即用当前帧的信息反馈给背景模型，使背景模型得到 及时更新。式(4)中a(o<a<1)为背景学习速率，值越 大，背景更新得越快。
1．2．2   backgauss
 
一般由噪声引起的同一位置像素值变化可以视为 满足高斯概率分布，而由物体运动引起的像素值变化 会不满足高斯分布。通过统计方法求得像素的概率密 度函数，即建立高斯背景模型B(x，Y，f)～Ⅳ(Ⅳ，仃2)，称为
backgaussl6】：

 

式中：r，g，b分别表示坐标为(J，)，)像素的3个颜色分 量值；
it，，口。，Ⅳ6分别为3个颜色分量值的均值；
仃，O，)，)，trg(x，)')，％(x，)，)分别为3个颜色分量值 的方差；
f为阀值。 式(5)．(7)同时满足，则认为该像素为背景像
素。backgauss的实验结果见图6。

a)第53帧          b)第97帧

图6  Monitor序列backgauss的实验结果 Fig．6   The experimental result of backgauss on monitor sequence

实验中先对序列的前13帧进行统计学习，得到背 景的高斯模型。_r取值为32。
1．2．3   backW4
若通过统计学习先得到M(x，烈图像序列中坐标为 (工，y)处像素值的最大值)，m(x，)，)(图像序列中坐标为 (工，)，)处像素值的最小值)。D(x，)7)(图像序列中坐标为 (J，Y)处帧差最大值)，这种方式建立的背景模型为 backW4【7】。把当前帧的像素经过以下判断，若两式同 时满足，则认为该像素为背景像素。
IP@，Y，f)叫0，y)l<D(x，y)，                         (8)
IP(x，Y，r)—m@，y)l<D(x，y)。                            (9)
backW4的实验结果见图7。 实验中，把24位图像每个像素的r，g，b颜色分
量通过公式：gray=O．299r+0．5879+0．1  14b转换成灰度值
a)第53帧                 b)第9r7帧
图7  Monitor序列backW4的实验结果 Fig．7  The experimental result of backW4 on monitor sequence
2    一种鲁棒的运动对象提取算法

上述像素域基于帧问差分的算法实现起来简单， 利用前1帧或2帧作为参考帧，较少受光照慢变化的 影响。但当视频对象的运动不显著或物体部分运动 时，帧间变化检测无法分割出整个视频对象，得到的 只是对象的一部分；对运动对象出现暂停时，也无法 检测。同时，由于视频对象的运动而暴露出的背景区 域会标记为变化，被误当作视频对象的一部分。这些 是进行简单的帧间差分无法解决的问题。
基于减背景的算法能较好地解决以上问题，对暂 停的物体和囚对象的运动而显露的背景区域作出正确 的判断。然而，基于减背景的算法中，背景通常需要 一段学习统计阶段才能得到，n,-tI百-I复杂度较高；背景 模型也只能在序列背景相对稳定的情况才能建立。例 如，对变化丰富的水纹区域、树叶摆动区域，用此方
法是不能实现的18】。
本文提出一种改进的同时进行帧间差分和减背景 的像素域运动对象提取算法，算法框图见图8。

图8算法框图
Fig．8  The proposed algorithm framework

算法首先对缓存中的帧进行高通滤波处理，这样 就能消除光照变化的影响，然后执行相邻多帧的帧问 差分(diif3)，得到帧间差分掩膜，记为FDM。在进行
帧间差分的过程中，同时建立序列的背景模型，其中
背景采用文献【9】中背景记录的方法得到，实质上是一 种自适应背景更新模型。
根据FDM的值，较长时间内没有运动的像素才视 为背景像素，即：
fS／(r．v．t—n，ifFDM：0，
盯(训，‘)2岳i南‘：l。               (10)
魄∥)-{糍以,t),f．1)’if Sl(elsx,ye,。t卜k⋯)
式中Sl(x，Y，f)的值为某像素属于背景的概率值。若连 续多帧其FDM均为0，表明该像素属于背景的概率越 大；当Sl(x，Y，f)达到阀值‘。时，则视该像素为背景像
素。显然，这种背景记录过程具有背景更新的能力。
得到背景模型后，再用当前帧与背景模型相减， 求得背景差分掩膜，记为BDM。结合帧间差分掩膜和 背景差分掩膜，就能提取序列中各种情况下的视频对 象，初始对象掩膜记为IOM，从而提取的过程可以表
勐IOM(训∽_{=兽嚣尝∥净1’㈤，
Bl(x，Y，f)指示t时刻背景模型是否存在，可通过下式求
得e：BI(x,y,t)_1彤1,㈨ifSl(-1)x,y,t，’三妻                    ⋯)
算法在Monitor序列上的实验结果如图9所示。
第3l帧         第40帧          第53帧        第9r7帧         第102帧        第120帧

图9本文提出的算法对Monitor序列的实验结果
Fig．9  The experimental result of our proposed  algorithm conducted on monitor sequence
 
该算法的优点是：I)经滤波预处理，算法能适应 对光照变化的影响。2)鲁棒性高，具有帧间差分和减 背景算法各自的优点，对运动物体、运动对象的暂停 情况和因对象的运动而显露的背景区域均能作出正确 的判断。缺点是：1)算法的时间复杂度较高，基于像 素的处理使得算法效率低，这是像素域视频处理的瓶 颈。2)阀值的选择对求得的掩膜影响是很关键的，若 阀值太低，掩膜中会包括一些伪运动像素；若阀值太 高，一些真正的运动像素又会被忽略掉。本文实验中 采用的是统计值，针对不同序列自适应地选择阀值是 下一步要解决的问题。3)算法只是在低级特征空间进 行的，对于复杂场景的提取，必须进一步利用语义上 的知识，即场景上下文知识和经验知识。(责任编辑：南粤论文中心)转贴于南粤论文中心: http://www.nylw.net(南粤论文中心__代写代发论文_毕业论文带写_广州职称论文代发_广州论文网）