王奎奎，玉振明

(1.桂林電子科技大學(xué) 信息與通信工程學(xué)院，廣西 桂林 541000；2.梧州學(xué)院，廣西 梧州 543000)

融合背景減法和幀差法的運動目標(biāo)檢測

王奎奎1，玉振明2

(1.桂林電子科技大學(xué) 信息與通信工程學(xué)院，廣西 桂林 541000；2.梧州學(xué)院，廣西 梧州 543000)

針對背景減法前景目標(biāo)檢測前期存在的“鬼影”，通過統(tǒng)計圖像序列中各像素點處像素值的頻次，高頻次的像素值為背景像素，獲得了無運動目標(biāo)的背景，消除了“鬼影”；對于幀差法檢測結(jié)果內(nèi)部易產(chǎn)生“空洞”，在前景判斷時增加了新的判決條件，改善了“空洞”問題；對于傳統(tǒng)背景減法檢測結(jié)果存在“拖影”問題，通過背景減法和改進(jìn)幀差法的檢測結(jié)果進(jìn)行邏輯與操作，并將“與”結(jié)果作為背景圖像更新判決條件。實驗結(jié)果表明，該算法可以獲得精確的背景圖像，并且解決了“拖影”、“鬼影”及“空洞”問題，滿足實時檢測的需求。

背景初始化；背景減法；幀差法；背景更新

隨著智慧城市[1]在我國的興起，智能視頻監(jiān)控將發(fā)揮巨大作用，其具有廣泛的應(yīng)用領(lǐng)域，如對超市、街市、住房小區(qū)和銀行等公共場所的監(jiān)控，對車輛、行人等交通場景的監(jiān)控。運動目標(biāo)檢測技術(shù)是智能視頻監(jiān)控的一個重要環(huán)節(jié)，它為智能視頻監(jiān)控的實現(xiàn)奠定了良好的基礎(chǔ)，為機(jī)器人實現(xiàn)捕捉和跟蹤目標(biāo)提供了便利[2-3]，因此運動目標(biāo)檢測依然是一個重要研究課題。

背景減法[4]、幀差法[5-6]、光流法[7]是運動目標(biāo)檢測常用方法。背景減法[8]和幀差法[9]均利用幀間像素差異性檢測運動目標(biāo)，算法實現(xiàn)簡單，實時性好。傳統(tǒng)的背景減法在背建模和更新階段，對于某些情況如視頻初始幀存在運動目標(biāo)、目標(biāo)移動緩慢等，檢測結(jié)果易產(chǎn)生“鬼影”和“拖影”。幀差法對運動目標(biāo)的移動速度和幀間像素差異性小較為敏感，在檢測結(jié)果中易產(chǎn)生“雙影”和“空洞”。光流法[10]由于遮擋和孔徑的問題計算復(fù)雜度高，難以滿足實時檢測的要求。文獻(xiàn)[11-12]提出一種車輛檢測算法，在背景建模階段均采用高斯混合模型，利用視頻第一幀設(shè)置高斯模型的參數(shù)，對于第一幀存在運動目標(biāo)的情況，在前景判斷初期第一幀中的目標(biāo)會被當(dāng)成背景，在處理后續(xù)幀時第一幀中的運動目標(biāo)長期被當(dāng)作前景目標(biāo)檢測出，造成前景圖像中的“鬼影”，導(dǎo)致錯檢率增加，最終影響算法的精確度。文獻(xiàn)[13]提出一種融合光流法和幀間差分的目標(biāo)檢測新算法，該算法首先利用兩幀差分獲得運動區(qū)域，其次計算運動區(qū)域中不為零的光流，利用光流場目標(biāo)跟蹤得以實現(xiàn)，但是光流法計算量較大，不滿足視頻監(jiān)控實時性的要求。文獻(xiàn)[14]提出基于背景減法與三幀間差分相融合的運動檢測方法，利用改進(jìn)的時間平均模型背景建模，獲取背景圖像，但是在監(jiān)控區(qū)域目標(biāo)密集移動時，建立的背景圖像存在“虛影”，導(dǎo)致目標(biāo)檢測前期形成“鬼影”，同時三幀差分法雖然解決了“雙影”，但對“空洞”問題并沒有克服。

本文針對以上算法存在的缺陷，提出一種融合背景減法和八鄰域幀差法的運動目標(biāo)檢測方法，該方法能夠在前景檢測前建立無運動目標(biāo)的初始化背景，消除傳統(tǒng)背景減法在目標(biāo)檢測前期存在的“鬼影”，減少了幀差法檢測結(jié)果中的“空洞”，滿足視頻監(jiān)控實時性的要求。

1 目標(biāo)檢測算法

1.1 背景初始化

通過分析前景圖像中的“鬼影”，其出現(xiàn)的主要原因是初始化背景選取不當(dāng)。若初始化背景中無運動目標(biāo)，則無“鬼影”。然而針對目標(biāo)檢測前期“鬼影”問題，傳統(tǒng)方法通常在背景更新過程中設(shè)置不同的背景更新速率，在消除“鬼影”階段采用較大的速率加快背景更新；“鬼影”消除后速率變小以適應(yīng)緩慢變化的環(huán)境，這樣無疑增加了算法的復(fù)雜度。所以本文在目標(biāo)檢測前通過初始化背景的方法，獲得無運動目標(biāo)的背景，所以在前景檢測過程“鬼影”就會消失。

運動目標(biāo)檢測中背景初始化方法主要有：視頻初始幀作為初始背景、基于時間平均模型背景建模。如果視頻序列中第一幀沒有運動目標(biāo)，選取第一幀作為初始化背景，效果好、占用內(nèi)存少。然而大多數(shù)視頻序列第一幀均存在運動目標(biāo)，若選取第一幀初始化背景，后續(xù)的背景更新、運動目標(biāo)判斷，將出現(xiàn)誤判。此時可以利用時間平均模型獲得背景，然而若選取幾幀圖像平均并不能獲得精確的背景，若選取多幀圖像則會占用大量的內(nèi)存空間，影響算法的實時性，同時在監(jiān)控區(qū)域運動目標(biāo)密集移動時，時間平均獲得的背景存在“虛影”，影響后續(xù)的操作。

所以本文提出一種即使存在運動目標(biāo)密集移動的情況，依然可以提取可靠背景的方法。主要步驟如下：

1)連續(xù)獲取N幀圖像序列{X1，X2,…,XN}，并分別轉(zhuǎn)化為灰度圖。

2)定義一個矩陣MaxTimes，用于存儲圖像序列Xi(1≤i≤N)在像素點(x，y)處出現(xiàn)概率最大的像素值Pmax(x，y)。具體步驟為：依次獲得圖像序列每一個像素點(x，y)處的像素值Xi(x，y)，并統(tǒng)計Xi(x，y)中出現(xiàn)次數(shù)最多的像素值Pmax(x，y)。若出現(xiàn)多個次數(shù)相等其為最大次數(shù)的像素值，則取像素的平均值。將Pmax(x，y)依次存儲在矩陣MaxTimes中。

3)定義背景圖像B(x，y)，將MaxTimes每一個矩陣元素賦予背景圖像，即B(x，y)=MaxTimes(x，y)。

利用本文方法獲取的背景圖像，在獲得準(zhǔn)確背景圖像的前提下需要視頻幀遠(yuǎn)遠(yuǎn)少于時間平均背景模型需要的幀數(shù)。利用PETS2009_sample_1視頻進(jìn)行實驗，該視頻第一幀存在運動目標(biāo)，結(jié)果如圖1。

a 視頻初始幀

b 時間平均背景建模

c 本文背景初始化圖1 初始化背景圖

在實驗中，圖1a為原始視頻初始幀；圖1b利用時間平均背景模型采用18幀圖像背景建模，結(jié)果可以看到存在大量“虛影”，其會被當(dāng)作前景目標(biāo)檢測出來，影響算法的精確度。圖1c同樣使用18幀圖像，利用本文方法建立背景圖像，實驗結(jié)果看出獲得了真實可靠的背景。

利用簡單背景差分法測試時間平均和提出方法提取的背景對檢測結(jié)果的影響程度，使用PETS2009_sample_1和highwayI_raw進(jìn)行測試，結(jié)果如圖2所示。

a 視頻幀 b 時間平均差分結(jié)果

c 本文方法差分結(jié)果 d 視頻幀

e 時間平均差分結(jié)果 f 本文方法差分結(jié)果圖2 簡單背景差分檢測結(jié)果

圖2在保證檢測的運動感目標(biāo)輪廓清晰的前提下，背景減法中選擇閾值T=30，對差分圖像進(jìn)行二值操作。圖2a和圖2d為原始視頻某一幀；圖2b和圖2e采用時間平均獲得初始化背景檢測結(jié)果；圖2c和圖2f采用本文方法初始化背景檢測結(jié)果。從圖2可以看出：時間平均得到的初始化背景由于“虛影”存在，檢測結(jié)果存在”鬼影”和噪音如圖2b和圖2e；采用本文方法雖然存在少量孤立噪聲點，但前景目標(biāo)更加精確。

1.2 背景減法獲取運動目標(biāo)

在獲得可靠的初始化背景B(x，y)后，獲取當(dāng)前幀I(x，y)，兩者進(jìn)行絕對值差分運算獲得差分圖像f(x，y)

(1)

(2)

(3)

根據(jù)式(2)和(3)確定差分圖像f(x，y)閾值T，這樣解決了閾值預(yù)先設(shè)定的缺點，閾值選取實現(xiàn)自適應(yīng)，因此可以更加準(zhǔn)確地分割出運動目標(biāo)D(x，y)，如公式(4)和(5)

T=μ+β×δ

(4)

(5)

式中：β為微調(diào)系數(shù)，可以根據(jù)不同情況設(shè)定不同的值，本文取β=0.95；H為圖像高度；W為圖像寬度。

1.3 八鄰域幀差法

傳統(tǒng)兩幀差分法進(jìn)行運動目標(biāo)檢測是從視頻序列中連續(xù)采集兩幀圖像進(jìn)行差分運算，有時計算結(jié)果為負(fù)值，通常為負(fù)值的像素值將被賦值為零，導(dǎo)致差分結(jié)果不準(zhǔn)確，所以將連續(xù)兩幀圖像絕對值差分運算，這樣使計算結(jié)果更加合理，如式(6)

(6)

式中：dk，k-1(x，y)為連續(xù)兩幀絕對值差分圖像；Ik(x，y)為當(dāng)前幀；Ik-1(x，y)為前一幀；按照式(2)、(3)、(4)確定差分圖像dk，k-1(x，y)的閾值T，利用閾值T分割運動目標(biāo)，如式(7)

(7)

但是兩幀差分法在進(jìn)行目標(biāo)檢測時，對于目標(biāo)內(nèi)部灰度值分布比較均勻或者前景與背景灰度值近似的情況，在兩幀之間目標(biāo)重疊部分，檢測的運動目標(biāo)內(nèi)部存在“空洞”，同時伴隨噪聲。所以本文通過研究幀差分圖像，分析“空洞”的來由。對差分圖像中像素點分為4類：背景點、背景與前景近似點、前景與前景近似點、前景與背景差異性較大的點，分別用A、B、C、D代替如圖3。

注：按水稻價格（2.8 元 /公斤）、肥料中化（23∶10∶15）價格 3700 元 /噸、中化（21∶15∶16）2980 元 /噸計算?；势a(chǎn)力=產(chǎn)量/化肥純量

圖3 像素點分類圖

根據(jù)圖3所示，傳統(tǒng)幀差法利用閾值T對差分圖像進(jìn)行分割時，大于T即D部分分割為前景點，小于T即A、B、C部分為背景點，B、C部分像素點在目標(biāo)內(nèi)部形成了“空洞”。然而真實情況B、C部分依然屬于前景點，對于這些丟失的前景點，采用增加分割前景時的判斷條件。 由于丟失的前景點相鄰像素具有相似性，所以其八鄰域中存在像素差異性較大的像素點。

所以本文在進(jìn)行閾值操作獲得二值圖像時Dk，k-1(x，y)，增加一個判決條件如式(8)

(8)式中：sum(x，y)為像素點(x，y)的8個領(lǐng)域在式(6)的差分值的總和。如果sum(x，y)大于取定的閾值M或滿足公式(7)判斷為1的條件時，則判斷該像素點為運動目標(biāo)像素點，即式(9)

(9)

同時對檢測結(jié)果Dk，k-1(x，y)進(jìn)行形態(tài)學(xué)膨脹和腐蝕運算，可以進(jìn)一步填充檢測目標(biāo)內(nèi)的“空洞”。分別定義一個7×7的膨脹算子element1和3×3的腐蝕算子element2利用公式(10)對八鄰域幀差法的檢測結(jié)果先做膨脹處理，進(jìn)一步填充空洞，其次進(jìn)行腐蝕操作消除孤立的噪聲點。

Dk,k-1(x,y)=Dk,k-1(x,y)⊕elementl

(10)

Dk,k-1(x,y)=Dk,k-1(x,y)Θelement2

(11)

本文從定量和定性兩種角度測試八鄰域幀差法對目標(biāo)“空洞”的改善。利用幀差法和八鄰域幀差法定量測試SampleVideo視頻序列第29幀、38幀矩形方框內(nèi)檢測前景點的個數(shù)，如圖4所示。

圖4 原視頻幀

采用相同的閾值T，利用幀差法在第29幀前景點個數(shù)為1 792，八鄰域幀差法統(tǒng)計的前景點個數(shù)為3 924；利用幀差法在第38幀統(tǒng)計前景點個數(shù)為3 824，八鄰域幀差法統(tǒng)計前景點個數(shù)為4 633。從結(jié)果中可以看到本文所提方法確實對“空洞”進(jìn)行了填充。

從定性的角度，利用視頻序列Sample Video對幀差法和八鄰域幀差法進(jìn)行實驗，驗證算法的有效性，如圖5所示。

圖5a為視頻序列SampleVideo的第29和38幀；圖5b為幀差法得到的運動目標(biāo)；圖5c為本文八鄰域幀差法得到的運動目標(biāo)；從實驗結(jié)果看出采用八鄰域幀差法得到的運動目標(biāo)內(nèi)部“空洞”更少，目標(biāo)更加精確，但同時在圖中地面會有少量噪聲。所以在算法中加入形態(tài)學(xué)膨脹和腐蝕操作，膨脹操作進(jìn)一步填充目標(biāo)內(nèi)部空洞，腐蝕消除孤立的噪聲點，如圖5d。

a 視頻幀 b 幀差法 c 八鄰域幀差法 d 腐蝕膨脹結(jié)果圖5 幀差法與八鄰域幀差法對比

1.4 精確提取目標(biāo)信息

雖然采用八鄰域幀差法減少了噪聲和物體內(nèi)部“空洞”，但同時帶來另外一個問題。由于對結(jié)果進(jìn)行了膨脹處理，導(dǎo)致運動目標(biāo)變大，對于單個目標(biāo)對后續(xù)處理影響不大，當(dāng)監(jiān)控區(qū)域存在多個目標(biāo)且多個目標(biāo)之間相鄰比較近，膨脹處理后，目標(biāo)將會完全靠攏在一起，導(dǎo)致運動目標(biāo)輪廓信息不精確，給后續(xù)處理如流量統(tǒng)計和追蹤帶來致命影響。

所以本文把背景差分法和八鄰域幀差法的檢測結(jié)果進(jìn)行邏輯與操作，其表達(dá)式如下

Result(x,y)=d(x,y)?Dk,k-1(x,y)

(12)

這樣解決了八鄰域幀差法產(chǎn)生的目標(biāo)變大，輪廓不清晰的缺點，同時為背景選擇性更新提供更加準(zhǔn)確的判決條件。

由于監(jiān)控區(qū)域的環(huán)境是變化的，比如物體的移入或者移出、一天之內(nèi)光照的變化等。所以建立的初始化背景不是一成不變的，需要背景圖像自適應(yīng)跟隨真實場景而調(diào)整。背景更新的實質(zhì)是使用當(dāng)前幀圖像不斷地修正背景圖像，使其更加接近真實場景。常用的背景更新方法為

B(x,y)=(1-α)×B(x,y)+α×I(x,y)

(13)

式中：x為背景的更新速度，其取值范圍[0，1]，α越大表示對當(dāng)前背景忘記速度越快，背景更加接近于當(dāng)前幀；B(x，y)為背景圖像；I(x，y)為當(dāng)前幀。

但是常用背景更新方式對于緩慢移動的目標(biāo)在背景更新時當(dāng)前幀與背景不斷地加權(quán)疊加，會產(chǎn)生一條長長的“拖影”。在進(jìn)行前景目標(biāo)判斷時，“拖影”將被當(dāng)作運動目標(biāo)檢測出，影響算法的精確度。所以為提高算法的精確程度，算法使用背景差分和八鄰域幀差檢測結(jié)果進(jìn)行邏輯與操作，并將結(jié)果作為對背景更新的先驗條件，即若“與”結(jié)果判斷為運動目標(biāo)則不更新，若為背景則更新背景圖。其表達(dá)式為

(14)

2 實驗結(jié)果分析

算法以Visual Studio 2010、OpenCV 2.4.9為軟件開發(fā)工具，利用視頻序列PEST2009_sample_1和SampleVideo進(jìn)行測試，并將本文算法與傳統(tǒng)背景減法、幀差法、混合高斯實驗結(jié)果進(jìn)行對比，驗證本文算法的有效性，如圖6所示。從PEETS2009_sample_1采集4幀圖像，為別為165幀、180幀、316幀和368幀，SampleVideo分別采集第20幀、28幀、36幀和56幀。

從圖6中可以看到，傳統(tǒng)背景減法在進(jìn)行背景建模和更新時存在“鬼影”和“拖影”，導(dǎo)致檢測結(jié)果存在虛假的目標(biāo)和“拖影”，如圖6c中第3列圖片五角星標(biāo)注部分，圖6d中檢測目標(biāo)伴隨長長的“拖影”；幀差法檢測的結(jié)果內(nèi)部存在大量“空洞”，如圖6g顯示；圖6e，圖6f為本文算法檢測結(jié)果，解決了傳統(tǒng)背景減法“鬼影”和“拖影”現(xiàn)象以及幀差法“空洞”問題。圖6h為GMM算法檢測結(jié)果，由于采用第一幀初始化高斯模型，故56幀之前檢測結(jié)果一直存在“鬼影”問題。GMM在視頻序列SampleVideo中需要56幀獲得精確的背景，然而本文算法完成背景建模只需要20幀，即可得到可靠的背景圖像。

分別利用多個視頻序列測試各個算法執(zhí)行一次消耗的時間，如表1所示。

表1為以上算法執(zhí)行一次時間消耗，本文算法消耗時間高于背景減法和幀差法，但檢測精確度要比背景減法和幀差法高，同時本文算法時間消耗比GMM平均時間減少了6.406 ms。

3 小結(jié)

本文提出了背景初始化方法，即使視頻初始幀存在運動

a PETS2009_sample_1原始序列

b SampleVideo原始序列

c PETS2009_sample_1 背景減法

d SampleVideo 背景減法

e PETS2009_sample_1本文算法

f SampleVideo本文算法

g SampleVideo幀差法

h SampleVideo GMM

目標(biāo)，也能獲得可靠背景，消除“鬼影”；同時，對幀差法進(jìn)行改進(jìn)，減少了目標(biāo)內(nèi)部“空洞”和噪聲；最后將背景減法和八鄰域幀差法相融合，并把結(jié)果作為反饋對背景圖像選擇性更新，消除傳統(tǒng)背景減法的“拖影”。但是本文是在默認(rèn)背景像素點是處于穩(wěn)定狀態(tài)最長的灰度值或者運動目標(biāo)停留在監(jiān)控區(qū)域較為短暫的前提下，本文提出的背景初始化方法才會更加有效。下一步的研究工作重心將放在背景初始化，進(jìn)一步提高其適用范圍，提高目標(biāo)檢測的精確度。

[1] 郭玲.智能視頻監(jiān)控中運動目標(biāo)檢測的算法研究[D].廣州：華南理工大學(xué)，2013.

[2] CHEUNG S C S， KAMATH C. Robust background subtraction with foreground validation for urban video[J]. Eurasip Journal on Applied Signal Processing，2005(14)：2330-2340.

[3] CARRANZA J，THEOBALT C，MAGNOR M A，et al. Free-viewpoint video of human actors[J]. ACM Transactions on Graphics (TOG)， 2003， 22(3)：569-577.

[4] 丁磊，宮寧生.基于改進(jìn)的三幀差分法運動目標(biāo)檢測[J].電視技術(shù)，2013，37(1)：151-153.

[5] 任克強(qiáng)，張盼華，謝斌.自適應(yīng)學(xué)習(xí)的混合高斯模型運動目標(biāo)檢測算法[J].計算機(jī)工程與設(shè)計，2014，35(3)：968-974.

[6] 屈晶晶，辛云宏. 連續(xù)幀間差分與背景差分相融合的運動目標(biāo)檢測方法[J].光子學(xué)報，2014，43(7)：219-226.

[7] 屠禮芬，仲思東，彭祺，等.基于高斯金字塔的運動目標(biāo)檢測[J].中南大學(xué)學(xué)報：自然科學(xué)版，2013，35(8)：2778-2786.

[8] 蘇延召，李艾華，姜柯，等.改進(jìn)視覺背景提取模型的運動目標(biāo)檢測算法[J].計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報，2014，26(2)：232-240.

[9] 嚴(yán)金果，徐蔚鴻.基于新的幀間差分運動目標(biāo)檢測算法[J].計算機(jī)工程與設(shè)計，2013，34(12)：4331-4335.

[11] ZHANG H，WU K. A vehicle detection algorithm based on three-frame differencing and background subtraction[C]//Proc. 2012 5th International Symposium on Computational Intelligence and Design (ISCID). Hangzhou：IEEE Press，2012：148-151.

[12] 盧清華，吳志偉，范彥斌，等.基于混合高斯模型的運動車輛檢測方法[J].光電子·激光，2013，24(4)：751-757.

[13] 袁國武，陳志強(qiáng)，龔健，等.一種結(jié)合光流法與三幀差分法的運動目標(biāo)檢測算法[J].小型微型計算機(jī)系統(tǒng)，2013，34(3)：668-671.

[14] 邱聯(lián)奎，劉啟亮，雷文龍.基于背景減除與三幀差分相融合的運動檢測[J].合肥工業(yè)大學(xué)學(xué)報：自然科學(xué)版，2014，37(5)：572-577.

2016年“CCBN年度創(chuàng)新獎”評選活動正式啟動

以“云聚全媒體，智匯新視聽”為主題的第二十四屆中國國際廣播電視信息網(wǎng)絡(luò)展覽會(CCBN2016)將于2016年3月24日至26日在北京中國國際展覽中心舉行， “CCBN年度創(chuàng)新獎”也將于2016年3月23日揭曉并舉行隆重的頒獎典禮。

日前，CCBN年度創(chuàng)新獎組委會已正式啟動2016年獎項評選工作，誠征優(yōu)秀企業(yè)、產(chǎn)品、個人積極報名參與。“CCBN年度創(chuàng)新獎”評選活動以彰顯廣播影視行業(yè)優(yōu)秀產(chǎn)品和技術(shù)為宗旨，表彰對推動我國廣播影視行業(yè)創(chuàng)新發(fā)展和科技進(jìn)步做出杰出貢獻(xiàn)的機(jī)構(gòu)和個人。2016年“CCBN年度創(chuàng)新獎”共設(shè)立“CCBN2016產(chǎn)品創(chuàng)新獎”、“CCBN2016創(chuàng)意設(shè)計獎”、“CCBN杰出貢獻(xiàn)獎”、“CCBN組織貢獻(xiàn)獎”四大類獎項，評選內(nèi)容涵蓋節(jié)目制作與播出，有線、無線、衛(wèi)星網(wǎng)絡(luò)傳輸與覆蓋，業(yè)務(wù)平臺與終端設(shè)備，融合媒體等多個廣播電視通信領(lǐng)域。評獎活動面向全體CCBN參展企業(yè)及廣電行業(yè)中技術(shù)領(lǐng)先的企業(yè)及個人，以及各級廣播電影電視業(yè)務(wù)運行機(jī)構(gòu)。

Moving Object Detection Combining Background Subtraction and Frame Difference

WANF Kuikui1，YU Zhenming2

(1.SchoolofInformationandCommunication，GuilinUniversityofElectronicScienceandTechnology，GuangxiGuilin541000，China；2.WuzhouUniversity，GuangxiWuzhou543000，China)

To eliminate "ghost" before foreground target detection of background subtraction method， no-moving target background is obtained according to count the frequency of pixel values at each pixel point within image sequence. High-frequency pixel is considered as background pixel. Then the "ghost" is eliminated.To eliminate "holes" inside of detecting result got by frame difference， a new decision criterion is added when judging foreground. The problem of "holes" is improved. For the problem of "image tail" of detected result got by traditional background subtraction， a logic "and" operation is done according to the detection results of the background subtraction and improved frame difference， and the results is regarded as the decision criterion of background update. Experimental results show that the algorithm can obtain accurate background and solve "image tail"， "ghost" and "holes"， and it fits for the real-time detection.

background initialization；background subtraction；frame difference；background update

國家自然科學(xué)基金項目(61562074)；廣西自然科學(xué)基金項目(2013XNSFAA019323)

1.73

A

10.16280/j.videoe.2015.24.023

2015-05-27

【本文獻(xiàn)信息】王奎奎，玉振明.融合背景減法和幀差法的運動目標(biāo)檢測[J].電視技術(shù),2015，39(24).

王奎奎(1990— )，碩士生，主要研究運動目標(biāo)檢測，模糊檢測；

玉振明(1963— )，博士，主要研究圖像融合。

責(zé)任編輯：時 雯