CN101621615A - 一种自适应背景建模及运动目标检测方法 - Google Patents

Abstract

一种自适应背景建模及运动目标检测方法，包括初始背景建立、运动目标二值化掩模提取、自适应背景更新和运动目标检测四个步骤：首先，使用帧间差分法确定初始背景的像素灰度值；接着，将当前帧图像与背景图像相减得到差值图像，使用自适应阈值对差值图像进行二值化处理，并经形态滤波等后处理，得到运动目标二值化掩模；然后，采用基于区域的背景更新方法，对背景图像中对应运动目标二值化掩模以外的像素的灰度值进行动态更新；最后，使用运动目标二值化掩模与当前帧输入图像进行逻辑“与”操作检测出运动目标。本发明可以有效地建立可靠的初始背景，并对背景进行实时动态更新，以解决背景扰动、光照变化影响运动目标检测准确率的问题。

Description

一种自适应背景建模及运动目标检测方法

技术领域

本发明属于智能视频监控技术领域，具体涉及一种在视频监控系统中的自适应背景建模及运动目标检测方法。

背景技术

随着视频分析技术、多媒体数据库、人工智能技术的发展，智能化视频监控系统能够及时、自动地从原始视频中提取大量有用信息，这些信息可以被传输、保存和检索，也可以驱动其他数据、触发其他行为，轻而易举地完成人力很难完成的任务。计算机和图像处理技术的结合使得图像自动检测、视频分析成为可能，从而可以使视频监控系统具备了智能，产生了许多新型应用。视频分析可以大大提高监控效率，还能从复杂的数据中辨认行为和类型，还可提供操作命令、数据和信息。视频监控系统不仅仅被认为是事后搜寻犯罪嫌疑人的手段，而且是一种阻止犯罪发生的辅助手段。视频监控技术正在向着数字化、网络化、智能化的方向发展，未来的视频监控系统很大程度取决于智能分析系统的成功与否，监控系统由目视解释转变为自动解释是视频监控技术的飞跃，是安防技术发展的必然。

运动目标检测是基于视频的智能监控系统的重要环节。常用的运动目标检测方法主要有背景相减法、帧间差分法和光流法。

光流法采用了运动目标随时间变化的光流特性，主要优点在于对目标在帧间的运动的限制较少，可以处理大的帧间位移；主要缺点是光流计算方法复杂，如果没有特定的硬件装置支持一般很难应用于视频中运动目标的实时检测，且抗噪性能差。

帧间差分法是计算相邻两帧图像对应像素点的灰度值的绝对差，然后通过阈值化来检测出视频图像中的运动目标。帧间差分法能够实现实时的运动检测，具有较强的场景变化适应能力，但有可能不能判定尺寸较大、亮度或颜色一致的运动目标的内部像素，以至在运动目标内部产生“空洞”现象，一般很难完整地分割出运动目标，不利于进一步的对象分析与识别。

对于摄像头固定的场合，背景相减法是目前最常用的运动目标检测方法。其基本思想是将当前帧图像与事先存储或者实时得到的背景图像相减，若对应像素的差值大于某一阈值，则判此像素属于运动目标上的一个像素，阈值操作后得到的结果直接给出了运动目标的位置、大小、形状等信息。背景相减法的参考文献见：

[1]Massimo Piccardi.Background subtraction techniques：a review[A].2004IEEE International Conference on Systems，Man and Cybernetics[C].10-13Oct.2004，4：3099-3104.

[2]代科学，李国辉，涂丹，袁见.监控视频运动目标检测减背景技术的研究现状和展望[J].中国图象图形学报，2006，11(7)：919-927.

背景相减法实现简单，并且能够检测出较为完整的运动目标，但对于对光线、天气等光照条件的变化非常敏感。背景相减法的关键问题是如何建立背景模型和实时更新模型参数以适应背景变化，这些背景变化包括场景的光照变化和场景构成的改变，如一天中不同时间段光线、天气等的变化以及室内开灯、关灯等引起的光线强弱的改变，背景中物体的微小扰动(树枝的随风摆动)、人或其他物体进入或移出场景等。虽然大部分研究人员曾致力于开发不同的背景模型，以减少动态场景变化对于运动目标检测的影响。但由于构建背景模型需要考虑光照变化等很多因素，目前开发一个好的背景建模及自适应背景更新算法仍然面临很多挑战。

在现有的背景更新算法中，其基本思想是通过当前帧图像和背景图像相减得到差值图像，对差值小于某一阈值的像素点进行更新，对差值大于某一阈值的像素点保持不变。这些方法虽然使背景更新更加稳定，但是由于只考虑到像素级的更新，可能会发生背景更新的“死锁”(Deadlock)问题。即当前输入图像某一位置像素点实际上在连续几帧中都属于背景，但由差值图像中对应位置的灰度值被误判为大于阈值，认为此点属于前景，则背景图像中该位置像素点不进行更新(事实上应该进行更新)，此后一直都错误地被认为属于前景。这样就会出现把静止物体误判为运动目标，降低了检测的准确率。

发明内容

技术问题：本发明的目的是公开一种应用于视频监控系统中的自适应背景建模及运动目标检测方法，能适应不同复杂环境下视频监控场所的运动目标检测。

技术方案：本发明要解决的技术方案在于：检测目标运动形式复杂，如运动目标进入监控区域后停止在区域范围内，此时模型应把运动目标作为模型的一部分融入背景之中；当原来静止的目标离开监控区域时，模型应把被物体遮挡住的部分作为模型的一部分融入背景之中，而此物体作为运动目标被检测出来。为了解决现有背景更新算法中的“死锁”问题以及运动目标检测准确率低的问题，本发明公开了一种自适应背景建模及运动目标检测方法，包括基于帧间差分法的初始背景图像的建立、基于背景相减法的运动目标二值化掩模的提取、基于区域的选择性自适应背景更新和运动目标检测四个步骤。

在初始背景图像的建立过程中，为了利用帧间差分法对光照、天气等环境变化适应性强的优势，同时又克服其在运动实体内部产生“空洞”而误判为背景的缺点，我们对相隔K帧(K值一般取2、3或4，由实际应用场合而定)的两帧灰度图像进行差分运算，差分图像中灰度值小于某个阈值(采用自适应动态阈值)的像素点被认为是背景像素点，确定初始背景图像中该像素的灰度值等于当前输入帧图像对应像素的灰度值。随着目标的移动，被目标遮挡的背景不断显露出来，基于帧间差分法的变化检测算法可以实时地检测到显露出来的背景部分，然后对其像素的灰度值进行初始化，随着时间的推移，背景图像中的所有像素最终全部被初始化，也就表示初始背景图像已建立完成。

在运动目标二值化掩模的提取中，基于背景相减法，将当前帧输入图像与背景图像相减得到差值图像，然后使用自适应阈值对差值图像进行二值化处理，并经形态学滤波、连通区域面积大小及最小外接矩形的长宽比判断等后处理得到运动目标二值化掩模。后处理就是去除不属于真实运动目标的像素，以便得到真正的前景运动目标。由于构建背景的质量和序列场景中其他各种客观因素的影响(如树叶摇动)，变化检测输出的二值图像中不可避免地会留下大量的噪声点。噪声点与运动目标区域的区别在于：运动目标区域表现为若干像素点组成的具有一定形状的空间，而噪声点则表现为相对孤立的像素点的较小的集合。另外，原图像中对应于运动目标的区域也会出现不同程度的碎化。鉴于此，先采用适当的形态结构元素对二值图像进行形态开-闭运算，消除孤立的噪声点，合并非连通的前景邻近区域，消除目标碎块。这样处理后的二值图像就能较好地反映出各个运动目标在当前图像中的位置。然后，再把各个运动目标标记出来，这实际上是一个连通区域的识别过程。连通区域标记就是按照一定的规则寻找一幅图像中所有的连通区域，并赋予同一区域唯一的标记。假设对一幅二值图像从左到右、从上到下进行扫描(起点在图像的左上方)。要标记当前正被扫描的像素需要检查它与在它之前扫描的若干个近邻像素的连通性。例如当前正被扫描像素的灰度值为“1”，则将它标记为与之相连通的目标像素。如果它与两个或多个目标相连通，则可以认为这些目标实际是同一个，并把它们连接起来。如果发现了从为“0”的像素到一个孤立的为“1”的像素的过渡，就赋予一个新的标记。在完成连通区域标记后，再填补区域内的“空洞”。最后计算连通区域的面积大小及最小外接矩形的长宽比，排除不感兴趣的运动目标区域，消除噪声和背景扰动带来的影响后，得到运动目标二值化掩模M(x，y)。

在背景更新阶段，采用区域级的基于前景目标的选择性背景更新方法，对背景图像中对应运动目标二值化掩模内的像素灰度值不予更新，对运动目标二值化掩模以外的其他像素的灰度值进行自适应动态更新，解决了背景更新的“死锁”问题。在背景更新算法中，通过前后帧中背景区域亮度的平均值的变化来感知光照的变化，同时又根据光照的变化信息来调节更新率β进行自适应动态更新背景。

最后，使用运动目标二值化掩模与当前帧输入图像进行逻辑“与”操作，就可以检测出运动目标。

该方法包括以下步骤：

1)基于帧间差分法的初始背景图像的建立：

①初始化背景图像中每个像素的背景标志位为“1”，即初始化背景标志矩阵的每个元素为1；

②初始化背景图像中每个像素的灰度值为0；

③将输入的彩色图像转化为灰度图像；

④对相隔K帧的两帧灰度图像求其绝对差，遍历差值图像的每个像素，检测对应该像素的背景标志位是否为“0”？若背景标志位为“0”，表示该像素已为背景点，无需作变化检测；若背景标志位为“1”，则要进行变化检测，具体的步骤是：判断差值是否小于阈值T₁？若小于阈值T₁，则设置该像素的背景标志位为“0”，以表示该像素为背景点，同时将背景图像中该像素的灰度值设置为当前输入帧图像对应像素的灰度值；否则，该像素暂时判为前景点，其背景标志位保持为“1”，由此产生二值背景标志矩阵；

⑤判断背景标志矩阵中的所有元素是否全为0？若全为0，则表示初始背景图像已建立完成，执行步骤2)；否则，返回步骤③；

2)基于背景相减法的运动目标二值化掩模的提取：

⑥将当前帧灰度图像与背景图像相减，取其绝对值得到差值图像；

⑦使用自适应阈值T₂对差值图像进行二值化处理；

⑧对二值图像进行形态开-闭运算、连通区域标号、填补“空洞”、连通区域面积大小及最小外接矩形的长宽比判断等后处理，消除噪声和背景扰动带来的影响后，得到运动目标二值化掩模；

3)基于区域的选择性自适应背景更新：

⑨对背景图像中对应运动目标二值化掩模内的像素的灰度值不予更新，对运动目标二值化掩模以外的其他像素的灰度值根据背景亮度的变化进行自适应动态更新；

4)运动目标检测：

⑩使用运动目标二值化掩模与当前帧输入图像进行逻辑“与”操作，检测出运动目标。

步骤④和步骤⑦中使用自适应阈值对差值图像进行二值化处理，自适应阈值T的求取公式为：

$T=\arg \underset{0\≤t\≤m}{\max }\left\{\right|w_0\left(t\right){({\mathrm{\μ}}_0\left(t\right)-\mathrm{\μ}\left(t\right))}^2+w_1\left(t\right){({\mathrm{\μ}}_1\left(t\right)-\mathrm{\μ}\left(t\right))}^2\left|(1-p\left(t\right))\right\}$ 式1

式1中，t代表像素的灰度值，其取值范围为{0，1，2，…，m}；p(t)为灰度值t出现的概率；w₀(t)和w₁(t)分别为在以灰度值t为阈值对差值图像进行二值化时被划分为背景部分和前景部分的像素数占整幅图像像素数的比例；μ₀(t)和μ₁(t)分别为对应背景部分和前景部分的差值图像的平均灰度值；μ(t)为差值图像的平均灰度值。

步骤⑨中基于区域的选择性自适应背景更新：对背景图像中对应运动目标二值化掩模内的像素灰度值不予更新；对运动目标二值化掩模以外的其他像素的灰度值，采用公式2进行自适应动态更新：

式2

式2中，I_i(x，y)、BG_i(x，y)和M_i(x，y)分别为第i帧的输入灰度图像、背景图像和运动目标二值化掩模在像素点(x，y)处的值；BG_i+1(x，y)为第i+1帧背景图像在像素点(x，y)处的值；β为更新率，β的计算公式如式3：

$\mathrm{\β}=\frac{|A_i-A_{i-1}|}{\max (A_i,A_{i-1})}$ 式3

式3中，A_i和A_i-1分别为第i帧和第i-1帧输入图像中对应背景区域的像素灰度值的平均值。

有益效果：实验结果表明，本发明方法克服帧间差分法提取目标不精细缺点，解决了背景相减法中背景构造更新的困难，能够快速、精确地对监控场景中运动目标进行检测，对光线变化、背景干扰不敏感，具有较好的鲁棒性和实时性。

与现有技术相比，本发明的优点在于：

(1)采用自适应动态阈值二值化算法，依据类间方差最大思想自适应地寻找最佳阈值，并对图像进行二值化处理，可以较好地适应场景光照的变化情况，适应性较强。

(2)由于基于区域的选择性自适应背景更新是依据运动目标二值化掩模进行的，而运动目标二值化掩模是在二值化图像经过后处理后得到的，所以可以消除诸如树叶、昆虫等的微小扰动，有效地解决了背景更新的“死锁”问题，更加精确地对背景图像进行更新。

(3)依据运动目标二值化掩模的背景更新是一种选择性的更新，背景模型中不是每个像素点都要进行更新，而是只把属于背景点的像素点更新到背景模型，所以运算量较少，处理速度较快，算法具有较强的实时性。

(4)在背景更新算法中，通过前后帧中背景区域亮度的平均值的变化来感知光照的变化，同时又根据光照的变化信息来调节更新率β进行自适应动态更新背景。

(5)使用帧间差分法构建的初始背景图像以及基于前景目标的区域级选择性背景更新方法，能有效地把停止的运动目标融入背景，同时也能去除场景中突然运动的目标原来位置所留下“鬼影”。

附图说明

图1是本发明的自适应背景建模及运动目标检测方法流程图。

具体实施方式

1基于帧间差分法的初始背景图像的建立

假设视频序列的图像分辨率为M×N像素。首先，初始化背景图像中每个像素的背景标志位为“1”，即

$F=\left[\begin{array}{cccc}f\left(\mathrm{1,1}\right)& f\left(\mathrm{1,2}\right)& \·\·\·& f(1,M)\\ f\left(\mathrm{2,1}\right)& f\left(\mathrm{2,2}\right)& \·\·\·& f(2,M)\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ f(N,1)& f(N,2)& \·\·\·& f(N,M)\end{array}\right]=\left[\begin{array}{cccc}1& 1& \·\·\·& 1\\ 1& 1& \·\·\·& 1\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ 1& 1& \·\·\·& 1\end{array}\right]---\left(1\right)$

初始化背景图像中每个像素的灰度值为0，即

$G=\left[\begin{array}{cccc}g\left(\mathrm{1,1}\right)& g\left(\mathrm{1,2}\right)& \·\·\·& g(1,M)\\ g\left(\mathrm{2,1}\right)& g\left(\mathrm{2,2}\right)& \·\·\·& g(2,M)\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ g(N,1)& g(N,2)& \·\·\·& g(N,M)\end{array}\right]=\left[\begin{array}{cccc}0& 0& \·\·\·& 0\\ 0& \text{0}& \·\·\·& 0\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ 0& 0& \·\·\·& 0\end{array}\right]---\left(2\right)$

设定{I_i(x，y)}，i＝1，2，…为一图像序列，I_i(x，y)表示第i帧图像在(x，y)点的灰度值(x＝1，2，…，M，y＝1，2，…，N)，在不产生歧义时，也用来表示第i帧图像。

为了获得场景的初始背景图像，我们对相隔K帧(K值一般取1、2、3或4，由实际应用场合而定)的两帧灰度图像进行差分运算，求其绝对差，遍历差值图像的每个像素点(x，y)，检测对应该像素的背景标志位f(x，y)是否为“0”？若背景标志位f(x，y)为“0”，表示该像素已为背景点，无需作变化检测；若背景标志位f(x，y)为“1”，则要进行变化检测，具体的步骤是：判断差值是否小于阈值T₁？即判断式(3)是否成立？

|I_i(x，y)-I_i-K(x，y)|＜T₁    (3)

若式(3)成立，则设置该像素的背景标志位f(x，y)为“0”，以表示该像素为背景点，同时将背景图像中该像素的灰度值设置为当前输入帧图像对应像素的灰度值，即g(x，y)＝I_i(x，y)；否则，该像素暂时判为前景点，其背景标志位f(x，y)保持为“1”，由此产生二值背景标志矩阵。当背景标志矩阵中的所有元素全为0时，则表示初始背景图像已建立完成；否则，输入下一帧图像，重复执行上述过程，直到背景标志矩阵中的所有元素全为0。

随着目标的移动，被目标遮挡的背景不断显露出来，基于帧间差分法的变化检测算法可以实时地检测到显露出来的背景部分，然后对其像素的灰度值进行初始化，随着时间的推移，背景图像中的所有像素最终全部被初始化，也就表示初始背景图像已建立完成。

在上述过程中，自适应阈值T₁的求取算法如下：

假设差值图像在(x，y)点处的灰度值为d(x，y)，d(x，y)的取值范围为{0，1，2，…，m}，记p(k)为灰度值k出现的概率，则有：

$p\left(k\right)=\frac{1}{\mathrm{MN}}\underset{d(x,y)=k}{\mathrm{\Σ}}1---\left(4\right)$

假设以灰度值t为阈值对差值图像进行二值化处理，则背景部分的像素数占整幅图像像素数的比例为：

$w_0\left(t\right)=\underset{i=0}{\overset{t}{\mathrm{\Σ}}}p\left(i\right)---\left(5\right)$

前景部分的像素数占整幅图像像素数的比例为：

$w_1\left(t\right)=\underset{i=t+1}{\overset{m}{\mathrm{\Σ}}}p\left(i\right)---\left(6\right)$

对应背景部分的差值图像平均灰度值为：

${\mathrm{\μ}}_0\left(t\right)=\underset{i=0}{\overset{t}{\mathrm{\Σ}}}\frac{\mathrm{ip}\left(i\right)}{w_0\left(t\right)}---\left(7\right)$

对应前景部分的差值图像平均灰度值为：

${\mathrm{\μ}}_1\left(t\right)=\underset{i=t+1}{\overset{m}{\mathrm{\Σ}}}\frac{\mathrm{ip}\left(i\right)}{w_1\left(t\right)}---\left(8\right)$

差值图像的平均灰度值为：

μ(t)＝w₀(t)μ₀(t)+w₁(t)μ₁(t)    (9)

自适应阈值T₁的求取公式为：

$T_1=\arg \underset{0\≤t\≤m}{\max }\left\{\right|w_0\left(t\right){({\mathrm{\μ}}_0\left(t\right)-\mathrm{\μ}\left(t\right))}^2+w_1\left(t\right){({\mathrm{\μ}}_1\left(t\right)-\mathrm{\μ}\left(t\right))}^2\left|(1-p\left(t\right))\right\}---\left(10\right)$

2基于背景相减法的运动目标二值化掩模的提取

一旦完成初始背景图像的构建，即令当前帧背景图像的像素值

BG_i(x，y)＝g(x，y)。将当前输入帧的灰度图像与背景图像相减，取其绝对值得到差值图像，使用自适应阈值T₂对差值图像进行二值化处理，即

$B_i(x,y)=\left\{\begin{array}{cc}1& |I_i(x,y)-B{G}_i(x,y)|<T_2\\ 0& \mathrm{otherwise}\end{array}\right.---\left(11\right)$

其中，阈值T₂的求取算法与T₁的求取算法相同。然后，对得到的二值图像B_t(x，y)进行后处理。后处理就是去除不属于真实运动目标的像素，以便得到真正的前景运动目标。由于构建背景的质量和序列场景中其他各种客观因素的影响(如树叶摇动)，变化检测输出的二值图像中不可避免地会留下大量的噪声点。噪声点与运动目标区域的区别在于：运动目标区域表现为若干像素点组成的具有一定形状的空间，而噪声点则表现为相对孤立的像素点的较小的集合。另外，由于背景和运动目标某些位置的灰度值可能相差很小，最后得到的运动目标二值化掩模中可能存在着“空洞”现象。鉴于此，先采用适当的形态结构元素对二值图像进行形态开-闭运算，消除孤立的噪声点，合并非连通的前景邻近区域，消除目标碎块。这样处理后的二值图像就能较好地反映出各个运动目标在当前图像中的位置。然后，再把各个运动目标标记出来，这实际上是一个连通区域的识别过程。连通区域标记就是按照一定的规则寻找一幅图像中所有的连通区域，并赋予同一区域唯一的标记。假设对一幅二值图像从左到右、从上到下进行扫描(起点在图像的左上方)。要标记当前正被扫描的像素需要检查它与在它之前扫描的若干个近邻像素的连通性。例如当前正被扫描像素的灰度值为“1”，则将它标记为与之相连通的目标像素。如果它与两个或多个目标相连通，则可以认为这些目标实际是同一个，并把它们连接起来。如果发现了从为“0”的像素到一个孤立的为“1”的像素的过渡，就赋予一个新的标记。在完成连通区域标记后，再填补区域内的“空洞”。最后计算连通区域的面积、最小外接矩形的长宽比及形状密集度，根据这些几何特征信息，并结合经验知识进行判别，排除不感兴趣的运动目标区域，消除噪声和背景扰动带来的影响后，得到运动目标二值化掩模M_i(x，y)。

连通区域的面积S就是连通区域所含的像素点数量。

连通区域的最小外接矩形的长宽比R定义为

$R=\frac{|y_2-y_1|}{|x_2-x_1|}---\left(12\right)$

其中，长是指连通区域在y轴方向上所占的长度，宽是指在x轴方向上所占的宽度，式(12)中x₁和y₁是最小外接矩形左上角顶点的坐标位置，x₂和y₂是最小外接矩形右下角顶点的坐标位置。

连通区域的形状密集度C可用式(13)来度量：

$C=\frac{S}{P^2}---\left(13\right)$

其中，S和P分别表示连通区域的面积和周长。

3基于区域的选择性自适应背景更新

随着时间的推移，背景模型会发生变化，如光照的变化、背景物体的移出和移

入等。因此，为了使背景模型适应这种变化，需要对背景模型进行更新。由于基于像素级的背景更新方法无法解决背景更新的“死锁”问题，所以本发明公开一种基于前景目标的背景更新方法。该方法从区域级上考虑更新对象，对背景图像中对应运动目标二值化掩模内的像素的灰度值不予更新；对运动目标二值化掩模以外的其他像素的灰度值进行自适应动态更新，更新算法如式(14)：

式(14)中，I_i(x，y)、BG_i(x，y)和M_i(x，y)分别为第i帧的输入灰度图像、背景图像和运动目标二值化掩模在(x，y)处的值；BG_i+1(x，y)为第i+1帧背景图像在像素点(x，y)处的值；β为更新率，表示背景模型的更新快慢，β越大表示背景更新越快。当β＝0时背景模型不更新，当β＝1时，用当前帧的输入图像灰度值直接替换背景中相应区域的像素值。当光照变化强烈时，应尽快更新背景的变化，本发明采用与图像平均亮度变化相关的更新策略。根据经验，当环境光照变化时，一般场景中背景区域的亮度变化是均匀的，因此通过前后帧中背景区域亮度的平均值的变化来感知光照的变化，同时也根据这个信息来调节背景的更新率β。求取β值的算法如下：

设A_i为第i帧输入图像中对应背景区域的像素灰度值的平均值，则

$A_i=\frac{1}{L}\underset{(x,y)\&Element;\&ForAll;\{M_i(x,y)=0\}}{\mathrm{\&Sigma;}}{I}_i(x,y)---\left(15\right)$

式(15)中L为第i帧输入图像中对应背景区域的像素点的个数，令

$\mathrm{\&beta;}=\frac{|A_i-A_{i-1}|}{\max (A_i,A_{i-1})}---\left(16\right)$

式(16)中A_i和A_i-1分别为第i帧和第i-1帧输入图像中对应背景区域的像素灰度值的平均值，β为更新率。

4运动目标检测

使用运动目标二值化掩模与当前帧输入图像进行逻辑“与”操作，检测出运动目标，便于后续的运动目标识别和跟踪分析。

5实验结果说明

我们以Carnegie Mellon University提供的视频文件为测试对象。图2是本发明实验所用的测试视频序列图像。图3是本发明建立初始背景过程的效果图，对于视频1，当取K＝3时，在输入前108帧后，完成初始背景图像的建立，如图3(c)所示；对于视频2，当取K＝2时，在输入前6帧后，完成初始背景图像的建立，如图3(f)所示。图4是本发明背景更新的效果图。图5是本发明运动目标二值化掩模提取的效果图(采用9×9的方形结构元素)。图6是本发明运动目标检测的效果图。

Claims (3)

1.一种自适应背景建模及运动目标检测方法，其特征在于该方法包括以下步骤：

1)基于帧间差分法的初始背景图像的建立：

①初始化背景图像中每个像素的背景标志位为“1”，即初始化背景标志矩阵的每个元素为1；

②初始化背景图像中每个像素的灰度值为0；

③将输入的彩色图像转化为灰度图像；

④对相隔K帧的两帧灰度图像求其绝对差，遍历差值图像的每个像素，检测对应该像素的背景标志位是否为“0”？若背景标志位为“0”，表示该像素已为背景点，无需作变化检测；若背景标志位为“1”，则要进行变化检测，具体的步骤是：判断差值是否小于阈值T₁？若小于阈值T₁，则设置该像素的背景标志位为“0”，以表示该像素为背景点，同时将背景图像中该像素的灰度值设置为当前输入帧图像对应像素的灰度值；否则，该像素暂时判为前景点，其背景标志位保持为“1”，由此产生二值背景标志矩阵；

⑤判断背景标志矩阵中的所有元素是否全为0？若全为0，则表示初始背景图像已建立完成，执行步骤2)；否则，返回步骤③；

2)基于背景相减法的运动目标二值化掩模的提取：

⑥将当前帧灰度图像与背景图像相减，取其绝对值得到差值图像；

⑦使用自适应阈值T₂对差值图像进行二值化处理；

⑧对二值图像进行形态开-闭运算、连通区域标号、填补“空洞”、连通区域面积大小及最小外接矩形的长宽比判断等后处理，消除噪声和背景扰动带来的影响后，得到运动目标二值化掩模；

3)基于区域的选择性自适应背景更新：

⑨对背景图像中对应运动目标二值化掩模内的像素的灰度值不予更新，对运动目标二值化掩模以外的其他像素的灰度值根据背景亮度的变化进行自适应动态更新；

4)运动目标检测：

⑩使用运动目标二值化掩模与当前帧输入图像进行逻辑“与”操作，检测出运动目标。

2.根据权利要求1所述的一种自适应背景建模及运动目标检测方法，其特征在于步骤④和步骤⑦中使用自适应阈值对差值图像进行二值化处理，自适应阈值T的求取公式为：

$T=\arg \underset{0\&le;t\&le;m}{\max }\left\{\right|w_0\left(t\right){({\mathrm{\&mu;}}_0\left(t\right)-\mathrm{\&mu;}\left(t\right))}^2+w_1\left(t\right){({\mathrm{\&mu;}}_1\left(t\right)-\mathrm{\&mu;}\left(t\right))}^2\left|(1-p\left(t\right))\right\}$ 式1

式1中，t代表像素的灰度值，其取值范围为{0，1，2，...，m}；p(t)为灰度值t出现的概率；w₀(t)和w₁(t)分别为在以灰度值t为阈值对差值图像进行二值化时被划分为背景部分和前景部分的像素数占整幅图像像素数的比例；μ₀(t)和μ₁(t)分别为对应背景部分和前景部分的差值图像的平均灰度值；μ(t)为差值图像的平均灰度值。

3.根据权利要求1所述的一种自适应背景建模及运动目标检测方法，其特征在于步骤⑨中基于区域的选择性自适应背景更新：对背景图像中对应运动目标二值化掩模内的像素灰度值不予更新；对运动目标二值化掩模以外的其他像素的灰度值，采用公式(2)进行自适应动态更新：

式(2)中，I_i(x，y)、BG_i(x，y)和M_i(x，y)分别为第i帧的输入灰度图像、背景图像和运动目标二值化掩模在像素点(x，y)处的值；BG_i+1(x，y)为第i+1帧背景图像在像素点(x，y)处的值；β为更新率，β的计算公式如式(3)：

$\mathrm{\&beta;}=\frac{|A_i-A_{i-1}|}{\max (A_i,A_{i-1})}---\left(3\right)$

式(3)中，A_i和A_i-1分别为第i帧和第i-1帧输入图像中对应背景区域的像素灰度值的平均值。

Images