CN106097366B - 一种基于改进的Codebook前景检测的图像处理方法 - Google Patents

Abstract

本发明公开了一种基于改进的Codebook前景检测的图像处理方法，其特征在于，包括步骤如下：将RGB颜色空间转换为YCbCr颜色空间；改进Codebook前景检测算法；应用改进的Codebook算法进行前景检测。采用本发明的方法能够很好地进行前景检测，区分前景与背景的同时，降低了光照变化对检测的影响，降低了内存的消耗，提高了性能。

Description

一种基于改进的Codebook前景检测的图像处理方法

技术领域

本发明属于图像处理技术领域，具体指代一种基于改进的Codebook前景检测的图像处理方法。

背景技术

随着科学技术的快速发展，智能视频监控技术在各个领域得到越来越广泛的应用。该技术涉及有运动检测、目标分类和识别、目标跟踪以及行为理解与描述等方面。其中，目标检测是目标分类和识别等后续处理的前提，其结果的好坏将直接影响监控系统的有效性，是智能监控系统的重要组成部分。

当前，目标检测的方法很多，大多采用相邻帧差法、光流法、背景减法以及混合方法，如将“自适应减法”与“相邻帧差法”相结合等。这些方法在一定程度上都能检测到运动目标，将前景与背景进行分离。但是，在目标检测的过程中，由于环境光照的变化，运动物体的阴影，运动速度，图像噪声等因素影响，会对前景和背景的检测识别造成干扰。有关前景检测问题，国内外学者进行了大量的研究，以下各举一例予以说明。

2008年，杨涛，李静等人提出了一种基于多层背景模型的前景检测算法。将背景分为参考背景和动态背景两层，分别采用单高斯和混合高斯模型进行背景建模。在线检测时采用动态背景提取变化前景，用动态背景与参考背景之间高斯分布的差异提取静止前景，同时，通过逐层分析、比较输入像素与两层背景模型分布的相互关系，快速消除“鬼影”，降低虚警。该多层背景模型具有良好的检测性能与实时性。但是在建模过程中，会消耗大量内存，且时间复杂度较高，是需要改进和完善的地方。[杨涛李静等.一种基于多层背景模型的前景检测算法[J].中国图象图形学报,2008,13(7):1303-1308.]

同年，Ko T,Soatto S等建立了一种背景模型分离算法。该算法分析图像随时间变化的强度和图象颜色分布情况。图像分布的标志对于检测背景的运动并不敏感。与此同时，在前景检测目标过程中，该方法比单独的像素统计方法具有更高的鲁棒性。该方法还支持背景的缓慢更新，这在视频监控应用程序中至关重要。此外，该方法可以并行运行，使得该方法可以很好地嵌入到处理程序中运行，且该方法的实施并不依赖于较高的采用率，而是在光流与动态纹理识别的基础上自行调节采样频率；但该方法不能很好的处理光线变化对检测结果的影响，需要进一步改进。[Ko T,Soatto S,Estrin D.Background subtractionon distributions.In:Proceedings of European conference on computer vision,Marseille,France,2008.p.276–89.]

Codebook是目前普遍采用的前景检测算法，它能够根据每个像素的时间序列模型，较准确的进行前景检测，但是其内存消耗相当大。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种基于改进的Codebook前景检测的图像处理方法，以解决现有技术中在前景检测时，存在干扰因素的问题，采用本发明的方法能够很好地进行前景检测，区分前景与背景的同时，降低了光照变化对检测的影响，降低了内存的消耗，提高了性能。

为达到上述目的，本发明的一种基于改进的Codebook前景检测的图像处理方法，包括步骤如下：

1)将RGB颜色空间转换为YCbCr颜色空间；

2)改进Codebook前景检测算法；

3)应用改进的Codebook算法进行前景检测。

优选地，上述步骤1)中YCbCr颜色空间与RGB颜色空间存在一种线性变换关系转换关系公式为：

即：

其中，Y为亮度，Cb为蓝色色度分量，Cr为红色色度分量，亮度分量Y与色度分量Cb、Cr相互独立。

优选地，上述的对图像进行分段线性色彩变换具体包括：YCbCr是由RGB线性变化得到的，其亮度分量并不完全独立于色度信息存在，颜色聚类区域随着Y的不同而呈分段线性变化的趋势，在进行前景检测之前，需要对图像进行分段线性色彩变换，如公式(3)：

其中，i＝b或r；C_i(Y)为变换后的色彩分类；和是聚类区域的中轴线；和为聚类区域宽度；为常量，K_i和K_h为常数，是非线性分段变换的分段阈值，K_i＝125，K_h＝188；

经过分段色彩变换后，将其投影到二维子空间，得到颜色聚类模型，对于色度分量Cb和Cr，得到像素值的色差值向量γ＝(Cb,Cr)，在二维的Cb-Cr子平面中判别前景的聚类情况；

设X为单个像素的训练序列，它包含N个RGB向量，X＝{x₁,x₂,...,x_N}，通过上述公式(1)，将RGB向量转换成YCbCr向量Y，Y＝{y₁,y₂,...,y_N}；C为此像素含有L个码字的Codebook，C＝{c₁,c₂,...c_L}，每个码字c_i(i＝1,2,...,L)包含一个YCbCr向量和一个六元组auy_i＝{Y_i ^min,Y_i ^max,f_i,λ_i,m_i,n_i}；其中，Y_i ^min为码字的像素亮度最小值、Y_i ^max为码字的像素亮度最大值、f_i为码字出现的频数、λ_i为码字的最大消极时间，即训练期间码字被访问到的最大周期、m_i为码字第一次被访问的时间、n_i为码字最后一次被访问的时间。

优选地，上述的马氏距离计算色度分量的色差值具体包括：在Codebook的训练过程中，设YCbCr颜色空间中输入像素点由于马氏距离不受量纲的影响，两点之间的马氏距离与输入原始数据的测量单位无关，在总体样本的基础上，由协方差矩阵的逆矩阵及样本均值来决定，马氏距离排除了变量之间相关性的干扰；因此，采用马氏距离方法表示色度分量Cb和Cr间的色差值；计算公式如(4)：

d(y_t)＝(γ_t-μ)^T·Σ^-1(γ_t-μ) (4)

其中，为样本均值向量，为样本的协方差矩阵；γ_t为当前输入像素点的色度差向量，γ_i为某一码字c_i的色度差向量，N为向量个数；

在时刻t采样所得的码字为y_t与当前码字元素作比较，确定哪个码字元素c_m与之相匹配，输入像素点其色度差向量为γ_t＝(Cb_t,Cr_t)和一个码字c_i，并且其色度差向量为γ_i＝(Cb_i,Cr_i)，采用颜色失真度与亮度作为选择标准；下面给出定义，根据马氏距离有如下等式成立：

D(y_t)表示输入像素点色度差向量与样本均值向量间的马氏距离；

D(v_i)表示某一码字色度差向量与样本均值向量间的马氏距离；

D(y_t,v_i)表示两个色度差向量之间的马氏距离；

则，颜色失真度δ可由下式计算得到：

其中，θ表示为输入向量在YCbCr颜色空间投影的夹角，q为向量投影长度；

亮度边界则定义为：

其中，Y为像素亮度，分别为亮度最小值与最大值，[Y_low,Y_high]为该像素马氏距离的稳定区间。

优选地，上述的随机抛弃值方法筛选码字具体包括：假设当前训练图像I中某一像素为I(x,y)，同时记前景阈值的增长判定阈值为Bounds；

步骤a:遍历每个CW，判断是否满足ILow≤I(x,y)≤IHigh，若不满足，则进入步骤b，若满足则进入步骤c；

步骤b:创建新码字CWnew加入CB，赋I(x,y)值，判断是否满足：

ILow＜-I(x,y)-Bounds

若不满足则进入步骤c，若满足则进入步骤e；

步骤c：更新该码字的t_last；

步骤d：更新码字的学习上下界；

步骤e：更新CB中每个CW的stale，当t＝t+1则重复步骤a；

其中，CW为码字，CW＝{IHigh,ILow,max,min,t_last,stale}；CWnew为新的码字；I(x,y)为像素值；CB为一个Codebook结构，CB＝{CW1,CW2,...CWn,t}；n为一个CB中所包含的CW的数目，当n较小时，退化为简单背景，当n较大时可以对复杂背景进行建模；t为CB更新的次数；IHigh为更新时的学习上界；ILow为更新时的学习下界；max为记录当前像素的最大值；min为记录当前像素的最小值；t_last为上次更新的时间；stale为陈旧时间，用来删除很少使用的CW。

优选地，上述步骤3)具体包括：通过步骤1)和2)，构建当前图像所有像素背景的CB模型进行运动目标检测，记判断前景的范围上下界为minMod和maxMod，对于当前待检测图像上的某一像素I(x,y)，遍历它对应像素背景模型CB中的每一个码字CW，若存在一个CW，使得：

I(x,y)＜max+maxMod，

并且，I(x,y)＞min-minMod，

则I(x,y)被判断为背景，否则被判断为前景；

在对CB更新的同时，需要对CB进行时间滤波，除掉被访问次数较少的CW；采用的方法是随机抛弃值法，记录每一个CW第一次被访问的时间m_i和最后一次被访问的时间n_i，计算得出其被访问的时间段t_i＝n_i-m_i，并计算其平均值；同时设定该时间段的最小阈值MINth和最大阈值MAXth；更新时，计算被访问时间段的平均值avg_t和抛弃概率p；采用指数加权平均方法，计算公式如(11)、(12)所示：

avg_t＝(1-w)*avg_t+w*t (11)

其中，t为该码字被访问的时间长度，avg_t为所有码字被访问时间长度的平均值，w为计算式设定的权重值，p_max是最大抛弃概率；

若avg_t＜MINth，保留；若MINth＜avg_t＜MAXth，则计算概率p，并以此概率随机抛弃；若avg_t＞MAXth，则全部抛弃。

本发明的有益效果：

1、将GRB颜色空间转换为YCbCr颜色空间，使色度更加收敛，并且减少光线变化对颜色的影响，具有良好的准确性与鲁棒性。

2、采用马氏距离的方法表示色度分量Cb和Cr间的色度差，以排除变量之间相关性的干扰；同时，定义颜色失真度与亮度作为寻找输入像素点中匹配码字的选择标准，对采样所得码字进行匹配，从而对像素的码字进行更新。

3、采用随机抛弃值的方法对码字进行筛选，以增强算法的自适应性，进而达到降低内存消耗，提高算法运行效率的目的。

附图说明

图1为本发明的方法步骤流程图。

图2为像素的CB的更新算法流程图。

图3a为黑白图像45帧示意图。

图3b为图3a检测图。

图3c为黑白图像65帧示意图。

图3d为图3c检测图。

图4a为红外图像45帧示意图。

图4b为图4a的检测图。

图4c为红外图像50帧示意图。

图4d为图4c的检测图。

图4e为红外图像55帧示意图。

图4f为图4e的检测图。

图4g为红外图像60帧示意图。

图4h为图4g的检测图。

具体实施方式

为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。

参照图1所示，本发明的一种基于改进的Codebook前景检测的图像处理方法，包括步骤如下：

步骤1：将RGB颜色空间转换为YCbCr颜色空间；

在RGB颜色空间中，R、G、B三个分量之间的相关性很高，这就会导致，对于同一颜色属性，在不同光照条件下，R、G、B的值会很分散，会导致在识别某种特定颜色的过程中，很难确定其阈值和其在颜色空间中的分布范围。所以为了避免此现象的发生，需要对RGB进行转换。

YCbCr颜色空间由亮度Y，蓝色色度分量Cb和红色色度分量Cr组成，主要用于优化彩色视频信号的传输，亮度分量Y与色度分量Cb、Cr相互独立，并且YCbCr颜色空间与RGB颜色空间存在一种线性变换关系，其转换关系如公式(1)、(2)所示，由于在不同色度下，YCbCr空间内亮度范围的变化量很大，而色度范围的变化量很小，这样会有利于光照变化图像的处理，因此选择YCbCr颜色空间；

即：

其中，Y为亮度，Cb为蓝色色度分量，Cr为红色色度分量，亮度分量Y与色度分量Cb、Cr相互独立。

步骤2：改进Codebook前景检测算法

(1)Codebook算法的思想是分别对每个像素或一组像素确定一个时间序列模型，根据每个像素的时间序列模型确定当前背景对应像素位置的值，能够很好地处理时间起伏，从而可以适应在准周期运动的变化场景的背景。在构建背景时观察每个像素的值在一定时间内的情况，得到时间——像素值曲线，将之量化成码，是基于一段视频序列背景模型的压缩形式。

Codebook算法的原理是为当前图像的每一个像素建立一个Codebook(CB)结构，而每个Codebook结构又由多个CodeWord(CW)组成。CB和CW的形式如下：

CB＝{CW1，CW2，...CWn,t}

CW＝{IHigh,ILow,max,min,t_last,stale}

n：一个CB中所包含的CW的数目，当n较小时，退化为简单背景，当n较大时可以对复杂背景进行建模；

t：CB更新的次数；

IHigh：更新时的学习上界；

ILow：更新时的学习下界；

max：记录当前像素的最大值；

min：记录当前像素的最小值；

t_last：上次更新的时间；

stale：陈旧时间(记录该CW多久未被访问)，用来删除很少使用的CodeWord。

(2)设计码字更新算法，对码字进行更新

A、对图像进行分段线性色彩变换

由于YCbCr是由RGB线性变化得到的，其亮度分量并不完全独立于色度信息存在，颜色聚类区域随着Y的不同而呈分段线性变化的趋势。所以在进行前景检测之前，需要对图像进行分段线性色彩变换，如公式(3)所示：

其中，i＝b或r；C_i(Y)为变换后的色彩分类；和是聚类区域的中轴线；和为聚类区域宽度；为常量，K_i和K_h为常数，是非线性分段变换的分段阈值，K_i＝125，K_h＝188；

经过分段色彩变换后，将其投影到二维子空间，得到颜色聚类模型，对于色度分量Cb和Cr，得到像素值的色差值向量γ＝(Cb,Cr)，在二维的Cb-Cr子平面中判别前景的聚类情况。

设X为单个像素的训练序列，它包含N个RGB向量，X＝{x₁,x₂,...,x_N}，通过公式(1)，将RGB向量转换成YCbCr向量Y，Y＝{y₁,y₂,...,y_N}；C为此像素含有L个码字的Codebook，C＝{c₁,c₂,...c_L}。每个码字c_i(i＝1,2,...,L)包含一个YCbCr向量和一个六元组auy_i＝{Y_i ^min,Y_i ^max,f_i,λ_i,m_i,n_i}。

Y_i ^min：码字的像素亮度最小值；

Y_i ^max：码字的像素亮度最大值；

f_i：码字出现的频数；

λ_i：码字的最大消极时间，即训练期间码字被访问到的最大周期；

m_i：码字第一次被访问的时间；

n_i：码字最后一次被访问的时间。

B、马氏距离计算色度分量的色差值

在Codebook的训练过程中，设YCbCr颜色空间中输入像素点由于马氏距离不受量纲的影响，两点之间的马氏距离与输入原始数据的测量单位无关，在总体样本的基础上，由协方差矩阵的逆矩阵及样本均值来决定，关键是马氏距离排除了变量之间相关性的干扰。因此，采用马氏距离方法表示色度分量Cb和Cr间的色差值，计算公式如(4)所示：

d(y_t)＝(γ_t-μ)^T·Σ^-1(γ_t-μ) (4)

其中，为样本均值向量，为样本的协方差矩阵；γ_t为当前输入像素点的色度差向量，γ_i为某一码字c_i的色度差向量，N为向量个数。

在时刻t采样所得的码字为y_t与当前码字元素作比较，确定哪个码字元素c_m与之相匹配。输入像素点其色度差向量为γ_t＝(Cb_t,Cr_t)和一个码字c_i，并且其色度差向量为γ_i＝(Cb_i,Cr_i)；采用颜色失真度与亮度作为选择标准；下面给出定义：

根据马氏距离有如下等式成立：

D(y_t)表示输入像素点色度差向量与样本均值向量间的马氏距离；

D(v_i)表示某一码字色度差向量与样本均值向量间的马氏距离；

D(y_t,v_i)表示两个色度差向量之间的马氏距离；

则，颜色失真度δ可由下式计算得到：

其中，θ表示为输入向量在YCbCr颜色空间投影的夹角，q为向量投影长度；

亮度边界则定义为：

其中，Y为像素亮度，分别为亮度最小值与最大值，[Y_low,Y_high]为该像素马氏距离的稳定区间。

C、随机抛弃值方法筛选码字

参照图2，假设当前训练图像I中某一像素为I(x,y)，同时记前景阈值的增长判定阈值为Bounds；

步骤a:遍历每个CW，判断是否满足ILow≤I(x,y)≤IHigh，若不满足，则进入步骤b，若满足则进入步骤c；

步骤b:创建新码字CWnew加入CB，赋I(x,y)值，判断是否满足：

ILow＜-I(x,y)-Bounds

若不满足则进入步骤c，若满足则进入步骤e；

步骤c：更新该码字的t_last；

步骤d：更新码字的学习上下界；

步骤e：更新CB中每个CW的stale，当t＝t+1则重复步骤a；

其中，CW为码字，CW＝{IHigh,ILow,max,min,t_last,stale}；CWnew为新的码字；I(x,y)为像素值；CB为一个Codebook结构，CB＝{CW1,CW2,...CWn,t}；n为一个CB中所包含的CW的数目，当n较小时，退化为简单背景，当n较大时可以对复杂背景进行建模；t为CB更新的次数；IHigh为更新时的学习上界；ILow为更新时的学习下界；max为记录当前像素的最大值；min为记录当前像素的最小值；t_last为上次更新的时间；stale为陈旧时间，用来删除很少使用的CW。

步骤3：应用改进的Codebook算法前景检测方法

使用已建立好的CB进行运动目标检测，记判断前景的范围上下界为minMod和maxMod，对于当前待检测图像上的某一像素I(x,y)，遍历它对应像素背景模型CB中的每一个码字CW，若存在一个CW，使得：

I(x,y)＜max+maxMod，

并且，I(x,y)＞min-minMod，

则I(x,y)被判断为背景，否则被判断为前景。

在对CB更新的同时，需要对CB进行时间滤波，其目的是除掉被访问次数较少的CW。采用的方法是随机抛弃值法，记录每一个CW第一次被访问的时间m_i和最后一次被访问的时间n_i，计算得出其被访问的时间段t_i＝n_i-m_i，并计算其平均值；同时设定该时间段的最小阈值MINth和最大阈值MAXth。更新时，计算被访问时间段的平均值avg_t和抛弃概率p；采用指数加权平均方法，计算公式如(11)、(12)所示：

avg_t＝(1-w)*avg_t+w*t (11)

其中，t为该码字被访问的时间长度，avg_t为所有码字被访问时间长度的平均值，w为计算式设定的权重值，p_max是最大抛弃概率。

若avg_t＜MINth，保留；若MINth＜avg_t＜MAXth，则计算概率p，并以此概率随机抛弃；若avg_t＞MAXth，则全部抛弃。采用这种方法，可以增强算法的自适应性。同时，降低内存消耗，提高计算效率；因此，该方法具有更高的准确性和鲁棒性。

Codebook算法的主要步骤：

I.令L←0¹,(空集)；

II.for t＝1to N do

i.

ii.在集合C＝{c_i|1≤i≤L}中寻找与y_t相匹配的码字c_m，匹配条件如下：

(1)颜色失真度colordist(y_t,ν_m)≤ε₁, (13)

(2)

iii.如果或者没有找到匹配的码字，则L←L+1,创建一个新的码字c_L:

ν_L←(Y,Cb,Cr)，auy_L←<I,I,1,t-1,t,t>

iv.否则，更新匹配的码字c_m，包括：

将它们更新为：

end for

III.对于每一个码字c_i(i＝1,2,...,L)，调整λ_i，使λ_i←max{λ_i,(N-n_i+m_i-1)}。

举例说明：

分别以黑白图像与红外图形为例，应用改进的Codebook算法对其进行前景检测，观察并分析检测效果，以验证该方法的有效性与可行性。

(1)黑白图像

在实验室中拍摄一段测试视频，视频分辨率为640*480，包括动态的手指运动。通过对该视频进行测试，截取视频中的两帧进行前景检测。如图3a-图3d所示。

(2)红外图像

从视频监控中截取4帧，显示一个行走的人。对该图像进行前景检测，观察并分析检测结果。如图4a-图4h所示。

(3)结果分析

首先，将检测结果与背景差分算法、混合高斯模型算法的检测结果进行对比。背景差分法算法简单易于实现，能够比较快速但对光照、天气变化以及突发事件等外部动态场景变化极其敏感，不能很好的适应变化场景；混合高斯模型算法可以解决像素多峰分布的问题，同时克服了光照变化等造成的影响。但每个高斯模型对应着场景的一个状态，固定高斯分布的个数会产生多余的高斯分布，造成系统资源的大量浪费。此外，该算法更新速度过慢，不能实时的反应实际背景的变化，当静止的物体缓慢运动时会不断移出背景，检测结果就会出现“鬼影”或者拖影。本发明的方法可以使得运动目标的提取不受背景、光线变化、阴影、运动速度等因素的影响，更好地实现目标检测，此外，本发明的算法更新速度快，具有较高的运行效率。

其次，比较算法的运行效率。通过“平均每帧耗时”体现算法的运行时间，各算法的运行时间如表1所示。

表1平均每帧耗时

通过观察表1可以得出，本发明的算法平均每帧耗时最小，算法的运行效率高，其次是背景差分法，运行效率最差的是混合高斯法，很大程度上取决于该模型中高斯分布的个数。

本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (2)

1.一种基于改进的Codebook前景检测的图像处理方法，其特征在于，包括步骤如下：

1)将RGB颜色空间转换为YCbCr颜色空间；

2)改进Codebook前景检测算法；

3)应用改进的Codebook算法进行前景检测；

上述步骤1)中YCbCr颜色空间与RGB颜色空间存在一种线性变换关系转换关系公式为：

即：

其中，Y为亮度，Cb为蓝色色度分量，Cr为红色色度分量，亮度分量Y与色度分量Cb、Cr相互独立；

上述步骤2)具体包括：对图像进行分段线性色彩变换；马氏距离计算色度分量的色差值；随机抛弃值方法筛选码字；

对图像进行分段线性色彩变换具体包括：YCbCr是由RGB线性变化得到的，其亮度分量并不完全独立于色度信息存在，颜色聚类区域随着Y的不同而呈分段线性变化的趋势，在进行前景检测之前，需要对图像进行分段线性色彩变换，如公式(3)：

其中，i＝b或r；C_i(Y)为变换后的色彩分类；和是聚类区域的中轴线；和为聚类区域宽度；为常量，K_i和K_h为常数，是非线性分段变换的分段阈值，K_i＝125，K_h＝188；

经过分段色彩变换后，将其投影到二维子空间，得到颜色聚类模型，对于色度分量Cb和Cr，得到像素值的色差值向量γ＝(Cb,Cr)，在二维的Cb-Cr子平面中判别前景的聚类情况；

设X为单个像素的训练序列，它包含N个RGB向量，X＝{x₁,x₂,...,x_N}，通过上述公式(1)，将RGB向量转换成YCbCr向量Y，Y＝{y₁,y₂,...,y_N}；C为此像素含有L个码字的Codebook，C＝{c₁,c₂,...c_L}，每个码字c_i，i＝1,2,...,L，包含一个YCbCr向量和一个六元组auy_i＝{Y_i ^min,Y_i ^max,f_i,λ_i,m_i,n_i}；其中，Y_i ^min为码字的像素亮度最小值、Y_i ^max为码字的像素亮度最大值、f_i为码字出现的频数、λ_i为码字的最大消极时间，即训练期间码字被访问到的最大周期、m_i为码字第一次被访问的时间、n_i为码字最后一次被访问的时间；

马氏距离计算色度分量的色差值具体包括：在Codebook的训练过程中，设YCbCr颜色空间中输入像素点由于马氏距离不受量纲的影响，两点之间的马氏距离与输入原始数据的测量单位无关，在总体样本的基础上，由协方差矩阵的逆矩阵及样本均值来决定，马氏距离排除了变量之间相关性的干扰；因此，采用马氏距离方法表示色度分量Cb和Cr间的色差值；计算公式如(4)：

d(y_t)＝(γ_t-μ)^T·Σ^-1(γ_t-μ) (4)

其中，为样本均值向量，为样本的协方差矩阵，γ_t为当前输入像素点的色度差向量，γ_i为某一码字c_i的色度差向量，N为向量个数；

在时刻t采样所得的码字为y_t与当前码字元素作比较，确定哪个码字元素c_m与之相匹配，输入像素点其色度差向量为γ_t＝(Cb_t,Cr_t)和一个码字c_i，并且其色度差向量为γ_i＝(Cb_i,Cr_i)，采用颜色失真度与亮度作为选择标准；下面给出定义，根据马氏距离有如下等式成立：

D(y_t)表示输入像素点色度差向量与样本均值向量间的马氏距离；

D(v_i)表示某一码字色度差向量与样本均值向量间的马氏距离；

D(y_t,v_i)表示两个色度差向量之间的马氏距离；

则，颜色失真度δ可由下式计算得到：

其中，θ表示为输入向量在YCbCr颜色空间投影的夹角，q为向量投影长度；

亮度边界则定义为：

其中，Y为像素亮度，分别为亮度最小值与最大值，[Y_low,Y_high]为该像素马氏距离的稳定区间；

随机抛弃值方法筛选码字具体包括：假设当前训练图像I中某一像素为I(x,y)，同时记前景阈值的增长判定阈值为Bounds；

步骤a:遍历每个CW，判断是否满足ILow≤I(x,y)≤IHigh，若不满足，则进入步骤b，若满足则进入步骤c；

步骤b:创建新码字CWnew加入CB，赋I(x,y)值，判断是否满足：

ILow＜-I(x,y)-Bounds

若不满足则进入步骤c，若满足则进入步骤e；

步骤c：更新该码字的t_last；

步骤d：更新码字的学习上下界；

步骤e：更新CB中每个CW的stale，当t＝t+1则重复步骤a；

其中，CW为码字，CW＝{IHigh,ILow,max,min,t_last,stale}；CWnew为新的码字；I(x,y)为像素值；CB为一个Codebook结构，CB＝{CW1,CW2,...CWn,t}；n为一个CB中所包含的CW的数目，当n较小时，退化为简单背景，当n较大时可以对复杂背景进行建模；t为CB更新的次数；IHigh为更新时的学习上界；ILow为更新时的学习下界；max为记录当前像素的最大值；min为记录当前像素的最小值；t_last为上次更新的时间；stale为陈旧时间，用来删除很少使用的CW。

2.根据权利要求1所述的基于改进的Codebook前景检测的图像处理方法，其特征在于，上述步骤3)具体包括：通过步骤1)和2)，构建当前图像所有像素背景的CB模型进行运动目标检测，记判断前景的范围上下界为minMod和maxMod，对于当前待检测图像上的某一像素I(x,y)，遍历它对应像素背景模型CB中的每一个码字CW，若存在一个CW，使得：

I(x,y)＜max+maxMod，

并且，I(x,y)＞min-minMod，

则I(x,y)被判断为背景，否则被判断为前景；

在对CB更新的同时，需要对CB进行时间滤波，除掉被访问次数较少的CW；采用的方法是随机抛弃值法，记录每一个CW第一次被访问的时间m_i和最后一次被访问的时间n_i，计算得出其被访问的时间段t_i＝n_i-m_i，并计算其平均值；同时设定该时间段的最小阈值MINth和最大阈值MAXth；更新时，计算被访问时间段的平均值avg_t和抛弃概率p；采用指数加权平均方法，计算公式如(11)、(12)所示：

avg_t＝(1-w)*avg_t+w*t (11)

其中，t为该码字被访问的时间长度，avg_t为所有码字被访问时间长度的平均值，w为计算式设定的权重值，p_max是最大抛弃概率；

若avg_t＜MINth，保留；若MINth＜avg_t＜MAXth，则计算概率p，并以此概率随机抛弃；若avg_t＞MAXth，则全部抛弃。