胡雄鴿，王耀南

湖南大學(xué) 電氣與信息工程學(xué)院，長沙 410082

使用隨機(jī)策略進(jìn)行運(yùn)動目標(biāo)檢測方法研究

胡雄鴿，王耀南

湖南大學(xué) 電氣與信息工程學(xué)院，長沙 410082

1 引言

視頻序列中，運(yùn)動目標(biāo)檢測在視頻監(jiān)控、智能交通、汽車自動駕駛與輔助駕駛等領(lǐng)域中是一項基礎(chǔ)而又關(guān)鍵的任務(wù)。Intel公司在智能視覺監(jiān)控系統(tǒng)計算機(jī)工作量分析中表明[1]，前景目標(biāo)檢測所耗費(fèi)的程序執(zhí)行時間約占整個智能視頻監(jiān)控程序的80%～95%，開發(fā)一種簡單高效，占用計算機(jī)資源少的算法成為很多應(yīng)用項目的關(guān)鍵。在已有方法中，減背景是一種最常用的方法，它的基本思想是用當(dāng)前視頻幀與背景幀相比較，如果相同位置的像素特征、像素區(qū)域特征或者其他特征之間存在一定程度區(qū)別，則當(dāng)前視頻幀中的這些像素點(diǎn)或者像素區(qū)域就判定為運(yùn)動目標(biāo)。最常見的減背景方法包含兩種，一種是當(dāng)前視頻幀與固定的背景幀之間進(jìn)行比較，另一種是連續(xù)兩幀視頻幀之間的比較；通常設(shè)定一個閾值T，凡是大于閾值T的像素點(diǎn)則被判定為運(yùn)動點(diǎn)。這種方法原理簡單，但是容易受噪聲和光照等條件影響，特別是當(dāng)場景中存在諸如隨風(fēng)擺動的樹枝，水面的波紋，閃爍的屏幕，突然的開燈關(guān)燈，運(yùn)動物體進(jìn)入場景后停留一段時間后又移出等情況時，這種方法的缺點(diǎn)就更加突出。均值濾波算法的中心思想是建立一個視頻序列時間窗來緩存N張視頻幀，然后把所有視頻幀同位置像素的平均值作為背景來處理該像素的值。一種改進(jìn)的方法就是滑動平均算法（running average）[2]，其核心想法就是引入一個學(xué)習(xí)率a，這里a通常取值為0.003～0.050，a值越小，則表明前景的變化對背景影響越小，公式（1）為其更新等式：

Friedman提出利用3個高斯分布[3]來對交通道路場景中的道路、陰影、車輛的像素進(jìn)行分別建模。由Stauffer和Grimson所提出的混合高斯背景建模算法[4-5]得到了廣泛的研究，衍生出很多改進(jìn)型算法[6-8]，主要集中在背景模型的初始化、參數(shù)選擇、更新等式這幾個方面。其基本思想就是對每一個像素點(diǎn)建立混合高斯模型（高斯模型一般為3～5個），檢測過程中判斷當(dāng)前像素點(diǎn)是否符合該分布，若符合，則判定為背景點(diǎn)，若不符合，則判定為運(yùn)動點(diǎn)。

本文提出的方法不像混合高斯模型那樣依賴于具體而精確的統(tǒng)計模型，而是基于一種隨機(jī)取值的思想，主要體現(xiàn)在背景模型的初始化過程中樣本點(diǎn)選擇上和背景模型更新過程中對樣本點(diǎn)的選取與替換上。下面將詳細(xì)闡述背景模型的建立、初始化以及更新過程。在實(shí)驗(yàn)部分討論了實(shí)驗(yàn)參數(shù)的選擇，并且通過與滑動平均、改進(jìn)的混合高斯法進(jìn)行對比，驗(yàn)證了本文方法的有效性。

2 背景模型實(shí)現(xiàn)過程

從視頻序列中提取的像素點(diǎn)特征通常可以歸為3類：光譜特征、時間特征、空間特征[9]?；陔S機(jī)策略的運(yùn)動目標(biāo)檢測方法對每個像素所建立的樣本序列中包含這3種特征，光譜特征利用像素點(diǎn)的灰度值，時間特征使用同一位置像素點(diǎn)在不同幀的取值，空間特征使用像素點(diǎn)8鄰域像素值。圖1為使用隨機(jī)策略進(jìn)行運(yùn)動目標(biāo)檢測的流程圖。下面將分3個小節(jié)，詳細(xì)對背景模型的建立、初始化、更新過程進(jìn)行論述。

圖1 使用隨機(jī)策略進(jìn)行運(yùn)動目標(biāo)檢測流程圖

2.1 背景模型的建立

對每一個像素點(diǎn)建立一個包含N個樣本點(diǎn)的樣本序列（即背景模型，N≥1），記當(dāng)前像素點(diǎn)位置為(a，b)，當(dāng)前像素位置(a，b)的樣本點(diǎn)序列記為{si(a，b)|i=1，2，…，N}，xt(a，b)代表在t幀時位于(a，b)位置的像素值。當(dāng)前像素點(diǎn)xt(a，b)的N個樣本點(diǎn)的取值可以分為兩類：一類是在同一位置在之前視頻幀像素值；另一類是之前視頻幀同一位置的8鄰域像素值。通過這種取值方式，使樣本點(diǎn)包含光譜、空間、時間3種特征信息。對在(a，b)位置的新視頻幀在t時刻灰度值xt(a，b)與它的N個樣本點(diǎn)相比較，Tv為灰度值閾值，如公式（2）所示：

設(shè)置另一個次數(shù)閾值Tn，用來對符合式（2）的次數(shù)進(jìn)行計數(shù)，通過次數(shù)判定當(dāng)前像素點(diǎn)是背景點(diǎn)還是運(yùn)動點(diǎn)，如公式（3）所示：

這個判定規(guī)則可近似用二項分布理論來加以解釋：當(dāng)前像素值與樣本序列中N個樣本點(diǎn)進(jìn)行比較，相當(dāng)于做了N次實(shí)驗(yàn)，|si(a，b)-xt(a，b)|≤Tv概率為p，以X記為N次比較中絕對值小于等于Tv的次數(shù)，則X大于等于次數(shù)閾值Tn這個事件的概率可以用公式（4）表示：

在理想情況下認(rèn)為|si(a，b)-xt(a，b)|≤Tv的概率與|si(a，b)-xt(a，b)|＞Tv的概率近似相等，即p=0.5，在N取值較大及Tn取值較小的條件下，由式（4）得出P(X≥Tn）概率很大，式（5）算出P(X＜Tn）概率很?。粨?jù)此推斷如果xt(a，b)與它的每一個樣本點(diǎn){si(a，b)|i=1，2，…，N}相比較，其絕對值小于灰度值閾值Tv的次數(shù)大于次數(shù)閾值Tn，則該點(diǎn)為背景點(diǎn)的概率很大，即被判定為背景點(diǎn)；反之，則被判定為運(yùn)動點(diǎn)。通過上述特定的判定規(guī)則完成對當(dāng)前像素點(diǎn)的判定過程；通過對當(dāng)前視頻幀的每一個像素點(diǎn)進(jìn)行判定，完成對當(dāng)前幀的運(yùn)動目標(biāo)檢測過程。

2.2 背景模型的初始化

為了快速完成對背景模型的初始化，本文提出利用第1幀像素點(diǎn)的空間特征進(jìn)行初始化。由于在第1幀并無時間特征可以利用，所以考慮其空間特征。在對視頻序列第1幀的(a，b)位置像素點(diǎn)xt=1(a，b)的N個樣本點(diǎn)進(jìn)行初始化時，使用該像素點(diǎn)的4鄰域、8鄰域甚至16鄰域的像素點(diǎn)灰度值，在文中使用8鄰域，即xt=1(a+1，b)，xt=1(a-1，b)，xt=1(a，b+1)，xt=1(a，b-1)這4個上下左右鄰域點(diǎn)，加上對角像素點(diǎn)xt=1(a+1，b+1)，xt=1(a+1，b-1)，xt=1(a-1，b+1)，xt=1(a-1，b-1)，構(gòu)成8鄰域像素點(diǎn)。通過對8個鄰域像素點(diǎn)灰度值和xt=1(a，b)（當(dāng)前像素點(diǎn)灰度值）共9個像素值，進(jìn)行N次概率均等（每個點(diǎn)被選擇的概率為1/9）的隨機(jī)取值，完成背景模型的快速初始化過程。結(jié)果可能某一像素值被選擇了幾次，有的像素值一次都沒有被選擇過，這對于整體檢測效果并無太大影響。實(shí)際上，對于一個固定測試的視頻序列，因?yàn)樵?.2和2.3小節(jié)的背景模型初始化、背景模型更新中使用隨機(jī)策略，每次實(shí)驗(yàn)結(jié)果都會有細(xì)微的不同，但并不妨礙運(yùn)動目標(biāo)檢測的精度。

2.3 背景模型的更新

背景模型的更新涉及兩個重要問題：一是對哪些樣本點(diǎn)進(jìn)行操作；二是每一個樣本點(diǎn)的存在時間。本文使用一種概率均等的隨機(jī)取值更新策略，不僅隨機(jī)更新當(dāng)前像素點(diǎn)的樣本序列，同時更新其鄰域像素點(diǎn)的樣本序列；對位于(a，b)位置的樣本序列{si(a，b)|i=1，2，…，N}中的哪一個樣本點(diǎn)進(jìn)行操作并不固定，對于該像素點(diǎn)的8鄰域之中的哪一個像素點(diǎn)的樣本序列進(jìn)行更新并不固定。采取這種更新策略的出發(fā)點(diǎn)在于已經(jīng)出現(xiàn)的背景點(diǎn)像素值可以保留在樣本序列中，而并非經(jīng)過一段時間即被強(qiáng)制替換；并且運(yùn)動點(diǎn)像素值不能進(jìn)入樣本序列來保持樣本序列的純凈。使用這種更新機(jī)制的限制條件就是當(dāng)前視頻幀中被判定為運(yùn)動點(diǎn)的像素值不能用于更新該位置的樣本序列，必須再通過公式（3）確定該像素點(diǎn)在t時刻為背景點(diǎn)之后才能用該像素值進(jìn)行更新操作，如果判定為運(yùn)動點(diǎn)則該位置的樣本序列保持不變。

在進(jìn)行樣本序列更新之前，需初始化另一個參數(shù)Ts，作用是降低樣本序列更新速度。本文方法中，如果N取值較小的話，每一個位置的樣本序列的更新速度非?？?，結(jié)果使得低速運(yùn)動目標(biāo)被背景快速侵蝕，在運(yùn)動目標(biāo)內(nèi)部形成空洞，影響運(yùn)動目標(biāo)檢測效果；當(dāng)運(yùn)動目標(biāo)停止運(yùn)動后，迅速轉(zhuǎn)換為背景。為達(dá)到理想的檢測效果，有兩種解決途徑：一是增大樣本點(diǎn)個數(shù)N的取值，這樣會增大內(nèi)存的消耗量；另一種方法是增加一個參數(shù)為Ts的隨機(jī)取值判斷過程，隨機(jī)取值的范圍是[0,Ts]，通過增加一次判斷過程，使得樣本序列的更新速度減緩。這種途徑可以從另一個方面來解釋，由于N個樣本點(diǎn)中的每一個樣本點(diǎn)被選擇的概率降低了1/Ts，相當(dāng)于樣本序列包含的樣本點(diǎn)個數(shù)擴(kuò)大為N×Ts，與第一種途徑擴(kuò)大樣本點(diǎn)N個數(shù)達(dá)到同樣的效果，但并沒有增加內(nèi)存的消耗。通過上述分析，為了減少內(nèi)存消耗，本文采用第二種方式。

在對位置(a，b)的樣本點(diǎn)序列進(jìn)行更新后，隨機(jī)選擇8鄰域像素點(diǎn)之一，使用xt(a，b)對其樣本點(diǎn)序列進(jìn)行更新。每一個鄰域像素點(diǎn)被選擇的概率是1/8，這個被選擇的鄰域像素點(diǎn)的一個樣本點(diǎn)被更新的概率是1/N。

文獻(xiàn)[10]中指出，運(yùn)動目標(biāo)檢測主要存在以下難點(diǎn)：（1）現(xiàn)實(shí)情況中，由于光照條件的影響，不可避免地存在陰影的現(xiàn)象，而陰影與真正運(yùn)動目標(biāo)實(shí)體之間的區(qū)分是一個的難題。（2）運(yùn)動目標(biāo)進(jìn)入場景后，經(jīng)過一段時間停止運(yùn)動后，應(yīng)該逐漸轉(zhuǎn)變?yōu)楸尘?。?）運(yùn)動目標(biāo)從靜止變?yōu)檫\(yùn)動時，或者以較低速度前行時，要避免出現(xiàn)幻影現(xiàn)象，也就是運(yùn)動目標(biāo)離開之處應(yīng)當(dāng)迅速融入背景。（4）要能夠適應(yīng)場景中諸如光照條件逐漸變化，隨風(fēng)飄動的樹葉等情況變化。

下面闡述本文方法在復(fù)雜場景條件下，對提高運(yùn)動目標(biāo)檢測效果的有效性的原因：

（1）因?yàn)殛幱皡^(qū)域像素點(diǎn)與周圍背景像素點(diǎn)灰度值差異相對較??；在更新過程中，陰影區(qū)域周邊的背景像素點(diǎn)灰度值快速融入陰影點(diǎn)的樣本點(diǎn)序列，根據(jù)公式（2）、（3），陰影點(diǎn)被判定為背景點(diǎn)的概率變大，在被判定為背景點(diǎn)后，這個陰影像素點(diǎn)灰度值又不斷進(jìn)入它周圍的陰影像素點(diǎn)樣本點(diǎn)序列，通過不斷的擴(kuò)散，最終陰影區(qū)域?qū)⒖焖偃谌氡尘?。而運(yùn)動目標(biāo)實(shí)體邊界像素點(diǎn)與周圍背景點(diǎn)的灰度值相差較大，即使周圍背景像素點(diǎn)灰度值擴(kuò)散運(yùn)動點(diǎn)樣本序列，但是根據(jù)式（2），由于與背景點(diǎn)灰度值差異大，仍然會被判定為運(yùn)動點(diǎn)，這樣使得真正運(yùn)動目標(biāo)區(qū)域的像素點(diǎn)的樣本點(diǎn)序列并未被背景點(diǎn)所侵蝕，相當(dāng)于起了一層保護(hù)膜的作用。通過這種機(jī)制，能夠?qū)﹃幱皡^(qū)域進(jìn)行有效抑制。

（2）運(yùn)動目標(biāo)如果在一段時間內(nèi)的保持靜止?fàn)顟B(tài)，由于運(yùn)動目標(biāo)邊界區(qū)域像素點(diǎn)的樣本點(diǎn)序列不斷被背景點(diǎn)灰度值所侵蝕，當(dāng)停留時間較長時，邊界像素點(diǎn)存在一定的被判定為背景點(diǎn)的可能性，加上運(yùn)動目標(biāo)區(qū)域內(nèi)部不可避免地出現(xiàn)噪聲點(diǎn)，這些噪聲點(diǎn)灰度值也會擴(kuò)散到運(yùn)動點(diǎn)的樣本點(diǎn)序列，根據(jù)公式（2）、（3），這些位置的運(yùn)動點(diǎn)可能會被判定為背景點(diǎn)；這些被判定為背景點(diǎn)的像素點(diǎn)，不斷向周圍進(jìn)行擴(kuò)散侵蝕，最終長時間停留的運(yùn)動目標(biāo)區(qū)域?qū)⒈煌耆治g成為背景。

（3）當(dāng)運(yùn)動目標(biāo)離開后，原來所停留的區(qū)域由于灰度值與周圍背景點(diǎn)的灰度值近似，并且整個區(qū)域都被背景點(diǎn)所環(huán)繞，所以背景點(diǎn)對所留下的幻影區(qū)域能夠進(jìn)行快速地侵蝕，使得整個區(qū)域迅速變?yōu)楸尘?；對于低速運(yùn)動的目標(biāo)，通過同樣的方式，能夠達(dá)到抑制幻影的效果。

（4）對于場景中的光照條件變化，樹葉的搖擺等情況，處理過程與陰影、幻影的處理過程類似，也是通過周圍背景點(diǎn)灰度值擴(kuò)散到運(yùn)動點(diǎn)的樣本序列，從而達(dá)到抑制場景變化對運(yùn)動目標(biāo)檢測所帶來不利影響的效果。

3 實(shí)驗(yàn)部分

為了驗(yàn)證基于隨機(jī)策略運(yùn)動目標(biāo)檢測方法的有效性，實(shí)驗(yàn)中選擇經(jīng)典的滑動平均法、混合高斯法與本文方法進(jìn)行對比，為突出效果，整個實(shí)驗(yàn)過程中并沒有進(jìn)行諸如濾波、膨脹、腐蝕等輔助性操作。所采取的視頻為ICVS-PETS2002室外視頻序列，大小為384×288，所用電腦CPU為Intel的P7350，處理速度2 GHz，內(nèi)存2 GB，編程環(huán)境為VC++6.0結(jié)合OpenCV。實(shí)驗(yàn)部分分為參數(shù)選擇與對比結(jié)果兩方面。

3.1 Tv、Tn、Ts參數(shù)的確定

基于隨機(jī)策略運(yùn)動目標(biāo)檢測方法涉及3個重要的參數(shù)；

（1）灰度閾值Tv，與經(jīng)典的減背景方法類似，一般設(shè)置為15～45，取值過高，使正常的運(yùn)動點(diǎn)判定為背景點(diǎn)，使得運(yùn)動目標(biāo)區(qū)域形成空洞；取值過小，會引入大量噪聲，在本實(shí)驗(yàn)下，Tv取值為25。

（2）參數(shù)Ts，其作用為通過增加一次隨機(jī)取值判定來降低樣本序列更新速度，具體取值需依據(jù)實(shí)驗(yàn)環(huán)境中CPU處理速度來確定取值，在本實(shí)驗(yàn)中，取值設(shè)置為10，可以使得樣本序列更新速度較為適中。

（3）根據(jù)公式（4）、（5）可以看出，P(X≥Tn)的概率與樣本序列N大小及次數(shù)閾值Tn有關(guān)，為使概率值較大，需N取值較大，Tn取值較小，在此處，樣本序列大小N取值固定為20可使得樣本序列大小適中，既能提高檢測精度，又減少內(nèi)存消耗。

在固定N、Tv、Ts條件下，在上述實(shí)驗(yàn)環(huán)境中設(shè)置Tn的不同取值來觀察實(shí)驗(yàn)結(jié)果。圖2為當(dāng)Tn取不同值時，對第880幀進(jìn)行檢測的情況，這一幀中人車多，場景復(fù)雜，易于對比檢測效果。

圖2 不同取值檢測情況(N=20，Tv=25，Ts=10)

從實(shí)驗(yàn)結(jié)果可以看出，當(dāng)Tn取值較小，如圖2（b）、（c）所示，檢測效果較好；當(dāng)Tn取值變大時，噪聲點(diǎn)增多，甚至背景點(diǎn)當(dāng)成運(yùn)動點(diǎn)檢測出來，檢測效果變差，如圖2（d）、（e）、（f）所示；圖2（b）與（c）對比發(fā)現(xiàn)，（c）中小車與右側(cè)行人檢測更為完整，所以實(shí)驗(yàn)中選擇Tn=2較為理想。

3.2 實(shí)驗(yàn)結(jié)果對比

混合高斯法采用的是文獻(xiàn)[6]提出的改進(jìn)的混合高斯算法。滑動平均法選用的閾值為25，學(xué)習(xí)率a為0.003，本文方法中Tn為設(shè)置為2，Tv設(shè)置為25，Ts設(shè)置為10，每個像素點(diǎn)的樣本點(diǎn)個數(shù)N為20，改進(jìn)的混合高斯模型參數(shù)設(shè)置為高斯模型個數(shù)為5，初始權(quán)值為0.05，初始方差為30，背景閾值設(shè)置為0.7。實(shí)驗(yàn)結(jié)果的對比主要集中在3個方面：一是初始化情況；二是幻影校正情況；三是檢測精度情況。實(shí)驗(yàn)結(jié)果如圖3、圖4、圖5所示。

從圖3中可看出，第2幀結(jié)束后，滑動平均法并未完成初始化，改進(jìn)的混合高斯法背景能夠完成初始化，但檢測結(jié)果中有較明顯的白色噪聲點(diǎn)。本文方法在對第2幀進(jìn)行檢測時，只有零星的孤立點(diǎn)，沒有成片的斑點(diǎn)，檢測效果改善明顯。

在圖4中，原始視頻從第1 601幀開始，右下角小車開始倒車，1 890幀表示該小車倒車結(jié)束，并短暫停留一段時間，2 006幀表示該小車已經(jīng)停留足夠長的時間，即將有行人從右下角進(jìn)入視頻場景。從圖4（d）可看出，在滑動平均法下，第1 601幀檢測結(jié)果中有著非常明顯的幻影，在圖4（f）中，小車直到第2 006幀結(jié)束后，依然被檢測為運(yùn)動目標(biāo)。在混合高斯法下，圖4（h）中顯示幻影在1 890幀以前就已經(jīng)消失，圖4（i）顯示在第2 006幀時，小車部分融入背景。在本文方法下，圖4（k）顯示在第1 890幀時，小車的幻影已經(jīng)檢測不到，并且小車開始部分融入背景。在2 006幀時，圖4（l）顯示小車已經(jīng)大部分融入背景。

圖3 背景模型初始化情況對比

圖4 幻影的校正情況對比

圖5 檢測精度情況對比

從圖5可看出，第941幀中存在的人、車運(yùn)動目標(biāo)相對較多，且3個行人左側(cè)的小車已經(jīng)停留一段時間。從檢測結(jié)果來看，在滑動平均法下，那輛停留較久的小車依然作為運(yùn)動目標(biāo)被檢測出來。在混合高斯法下，運(yùn)動目標(biāo)的陰影被誤檢出來，陰影抑制情況不理想，導(dǎo)致3個行人間無隔斷，連成一整片。本文方法檢測效果下，首先陰影抑制效果非常明顯，3個行人之間并未連接起來。其次，停留的小車能夠順利融入背景。

內(nèi)存消耗方面，在當(dāng)前實(shí)驗(yàn)條件下，滑動平均法內(nèi)存消耗量為9.392 KB，混合高斯法的內(nèi)存消耗量為44.212 KB，本文方法的內(nèi)存消耗量為10.160 KB。通過上述實(shí)驗(yàn)結(jié)果可以看出，本文方法能夠有效抑制陰影、幻影等對運(yùn)動目標(biāo)檢測帶來的不良影響，初始化速度快，檢測精度高，內(nèi)存消耗量較小。

4 結(jié)論

本文提出一種基于隨機(jī)策略的運(yùn)動目標(biāo)檢測方法，能夠通過視頻序列第1幀進(jìn)行背景模型的快速初始化，采用新穎的背景點(diǎn)、運(yùn)動點(diǎn)判定準(zhǔn)則，在背景模型的更新過程中兼顧樣本點(diǎn)的光譜、時間、空間特征；相對于混合高斯法和滑動平均法，本文方法易于編程實(shí)現(xiàn)，降低了算法的復(fù)雜程度和內(nèi)存消耗量，具有較強(qiáng)的可操作性和實(shí)用性。通過實(shí)驗(yàn)證明該方法有著良好的檢測效果，能夠有效抑制陰影、幻影，對場景變化具有較強(qiáng)的適應(yīng)性。

[1]Chen T P，Haussecker H.Computer vision workload analysis：case study of video surveillance systems[J].Intel Technology Journal，2005，9（2）：109-118.

[2]Cucchiara R，Grana C，Piccardi M，et al.Detecting moving objects，ghosts，and shadows in video streams[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2003，25：1337-1342.

[3]Friedman N，Russell S.Image segmentation in video sequences：a probabilistic approach[C]//Proceedings of the 13th Conference on Uncertainty in Artificial Intelligence，1997.

[4]Stauffer C，Grimson W E L.Adaptive background mixture models for real-time tracking[C]//Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition，1999.

[5]Stauffer C，Grimson W E L.Learning patterns of activity using real-time tracking[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22（8）：747-757.

[6]Kaewtrakulpong P，Bowden R.An improved adaptive background mixture model for real-time tracking with shadow detection[C]//Proceedingsofthe2ndEuropeanWorkshop on Advanced Video Based Surveillance Systems，2001.

[7]Lee D S.Effective gaussian mixture learning for video background subtraction[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2005，27（5）：827-832.

[8]Zivkovic Z.Improved adaptive Gaussian mixture model for background subtraction[C]//Proceedings of the 17th International Conference on Pattern Recognition，2004，2：28-31.

[9]Li L，Huang W，Gu I Y，et al.Statistical modeling of complex backgrounds for foreground object detection[J].IEEE Transactions on Image Processing，2004，13（11）：1459-1472.

[10]Piccardi M.Background subtraction techniques：a review[C]// Proceedings of the IEEE International Conference on Systems，Man and Cybernetics，2004.

HU Xiongge,WANG Yaonan

College of Electrical and Information Engineering,Hunan University,Changsha 410082,China

A method for finding moving objects by using random strategy is discussed.There are several innovations:firstly,the background model is initialized by the first frame of the video sequence；secondly,a unique decision rule is established to discriminate the moving pixels and the background pixels；thirdly,when updating the background model,not only updates the sample sequence of the current pixel,but also updates the neighborhood’s sample sequence.The random strategy is used in the process of initialization and updating.The spectral,spatial and the temporal features of pixels are exploited.The proposed method, compared with the running average method and the improved Gaussian mixture model method,is proved to be simple but efficient with lower computational cost and higher accuracy.

sample selecting;decision rule;background updating;random strategy

提出一種基于隨機(jī)策略進(jìn)行運(yùn)動目標(biāo)檢測的方法。方法的主要創(chuàng)新點(diǎn)：（1）利用視頻序列第1幀完成背景模型的初始化；（2）建立特定的運(yùn)動點(diǎn)與背景點(diǎn)判定規(guī)則；（3）背景模型更新過程中不僅更新當(dāng)前像素點(diǎn)的樣本序列，同時更新其鄰域的樣本序列。在背景模型初始化與更新過程中，使用隨機(jī)策略進(jìn)行樣本序列的更新。該方法利用了像素點(diǎn)的光譜、空間和時間特征，從而提高了檢測效果。通過與滑動平均算法、改進(jìn)的混合高斯模型算法進(jìn)行實(shí)驗(yàn)比較，結(jié)果證明該方法是一種運(yùn)算量小，準(zhǔn)確率高，簡單高效的運(yùn)動目標(biāo)檢測方法。

樣本選擇；判定規(guī)則；背景更新；隨機(jī)策略

A

TP391.41

10.3778/j.issn.1002-8331.1110-0601

HU Xiongge,WANG Yaonan.Research on moving objects detection by using random strategy.Computer Engineering and Applications,2013,49（13）：128-132.

國家自然科學(xué)基金（No.60835004）；國家高技術(shù)研究發(fā)展計劃（863）（No.2007AA04Z244）。

胡雄鴿（1985—），男，碩士研究生，主要研究領(lǐng)域?yàn)橛嬎銠C(jī)視覺；王耀南（1957—），男，教授，博士生導(dǎo)師。E-mail：278409580@qq.com

2011-11-02

2012-01-02

1002-8331（2013）13-0128-05

CNKI出版日期：2012-03-21http://www.cnki.net/kcms/detail/11.2127.TP.20120321.1735.050.html