CN106846356A - 一种贝叶斯‑全概率联合估计模型的运动目标前景检测方法 - Google Patents

Abstract

本发明公开了一种贝叶斯‐全概率估计模型的运动目标前景检测方法。针对传统前景检测算法在视频背景变得复杂时不能准确分割出前景目标之不足，本发明结合贝叶斯与全概率估算公式，提出贝叶斯‐全概率联合估计模型，贝叶斯模型是一种不确定性知识的推理和描述，它采用“逆概率”思想，推算出特征向量属于背景或前景的概率。全概率则是计算在某一像素点，出现某一特征的概率。通过选择适当的特征向量，在BTP‐JE模型下，将背景像素分为静止与运动两种不同的类型，进而准确提取前景像素点。

Description

一种贝叶斯-全概率联合估计模型的运动目标前景检测方法

技术领域

本发明涉及运动目标前景检测方法，特别是涉及贝叶斯-全概率联合估计模型的运动目标前景检测方法，属于图像信息处理技术领域。

背景技术

在视频处理中，背景一般由静止和周期性运动的对象组成。但是，随着时间的变化，背景可能经历两种不同类型的变化，其中之一是由自然光线引起的变化，例如，从白天到黑夜照明的变化；另外，则是一些突发的环境变化。突发变化又分为全局突发变化和局部突发变化，全局突发变化可能由开关灯，天气突然转阴，照相机的视角发生变化等引起的；局部突变化则可能是因为移除或者新增了某些背景物体，例如，把一张椅子移动到不同的位置，除此之外，前景物体可能转化为背景物体，例如汽车驶入停车场并停靠。因此，背景的不同部分应该由不同类型的特征描述。

传统的前景检测算法能够较好地检测出简单视频场景的运动目标，然而当视频背景变得复杂时并不能准确的分割出前景目标。因此，为了建立一个能够适应大部分场景的前景检测模型，本发明提出BTP‐JE模型(即贝叶斯‐全概率联合估计模型)。贝叶斯模型是一种不确定性知识的推理和描述，在图像分割中发挥着重要的作用。贝叶斯采用“逆概率”思想，推算出特征向量属于背景或前景的概率，而全概率则是计算在某一像素点，出现某一特征的概率。通过对贝叶斯准则和全概率公式的结合，能够很好地检测处于复杂背景中的运动物体。

发明内容

本发明目的是通过改进传统方法，满足复杂背景情况下运动目标前景检测的准确性，提供一种贝叶斯‐全概率估计模型的运动目标前景检测方法。

为实现上述目的，本发明采用如下技术方案：

一种贝叶斯‐全概率运动目标前景检测方法，包括如下步骤：

(1)背景、前景信息特征选取

对于运动目标的背景对象，利用贝叶斯估计法则，特征向量ξ_t来自背景b和前景f的后验概率满足：

如果特征向量满足：

则把这个像素归为背景，其中ψ为像素点；

当背景中出现大量的前景物体时，背景将长时间被前景物体覆盖，导致(2‐2)式中的两个条件并不能得到满足，为在拥堵背景环境下更好地分离前景和背景，引入背景误差控制变量，将式(2‐2)变为：

P(ξ_t|b,ψ)＞P(ξ_t|f,ψ)-ε₁，P(b|ψ)＞P(f|ψ)-ε₂ (2‐3)

其中ε_i,i＝1,2，称为背景误差控制变量；

把式(2‐1)与全概率公式代入式(2‐3)得到如下BTP‐JE模型：

2P(ξ_t|b,ψ)·P(b|ψ)＞P(ξ_t|ψ)+P(ξ_t|b,ψ)ε₁-(1-P(b|ψ))ε₂ (2‐4)

对于L位n维的特征向量，P(ξ_t|ψ)或P(ξ_t|b,ψ)的联合直方图包含Lⁿ个bins；

令i＝1,2,...,N为特征直方图中的前N个bins并按降序排列，对于给定的比例值M₁，M₂＝1-M₁，存在比较小的正整数N₁，满足：

自然地，N值依赖于所选取的特征向量和位数L，对于每一种特征向量，用表示特征统计表，其中i＝1,2,...N₂(N₂＞N₁)，记录了在像素ψ(x,y)，时刻t处N₂个最重要的值，表中的每一个元素由三个部分组成：

当一个像素与稳定的背景相关时，选取颜色作为特征向量，采用HSV颜色空间对图像进行处理，ξ_t用ω_t＝[h_t,s_t,v_t]^T代替；当像素与运动背景相关时，颜色共生特性被选为特征向量，ξ_t用ωω_t＝[h_t-1,s_t-1,v_t-1,h_t,s_t,v_t]^T代替；

(2)背景和前景像素点的分类

时间差分将变化的像素分为两种类型，如果F_td(ψ,t)＝1，这个像素被认为是运动的像素，且属于运动的物体，否则它是一个与静止物体有关的像素；进一步单独划分为背景或前景；对于静止的像素或运动的像素，将特征向量ξ_t与前N₁个从对应背景的特征统计表格中获取的特征向量做比较，重新获取相似特征；令得到条件概率公式(1‐7)：

中匹配特征集合定义为：

其中δ为控制变量；

(3)前景物体的提取

利用形态学运算去除离散的点，输出图像O(ψ,t)，提取前景物体；用特征向量ξ_t将像素分类前景或背景，对应特征统计用式(1‐9)更新：

其中i＝1,2,...N₂，α₂称之为学习速率，用来控制特征学习的速度；当在t时刻，从最后分离反馈为ψ(x,y)为背景，则否则当式(1‐7)中的ξ_t ⁱ和ξ_t相匹配时，否则如果没有中的元素和ξ_t匹配时，则表中的第N₂个元素变为：

当背景突然变化时，新的背景特征出现，且在变化后立即占据主导地位；由式(1‐3)和(1‐5)得，当满足条件(1‐11)时，在ψ(x,y)处检测到新的背景特征；

其中T是一个比率值，决定什么时候新的特征被认为是背景；由式(1‐1)和式(1‐6)，式(1‐11)将演变成

当背景突然变化时，新的背景特征随即出现，则特征统计用以下式子进行更新：

(4)学习速率α₂的选取

收敛于1；同时，学习速率参数α₂满足关系其中n为测试视频的帧数，T为测试视频时间；

(5)更新参考背景图像

如果ψ为无关紧要变化的像素点，则B_ω(ψ,t+1)＝(1-α₁)B_ω(ψ,t)+α₁I_ω(ψ,t)被用来对背景进行更新，其中ω∈(h,s,v)，α₁为无限脉冲反应滤波参数；如果O(ψ,t)＝0，F_td(ψ,t)＝1或者F_bd(ψ,t)＝1，B_ω(ψ,t+1)＝I_ω(ψ,t),ω∈(h,s,v)则被用来对参考背景进行更新，这样参考图像就能够适应背景的突 然变化。

优选地，所述bins为频数分布直方图中的小矩形。

优选地，形态学运算为开运算或者闭运算。

优选地，T＝90％。

优选地，δ∈[1.5,2.5]。

相对于现有技术，本发明具有如下优点：针对传统前景检测算法在视频背景变得复杂时不能准确分割出前景目标之不足，本发明结合贝叶斯与全概率估算公式，提出贝叶斯‐全概率联合估计模型，贝叶斯模型是一种不确定性知识的推理和描述，它采用“逆概率”思想，推算出特征向量属于背景或前景的概率。全概率则是计算在某一像素点，出现某一特征的概率。通过选择适当的特征向量，在BTP‐JE模型下，将背景像素分为静止与运动两种不同的类型，进而准确提取前景像素点。

附图说明

图1为贝叶斯‐全概率运动目标前景检测方法的流程图。

图2为实施例2伪装目标的检测情况图。

图3为新增目标检测情况图。

图4为异常信号检测情况图。

具体实施方式

下面结合实施例对本发明作进一步说明，但本发明要求保护的范围并不局限于实施例表示的范围。

本发明在现有贝叶斯及全概率估算公式基础上，将两模型相结合，引入背景误差控制变量，当前景物体运动缓慢或者视频场景中的前景物体较多时，通过选择恰当的ε_i，可以获得更多的前景点，减少前景点被误判的概率。如图1所示，本发明步骤如下：

1背景和前景特征信息的获取

对于某一种特定类型的背景对象，存在一些非常重要的特征，这些特征能够有效地分离背景和前景，利用贝叶斯估计法则，特征向量ξ_t来自背景b和前景f的后验概率满足：

如果特征向量满足：

则把这个像素归为背景，其中ψ为像素点。然而当背景中出现大量的前景物体时，背景将长时间被前景物体覆盖，导致式(1‐2)中的两个条件并不能得到满足，为了能够在拥堵背景环境下更好地分离前景和背景，本文引入了背景误差控制变量，即将式(1‐2)变为：

P(ξ_t|b,ψ)＞P(ξ_t|f,ψ)-ε₁，P(b|ψ)＞P(f|ψ)-ε₂ (1‐3)

其中ε_i,i＝1,2，称为背景误差控制变量。当前景物体运动缓慢或者视频场景中的前景物体较多时，通过选择恰当的ε_i，可以获得更多的前景点，减少前景点被误判的概率。把式(1‐1)及全概率公式代入式(1‐3)可以得到如下BTP‐JE模型：

2P(ξ_t|b,ψ)·P(b|ψ)＞P(ξ_t|ψ)+P(ξ_t|b,ψ)ε₁-(1-P(b|ψ))ε₂ (1‐4)

对于L位n维的特征向量，P(ξ_t|ψ)或P(ξ_t|b,ψ)的联合直方图包含Lⁿ个bins(bins为频数分布直方图中的小矩形)，如果L或n的值很大，对于相关的计算或存储的代价将是巨大的，例如当L＝32,n＝10时，Lⁿ＝32¹⁰≈10¹⁵。可见，一个好的近似显得十分必要。背景被认为是稳定的对象，如果有一个好的特征选择，就可以用直方图中小部分的bins涵盖大部分与背景有关的特征向量。

令i＝1,2,...,N为特征直方图中的前N个bins并按降序排列，对于给定的比例值M₁，M₂＝1-M₁，存在比较小的正整数N₁，满足：

自然地，N的值依赖于所选取的特征向量和位数L，对于每一种特征向量(来自前景或者背景)，用表示特征统计表，其中i＝1,2,...N₂(N₂＞N₁)，它记录了在像素ψ(x,y)，时刻t处N₂个最重要的值，表中的每一个元素由三个部分组成，即

当一个像素与稳定的背景相关时，选取颜色作为特征向量，本发明采用HSV颜色空间对图像进行处理，即ξ_t用ω_t＝[h_t,s_t,v_t]^T代替；当像素与运动背景相关时，颜色共生特性被选为特征向量，ξ_t用ωω_t＝[h_t-1,s_t-1,v_t-1,h_t,s_t,v_t]^T代替。

2BTP‐JE模型前景检测算法

BTP‐JE模型前景检测算法包含三部分：像素变化检测；背景和前景像素点的分类；前景物体的提取和参考背景的更新。算法结构如图1。

(1)像素变化检测

根据不同场景，选择适当的控制变量参数ε_i,i＝1,2，将视频图像转换为HSV图像空间。令I(ψ,t)＝{I_ω(ψ,t)}为输入图像,B(ψ,t)＝{B_ω(ψ,t)}为系统在时刻t保存的参考背景图像，其中， ω∈{h,s,v}表示颜色组成成分。将3个组成部分的结果相结合，产生背景差分F_bd(ψ,t)和时间差分F_td(ψ,t)。

(2)背景和前景像素点的分类

时间差分将变化的像素分为两种类型，如果F_td(ψ,t)＝1，这个像素被认为是运动的像素，且属于运动的物体，否则它是一个与静止物体有关的像素。它们进一步单独划分为背景或前景。对于静止的像素或运动的像素，特征向量的选择是前述中提出的方法。将这种特征向量ξ_t与前N₁个从对应背景的特征统计表格中获取的特征向量做比较，重新获取相似特征。令得到条件概率公式(1‐7)：

中匹配特征集合定义为：

其中δ为控制变量，这样相似的特征向量可以量化到邻域向量，统计仍然能够重新获得。经过大量视频的测试，当δ∈[1.5,2.5]时，匹配效果最好。

(3)前景物体的提取

利用形态学运算(开运算或者闭运算)去除离散的点，输出图像O(ψ,t)，提取前景物体。用特征向量ξ_t将像素分类前景或背景，对应特征统计用式(1‐9)更新：

其中i＝1,2,...N₂，α₂称之为学习速率，它用来控制特征学习的速度，α₂的选取将在后面做详细介绍。当在t时刻，从最后分离反馈为ψ(x,y)为背景，则否则当式(1‐7)中的ξ_t ⁱ和ξ_t相匹配时，否则如果没有中的元素和ξ_t匹配时，则表中的第N₂个元素变为：

当背景突然变化时，新的背景特征出现，且在变化后立即占据主导地位。由(1‐3)和(1‐5)得，当满足条件(1‐11)时，在ψ(x,y)处检测到新的背景特征。

其中T是一个比率值，它决定什么时候新的特征可以被认为是背景。当T值比较大时，系统是稳定的，但是其对突发性变化反应比较慢；当T比较小时，系统容易把频繁的前景误认为新背景。经过对大量不同复杂场景的测试，T＝90％效果比较好。由式(1‐1)和式(1‐6)，式(1‐11)将演变成

注意到：P(f|ψ)＝1-P(b|ψ)，对于任一种特征向量均成立，当背景突然变化时，新的背景特征随即出现，则特征统计用以下式子进行更新：

经过以上操作，占主导地位的特征就可以转化成新的背景特征。

(4)学习速率α₂的选取

可以证明：学习过程收敛且收敛于1，即收敛于1。

同时，学习速率参数α₂满足关系其中n为测试视频的帧数，T为测试视频时间。

(5)更新参考背景图像

如果ψ为无关紧要变化的像素点，则B_ω(ψ,t+1)＝(1-α₁)B_ω(ψ,t)+α₁I_ω(ψ,t)被用来对背景进行更新，其中ω∈(h,s,v)，α₁为无限脉冲反应滤波参数；如果O(ψ,t)＝0，F_td(ψ,t)＝1或者F_bd(ψ,t)＝1，B_ω(ψ,t+1)＝I_ω(ψ,t),ω∈(h,s,v)则被用来对参考背景进行更新，这样参考图像就能够适应背景的突然变化。

实施例1：实际场景对比

1、实验设计

实验演示了许多复杂的室内室外视频场景，包括摆动的树枝，下雪环境，拥挤的路面和光照条件的变化等。为了验证本专利算法在复杂背景环境的下对前景的检测是否更具有适应性，选择目前比较流行的两种算法与之对比：一是具有鲁棒性的背景相减法(RBS)；二是改进的混合高斯模型算法(MOG)。这两种模型对光照变化都具有一定的鲁棒性。为了进行合理的对比，采取同样的形态学开运算或者闭运算对小区域消除。

2、实验结果

对前景或背景检测效果进行评估的性能指标为:(1)The Actual Number ofForeground(AF)：当前帧实际前景点的数量；(2)The Actual Number of Background(AB)：当前帧实际背景点的数量；(3)The True Positive Outcome(TP)：已检测到并且为正常前景点的数量；(4)The True Negative Outcome(TN)：已检测到并且为正常背景点的数量；(5)The False Positive Errors(FP):背景点被误检为前景点的数量；(6)The FalseNegative Errors(FN):前景点被误检为背景点的数量；(7)False Positive Rate(FPR):FPR＝FP/(FP+TN):背景误判率；(8)False Negative Rate(FNR):FNR＝FN/(TP+FN):前景误判率；(9)False rate(FR):FR＝(FP+FN)/(AF+AB):总体误判率。

得到表1、表2的统计信息。

实施例2：银行ATM机场景

为了加强银行所属ATM机和自助银行的安全运营和管理，最大限度地节省资源、降低运行和人力管理成本，本着“安全、节约、稳定”的原则，ATM机使用智能视频监控分析。。

1、ATM人脸伪装检测

当取款人在蒙面或伪装状态下进行取款，一般是由于取款人有一些不法行为不希望被认出来，这时视频监控系统要识别出这种行为，然后向监控者报警，提醒监控者采取某些措施。

解决方案：通过监控平台的底层功能定位取款人的位置和取款人的脸部ATM机人脸摄像机采集的图像进行分析，当提款人出现面部遮挡等行为特征时，自动识别，并产生相应报警。如图3所示。

2、ATM机加装异常设备

当有人在取款机附近粘贴小广告，这主要是在ATM失效时，取款人求助时，可能不小心使用了小广告上的信息，进了受骗。

解决方案：通过监控平台的底层功能定位有新的对象进入视频监控范围，而且长时间没有离开，可以将这个作为一个异常行为，向监控者报警。如图4所示。

3、ATM机摄像机信号异常

不法分子通过遮盖或者破坏视频系统来逃避监控，然后进行违法行为。

解决方案：通过监控平台的底层功能判断当前场景是否剧烈变化，如果出现剧烈变化，那么说明情况异常，向监控者报警。

表1不同类型的前景像素点和背景像素点的数量统计表

表2在不同检测方法下，不同错误率的信息统计表

Claims (5)

1.一种贝叶斯‐全概率运动目标前景检测方法，其特征在于包括如下步骤：

(1)背景、前景信息特征选取

对于运动目标的背景对象，利用贝叶斯估计法则，特征向量ξ_t来自背景b和前景f的后验概率满足：

$\left\{\begin{array}{c}p\left(c\right|{\mathrm{\ξ}}_t)=\frac{p\left({\mathrm{\ξ}}_t\right|c,\mathrm{\ψ})p(c,\mathrm{\ψ})}{p({\mathrm{\ξ}}_t,\mathrm{\ψ})},c=borf\\ P\left({\mathrm{\ξ}}_t\right|\mathrm{\ψ})=P\left({\mathrm{\ξ}}_t\right|b,\mathrm{\ψ})\·P\left(b\right|\mathrm{\ψ})+P\left({\mathrm{\ξ}}_t\right|f,\mathrm{\ψ})\·P\left(f\right|\mathrm{\ψ})\end{array}\right.---(2-1)$

如果特征向量满足：

$\left\{\begin{array}{c}P\left({\mathrm{\ξ}}_t\right|b,\mathrm{\ψ})>P\left({\mathrm{\ξ}}_t\right|f,\mathrm{\ψ})\\ P\left(b\right|\mathrm{\ψ})>P\left(f\right|\mathrm{\ψ})\end{array}\right.---(2-2)$

则把这个像素归为背景，其中ψ为像素点；

当背景中出现大量的前景物体时，背景将长时间被前景物体覆盖，导致(2‐2)式中的两个条件并不能得到满足，为在拥堵背景环境下更好地分离前景和背景，引入背景误差控制变量，将式(2‐2)变为：

P(ξ_t|b,ψ)＞P(ξ_t|f,ψ)-ε₁，P(b|ψ)＞P(f|ψ)-ε₂ (2‐3)

其中ε_i,i＝1,2，称为背景误差控制变量；

把式(2‐1)与全概率公式代入式(2‐3)得到如下BTP‐JE模型：

2P(ξ_t|b,ψ)·P(b|ψ)＞P(ξ_t|ψ)+P(ξ_t|b,ψ)ε₁-(1-P(b|ψ))ε₂ (2‐4)

对于L位n维的特征向量，P(ξ_t|ψ)或P(ξ_t|b,ψ)的联合直方图包含Lⁿ个bins；

令i＝1,2,...,N为特征直方图中的前N个bins并按降序排列，对于给定的比例值M₁，M₂＝1-M₁，存在比较小的正整数N₁，满足：

$\left\{\begin{array}{c}\underset{i=1}{\overset{N_1}{\&Sigma;}}P\left({\mathrm{\&xi;}}_t^i\right|b,\mathrm{\&psi;})>M_1\\ \underset{i=1}{\overset{N_1}{\&Sigma;}}P\left({\mathrm{\&xi;}}_t^i\right|f,\mathrm{\&psi;})<M_2\end{array}\right.---(2-5)$

自然地，N值依赖于所选取的特征向量和位数L，对于每一种特征向量，用表示特征统计表，其中i＝1,2,...N₂(N₂＞N₁)，记录了在像素ψ(x,y)，时刻t处N₂个最重要的值，表中的每一个元素由三个部分组成：

$\left\{\begin{array}{c}{p}_{\mathrm{\&xi;}}^{t,i}=P({\mathrm{\&xi;}}_t^i,\mathrm{\&psi;}),\\ p_{\mathrm{\&xi;}b}^{t,i}=P\left({\mathrm{\&xi;}}_t^{i+1}\right|b,\mathrm{\&psi;}),\\ {\mathrm{\&xi;}}_t^i={\&lsqb;a_1^i,...,a_n^i\&rsqb;}^T.\end{array}\right.---(2-6)$

当一个像素与稳定的背景相关时，选取颜色作为特征向量，采用HSV颜色空间对图像进行处理，ξ_t用ω_t＝[h_t,s_t,v_t]^T代替；当像素与运动背景相关时，颜色共生特性被选为特征向量，ξ_t用ωω_t＝[h_t-1,s_t-1,v_t-1,h_t,s_t,v_t]^T代替；

(2)背景和前景像素点的分类

时间差分将变化的像素分为两种类型，如果F_td(ψ,t)＝1，这个像素被认为是运动的像素，且属于运动的物体，否则它是一个与静止物体有关的像素；进一步单独划分为背景或前景；对于静止的像素或运动的像素，将特征向量ξ_t与前N₁个从对应背景的特征统计表格中获取的特征向量做比较，重新获取相似特征；令得到条件概率公式(1‐7)：

$P\left(b|\mathrm{\&psi;}\right)=p_b^{\mathrm{\&psi;},t},P\left({\mathrm{\&xi;}}_t|\mathrm{\&psi;}\right)={\mathrm{\&Sigma;}}_{j\&Element;M\left({\mathrm{\&xi;}}_t\right)}{p}_{\mathrm{\&xi;}}^{\mathrm{\&psi;},t,j},P\left({\mathrm{\&xi;}}_t|b,\mathrm{\&psi;}\right)={\mathrm{\&Sigma;}}_{j\&Element;M\left({\mathrm{\&xi;}}_t\right)}{p}_{\mathrm{\&xi;}b}^{\mathrm{\&psi;},t,j}---\left(1-7\right)$

中匹配特征集合定义为：

$M\left({\mathrm{\&xi;}}_t\right)=\{k:\&ForAll;m\&Element;\{1,...,n\},|a_m-a_m^k|\&le;\mathrm{\&delta;}\}---(1-8)$

其中δ为控制变量；

(3)前景物体的提取

利用形态学运算去除离散的点，输出图像O(ψ,t)，提取前景物体；用特征向量ξ_t将像素分类前景或背景，对应特征统计用式(1‐9)更新：

其中i＝1,2,...N₂，α₂称之为学习速率，用来控制特征学习的速度；当在t时刻，从最后分离反馈为ψ(x,y)为背景，则否则当式(1‐7)中的ξ_t ⁱ和ξ_t相匹配时，否则如果没有中的元素和ξ_t匹配时，则表中的第N₂个元素变为：

$p_{\mathrm{\&xi;}}^{\mathrm{\&psi;},t+1,N_2}={\mathrm{\&alpha;}}_2,p_{\mathrm{\&xi;}b}^{\mathrm{\&psi;},t+1,N_2}={\mathrm{\&alpha;}}_2,{\mathrm{\&xi;}}_t^{N_2}={\mathrm{\&xi;}}_t---(1-10)$

当背景突然变化时，新的背景特征出现，且在变化后立即占据主导地位；由式(1‐3)和(1‐5)得，当满足条件(1‐11)时，在ψ(x,y)处检测到新的背景特征；

$P\left(f\right|\mathrm{\&psi;})\underset{i=1}{\overset{N_1}{\&Sigma;}}P\left({\mathrm{\&xi;}}_t^i\right|f,\mathrm{\&psi;})>T---(1-11)$

其中T是一个比率值，决定什么时候新的特征被认为是背景；由式(1‐1)和式(1‐6)，式(1‐11)将演变成

当背景突然变化时，新的背景特征随即出现，则特征统计用以下式子进行更新：

$\left\{\begin{array}{c}{p}_b^{\mathrm{\&psi;},t+1}=1-p_b^{\mathrm{\&psi;},t}\\ p_{\mathrm{\&xi;}}^{\mathrm{\&psi;},t+1,i}=(1-{\mathrm{\&alpha;}}_2)p_b^{\mathrm{\&psi;},t,i}+{\mathrm{\&alpha;}}_2{M}_{\mathrm{\&xi;}}^{\mathrm{\&psi;},t,i}\\ p_{\mathrm{\&xi;}b}^{\mathrm{\&psi;},t+1,i}=(p_{\mathrm{\&xi;}}^{\mathrm{\&psi;},t,i}-p_b^{\mathrm{\&psi;},t}\&CenterDot;p_{\mathrm{\&xi;}b}^{\mathrm{\&psi;},t,i})/p_b^{\mathrm{\&psi;},t+1}\end{array}\right.---(1-13)$

(4)学习速率α₂的选取

收敛于1；同时，学习速率参数α₂满足关系其中n为测试视频的帧数，T为测试视频时间；

(5)更新参考背景图像

如果ψ为无关紧要变化的像素点，则B_ω(ψ,t+1)＝(1-α₁)B_ω(ψ,t)+α₁I_ω(ψ,t)被用来对背景进行更新，其中ω∈(h,s,v)，α₁为无限脉冲反应滤波参数；如果O(ψ,t)＝0，F_td(ψ,t)＝1或者F_bd(ψ,t)＝1，B_ω(ψ,t+1)＝I_ω(ψ,t),ω∈(h,s,v)则被用来对参考背景进行更新，这样参考图像就能够适应背景的突然变化。

2.根据权利要求1所述的贝叶斯‐全概率运动目标前景检测方法，其特征在于，所述bins为频数分布直方图中的小矩形。

3.根据权利要求1所述的贝叶斯‐全概率运动目标前景检测方法，其特征在于，形态学运算为开运算或者闭运算。

4.根据权利要求1所述的贝叶斯‐全概率运动目标前景检测方法，其特征在于，T＝90％。

5.根据权利要求1所述的贝叶斯‐全概率运动目标前景检测方法，其特征在于，δ∈[1.5,2.5]。