動態(tài)場景下的背景提取算法研究.pdf

1、本文提出了一種融合顯著性的動態(tài)場景背景提取算法，并把該算法運用到復(fù)雜場景下的進行運動目標檢測與跟蹤。當前國內(nèi)外科研人員和學(xué)者已經(jīng)提出了許多運動目標檢測算法，其中幀差法、光流法和背景減除法為主要的算法。而背景減除法是眾多學(xué)者傾向?qū)ζ溥M行研究的方向。背景減除法中主要的工作就是對背景進行建模，并對背景模型實時更新，達到實時運動目標檢測與跟蹤的目的。而在眾多背景模型構(gòu)建算法中，大多數(shù)算法都是基于像素極的背景模型。單高斯模型、混合高斯模型、自適應(yīng)

2、模型、核密度估計模型等等都是最常用到的背景模型。
　　自然場景變化呈現(xiàn)多樣性及不確定性，動態(tài)場景一般有幾種情況的存在：
　　1）光照強度及光照方向的變化；
　　2）背景中物體發(fā)生運動；
　　3）同一背景區(qū)域中存在不連續(xù)或周期性運動；
　　4）目標在運動中突然停止；
　　5）目標陰影，影響目標的真實形狀，導(dǎo)致在目標檢測過程中會出現(xiàn)目標檢測錯誤、誤將背景檢測為目標、檢測結(jié)果噪音過多、檢測目標存在空洞或誤將

3、陰影檢測為目標等各種問題的出現(xiàn)。為處理掉現(xiàn)存方法中存在的不足，眾多背景模型應(yīng)運而生。每一種或幾種背景模型一般都可以較好的解決一種復(fù)雜場景帶來的問題。同樣，核密度估計模型有不同于其他模型的特有的優(yōu)勢，該模型在背景建模過程中不需要參數(shù)選擇和更新的過程，而且不同于其他針對單個像素進行建模的背景模型，該模型考慮到了像素與像素之間存在的空間相關(guān)性。所以在運動目標檢測中可以比較完整地檢測出運動目標。但是，該算法對于背景中物體的運用比較敏感，會將部分

4、背景中的物體作為運動目標檢測出來。
　　為了緩解這個問題，本文提出了一種融合顯著性的背景提取算法。算法主要步驟是：首先對視頻序列采用核密度估計模型構(gòu)建背景模型，并對其進行背景提取，檢測出運動目標。由于背景中存在周期性運動，使得經(jīng)過背景提取算法檢測出的目標包含大量背景像素。同時，檢測到的前景中的運動目標可以比較完整。為了消除背景中周期性運動對運動目標檢測產(chǎn)生的干擾，本文將顯著性區(qū)域檢測方法應(yīng)用到核密度估計背景模型中。在目標檢測結(jié)果之