JP6603123B2 - 動物体の検出装置、検出方法及びプログラム - Google Patents

Description

本発明は、固定カメラで撮影した映像から動物体を精度よく検出する動物体の検出装置、検出方法及びプログラムに関する。

固定カメラで撮影した映像から撮像ノイズ、多少の照明変動および周期的に微小に移動する領域の影響を取り除いて動物体を精度よく検出する技術は、監視映像解析技術の前処理として非常に重要であり、人物行動解析や異常行動検出に利用できる。映像から動物体を検出するために、映像の前後フレームの差分を動物体と認識する背景差分法が提案されており、この背景差分法を基本とする様々な動物体検出方法が考案されている。

非特許文献１は、動物体が全く存在しない背景画像、或いは、フレーム全体を通して考慮すると動物体がほとんど存在しない背景映像を元に背景モデルを作成し、動物体を検出したいフレームと背景モデルとの比較を行うことで動物体を検出する構成を開示している。また、特許文献１は、背景モデルの生成方法を開示している。具体的には、背景画像注目画素に対して、上下左右および斜めの計８方向に対して画素探索を行い、注目画素との明度差が閾値以上である参照画素をそれぞれ見つける。つまり、８つの参照画素を見つける。そして、８つの参照画素それぞれの注目画素に対する明度差が正であるか負であるかを記録しておく。そして、入力フレームについても、注目画素と８つの参照画素の明度差の正負を判定し、背景画像の８つの正負の値と、入力フレームの８つの正負の値の一致数が所定数以下であると、当該注目画素は動物体であると判定する。なお、この所定数は例えば６程度の値が使用される。

特開２００３−１４１５４６号公報

岩田，佐藤，尾崎，坂上，"統計的リーチ特徴法に基づくロバスト背景差分，"電子情報通信学会論文誌，Ｄ Ｖｏｌ．Ｊ９２−Ｄ Ｎｏ．８，ｐｐ．１２５１−１２５９，２００９年

しかしながら、上記の従来方式では、一時的に移動させられた静止物体を動物体として検出してしまう。

本発明は、静止物体を動物体として誤検出する頻度を減らし、精度良く動物体を検出できる動物体の検出装置、検出方法及びプログラムを提供するものである。

本発明の一側面によると、動物体の検出装置は、処理対象フレームと当該処理対象フレームより時間的に前のフレームとの差分に基づき差分画像を生成する第１生成手段と、前記処理対象フレームに対する背景画像である第１背景画像を、前記処理対象フレームより時間的に前のフレームに対する第３背景画像と、前記処理対象フレームより時間的に前のフレームとを混合することで生成し、前記処理対象フレームに対する背景画像である第２背景画像を、前記処理対象フレームより時間的に前のフレームに対する第４背景画像と、前記処理対象フレームより時間的に前のフレームとを混合することで生成する第２生成手段であって、前記第１背景画像は、前記第２背景画像より前記処理対象フレームより時間的に前のフレームの混合比率が低く、前記第４背景画像は前記第３背景画像とは異なる、前記第２生成手段と、前記処理対象フレームと前記第１背景画像とに基づき前景に対応する画素を示す第１前景候補画像を生成し、前記処理対象フレームと前記第２背景画像とに基づき前景に対応する画素を示す第２前景候補画像を生成する第３生成手段と、前記第１前景候補画像と前記差分画像を比較することで、前記第１前景候補画像が前景と示す画素の領域のうちの静止物体に対応する第１領域を検出する第１検出手段と、前記第１領域と前記第２前景候補画像の対応する領域を比較することで、前記第１検出手段が検出した第１領域から誤検出された第１領域を判定し、前記第１検出手段が検出した第１領域から誤検出された第１領域を除いた第２領域を判定し、前記第１前景候補画像が前景と示す画素の領域から前記第２領域を除いた領域を動物体に対応する領域と検出する第２検出手段と、を備えていることを特徴とする。

本発明によると、静止物体を動物体として誤検出する頻度を減らし、精度良く動物体を検出することができる。

一実施形態による動物体の検出装置の構成図。 一実施形態の説明のための入力画像を示す図。 図２の入力画像の差分画像を示す図。 図２の入力画像に対する前景候補画像を示す図。

以下、本発明の例示的な実施形態について図面を参照して説明する。なお、以下の実施形態は例示であり、本発明を実施形態の内容に限定するものではない。また、以下の各図においては、実施形態の説明に必要ではない構成要素については図から省略する。なお、以下の説明において、入力画像のｔ番目のフレームをＩ_ｔとし、ｔ番目のフレームに対する背景画像をＢ_ｔと表記する。また、以下の説明において、２つのフレーム間の差分を取るとは、２つのフレームの同じ位置の画素の画素値の差分をその画素値とする画像を生成することを意味するものとする。和等の計算においても同様である。また、本発明において、動物体とは動物又は人の様に自力で移動する物体を意味し、本発明においての検出対象である。一方、静止物体とは自力で移動できず、動物体が力を加えたときのみ移動させられる物体を意味するものとする。

図１は、動画像内の動物体を検出する、本実施形態による検出装置の構成図である。検出装置は、カメラが撮影した動画像を入力画像とし、入力画像の各フレーム内の動物体を検出する。なお、図１においては、処理対象フレームを動画像中のｔ番目のフレームとし、ｔ番目のフレームに関する信号のみを表示している。しかしながら、各機能ブロックは、過去のフレームにアクセス可能なものとする。

背景画像生成部３は、処理対象であるｔ番目のフレームに対する背景画像Ｂ_ｔをその１つ前、つまり、（ｔ−１）番目のフレームに対する背景画像Ｂ_ｔ−１と、ｔ−１番目のフレームＩ_ｔ−１とを混合することで生成する。具体的には、以下の式（１）により背景画像Ｂ_ｔを生成する。
Ｂ_ｔ＝（１−α）Ｂ_ｔ-１＋αＩ_ｔ-１ （１）
ここでαは、ｔ−１番目のフレームＩ_ｔ−１の混合比率であり、０から１の値をとる。式（１）から明らかな様に、混合比率αが大きい程、入力画像の重みが大きくなり、背景画像は入力画像の変化に追随する。一方、混合比率αが小さくなると、背景画像は入力画像が大きく変化してもその変化は小さくなる。なお、１番目のフレームに対する背景画像Ｂ_１は、カメラの動物体の無い状況で撮影した画像に基づき予め作成しておく。

本実施形態では、複数の混合比率αを使用して複数種類の背景画像をそれぞれ生成する。以下では、説明の簡略化のためα_ｈｉｇｈ及びα_ｌｏｗ（α_ｈｉｇｈ＞α_ｌｏｗ）の２つの混合比率を使用し、２種類の背景画像を生成するものとする。そして、混合比率α_ｈｉｇｈを使用して生成するｔ番目のフレームに対する背景画像をＢ^ｈｉｇｈ _ｔと表記し、混合比率α_ｌｏｗを使用して生成するｔ番目のフレームに対する背景画像をＢ^ｌｏｗ _ｔと表記する。つまり、背景画像Ｂ^ｈｉｇｈ _ｔは、１つ前のフレームに対する背景画像Ｂ^ｈｉｇｈ _ｔ−１と、入力フレームＩ_ｔ-１から生成され、背景画像Ｂ^ｌｏｗ _ｔは、１つ前のフレームに対する背景画像Ｂ^ｌｏｗ _ｔ−１と、入力フレームＩ_ｔ-１から生成される。

差分画像生成部１は、入力画像の処理対象フレームＩ_ｔと、そのひとつ前のフレームＩ_ｔ−１との差分を判定し、第１閾値以上の画素を白画素とし、第１閾値未満の画素を黒画素とした２値画像である差分画像Ｄ_ｔを生成する。図２（Ａ）〜（Ｃ）は、入力画像の例であり、（Ａ）、（Ｂ）、（Ｃ）の時間順となっている。なお、図２（Ａ）〜（Ｃ）は、連続するフレームではなく、図２（Ａ）と図２（Ｂ）との間には、複数の他のフレームが存在し、図２（Ｂ）と図２（Ｃ）の間にも、複数の他のフレームが存在する。

図２（Ａ）は、室内に置かれた椅子を人が動かしている状態の画像であり、図２（Ｂ）は、動かした椅子を置いた後、人が後向きに進んでいる状態の画像であり、図３（Ｃ）は、その後、人が立ち止った状態の画像である。

図３（Ａ）〜図３（Ｃ）は、それぞれ、図２（Ａ）〜（Ｃ）に対応する差分画像である。画素値のフレーム間における差分は、動いている物体の輪郭付近の画素においてその値が大きくなるため、図３（Ａ）では、人及び椅子の輪郭が白画素として検出されている。一方、図３（Ｂ）において椅子は既に静止しているため人の輪郭が白画素として検出されている。また、図３（Ｃ）において人は静止しているがその輪郭が白画素として検出されている。これは、椅子の様な静止物体とは異なり、動物体は、静止していたとしても微妙な動きがあるからである。しかしながら、輪郭近傍において検出される白画素の数は、図３（Ｂ）の様に移動しているときと比較して少なくなる。なお、図３（Ａ）〜（Ｃ）においては、影の変化等による影響に起因する白画素が動物体の無い位置においても検出されている。

前景候補画像生成部２は、処理対象フレームＩ_ｔから背景画像Ｂ^ｈｉｇｈ _ｔを減じ、第２閾値以上の画素を白画素とし、閾値未満の画素を黒画素とした２値画像である前景候補画像Ｆ^ｈｉｇｈ _ｔを生成する。同様に、前景候補画像生成部２は、処理対象フレームＩ_ｔから背景画像Ｂ^ｌｏｗ _ｔを減じ、第２閾値以上の画素を白画素とし、閾値未満の画素を黒画素とした２値画像である前景候補画像Ｆ^ｌｏｗ _ｔを生成する。上記処理から明らかな様に、前景候補画像の白画素は、前景に対応すると想定される画素であり、黒画素は背景に対応すると想定される画素である。なお、第２閾値は第１閾値と同じ値であっても、異なる値であっても良い。また、前景候補画像の生成は、処理対象フレームＩ_ｔから背景画像を減じて閾値と比較することに限定されず、例えば、ＧＭＭモデルに基づく前景抽出等、任意の前景抽出方法を利用できる。図４（Ａ）〜（Ｃ）は、図２（Ａ）〜（Ｃ）に対する前景候補画像Ｆ^ｈｉｇｈ _ｔを示し、図４（Ｄ）〜（Ｆ）は、図２（Ａ）〜（Ｃ）に対する前景候補画像Ｆ^ｌｏｗ _ｔを示している。図４（Ａ）及び（Ｄ）に示す様に、椅子を動かしている間においては、前景候補画像Ｆ^ｈｉｇｈ _ｔと前景候補画像Ｆ^ｌｏｗ _ｔの両方において椅子も前景、つまり白画素として検出されている。

また、上述した様に、背景画像Ｂ^ｌｏｗ _ｔは、入力画像の影響をあまり受けないため、図４（Ｅ）及び図４（Ｆ）の両方において椅子は、依然、前景として検出されている。一方、背景画像Ｂ^ｈｉｇｈ _ｔは、入力画像の影響を強く受けるため図４（Ｂ）においては椅子の一部の画素のみが前景として検出されている。また、図４（Ｃ）においては椅子の位置に対応する画素の殆どは背景として検出されている。なお、図４（Ｂ）において人物に対応する画素は、その大部分が白画素として検出されているが、図４（Ｃ）において人物に対応する画素の白画素数は、図４（Ｂ）より少なくなっている。これは、背景画像Ｂ^ｈｉｇｈ _ｔは、入力画像の影響を強く受けるため、図４（Ｃ）における背景画像Ｂ^ｈｉｇｈ _ｔにおいては、静止している人物も背景として扱われ始めているからである。

静止物検出部４は、前景候補画像Ｆ^ｌｏｗ _ｔにおいて白画素が連続する領域を判定する。例えば、図４（Ｄ）では人と椅子に対応する白画素が１つの領域として判定される。また、図４（Ｅ）及び（Ｆ）では、人に対応する白画素が１つの領域として判定され、椅子に対応する白画素も１つの領域として判定される。また、ノイズ等の影響により生じた白画素も１つの領域として判定される。なお、領域内の白画素の数が所定数より少ない場合には、ノイズとして扱い、以後の処理においては使用しない構成であっても良い。

静止物検出部４は、前景候補画像Ｆ^ｌｏｗ _ｔの各領域についてその白画素数Ｘと、領域の白画素のうち、差分画像Ｄ_ｔの対応する画素（同じ位置の画素）おいても白画素である数Ｙ（以下、重複数と呼ぶ。）を求め、さらに、その比（Ｙ／Ｘ）を求める。そして、静止物検出部４は、前景候補画像Ｆ^ｌｏｗ _ｔの各領域の内、その比（Ｙ／Ｘ）が第３閾値以下となる領域を静止物領域Ｃ^ｎ _ｔとして出力する。なお、ｎは１〜Ｎの整数であり、Ｎは、比（Ｙ／Ｘ）が第３閾値以下である領域の数である。例えば、図４（Ｅ）の人物領域に対応する白画素と図３（Ｂ）の人物領域に対応する白画素を比較すると、重複数Ｙは多く、よって、図４（Ｅ）の人物領域は、静止物領域としては検出されない。一方、図４（Ｅ）の椅子領域に対応する白画素と図３（Ｂ）の対応画素を比較すると、重複数Ｙは少なく、よって、図４（Ｅ）の椅子領域は、静止物領域として検出される。図４（Ｆ）の椅子領域も同様に静止物領域として検出される。

一方、図２（Ｃ）では、人物も静止しているため、図４（Ｆ）の人物領域に対応する白画素と図３（Ｃ）の人物領域に対応する白画素を比較すると重複数Ｙはそれ程多くなく、よって、図４（Ｆ）の人物領域は、静止物領域Ｃ^ｎ _ｔとして誤検出され得る。本実施形態では、動物体検出部５においてこの様な誤検出を減少させる。まず、動物体検出部５は、入力される静止物領域Ｃ^ｎ _ｔのそれぞれについて、白画素数Ｋと、静止物領域Ｃ^ｎ _ｔの白画素の内、前景候補画像Ｆ^ｈｉｇｈ _ｔの対応する画素（同じ位置の画素）でも白画素である数、つまり、重複数Ｌとを求め、さらに、その比（Ｌ／Ｋ）を算出する。そして、比（Ｌ／Ｋ）が第４閾値以上のものを誤検出した静止物領域Ｃ^ｎ _ｔであると判定する。例えば、上述した様に、図４（Ｆ）の人物領域は、静止物領域Ｃ^ｎ _ｔと誤検出され得るが、図４（Ｃ）に示す様に、図４（Ｆ）の人物領域に対する重複数は大きく、よって、比（Ｌ／Ｋ）と第４閾値を比較することで誤検出を判定することができる。一方、図４（Ｆ）の椅子領域については、図４（Ｃ）から明らかな様に重複数は小さく、よって、図４（Ｆ）の椅子領域については、静止物領域Ｃ^ｎ _ｔであることが確認される。

動物体検出部５は、前景候補画像Ｆ^ｌｏｗ _ｔのうち、誤検出を削除した後の静止物領域Ｃ^ｎ _ｔに対応する画素を黒画素に変更する。変更後の画像において、黒画素は背景に対応し、白画素は動物体に対応する。したがって、入力フレームＩ_ｔから変更後の画像の白画素の部分を取り出すことで動物体に対応する部分のみを抜出した前景画像を生成することができる。

以上の構成により、一時的に移動した静止物が前景、つまり動物体として検出されることを防ぐことができる。また、一時的に静止している動物体を背景と誤検出すること頻度も減らすことができる。

なお、本実施形態では、式（１）に示す様に、背景画像Ｂ_ｔの算出については、混合対象である１つ前の入力フレームをそのまま使用していた。しかしながら、図１に示す様に、動物体検出部５の検出結果を利用する構成とすることもできる。例えば、動物体検出部５は、入力フレームＩ_ｔの動物体に対応する画素を背景画像生成部３に通知する。そして、背景画像生成部３においては、次のフレームに対するＢ^ｈｉｇｈ _ｔ＋１とＢ^ｌｏｗ _ｔ＋１を生成する際に、動物体に対応する画素と、それ以外の画素においてはα_ｈｉｇｈ及びα_ｌｏｗ値を異ならせる。具体的には、Ｂ^ｈｉｇｈ _ｔ＋１の生成において、動物体に対応する画素以外の画素については、α_ｈｉｇｈを使用し、動物体に対応する画素についてはα_ｈｉｇｈより小さい値を使用する構成とすることができる。Ｂ^ｌｏｗ _ｔ＋１の生成においても同様である。例えば、αを０とすると、更新後の背景画像には、入力フレームの動物体領域の影響が及ばず、より動物体の検出精度が高くなる。

また、本実施形態では、α_ｈｉｇｈ及びα_ｌｏｗ（α_ｈｉｇｈ＞α_ｌｏｗ）の２つの混合比率を使用し、２種類の背景画像を生成したが、３つ以上の混合比率を使用することもできる。この場合、３つから２つを選択した組合せそれぞれについて、組み合わせの２つの混合比率の値の小さい方をα_ｌｏｗ、値の大きい方をα_ｈｉｇｈとしてそれぞれ静止物領域Ｃ^ｎ _ｔを検出する。例えば、４つの組み合わせを使用した場合には、各組み合わせそれぞれについて静止物領域Ｃ^ｎ _ｔを検出する。そして、例えば、１つの組み合わせでのみ検出した静止物領域Ｃ^ｎｔについては誤検出と判定する様に、それぞれの組み合わせの検出結果に基づき多数決判定により誤検出を判定することができる。

さらに、本実施形態において差分画像生成部１は連続するフレーム間の差分により差分画像を生成していたが、本発明はそれに限定されず、処理対象フレームと、当該処理対象フレームより時間的に数フレーム前のフレームとの差分により差分画像を生成しても良い。さらに、本実施形態において、背景画像生成部３は、フレーム毎に背景画像を更新していたが、数フレーム毎に更新する構成であっても良い。例えば、３フレーム毎に更新するものとすると、背景画像を更新すると、更新後の３フレームについては同じ背景画像を使用する。そして、背景画像を更新する際には、更新前の３フレームのいずれかのフレームを使用して更新する構成とすることができる。

なお、本発明による検出装置は、コンピュータを上記検出装置として動作させるプログラムにより実現することができる。これらコンピュータプログラムは、コンピュータが読み取り可能な記憶媒体に記憶されて、又は、ネットワーク経由で配布が可能なものである。

１：差分画像生成部、２：前景候補画像生成部、３：背景画像生成部、４：静止物検出部、５：動物体検出部

Claims (13)

1. 処理対象フレームと当該処理対象フレームより時間的に前のフレームとの差分に基づき差分画像を生成する第１生成手段と、
   前記処理対象フレームに対する背景画像である第１背景画像を、前記処理対象フレームより時間的に前のフレームに対する第３背景画像と、前記処理対象フレームより時間的に前のフレームとを混合することで生成し、前記処理対象フレームに対する背景画像である第２背景画像を、前記処理対象フレームより時間的に前のフレームに対する第４背景画像と、前記処理対象フレームより時間的に前のフレームとを混合することで生成する第２生成手段であって、前記第１背景画像は、前記第２背景画像より前記処理対象フレームより時間的に前のフレームの混合比率が低く、前記第４背景画像は前記第３背景画像とは異なる、前記第２生成手段と、
   前記処理対象フレームと前記第１背景画像とに基づき前景に対応する画素を示す第１前景候補画像を生成し、前記処理対象フレームと前記第２背景画像とに基づき前景に対応する画素を示す第２前景候補画像を生成する第３生成手段と、
   前記第１前景候補画像と前記差分画像を比較することで、前記第１前景候補画像が前景と示す画素の領域のうちの静止物体に対応する第１領域を検出する第１検出手段と、
   前記第１領域と前記第２前景候補画像の対応する領域を比較することで、前記第１検出手段が検出した第１領域から誤検出された第１領域を判定し、前記第１検出手段が検出した第１領域から誤検出された第１領域を除いた第２領域を判定し、前記第１前景候補画像が前景と示す画素の領域から前記第２領域を除いた領域を動物体に対応する領域と検出する第２検出手段と、
   を備えていることを特徴とする動物体の検出装置。
2. 前記第１生成手段は、処理対象フレームと当該処理対象フレームより時間的に１つ前のフレームとの差分に基づき前記差分画像を生成することを特徴とする請求項１に記載の検出装置。
3. 前記第１生成手段は、前記処理対象フレームと当該処理対象フレームより時間的に前のフレームの対応する画素の画素値の差分を第１閾値と比較し、
   前記差分画像は、前記画素値の差分が前記第１閾値より大きい第１画素を示すことを特徴とする請求項１又は２に記載の検出装置。
4. 前記第１検出手段は、前記第１前景候補画像が前景と示す画素の領域のそれぞれについて、領域内の画素の画素数に対する、当該領域に対応する前記差分画像の画素のうちの前記第１画素の数の比に基づき前記第１領域を検出することを特徴とする請求項３に記載の検出装置。
5. 前記第１検出手段は、領域内の画素の画素数に対する、当該領域に対応する前記差分画像の画素のうちの前記第１画素の数の比が第３閾値未満の領域を前記第１領域と検出することを特徴とする請求項４に記載の検出装置。
6. 前記第２検出手段は、第１領域の画素の画素数に対する、当該第１領域に対応する前記第２前景候補画像の画素のうちの前景に対応する画素の数の比に基づき誤検出された第１領域を検出することを特徴とする請求項３から５のいずれか１項に記載の検出装置。
7. 前記第２検出手段は、第１領域の画素の画素数に対する、当該第１領域に対応する前記第２前景候補画像の画素のうちの前景に対応する画素の数の比が第４閾値以上の第１領域を誤検出された第１領域と検出することを特徴とする請求項６に記載の検出装置。
8. 前記第１前景候補画像が前景に対応すると示す画素は、前記処理対象フレームと前記第１背景画像の対応する画素の画素値の差分が第２閾値より大きい画素であり、
   前記第２前景候補画像が前景に対応すると示す画素は、前記処理対象フレームと前記第２背景画像の対応する画素の画素値の差分が第２閾値より大きい画素であることを特徴とする請求項１から７のいずれか１項に記載の検出装置。
9. 前記第２生成手段は、前記処理対象フレームに対する背景画像である第１背景画像を、前記処理対象フレームより時間的に１つ前のフレームに対する第３背景画像と、前記処理対象フレームより時間的に１つ前のフレームとを混合することで生成し、前記処理対象フレームに対する背景画像である第２背景画像を、前記処理対象フレームより時間的に１つ前のフレームに対する第４背景画像であって、前記第３背景画像とは異なる前記第４背景画像と、前記処理対象フレームより時間的に１つ前のフレームとを混合することで生成することを特徴とする請求項１から８のいずれか１項に記載の検出装置。
10. 前記第２生成手段は、前記第３背景画像と前記処理対象フレームより時間的に前のフレームとを混合する際に、混合対象のフレームの画素の内、前記第２検出手段が検出した動物体に対応する領域の画素の混合比率を、それ以外の画素の混合比率より小さくし、前記第４背景画像と前記処理対象フレームより時間的に前のフレームとを混合する際に、混合対象のフレームの画素の内、前記第２検出手段が検出した動物体に対応する領域の画素の混合比率を、それ以外の画素の混合比率より小さくすることを特徴とする請求項１から９のいずれか１項に記載の検出装置。
11. 前記第２生成手段は、複数の第１背景画像と、複数の第２背景画像を生成し、前記複数の第１背景画像の１つの第１背景画像と、前記複数の第２背景画像の１つの第２背景画像を１つの組として、複数の組を生成し、
    前記第３生成手段は、前記複数の組それぞれについて対応する前記第１前景候補画像及び前記第２前景候補画像を生成し、
    前記第１検出手段は、前記複数の組に対応する前記第１前景候補画像それぞれについて前記第１領域を検出し、
    前記第２検出手段は、前記複数の組に対応する前記第１領域それぞれについて同じ組の前記第２前景候補画像に基づき前記第２領域を判定し、前記複数の組それぞれについて動物体に対応する領域を検出し、前記複数の組の動物体に対応する領域を多数決判定することで、前記処理対象フレームの動物体に対応する領域を検出することを特徴とする請求項１から１０のいずれか１項に記載の検出装置。
12. 検出装置における動画像内の動物体の検出方法であって、
    処理対象フレームと当該処理対象フレームより時間的に前のフレームとの差分に基づき差分画像を生成する第１生成ステップと、
    前記処理対象フレームに対する背景画像である第１背景画像を、前記処理対象フレームより時間的に前のフレームに対する第３背景画像と、前記処理対象フレームより時間的に前のフレームとを混合することで生成し、前記処理対象フレームに対する背景画像である第２背景画像を、前記処理対象フレームより時間的に前のフレームに対する第４背景画像と、前記処理対象フレームより時間的に前のフレームとを混合することで生成する第２生成ステップであって、前記第１背景画像は、前記第２背景画像より前記処理対象フレームより時間的に前のフレームの混合比率が低く、前記第４背景画像は前記第３背景画像とは異なる、前記第２生成ステップと、
    前記処理対象フレームと前記第１背景画像とに基づき前景に対応する画素を示す第１前景候補画像を生成し、前記処理対象フレームと前記第２背景画像とに基づき前景に対応する画素を示す第２前景候補画像を生成する第３生成ステップと、
    前記第１前景候補画像と前記差分画像を比較することで、前記第１前景候補画像が前景と示す画素の領域のうちの静止物体に対応する第１領域を検出する第１検出ステップと、
    前記第１領域と前記第２前景候補画像の対応する領域を比較することで、前記第１検出ステップで検出された第１領域から誤検出された第１領域を判定し、前記第１検出ステップで検出された第１領域から誤検出された第１領域を除いた第２領域を判定し、前記第１前景候補画像が前景と示す画素の領域から前記第２領域を除いた領域を動物体に対応する領域と検出する第２検出ステップと、
    を含むことを特徴とする検出方法。
13. 請求項１から１１のいずれか１項に記載の検出装置としてコンピュータを機能させることを特徴とするプログラム。