像获取模块41：用于获取所检测场景的深度图像。

背景模型建立模块42：用于建立深度图像的混合高斯背景模型，并根据从深度图像获取模块41读取的第一帧深度图像的各像素点的值初始化各像素点对应的第一个高斯分量的均值，并初始化其它高斯分量的均值，以及各高斯分量的权重和方差，根据更新模块45发来的各高斯分量的权重、均值和方差更新当前各高斯分量的权重、均值和方差，收到检测模块44发来的前景更新指示，以该指示中携带的像素点的值替换当前混合高斯背景模型中权重与方差之比最小的高斯分量的均值，以预设的初始权重和初始方差替换该高斯分量的当前权重与方差。

背景分布确定模块43：用于从背景模型建立模块42读取各高斯分量的权重与方差，根据各高斯分量的权重与方差的比值的从大到小，对各高斯分量进行排序，从第一个高斯分量开始，依次将各高斯分量的权重相加，当所得和值大于预定值时停止相加，并将进行相加运算的高斯分量标识发送给检测模块44。

检测模块44：用于根据背景分布确定模块43发来的高斯分量标识，从背景模型建立模块42读取各高斯分量的均值和方差，并从深度图像获取模块41读取当前像素点的值，判断当前像素点是否满足：像素点的值与所述高斯分量标识对应的其中一个高斯分量的均值之差的绝对值小于预定值与该高斯分量的方差之乘积，若满足，判定当前像素点为背景，并将满足该条件的高斯分量标识携带在更新指示中发送给更新模块45；否则，判定当前像素点为前景，将当前像素点的值携带在前景更新指示中发送给背景模型建立模块42，根据确定为前景的像素点确定运动对象。

更新模块45：用于在收到检测模块44发来的更新指示后，根据预设学习速率和该更新指示携带的高斯分量标识，以及从深度图像获取模块41读取的当前像素点的值，更新各高斯分量的权重、均值和方差，将更新后的各高斯分量的权重、均值和方差发送给背景模型建立模块42。

可将背景模型建立模块42、背景分布确定模块43和检测模块44统称为运动检测模块。

图5为本发明实施例二提供的实现运动检测的装置组成图，如图5所示，该图与图4相比，进一步包括：彩色图像获取模块51、第二背景模型建立模块52、第二背景分布确定模块53、第二检测模块54、第二更新模块55和检测确定模块56，其中：

彩色图像获取模块51：用于获取所检测场景的彩色图像。

第二背景模型建立模块52：用于建立彩色图像的混合高斯背景模型，并根据从彩色图像获取模块51读取的第一帧彩色图像的各像素点的值初始化各像素点对应的第一个高斯分量的均值，并初始化其它高斯分量的均值，以及各高斯分量的权重和方差，根据第二更新模块55发来的各高斯分量的权重、均值和方差更新当前各高斯分量的权重、均值和方差，收到第二检测模块54发来的前景更新指示，以该指示中携带的像素点的值替换当前混合高斯背景模型中权重与方差之比最小的高斯分量的均值，以为该权重与方差之比最小的高斯分量设定的初始权重和初始方差替换当前权重与方差。

第二背景分布确定模块53：用于从第二背景模型建立模块52读取各高斯分量的权重与方差，根据各高斯分量的权重与方差的比值的从大到小，对各高斯分量进行排序，从第一个高斯分量开始，依次将各高斯分量的权重相加，当所得和值大于预定值时停止相加，并将进行相加运算的高斯分量标识发送给第二检测模块54。

第二检测模块54：用于根据第二背景分布确定模块53发来的高斯分量标识，从第二背景模型建立模块52读取各高斯分量的均值和方差，并从彩色图像获取模块51读取当前像素点的值，判断当前像素点是否满足：像素点的值与所述高斯分量标识对应的其中一个高斯分量的均值之差的绝对值小于预定值与该高斯分量的方差之乘积，若满足，判定当前像素点为背景，并将满足该条件的高斯分量标识携带在更新指示中发送给第二更新模块55；否则，判定当前像素点为前景，将当前像素点的值携带在前景更新指示中发送给第二背景模型建立模块52。

第二更新模块55：用于在收到第二检测模块54发来的更新指示后，根据预设学习速率和该更新指示携带的高斯分量标识，以及从彩色图像获取模块51读取的当前像素点的值，更新各高斯分量的权重、均值和方差，将更新后的各高斯分量的权重、均值和方差发送给第二背景模型建立模块52。

检测确定模块56：用于接收检测模块45和第二检测模块55发来的各像素点的运动检测结果，对于每一个像素点，若检测模块45和第二检测模块55发来的运动检测结果都指示该像素点为前景，则确定该像素点为前景；否则，确定该像素点为背景，根据确定为前景的像素点确定运动对象。

图4、5所示实施例中提到的“前景更新指示”也可称为“运动对象更新指示”。

可将第二背景模型建立模块52、第二背景分布确定模块53和第二检测模块54统称为第二运动检测模块。

以上所述仅为本发明的过程及方法实施例，并不用以限制本发明，凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1、一种运动检测方法，其特征在于，包括：

获取检测场景的深度图像，建立并初始化该深度图像的混合高斯背景模型，

按照混合高斯背景模型中各高斯分量的权重与方差的比值的从大到小，对各高斯分量进行排序，从排序后的第一个高斯分量开始，依次将各高斯分量的权重相加，当所得和值大于预设值时停止相加；

判断在参与相加运算的高斯分量中，是否存在满足：当前像素点的值与该高斯分量的均值之差的绝对值小于该高斯分量的方差与预定常数的乘积的高斯分量，若存在，则判定当前像素点为背景，根据预设的学习速率及当前像素点的值更新当前混合高斯背景模型；若不存在，判定当前像素点为运动对象，以当前像素点的值更新当前混合高斯背景模型中权重与方差的比值最小的高斯分量的均值，以预设的初始权重和初始方差替换该高斯分量的当前权重与方差。

2、如权利要求1所述的方法，其特征在于，所述更新当前混合高斯背景模型包括：

根据μ_i，t＝(1-ρ)μ_i，t-1+ρx更新各高斯分量的均值，根据σ_i，t＝(1-ρ)σ_i，t-1+ρ(x-σ_i，t-1)更新各高斯分量的方差，根据w_i，t＝(1-α)w_i，t-1+αM_i，t更新各高斯分量的权重，

其中，ρ＝αp(x)， $p\left(x\right)=\underset{i=1}{\overset{K}{\mathrm{\&Sigma;}}}{w}_{i}N(x,{\mathrm{\&mu;}}_{i,t-1},{\mathrm{\&sigma;}}_{i,t-1}),i=\mathrm{1,2},...,K;$

μ_i，t表示更新后的第i个高斯分量的均值，μ_i，t-1表示更新前的第i个高斯分量的均值；σ_i，t表示更新后的第i个高斯分量的方差，σ_i，t-1表示更新前的第i个高斯分量的方差；w_i，t表示更新后的第i个高斯分量的权重，w_i，t-1表示更新前的第i个高斯分量的权重；α为预设的学习速率，x为当前像素点的值；N(x，μ_i，σ_i)表示第i个高斯分量的函数表达式；K为高斯分量的数目；当第i个高斯分量满足：当前像素点的值与该高斯分量的均值之差的绝对值小于该高斯分量的方差与预定常数的乘积时，M_i，t＝1；否则，M_i，t＝0

3、如权利要求1所述的方法，其特征在于，所述获取检测场景的深度图像的同时进一步包括：

获取检测场景的彩色图像；

且所述方法进一步包括：对该彩色图像进行运动检测，对于每个像素点，判断彩色图像的运动检测结果和深度图像的运动检测结果是否都为运动对象，若是，判定该像素点为运动对象；否则，判定该像素点为背景。

4、一种运动检测装置，其特征在于，包括：深度图像获取模块、背景模型建立模块、背景分布确定模块、检测模块和更新模块，其中：

深度图像获取模块，用于获取检测场景的深度图像；

背景模型建立模块，用于建立并初始化深度图像的混合高斯背景模型，根据更新模块发来的各高斯分量的权重、均值和方差更新当前各高斯分量的权重、均值和方差；收到检测模块发来的运动对象更新指示，以该指示中携带的像素点的值替换当前混合高斯背景模型中权重与方差之比最小的高斯分量的均值，以预设的初始权重和初始方差替换该高斯分量的当前权重与方差；

背景分布确定模块，用于按照从背景模型建立模块读取的各高斯分量的权重与方差之比的从大到小，对各高斯分量进行排序，从排序后的第一个高斯分量开始，依次将各高斯分量的权重相加，当所得和值大于预定值时停止相加，并将参与相加运算的高斯分量标识发送给检测模块；

检测模块，用于从背景模型建立模块读取背景分布确定模块发来的高斯分量标识对应的各高斯分量的均值和方差，判断从深度图像获取模块读取的当前像素点是否满足：像素点的值与所述其中一个高斯分量的均值之差的绝对值小于预定常数与该高斯分量的方差之乘积，若满足，判定当前像素点为背景，向更新模块发送第一更新指示，所述第一更新指示携带有满足：像素点的值与高斯分量的均值之差的绝对值小于预定常数与该高斯分量的方差之乘积的高斯分量标识；；否则，判定当前像素点为运动对象，将当前像素点的值携带在运动对象更新指示中发送给背景模型建立模块；

更新模块，用于在收到检测模块发来的所述第一更新指示后，根据预设学习速率和该指示携带的高斯分量标识，以及从深度图像获取模块读取的当前像素点的值，更新各高斯分量的权重、均值和方差，将更新后的各高斯分量的权重、均值和方差发送给背景模型建立模块。

5、如权利要求4所述的装置，其特征在于，所述装置进一步包括：彩色图像获取模块、第二运动检测模块和检测确定模块，其中：

彩色图像获取模块，用于获取检测场景的彩色图像；

第二运动检测模块，用于对从彩色图像获取模块读取的彩色图像的各像素点进行运动检测，将运动检测结果输出到检测确定模块；

检测确定模块，用于接收运动检测模块和第二运动检测模块发来的运动检测结果，对于每一个像素点，若运动检测模块和第二运动检测模块发来的运动检测结果同时指示该像素点为运动对象，则确定该像素点为运动对象；否则，确定该像素点为背景。

6、如权利要求5所述的装置，其特征在于，所述第二运动检测模块包括：第二背景模型建立模块、第二背景分布确定模块和第二检测模块，其中：

第二背景模型建立模块，用于建立并初始化彩色图像的混合高斯背景模型；

第二背景分布确定模块，用于按照从第二背景模型建立模块读取的各高斯分量的权重与方差之比的从大到小，对各高斯分量进行排序，从排序后的第一个高斯分量开始，依次将各高斯分量的权重相加，当所得和值大于预定值时停止相加，并将参与相加运算的高斯分量标识发送给第二检测模块；

第二检测模块，用于从第二背景模型建立模块读取第二背景分布确定模块发来的高斯分量标识对应的各高斯分量的均值和方差，判断从彩色图像获取模块读取的当前像素点是否满足：像素点的值与所述其中一个高斯分量的均值之差的绝对值小于预定常数与该高斯分量的方差之乘积，若满足，判定当前像素点为背景；否则，判定当前像素点为运动对象。

7、如权利要求6所述的装置，其特征在于，

所述第二检测模块在检测到当前像素点为背景后，发送第二更新指示，所述第二更新指示携带有满足：像素点的值与高斯分量的均值之差的绝对值小于预定常数与该高斯分量的方差之乘积的高斯分量标识；

所述装置进一步包括：第二更新模块，用于在收到第二检测模块发来的第二更新指示后，根据预设学习速率和该指示携带的高斯分量标识，以及从彩色图像获取模块读取的当前像素点的值，更新各高斯分量的权重、均值和方差，将更新后的各高斯分量的权重、均值和方差发送给第二背景模型建立模块。

8、如权利要求6所述的装置，其特征在于，所述第二检测模块进一步用于，在检测到当前像素点为运动对象后，将当前像素点的值携带在运动对象更新指示中发送给第二背景模型建立模块；

所述第二背景模型建立模块收到所述运动对象更新指示，以该指示中携带的像素点的值替换当前混合高斯背景模型中权重与方差之比最小的高斯分量的均值，以预设的初始权重和初始方差替换该高斯分量的当前权重与方差。

Images