CN103886617A - 一种运动目标检测的方法及装置 - Google Patents

Abstract

本发明实施例公开了一种运动目标检测的方法及装置，用于消除场景突变及快速渐变对运动目标检测的影响，降低误检率，减少运算开销。本发明实施例包括：对当前场景进行检测，确定出当前场景为稳定场景或变化场景；若确定出当前场景为变化场景后，确定出该变化场景的类型，所述变化场景的类型包括突变场景、快速渐变场景和慢速渐变场景；若确定该变化场景的类型为快速渐变场景，使用当前帧的梯度模型向量相似度与第前N帧的梯度模型向量相似度的差值跟预置阈值比较，再次确定该变化场景的类型，所述N为正整数；若再次确定该变化场景的类型后，确定该变化场景的类型为突变场景或快速渐变场景时，更新混合高斯模型的背景建模参数。

Description

一种运动目标检测的方法及装置

技术领域

本发明涉及通信技术领域，尤其是涉及一种运动目标检测的方法及装置。

背景技术

混合高斯背景建模是目前最常用的运动目标检测方法之一，该方法假定，在噪声影响下，背景图像各个像素点的颜色值变化符合高斯模型。通过对视频图像帧中各像素点建立多个对应的高斯模型，形成完整的背景模型，并对每个高斯模型的参数（均值、方差和权重）进行在线学习。

该运动目标检测方法是根据高斯模型的均值和方差信息，判断像素点是背景像素还是前景目标。若当前帧中像素的特征与对应像素点的背景高斯模型相匹配，则此像素点被判定为背景；否则，此像素点为前景目标的一部分。最终，该前景目标即为运动目标。

其中，混合高斯模型通过增加高斯模型的个数，来表达背景像素的变化，从而达到对缓慢的场景光照或者抖动变化的适应性。但是混合高斯背景模型更新较慢，所以很难对突然发生的扰动或场景抖动进行适应，如果更新过快会导致大量的误检测；并且，高斯模型的运算开销较高，混合高斯模型通过增加高斯模型来增强适应性，从而使得开销更高。

发明内容

本发明实施例提供了一种运动目标检测的方法及装置，用于消除场景突变及快速渐变对运动目标检测的影响，降低误检率，减少运算开销。

本发明第一方面提供了一种运动目标检测的方法，可包括：

对当前场景进行检测，确定出当前场景为稳定场景或变化场景；

若确定出当前场景为变化场景后，确定出该变化场景的类型，所述变化场景的类型包括突变场景、快速渐变场景和慢速渐变场景；

若确定该变化场景的类型为快速渐变场景，使用当前帧的梯度模型向量相似度与第前N帧的梯度模型向量相似度的差值跟预置阈值比较，再次确定该变化场景的类型，所述N为正整数；

若再次确定该变化场景的类型后，确定该变化场景的类型为突变场景或快速渐变场景时，更新混合高斯模型的背景建模参数。

结合第一方面，在第一种可能的实现方式中，所述对当前场景进行检测，确定当前场景为稳定场景或变化场景，包括：对于当前场景，计算前后两帧直方图的相似性，确定当前场景为稳定场景或变化场景。

结合第一方面，在第二种可能的实现方式中，所述确定出该变化场景的类型，包括：对于该变化场景，计算前后两帧各自的网格点对大小比较的算术逻辑值，确定出该变化场景的类型。

结合第一方面，或第一方面的第一种可能的实现方式，或第一方面的第二种可能的实现方式，在三种可能的实现方式中，所述更新混合高斯模型的背景建模参数之后，进一步包括：通过对运动目标进行跟踪，根据反馈的不稳定前景块数目调整混合高斯模型的背景建模参数。

结合第一方面，或第一方面的第一种可能的实现方式，或第一方面的第二种可能的实现方式，在四种可能的实现方式中，所述更新混合高斯模型的背景建模参数之后，进一步包括：基于混合高斯模型的背景建模算法，通过记录混合高斯模型与像素连续匹配和连续不匹配的次数，阶梯调整混合高斯模型的背景建模参数。

本发明第二方面提供了一种运动目标检测的装置，可包括：

检测模块，用于对当前场景进行检测，确定当前场景为稳定场景或变化场景；

确定模块，用于若确定出当前场景为变化场景后，确定出该变化场景的类型，所述变化场景的类型包括突变场景、快速渐变场景和慢速渐变场景；

所述确定模块，还用于若确定该变化场景的类型为快速渐变场景，使用当前帧的梯度模型向量相似度与第前N帧的梯度模型向量相似度的差值跟预置阈值比较，再次确定该变化场景的类型，所述N为正整数；

更新模块，用于若再次确定该变化场景的类型后，确定该变化场景的类型为突变场景或快速渐变场景时，更新混合高斯模型的背景建模参数。

结合第二方面，在第一种可能的实现方式中，所述检测模块，具体用于：对于当前场景，计算前后两帧直方图的相似性，确定当前场景为稳定场景或变化场景。

结合第二方面，在第二种可能的实现方式中，所述确定模块，用于确定出该变化场景的类型，包括：对于该变化场景，计算前后两帧各自的网格点对大小比较的算术逻辑值，确定出该变化场景的类型。

结合第二方面，或第二方面的第一种可能的实现方式，或第二方面的第二种可能的实现方式，在第三种可能的实现方式中，所述装置还包括第一调整模块，用于通过对运动目标进行跟踪，根据反馈的不稳定前景团块数目调整混合高斯模型的背景建模参数。

结合第二方面，或第二方面的第一种可能的实现方式，或第二方面的第二种可能的实现方式，在第四种可能的实现方式中，所述装置还包括第二调整模块，用于基于混合高斯模型的背景建模算法，通过记录混合高斯模型与像素连续匹配和连续不匹配的次数，阶梯调整混合高斯模型的背景建模参数。

从以上技术方案可以看出，本发明实施例提供的一种运动目标检测的方法及装置具有以下优点：可以自适应各类通用场景，主要是自适应有干扰的场景、光照突变和渐变场景，缩短了鬼影长时间存在的现象；进一步地，为目标跟踪提供了鲁棒性强的前景块，提升了算法整体的检测成功率，降低了误检率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种运动目标检测的方法的流程示意图；

图2a至图2e为本发明实施例提供的运动目标检测的方法中场景检测解析示意；

图3为本发明实施例提供的目标检测和跟踪模块之间的关系示意图；

图4a和图4b为混合高斯模型的参数根据Unstable blob数目进行阶梯调节示意图；

图5为混合高斯模型的参数根据连续匹配次数或连续不匹配次数阶梯调节示意图；

图6为本发明实施例提供的运动目标检测的装置的结构示意图；

图7a为本发明另一实施例提供的运动目标检测的装置的结构示意图；

图7b为本发明另一实施例提供的运动目标检测的装置的结构示意图；

图8为本发明实施例提供的运动目标检测的装置另一结构示意图。

具体实施方式

本发明实施例提供了一种运动目标检测的方法及装置，用于消除场景突变及快速渐变对运动目标检测的影响，降低误检率，减少运算开销。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为了更好地理解本发明技术方案，以下对混合高斯模型进行简单的介绍：

通过混合高斯模型来改进高斯模型，从而增强模型对微弱光照变化的适应性。混合高斯模型是对单高斯模型的改进，通过多个高斯概率密度函数的加权平均来平滑地近似任意形状的密度分布函数。

混合高斯模型通过对每个像素点采用多个高斯模型来表征，能够平滑地近似任意形状的密度分布。每个像素点I（x，y，t）用K个（如K=3～5）高斯模型来描述，各高斯模型具有不同的均值U，不同方差σ，权值ω，按照优先级从高到低排序。整个过程主要包括以下几个步骤：第一，对所有的高斯模型按照ω/σ进行从大到小的排序；第二，取前B（B为正整数）个高斯模型，这B个高斯模型之和大于设定阈值；第三，如果该值符合这B个高斯模型，则认为是背景，否则认为是前景。也就是说，利用混合高斯模型对运动目标进行检测的方法是根据高斯模型的均值和方差信息，判断像素点是背景像素还是前景目标。若当前帧中像素的特征与对应像素点的背景高斯模型相匹配，则此像素点被判定为背景；否则，此像素点被判定为前景目标的一部分，该前景目标即为运动目标。

下面通过具体实施例，对本发明提供的混合高斯模型与梯度相结合的运动目标检测方法进行详细的说明。

请参考图1，图1为本发明实施例提供的一种运动目标检测的方法的流程示意图，其中，所述运动目标检测方法包括：

S101、对当前场景进行检测，确定出当前场景为稳定场景或变化场景；

S102、若确定出当前场景为变化场景后，确定出该变化场景的类型；

其中，所述变化场景的类型包括突变场景、快速渐变场景和慢速渐变场景；

S103、若确定该变化场景的类型为快速渐变场景，使用当前帧的梯度模型向量相似度与第前N帧的梯度模型向量相似度的差值跟预置阈值比较，再次确定该变化场景的类型；其中，所述N为正整数；

S104、若再次确定该变化场景的类型后，确定该变化场景的类型为突变场景或快速渐变场景时，更新混合高斯模型的背景建模参数。

由上述可知，本发明实施例提供的一种运动目标检测的方法具有以下优点：可以自适应各类通用场景，主要是自适应有干扰的场景、光照突变和渐变场景，缩短了鬼影长时间存在的现象；进一步地，为目标跟踪提供了鲁棒性强的前景块，提升了算法整体的检测成功率，降低了误检率。

优选地，在本发明一些实施例中：

对于当前场景，计算前后两帧直方图的相似性，确定当前场景为稳定场景或变化场景。进一步地，对于该变化场景，计算前后两帧各自的网格点对大小比较的算术逻辑值，确定出该变化场景的类型。基于该优选的方式，该计算过程和场景检测过程可参考如下步骤：

第一步、前后两帧图像分别划分为4块，每块等间隔划分成16块，得到中间的9个网格点；

可一并参考图2a，图2a为前后两帧划分的示意图。

第二步、每个网格点取其3x3领域的像素和；

可参考图2b，图2b为所述3x3领域的示意图。

第三步、9个网格点，点与点按下图比较大小，记录算术逻辑值；

其中，所述算术逻辑值包括“1”、“-1”和“0”；可一并参考图2c，图2c为所述9个网格点的示意图。

其中，算术逻辑值的计算公式为：

$\mathrm{pair}(a,b)=\left\{\begin{array}{c}-1,\mathrm{value}\left(a\right)<\mathrm{value}\left(b\right)\\ 0,\mathrm{value}\left(a\right)=\mathrm{value}\left(b\right)\\ 1,\mathrm{value}\left(a\right)>\mathrm{value}\left(b\right)\end{array}\right.;$

第四步、通过第一步、第二步以及第三步三个步骤循环四次，得到前后两帧整个图像各计72个算术逻辑值，然后统计对应位置的算术逻辑值相等的个数，记为n。

依据公式：

$\mathrm{result}=\left\{\begin{array}{c}2,n>=72*\mathrm{th}1,(0<\mathrm{th}1<1)\\ \mathrm{1,72}*\mathrm{th}2<=n<72*\mathrm{th}1(0<\mathrm{th}2<\mathrm{th}1<1)\\ 0,n<72*\mathrm{th}2,(0<\mathrm{th}2<1)\end{array}\right.$

得到result的值，该公式中th1，th2均为经验值，result值为“0”则指示当前场景为慢速渐变场景，“1”指示当前场景为快速渐变场景，“2”指示当前场景为突变场景。

可以理解的是，对于快速渐变场景当前帧图像与其背景图像都计算其X方向和Y方向的sobel梯度，梯度模板为n*n（一般n=3）模板，可一并参考图2d和图2e，图2d和图2e为3x3的sobel梯度模板示意图，其中，图2d为X方向模板，图2e为Y方向模板。

然后依据公式：

$\mathrm{deno}\min \mathrm{ator}=\frac{1}{N}\underset{i=1}{\overset{W*H}{\mathrm{\&Sigma;}}}(\mathrm{Grad}\_\mathrm{Cur}{X}_i^2+\mathrm{Grad}\_\mathrm{Cur}{Y}_i^2+\mathrm{Grad}\_\mathrm{Bg}{X}_i^2+\mathrm{Grad}\_\mathrm{Bg}{Y}_i^2)$

$\mathrm{numerator}=\frac{1}{N}\underset{i=1}{\overset{W*H}{\mathrm{\&Sigma;}}}\left(2(\mathrm{Grad}\_\mathrm{Cur}{X}_i*\mathrm{Grad}\_\mathrm{Bg}{X}_i+\mathrm{Grad}\_\mathrm{Cur}{Y}_i*\mathrm{Grad}\_\mathrm{Bg}{Y}_i)\right)$

全局向量相似度： $\mathrm{result}=\left\{\begin{array}{c}\mathrm{deno}\min \mathrm{ator}/\mathrm{numerator},(\mathrm{numeratpr}\&NotEqual;0)\\ 1,(\mathrm{numeratpr}=0)\end{array}\right.$

得到的result就是当前图像与其背景图像的全局平均向量相似度，同样的求得第前N帧的全局平均相似度，然后两者做差，差值绝对值大于阈值则属于快速渐变场景，否则属于慢速渐变场景。

可以理解的是，本实施例应用场景主要可以为智能IPC用于监控室内场景，当室内开关灯以及室外交通道路上车灯光线变化频繁的场景。

进一步优选地，在本发明一些实施例中，所述更新混合高斯模型的背景建模参数之后，包括：

通过对运动目标进行跟踪，根据反馈的不稳定前景块数目调整混合高斯模型的背景建模参数。

可以理解的是，在干扰场景，不稳定前景块（Unstable blob）数目变化频繁，算法根据Unstable blob数目一方面自动扩大高斯模型的方差上下限并上调下限值，能使高斯模型变得不灵敏，从而抑制干扰；另一方面自动增大学习率，从而使高斯模型从灵敏到不灵敏变化加速，从而更快的起到抑制干扰作用。

在平稳场景，Unstable blob数目变化稳定，算法根据Unstable blob数目一方面自动减小高斯模型的方差上下限并下调下限值，能使高斯模型变得灵敏，从而检测出更多的前景；另一方面自动减小学习率，从而回归正常速度更新模型。请参考图3，图3为模块之间的关系示意图；可一并参考图4a和图4b，图4a和图4b为混合高斯模型的参数根据Unstable blob数目进行阶梯调节示意图。

可以理解的是，通过运动目标跟踪模块反馈的Unstable blob的数目阶梯调节高斯模型的方差上下限及高斯模型的权重学习率和均值方差学习率，从而减少背景中的目标干扰。

进一步优选地，在本发明一些实施例中，所述更新混合高斯模型的背景建模参数之后，包括：

基于混合高斯模型的背景建模算法，通过记录混合高斯模型与像素连续匹配和连续不匹配的次数，阶梯调整混合高斯模型的背景建模参数。

可以具体地：对图像每个像素，按时间变化，如果该像素点与其中某个高斯模型匹配上，则匹配计数器累计，如果不匹配，则匹配计数器清零，学习率按匹配计数值分区间阶梯上升；

对图像每个像素，按时间变化，如果该像素点与其中某个高斯模型不匹配，则不匹配计数器累计，如果匹配了，则不匹配计数器清零，学习率按不匹配计数值分区间阶梯下降。

该目的是：某位置的像素之前一直与其某高斯模型匹配上，则这个高斯模型可以被认为是该像素位置上稳定的背景，这个过程中随着匹配次数增加，从而让其学习率下降，让其背景分布趋于更稳定。如果这时该位置的有静止目标突然运动(或运动目标突然静止)，则某位置的像素与表示它最匹配的高斯模型不匹配，而与一个新的高斯模型匹配了，随着匹配的次数增加，学习率上升，可以使其新的背景融入背景模型的速度加速，从而一定程度上快速地去除了鬼影。可参看图5，图5为混合高斯模型的参数根据连续匹配次数或连续不匹配次数阶梯调节示意图。

可以理解的是，通过记录混合高斯模型与像素连续匹配和连续不匹配的次数，按次数多少使学习率阶梯变化从而快速消融鬼影。

由上述可知，本发明实施例提供的一种运动目标检测的方法具有以下优点：可以自适应各类通用场景，主要是自适应有干扰的场景、光照突变和渐变场景，缩短了鬼影长时间存在的现象；进一步地，为目标跟踪提供了鲁棒性强的前景块，提升了算法整体的检测成功率，降低了误检率。

为便于更好的实施本发明实施例提供的运动目标检测的方法，本发明实施例还提供一种基于上述运动目标检测的方法的装置。其中名词的含义与上述方法中相同，具体实现细节可以参考方法实施例中的说明。

如图6所示，一种运动目标检测的装置600可包括：

检测模块601，用于对当前场景进行检测，确定当前场景为稳定场景或变化场景；

确定模块602，用于若确定出当前场景为变化场景后，确定出该变化场景的类型，所述变化场景的类型包括突变场景、快速渐变场景和慢速渐变场景；

所述确定模块602，还用于若确定该变化场景的类型为快速渐变场景，使用当前帧的梯度模型向量相似度与第前N帧的梯度模型向量相似度的差值跟预置阈值比较，再次确定该变化场景的类型，所述N为正整数；

更新模块603，用于若再次确定该变化场景的类型后，确定该变化场景的类型为突变场景或快速渐变场景时，更新混合高斯模型的背景建模参数。

其中，通过检测模块601检测当前场景为稳定场景或变化场景，若是在检测模块601确定出当前场景为变化场景后，确定模块602确定出变化场景的类型，在确定模块602进一步确定变化场景的类型为快速渐变场景后，由更新模块603再次确定变化场景的类型为突变场景或快速渐变场景，然后更新混合高斯模型的背景建模参数，应用于有干扰的场景、光照突变和渐变场景，提高算法整体的检测成功率，降低了误检率。

一个优选实施例中，上述检测模块601具体用于对于当前场景，计算前后两帧直方图的相似性，确定当前场景为稳定场景或变化场景。

一个优选实施中，上述确定模块602用于在确定出变化场景的类型具体包括：计算前后两帧各自的网格点对大小比较的算术逻辑值，确定出该变化场景的类型。

进一步地，如图7a所示，上述运动目标检测的装置600还包括：

第一调整模块701，用于通过对运动目标进行跟踪，根据反馈的不稳定前景团块数目调整混合高斯模型的背景建模参数。

进一步地，如图7b所示，上述运动目标检测的装置600还包括：

第二调整模块702，用于基于混合高斯模型的背景建模算法，通过记录混合高斯模型与像素连续匹配和连续不匹配的次数，阶梯调整混合高斯模型的背景建模参数。

请参考图8，图8为本发明实施例提供的运动目标检测的装置另一结构示意图，其中，可包括至少一个处理器801（例如CPU，Central Processing Unit），至少一个网络接口或者其它通信接口，存储器802，和至少一个通信总线，用于实现这些装置之间的连接通信。所述处理器801用于执行存储器中存储的可执行模块，例如计算机程序。所述存储器802可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个网络接口（可以是有线或者无线）实现该系统网关与至少一个其它网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

如图8所示，在一些实施方式中，所述存储器802中存储了程序指令，程序指令可以被处理器801执行，所述处理器801具体执行以下步骤：

对当前场景进行检测，确定出当前场景为稳定场景或变化场景；

若确定出当前场景为变化场景后，确定出该变化场景的类型，所述变化场景的类型包括突变场景、快速渐变场景和慢速渐变场景；

若确定该变化场景的类型为快速渐变场景，使用当前帧的梯度模型向量相似度与第前N帧的梯度模型向量相似度的差值跟预置阈值比较，再次确定该变化场景的类型，所述N为正整数；

若再次确定该变化场景的类型后，确定该变化场景的类型为突变场景或快速渐变场景时，更新混合高斯模型的背景建模参数。

本发明一些实施例中，上述处理器801还可以执行以下步骤：

对于当前场景，计算前后两帧直方图的相似性，确定当前场景为稳定场景或变化场景。

本发明一些实施例中，上述处理器801还可以执行以下步骤：

对于该变化场景，计算前后两帧各自的网格点对大小比较的算术逻辑值，确定出该变化场景的类型。

本发明一些实施例中，上述处理器801还可以执行以下步骤：

通过对运动目标进行跟踪，根据反馈的不稳定前景块数目调整混合高斯模型的背景建模参数。

本发明一些实施例中，上述处理器801还可以执行以下步骤：

基于混合高斯模型的背景建模算法，通过记录混合高斯模型与像素连续匹配和连续不匹配的次数，阶梯调整混合高斯模型的背景建模参数。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

以上对本发明所提供的一种运动目标检测的方法及装置进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种运动目标检测的方法，其特征在于，包括：

对当前场景进行检测，确定出当前场景为稳定场景或变化场景；

若确定出当前场景为变化场景后，确定出该变化场景的类型，所述变化场景的类型包括突变场景、快速渐变场景和慢速渐变场景；

若确定该变化场景的类型为快速渐变场景，使用当前帧的梯度模型向量相似度与第前N帧的梯度模型向量相似度的差值跟预置阈值比较，再次确定该变化场景的类型，所述N为正整数；

若再次确定该变化场景的类型后，确定该变化场景的类型为突变场景或快速渐变场景时，更新混合高斯模型的背景建模参数。

2.根据权利要求1所述的方法，其特征在于，所述对当前场景进行检测，确定当前场景为稳定场景或变化场景，包括：

对于当前场景，计算前后两帧直方图的相似性，确定当前场景为稳定场景或变化场景。

3.根据权利要求1所述的方法，其特征在于，所述确定出该变化场景的类型，包括：

对于该变化场景，计算前后两帧各自的网格点对大小比较的算术逻辑值，确定出该变化场景的类型。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述更新混合高斯模型的背景建模参数之后，进一步包括：

通过对运动目标进行跟踪，根据反馈的不稳定前景块数目调整混合高斯模型的背景建模参数。

5.根据权利要求1至3任一项所述的方法，其特征在于，所述更新混合高斯模型的背景建模参数之后，进一步包括：

基于混合高斯模型的背景建模算法，通过记录混合高斯模型与像素连续匹配和连续不匹配的次数，阶梯调整混合高斯模型的背景建模参数。

6.一种运动目标检测的装置，其特征在于，包括：

检测模块，用于对当前场景进行检测，确定当前场景为稳定场景或变化场景；

确定模块，用于若确定出当前场景为变化场景后，确定出该变化场景的类型，所述变化场景的类型包括突变场景、快速渐变场景和慢速渐变场景；

所述确定模块，还用于若确定该变化场景的类型为快速渐变场景，使用当前帧的梯度模型向量相似度与第前N帧的梯度模型向量相似度的差值跟预置阈值比较，再次确定该变化场景的类型，所述N为正整数；

更新模块，用于若再次确定该变化场景的类型后，确定该变化场景的类型为突变场景或快速渐变场景时，更新混合高斯模型的背景建模参数。

7.根据权利要求6所述的装置，其特征在于，所述检测模块，具体用于：

对于当前场景，计算前后两帧直方图的相似性，确定当前场景为稳定场景或变化场景。

8.根据权利要求6所述的装置，其特征在于，所述确定模块，用于确定出该变化场景的类型，包括：对于该变化场景，计算前后两帧各自的网格点对大小比较的算术逻辑值，确定出该变化场景的类型。

9.根据权利要求6至8任一项所述的装置，其特征在于，所述装置还包括第一调整模块，用于通过对运动目标进行跟踪，根据反馈的不稳定前景团块数目调整混合高斯模型的背景建模参数。

10.根据权利要求6至8任一项所述的装置，其特征在于，所述装置还包括第二调整模块，用于基于混合高斯模型的背景建模算法，通过记录混合高斯模型与像素连续匹配和连续不匹配的次数，阶梯调整混合高斯模型的背景建模参数。

Images