运动目标检测中阴影去除算法的研究与实现(15)

毕业设计论文 运动目标检测中阴影去除算法的研究与实现

进一步的目标跟踪等。

3.2.3 背景差法

背景差法相对于相邻帧差法和光流法来说简单且易于实现，是一种有效的运动目标检测算法，是固定摄像机对固定场景进行视频监控时检测运动目标最常用的方法。它的本质思想是利用当前图像与背景图像进行比较，选择区别较大的像素区域作为运动目标；而区别较小的像素区域则被认为是背景区域。背景差法必须要有背景图像，并且背景图像要随着光照和外部环境的变化而实时更新，因此背景差法关键是背景建模及其更新。

传统的背景差算法包括二大步骤：

(1) 确定背景模型，并建立背景图像。最简单的背景模型是时间平均图像。在背景图像的初始化算法中，求取一段较长的时间段内，视频序列图像每一像素的平均色彩值，作为初始的背景估计图像。

(2) 在像素模式下，用当前图像减去已知背景图像来得到差分图像。如果定义图像序列为I(x，y，i)，其中x，y代表空间坐标，i表示帧数，i=(1...N)，N为视频序列总数。背景图像为B(x，y)，则差分图像可以表示为 d(x,y,i) I(x,y,i) B(x,y) （3.1）

(3) 对差分图像做二值化处理,得到运动区域：

1 d(xp,yp,i) T M(xp,yp,i) （3.2） 0 d(xp,yp,i)≤T

其中，p为差分图像中的任何一点，T为阈值。

如果M(xp，yp，i)=1，则表示象素点p在第i帧属于运动区域(前景区域)；

如果M(xp，yp，i)=0，则表示象素点p在第i帧属于背景区域。

这种固定背景算法是假定背景在相当长的一段时间内是不会发生变化的，然后以此为基础求解运动区域。事实上，即使是室内环境，也存在光线等各种变化所造成的干扰，所以固定背景的方法存在很大的局限性。通常的解决办法是系统需要时常对背景重新初始化，以防止错误随着时间不停地积累造成背景的失效。因此，作为固定背景，它只适用于变化较小的短期的跟踪问题。

3.3 基于RGB颜色空间的混合高斯模型

在静止摄像机条件下，运动目标检测的关键是背景图像的描述模型即背景模型，它是背景差方法分割前景目标的基础。背景模型分为单模态和多模态两种。前者在每个背景点上的颜色分布是比较集中的，可以用单个概率分布模型来描述（即只有一个模态）；后者的分布则比较分散的，需要多个分布模型来共同描述（即具有多个模态）。自然界中许多的景物和很多的人造物体，如水面的波纹、飘扬的旗帜、摇摆的树枝等，都呈现出多模态特性，可以利用混合高斯分布（正态分布）对背景建模，再进行背景差提取运动目标。这种基于混合高斯模型算法（MoG算法）的运动目标检测算法即继承了大多背景差算法简