CN102568002B - 基于纹理和运动模式融合的运动目标检测算法 - Google Patents

Abstract

本发明涉及视频图像处理技术领域，具体是涉及复杂动态场景下的运动目标检测方法。本发明的基于纹理和运动模式融合的运动目标检测算法，包括以下步骤：使用局部二值模式提取纹理模式，将传统的局部二值模式从空间域扩充到时空域来提取运动模式，然后对场景中的每一个像素采用纹理模式和运动模式分别建立背景模型；对该背景模型进行更新，并采用该背景模型进行目标检测，得到检测结果。本发明采用基于纹理和运动模式融合的运动目标检测算法，可有效克服如晃动的树叶、水波等复杂背景的影响。本发明应用于复杂动态场景下的运动目标检测。

Description

基于纹理和运动模式融合的运动目标检测算法

技术领域

本发明涉及视频图像处理技术领域，具体是涉及复杂动态场景下的运动目标检测方法。

背景技术

运动检测是运动跟踪技术的基础，是计算机视觉领域中的一个典型问题，其目的是从序列图像中将感兴趣的运动区域从背景图像中提取出来。在监控系统中，运动检测最基本的要求是检测出图像中有无运动物体，较高的要求是检测出运动物体的方向和位置。运动区域的有效分割对于目标分类、跟踪和行为理解等后期处理是非常重要的，因为后期处理过程仅仅考虑图像中运动区域对应的像素。然而，由于背景图像及环境的动态变化，如天气、光照、影子及混乱干扰等的影响，使得可靠的运动检测变得相当困难。

目前最常用的运动检测方法包括：光流法，帧间差分法，背景差分法等。其中光流法计算复杂、耗时、对噪声敏感，只适用于运动向量分析、数字水印等对实时性要求不高的应用。对于帧间差分法，只要对帧间隔进行合适的设置，对于运动物体一般都可以检测到，但检测的结果不完整，不能提取出对象的完整区域，只能提取出轮廓；同时依赖于选择的帧间时间间隔。对于基于背景差分的运动物体检测算法，一般可以检测到完整的运动物体，但检测得到的冗余信息太多。以上两种方法都对外部环境变化如树叶晃动、光照变化等比较敏感，其主要原因是缺少比较有效的噪声消除算法和背景更新算法。

背景差分算法的基本思想是通过对视频帧的学习建立高斯混合背景模型，将新输入的视频图像与高斯混合背景模型进行比较，当差值大于某个阈值的时候，判断该像素为前景，否则为背景，从而完成运动目标的检测。常用的是平均值法和基于像素值统计信息的算法来构建背景。平均值法由于物体运动和光线变化不能得到准确的背景且对于环境变化不能自适应调节；基于像素灰度归类算法的基本原理是以像素出现概率最大的一种灰度作为背景灰度值，这种算法计算量大而且同样缺乏对环境变化的自动调节能力。

综上所述，上述算法对于复杂的动态场景，如随风摆动的树叶、波浪、阴影、光照变化、摄影机抖动、云、烟、雨、雾等，检测结果易受环境影响而使误差大。

发明内容

本发明所要解决的技术问题是，提供一种基于纹理和运动模式融合的运动目标检测算法，通过在分类器层面将基于纹理模式和运动模式的背景模型进行融合，这种融合不仅考虑了图像中的纹理信息，同时也考虑了视频序列中的运动信息，有效的克服了如晃动的树叶、水波等复杂背景的影响。

为了解决上述技术问题，本发明所采用的技术方案是：一种基于纹理和运动模式融合的运动目标检测算法，包括以下步骤：使用局部二值模式提取纹理模式，将局部二值模式从空间域扩充到时空域来提取运动模式，然后对场景中的每一个像素采用纹理模式和运动模式分别建立背景模型；对该背景模型进行更新，并采用该背景模型进行目标检测，得到检测结果。

进一步的，使用局部二值模式提取纹理模式，具体是：对于t时刻图像中的中心像素c处(x_t,c,y_t,c)处的像素g_t,c考虑它的八个邻域像素g_t,p，p=0,...,7，将每个邻域像素与该像素进行二值化比较，得到一个八位的二进制串，即该中心像素处的一个码字LBP^t(x_t,c,y_t,c)：

${\mathrm{LBP}}^t(x_{t,c},y_{t,c})={\mathrm{\Σ}}_{p=0}^{7}s(g_{t,p}-g_{t,c})2^p,$

其中 $s\left(x\right)=\left\{\begin{array}{c}1,x\&GreaterEqual;0\\ 0,x<0\end{array}\right.,$

该码字LBP^t(x_t,c,y_t,c)刻画了像素(x_t,c,y_t,c)与其周围像素形成的一种纹理模式。

进一步的，将局部二值模式从空间域扩充到时空域来提取运动模式，具体是：

对于前一时刻t-1，对应位置(x_t,c,y_t,c)的八个相邻像素，将这些像素的灰度值标记为g_t-1,0,...,g_t-1,7，利用这些像素，得到(x_t,c,y_t,c)的另外一个码字LBP^t-1(x_t,c,y_t,c)：

${\mathrm{LBP}}^{t-1}(x_{t,c},y_{t,c})={\mathrm{\&Sigma;}}_{p=0}^{7}s(g_{t-1,p}-g_{t,c})2^p,$

其中 $s\left(x\right)=\left\{\begin{array}{c}1,x\&GreaterEqual;0\\ 0,x<0\end{array}\right.,$

该码字LBP^t-1(x_t,c,y_t,c)刻画了像素(x_t,c,y_t,c)与其上一帧中相邻像素之间的一种运动模式。

进一步的，对场景中的每一个像素采用纹理模式和运动模式分别建立背景模型并对其进行更新，具体是：首先分别提取该像素的纹理模式和运动模式直方图，对于以该像素为中心的一个区域R，在该区域内统计纹理模式直方图HT和运动模式直方图HS，然后分别构造该像素的基于纹理模式和运动模式的背景模型，同时对该背景模型进行更新。

进一步的，构造基于纹理模式的背景模型并对其进行更新，具体步骤是：

a)对于某一个像素x_t，在t时刻，它的模型由m个加权自适应的纹理模式直方图{HT_1,t,Ht_2,t,...,HT_m,t}构成，其中每一个纹理模式直方图模型有一个权重ω_i,t，{i=1,...,m}，反映该纹理模式直方图HT_i,t在已经学习到的模型中是背景的概率，并且满足 ${\mathrm{\&Sigma;}}_{i=1}^m{\mathrm{\&omega;}}_{i,t}=1;$

b)将这m个纹理模式直方图模型按照它们的权重从大到小排序；

c)在当前帧中，对于新的像素，先提取出该像素的纹理模式直方图v_t，并与m个加权自适应的纹理模式直方图模型{HT_1,t,HT_2,t,...,HT_m,t}逐一进行直方图相交的相似度计算；

如果该像素的纹理模式直方图v_t与m个加权自适应的纹理模式直方图模型中的第i个纹理模式直方图模型HT_i,t的直方图相交的相似度大于阈值T₁，0<T₁<1，

则认为该像素的纹理模式直方图v_t与该纹理模式直方图模型相匹配，则执行步骤d)，否则执行步骤e);

d)纹理模式直方图v_t与m个纹理模式直方图模型中的第i个模型HT_i,t相匹配，将该纹理模式直方图模型及其权重作如下更新:

HT_i,t+1=αHT_i,t+(1-α)v_t，

ω_i,t+1=α+(1-α)ω_i,t，

其中α是学习率，0<α<1，控制背景模型适应的过程；

e)纹理模式直方图v_t与m个纹理模式直方图模型中的任一直方图模型均不匹配，则其纹理模式直方图模型保持不变，并对权重作如下调整：

ω_j,t+1=(1-α)ω_j,t，

其中α是学习率，0<α<1，控制背景模型适应的过程；

同时将这m个纹理模式直方图模型中权重最小的纹理模式直方图模型用v_t进行替换，并为其赋一个数值较小的初始化权重。

优选的，上述相似度比较阈值T₁的取值范围是0.6-0.7。

进一步的，与m个加权自适应的纹理模式直方图模型{HT_1,t,HT_2,t,...,HT_m,t}逐一进行直方图相交的相似度计算，也可以采用巴特查理亚距离或第一范数距离进行相似度计算。

进一步的，构造基于运动模式的背景模型，具体步骤同构造基于纹理模式的背景模型，具体是：

a)对于某一个像素y_t，在t时刻，它的模型由n个加权自适应的运动模式直方图{HT_1,t,HT_2,t,...,HT_n,t}构成，其中每一个运动模式直方图模型有一个权重θ_j,t，{j=1,...,n}，反映该运动模式直方图HT_j,t在已经学习到的模型中是背景的概率，并且满足HT_j,t；

b)将这n个运动模式直方图模型按照它们的权重从大到小排序；

c)在当前帧中，对于新的像素，先提取出该像素的运动模式直方图ρ_t，并与n个加权自适应的运动模式直方图模型{HT_1,t,HT_2,t,...,HT_n,t}逐一进行直方图相交的相似度计算；

如果该像素的运动模式直方图ρ_t与n个加权自适应的运动模式直方图模型中的第j个运动模式直方图模型HT_j,t的直方图相交的相似度大于阈值T₂，0<T₂<1，

则认为该像素的运动模式直方图ρ_t与该运动模式直方图模型相匹配，则执行步骤d)，否则执行步骤e);

d)运动模式直方图ρ_t与n个运动模式直方图模型中的第j个模型HT_j,t相匹配，将该运动模式直方图模型及其权重作如下更新:

HT_j,t+1=βHT_j,t+(1-β)ρ_t，

ρ_j,t+1=β+(1-β)ρ_j,t，

其中β是学习率，0<β<1，控制背景模型适应的过程；

e)运动模式直方图ρ_t与n个运动模式直方图模型中的任一直方图模型均不匹配，则其运动模式直方图模型保持不变，并对权重作如下调整：

ρ_j,t+1=(1-β)ρ_j,t，

其中β是学习率，0<β<1，控制背景模型适应的过程；

同时将这n个运动模式直方图模型中权重最小的运动模式直方图模型用ρ_t进行替换，并为其赋一个数值较小的初始化权重。

进一步的，上述相似度比较阈值T₂的取值范围是0.6-0.7。

进一步的，与n个加权自适应的运动模式直方图模型{HT_1,t,HT_2,t,...,HT_n,t}逐一进行直方图相交的相似度计算，也可以采用巴特查理亚距离或第一范数距离进行相似度计算。

进一步的，采用基于运动模式的背景模型和基于纹理模式的背景模型进行目标检测，得到检测结果，具体是：

对于当前像素，将其纹理模式直方图和运动模式直方图，分别与相应的背景模型进行匹配；定义直方图与某一个模型直方图匹配，当且仅当它们的相似度大于一个阈值T，并以匹配上的模型直方图对应的权重，作为匹配概率输出，如果没有找到匹配上的模型直方图，则相应的匹配概率为零；

然后将两个匹配概率用如下公式进行融合：

P(x_t)=(1-γ)P_texture(x_t)+γP_motion(x_t)

其中，P_texture(x_t)表示纹理模式的匹配概率，P_motion(x_t)表示运动模式的匹配概率，γ表示两个概率的混合因子；如果最终的概率大于给定阈值T₂，则将该像素判定为背景，否则，判定为前景。

本发明采用上述方法，跟现有技术相比，具有以下优点：

1.通过在分类器层面将基于纹理模式和运动模式的背景模型进行融合，该融合不仅考虑了图像中的纹理信息，同时也考虑了视频序列中的运动信息，有效的克服了如晃动的树叶、水波等复杂背景的影响；

2.传统的运动模式算子LBP只利用了空间域的信息而忽略了时间域的信息，而对于背景建模而言，时间域也包含了丰富的信息来检测视频流中的运行物体，本发明将传统的运动模式算子LBP方法从空间域扩展到时空域，得到运动模式算子，全面的利用了空间域和时间域的信息。

附图说明

图1是本发明纹理模式算子LBP^t(x_t,c,y_t,c)和运动模式算子LBP^t-1(x_t,c,y_t,c)的示意图；

图2是本发明纹理模式和运动模式直方图的提取示意图。

具体实施方式

现结合附图和具体实施方式对本发明进一步说明。

本发明一种基于纹理和运动模式融合的运动目标检测算法，具体实施细节如下：

1)如图1的(a)所示，使用局部二值模式提取纹理模式，具体方法是：对于t时刻图像中的中心像素c处(x_t,c,y_t,c)处的像素g_t,c考虑它的八个邻域像素g_t,p，p=0,...,7，将每个邻域像素与该像素进行二值化比较，得到一个八位的二进制串，即该中心像素处的一个码字LBP^t(x_t,c,y_t,c)：

${\mathrm{LBP}}^t(x_{t,c},y_{t,c})={\mathrm{\&Sigma;}}_{p=0}^{7}s(g_{t,p}-g_{t,c})2^p,$

其中 $s\left(x\right)=\left\{\begin{array}{c}1,x\&GreaterEqual;0\\ 0,x<0\end{array}\right.,$

该码字LBP^t(x_t,c,y_t,c)刻画了像素(x_t,c,y_t,c)与其周围像素形成的一种纹理模式。

2)如图1的(b)所示，将局部二值模式从空间域扩充到时空域来提取运动模式，具体是：对于前一时刻t-1，对应位置(x_t,c,y_t,c)的八个相邻像素，将这些像素的灰度值标记为g_t-1,0,...,g_t-1,7，利用这些像素，得到(x_t,c,y_t,c)的另外一个码字LBP^t-1(x_t,c,y_t,c)：

${\mathrm{LBP}}^{t-1}(x_{t,c},y_{t,c})={\mathrm{\&Sigma;}}_{p=0}^{7}s(g_{t-1,p}-g_{t,c})2^p,$

其中 $s\left(x\right)=\left\{\begin{array}{c}1,x\&GreaterEqual;0\\ 0,x<0\end{array}\right.,$

该码字LBP^t-1(x_t,c,y_t,c)刻画了像素(x_t,c,y_t,c)与其上一帧中相邻像素之间的一种运动模式。

3)对场景中的每一个像素采用纹理模式和运动模式分别建立背景模型并对其进行更新具体是：首先分别提取该像素的纹理模式和运动模式直方图，对于以该像素为中心的一个区域R，在该区域内统计纹理模式直方图HT和运动模式直方图HS，然后分别构造该像素的基于纹理模式和运动模式的背景模型，同时对该背景模型进行更新；如图2所示，O_T代表纹理模式提取算子，O_S代表运动模式提取算子，X_T代表T时刻图像中某个像素，HT和HS分别代表T时刻像素X_T的纹理模式直方图和运动模式直方图；

其中，构造基于纹理模式的背景模型并对其进行更新，具体步骤是：

a1)对于某一个像素x_t，在t时刻，它的模型由m个加权自适应的纹理模式直方图{HT_1,t,Ht_2,t,...,HT_m,t}构成，其中每一个纹理模式直方图模型有一个权重ω_i,t，{i=1,...,m}，反映该纹理模式直方图HT_i,t在已经学习到的模型中是背景的概率，并且满足 ${\mathrm{\&Sigma;}}_{i=1}^m{\mathrm{\&omega;}}_{i,t}=1;$

b1)将这m个纹理模式直方图模型按照它们的权重从大到小排序；

c1)在当前帧中，对于新的像素，先提取出该像素的纹理模式直方图v_t，并与m个加权自适应的纹理模式直方图模型{HT_1,t,Ht_2,t,...,HT_m,t}逐一进行直方图相交的相似度计算；

如果该像素的纹理模式直方图v_t与m个加权自适应的纹理模式直方图模型中的第i个纹理模式直方图模型HT_i,t的直方图相交的相似度大于阈值T₁，0<T₁<1，

则认为该像素的纹理模式直方图v_t与该纹理模式直方图模型相匹配，则执行步骤d1)，否则执行步骤e1);

d1)纹理模式直方图v_t与m个纹理模式直方图模型中的第i个模型HT_i,t相匹配，将该纹理模式直方图模型及其权重作如下更新:

HT_i,t+1=αHT_i,t+(1-α)v_t，

ω_i,t+1=α+(1-α)ω_i,t，

其中α是学习率，0<α<1，控制背景模型适应的过程；

e1)纹理模式直方图v_t与m个纹理模式直方图模型中的任一直方图模型均不匹配，则其纹理模式直方图模型保持不变，并对权重作如下调整：

ω_j,t+1=(1-α)ω_j,t，

其中α是学习率，0<α<1，控制背景模型适应的过程；

同时将这m个纹理模式直方图模型中权重最小的纹理模式直方图模型用v_t进行替换，并为其赋一个数值较小的初始化权重；

优选的，上述相似度比较阈值T₁的取值范围是0.6-0.7；

进一步的，与m个加权自适应的纹理模式直方图模型{HT_1,t,Ht_2,t,...,HT_m,t}逐一进行直方图相交的相似度计算，也可以采用巴特查理亚距离或第一范数距离进行相似度计算；

其中，构造基于运动模式的背景模型，具体步骤同构造基于纹理模式的背景模型，具体是：

a2)对于某一个像素y_t，在t时刻，它的模型由n个加权自适应的运动模式直方图{HT_1,t,HT_2,t,...,HT_n,t}构成，其中每一个运动模式直方图模型有一个权重θ_j,t，{j=1,...,n}，反映该运动模式直方图HT_j,t在已经学习到的模型中是背景的概率，并且满足 ${\mathrm{\&Sigma;}}_{j=1}^m{\mathrm{\&theta;}}_{j,t}=1;$

b2)将这n个运动模式直方图模型按照它们的权重从大到小排序；

c2)在当前帧中，对于新的像素，先提取出该像素的运动模式直方图ρ_t，并与n个加权自适应的运动模式直方图模型{HT_1,t,HT_2,t,...,HT_n,t}逐一进行直方图相交的相似度计算；

如果该像素的运动模式直方图ρ_t与m个加权自适应的运动模式直方图模型中的第j个运动模式直方图模型HT_j,t的直方图相交的相似度大于阈值T₂，0<T₂<1，

则认为该像素的运动模式直方图ρ_t与该运动模式直方图模型相匹配，则执行步骤d2)，否则执行步骤e2);

d2)运动模式直方图ρ_t与n个运动模式直方图模型中的第j个模型HT_j,t相匹配，将该运动模式直方图模型及其权重作如下更新:

HT_j,t+1=βHT_j,t+(1-β)ρ_t，

ρ_j,t+1=β+(1-β)ρ_j,t，

其中β是学习率，0<β<1，控制背景模型适应的过程；

e2)运动模式直方图ρ_t与n个运动模式直方图模型中的任一直方图模型均不匹配，则其运动模式直方图模型保持不变，并对权重作如下调整：

ρ_j,t+1=(1-β)ρ_j,t，

其中β是学习率，0<β<1，控制背景模型适应的过程；

同时将这n个运动模式直方图模型中权重最小的运动模式直方图模型用ρ_t进行替换，并为其赋一个数值较小的初始化权重；

进一步的，上述相似度比较阈值T₂的取值范围是0.6-0.7；

进一步的，与n个加权自适应的运动模式直方图模型{HT_1,t,HT_2,t,...,HT_n,t}逐一进行直方图相交的相似度计算，也可以采用巴特查理亚距离或第一范数距离进行相似度计算。

4)采用基于运动模式的背景模型和基于纹理模式的背景模型进行目标检测，得到检测结果，具体是：

对于当前像素，将其纹理模式直方图和运动模式直方图，分别与相应的背景模型进行匹配；定义直方图与某一个模型直方图匹配，当且仅当它们的相似度大于一个阈值T，并以匹配上的模型直方图对应的权重，作为匹配概率输出，如果没有找到匹配上的模型直方图，则相应的匹配概率为零；

然后将两个匹配概率用如下公式进行融合：

P(x_t)=(1-γ)P_texture(x_t)+γP_motion(x_t)

其中，P_texture(x_t)表示纹理模式的匹配概率，P_motion(x_t)表示运动模式的匹配概率，γ表示两个概率的混合因子；如果最终的概率大于给定阈值T₂，则将该像素判定为背景，否则，判定为前景。

尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (9)

1.一种基于纹理和运动模式融合的运动目标检测算法，其特征在于：包括以下步骤：使用局部二值模式提取纹理模式，将局部二值模式从空间域扩充到时空域来提取运动模式，然后对场景中的每一个像素采用纹理模式和运动模式分别建立背景模型；对该背景模型进行更新，并采用该背景模型进行目标检测，得到检测结果；

对场景中的每一个像素采用纹理模式和运动模式分别建立背景模型并对其进行更新，具体是：首先分别提取该像素的纹理模式和运动模式直方图，对于以该像素为中心的一个区域R，在该区域内统计纹理模式直方图HT和运动模式直方图HS，然后分别构造该像素的基于纹理模式和运动模式的背景模型，同时对该背景模型进行更新；

构造基于纹理模式的背景模型并对其进行更新，具体步骤是：

a)对于某一个像素x_t，在t时刻，它的模型由m个加权自适应的纹理模式直方图{HT_1,t,Ht_2,t,...,HT_m,t}构成，其中每一个纹理模式直方图模型有一个权重ω_i,t，{i=1,...,m}，反映该纹理模式直方图HT_i,t在已经学习到的模型中是背景的概率，并且满足 ${\mathrm{\&Sigma;}}_{i=1}^m{\mathrm{\&omega;}}_{i,t}=1;$

b)将这m个纹理模式直方图模型按照它们的权重从大到小排序；

c)在当前帧中，对于新的像素，先提取出该像素的纹理模式直方图v_t，并与m个加权自适应的纹理模式直方图模型{HT_1,t,HT_2,t,...,HT_m,t}逐一进行直方图相交的相似度计算；

如果该像素的纹理模式直方图v_t与m个加权自适应的纹理模式直方图模型中的第i个纹理模式直方图模型HT_i,t的直方图相交的相似度大于阈值T₁，0<T₁<1，

则认为该像素的纹理模式直方图v_t与该纹理模式直方图模型相匹配，则执行步骤d)，否则执行步骤e);

d)纹理模式直方图v_t与m个纹理模式直方图模型中的第i个模型HT_i,t相匹配，将该纹理模式直方图模型及其权重作如下更新:

HT_i,t+1=αHT_i,t+(1-α)v_t，

ω_i,t+1=α+(1-α)ω_i,t，

其中α是学习率，0<α<1，控制背景模型适应的过程；

e)纹理模式直方图v_t与m个纹理模式直方图模型中的任一直方图模型均不匹配，则其纹理模式直方图模型保持不变，并对权重作如下调整：

ω_j,t+1=(1-α)ω_j,t，

其中α是学习率，0<α<1，控制背景模型适应的过程；

同时将这m个纹理模式直方图模型中权重最小的纹理模式直方图模型用vt进行替换，并为其赋一个数值较小的初始化权重。

2.根据权利要求1所述的运动目标检测算法，其特征在于：使用局部二值模式提取纹理模式，具体是：对于t时刻图像中的中心像素c处(x_t,c,y_t,c)处的像素g_t,c考虑它的八个邻域像素g_t,p，p=0,...,7，将每个邻域像素与该像素进行二值化比较，得到一个八位的二进制串，即该中心像素处的一个码字LBP^t(x_t,c,y_t,c)：

${\mathrm{LBP}}^t(x_{t,c},y_{t,c})={\mathrm{\&Sigma;}}_{p=0}^{7}s(g_{t,p}-g_{t,c})2^p,$

其中 $s\left(x\right)=\left\{\begin{array}{c}1,x\&GreaterEqual;0\\ 0,x<0\end{array}\right.,$

该码字LBP^t(x_t,c,y_t,c)刻画了像素(x_t,c,y_t,c)与其周围像素形成的一种纹理模式。

3.根据权利要求1所述的运动目标检测算法，其特征在于：将局部二值模式从空间域扩充到时空域来提取运动模式，具体是：

对于前一时刻t-1，对应位置(x_t,c,y_t,c)的八个相邻像素，将这些像素的灰度值标记为g_t-1,0,...,g_t-1,7，利用这些像素，得到(x_t,c,y_t,c)的另外一个码字LBP^t-1(x_t,c,y_t,c)：

${\mathrm{LBP}}^{t-1}(x_{t,c},y_{t,c})={\mathrm{\&Sigma;}}_{p=0}^{7}s(g_{t-1,p}-g_{t,c})2^p,$

其中 $s\left(x\right)=\left\{\begin{array}{c}1,x\&GreaterEqual;0\\ 0,x<0\end{array}\right.,$

该码字LBP^t-1(x_t,c,y_t,c)刻画了像素(x_t,c,y_t,c)与其上一帧中相邻像素之间的一种运动模式。

4.根据权利要求1所述的运动目标检测算法，其特征在于：阈值T₁的值的范围是0.6-0.7。

5.根据权利要求1所述的运动目标检测算法，其特征在于：与m个加权自适应的纹理模式直方图模型{HT_1,t,Ht_2,t,...,HT_m,t}逐一进行直方图相交的相似度计算，是采用巴特查理亚距离或第一范数距离进行相似度计算。

6.根据权利要求1所述的运动目标检测算法，其特征在于：构造基于运动模式的背景模型并对其进行更新，具体步骤是：

a)对于某一个像素y_t，在t时刻，它的模型由n个加权自适应的运动模式直方图{HT_1,t,HT_2,t,...,HT_n,t}构成，其中每一个运动模式直方图模型有一个权重θ_j,t，{j=1,...,n}，反映该运动模式直方图HT_j,t在已经学习到的模型中是背景的概率，并且满足 ${\mathrm{\&Sigma;}}_{j=1}^m{\mathrm{\&theta;}}_{j,t}=1;$

b)将这n个运动模式直方图模型按照它们的权重从大到小排序；

c)在当前帧中，对于新的像素，先提取出该像素的运动模式直方图ρ_t，并与n个加权自适应的运动模式直方图模型{HT_1,t,HT_2,t,...,HT_n,t}逐一进行直方图相交的相似度计算；

如果该像素的运动模式直方图ρ_t与n个加权自适应的运动模式直方图模型中的第j个运动模式直方图模型HT_j,t的直方图相交的相似度大于阈值T₂，0<T₂<1，

则认为该像素的运动模式直方图ρ_t与该运动模式直方图模型相匹配，则执行步骤d)，否则执行步骤e);

d)运动模式直方图ρ_t与n个运动模式直方图模型中的第j个模型HT_j,t相匹配，将该运动模式直方图模型及其权重作如下更新:

HT_j,t+1=βHT_j,t+(1-β)ρ_t，

ρ_j,t+1=β+(1-β)ρ_j,t，

其中β是学习率，0<β<1，控制背景模型适应的过程；

e)运动模式直方图ρ_t与n个运动模式直方图模型中的任一直方图模型均不匹配，则其运动模式直方图模型保持不变，并对权重作如下调整：

ρ_j,t+1=(1-β)ρ_j,t，

其中β是学习率，0<β<1，控制背景模型适应的过程；

同时将这n个运动模式直方图模型中权重最小的运动模式直方图模型用ρ_t进行替换，并为其赋一个数值较小的初始化权重。

7.根据权利要求6所述的运动目标检测算法，其特征在于：阈值T₂的值的范围是0.6-0.7。

8.根据权利要求6所述的运动目标检测算法，其特征在于：与n个加权自适应的运动模式直方图模型{HT_1,t,HT_2,t,...,HT_n,t}逐一进行直方图相交的相似度计算，是采用巴特查理亚距离或第一范数距离进行相似度计算。

9.根据权利要求1所述的运动目标检测算法，其特征在于：采用基于纹理模式的背景模型和基于运动模式的背景模型进行目标检测，得到检测结果，具体是：

对于当前像素，将其纹理模式直方图和运动模式直方图，分别与相应的背景模型进行匹配；定义直方图与某一个模型直方图匹配，当且仅当它们的相似度大于一个阈值T，并以匹配上的模型直方图对应的权重，作为匹配概率输出，如果没有找到匹配上的模型直方图，则相应的匹配概率为零；

然后将两个匹配概率用如下公式进行融合：

P(x_t)=(1-γ)P_texture(x_t)+γP_motion(x_t)

其中，P_texture(x_t)表示纹理模式的匹配概率，P_motion(x_t)表示运动模式的匹配概率，γ表示两个概率的混合因子；如果最终的概率大于给定阈值T₂，则将该像素判定为背景，否则，判定为前景。

Images