基于相似度聚類分析的動(dòng)態(tài)背景建模與減除

張國(guó)家，左敦穩(wěn)，黎向鋒，史晨紅

(南京航空航天大學(xué)機(jī)電學(xué)院，江蘇南京 210016)

據(jù)報(bào)道［1］，手勢(shì)識(shí)別技術(shù)在軍事上的應(yīng)用已取得突破性進(jìn)展，美國(guó)科學(xué)家研究的手勢(shì)識(shí)別技術(shù)已能讓無(wú)人機(jī)識(shí)別76%的航空母艦上工作人員的手勢(shì)，通過(guò)手勢(shì)控制無(wú)人機(jī)已成為趨勢(shì)。良好的前景檢測(cè)是精確手勢(shì)識(shí)別的基礎(chǔ)，已有眾多學(xué)者在該領(lǐng)域付出辛勤勞動(dòng)。目前，前景檢測(cè)主要采用背景建模的方法，其中又以基于區(qū)域技術(shù)和基于像素技術(shù)為主。Marko Heikkila和 Shengping Zhang等人［2-3］采用基于區(qū)域技術(shù)，依據(jù)像素的鄰域、紋理、時(shí)空結(jié)構(gòu)等特征進(jìn)行前景目標(biāo)檢測(cè)，取得了較好的效果，但陰影問(wèn)題并未得到很好的解決。與基于區(qū)域技術(shù)相比，Stauffer和Grimson提出的高斯混合模型(GMM)是典型的基于像素技術(shù)，其在算法魯棒性和約束條件之間做了很好的折中。自GMM模型被提出后，已有眾多學(xué)者對(duì)其進(jìn)行了改進(jìn)，例如TLGMM［4］、SKMGM［5］、SEMGMM［6］和 ADGMM［7］等。這些改進(jìn)策略主要是為了改善檢測(cè)效果，降低算法的時(shí)間和空間復(fù)雜度。發(fā)展至今，高斯混合模型已成為背景建模最常用的一個(gè)標(biāo)準(zhǔn)算法，但其仍然難以滿足實(shí)時(shí)性要求?；谙袼丶夹g(shù)常見的還有核密度估計(jì)等［8-10］，其檢測(cè)的準(zhǔn)確度雖較高，但時(shí)間和空間上的復(fù)雜度也較高［11］。為了獲得一種準(zhǔn)確度好、時(shí)間和空間上復(fù)雜度低的背景建模技術(shù)，受碼本技術(shù)(CodeBook)的啟發(fā)，本文首先基于像素的色度和亮度信息，提出一種融合像素色度和亮度信息的相似度理論。然后應(yīng)用該相似度理論建立相似像素評(píng)價(jià)標(biāo)準(zhǔn)?！?br>