基于結構相似性粗定位與背景差分細分割的運動目標檢測方法

蒙曉宇，朱 磊，張 博，潘 楊

(西安工程大學電子信息學院，西安 710048)

運動目標檢測為目標跟蹤和識別奠定基礎，是計算機視覺中的核心問題，也是視覺領域最基本的問題[1]。運動目標檢測算法分為靜態(tài)背景下的運動目標檢測和動態(tài)背景下的運動目標檢測，取決于監(jiān)視場景與攝像機之間的相對運動。

目前，靜態(tài)背景下的運動目標檢測方法包括幀間差分法[2-3]、背景差分法[4-5]以及光流法[6-7]；動態(tài)背景下的運動目標檢測主要是背景運動補償差分技術[8-9]。一般情況下視頻監(jiān)控通常采用靜止的攝像頭，因此可以直接利用背景差分法將輸入圖像與不含運動目標的背景圖像求差分即可得到前景目標或背景。為準確地提取目標，Barnich等[10]提出了視覺背景提取算法(visual background extractor，ViBe)，采用隨機更新背景模型，該方法在復雜背景下不能有效抑制運動目標的殘影，需要用較長的視頻序列消除鬼影區(qū)域。Peng等[11]提出了人混合高斯模型(Gaussian mixture model，GMM)，該方法利用較長時間內大量樣本值的概率密度統計信息，該方法計算量較大，無法在短時間內提取準確的前景目標。在混合模型的基礎上，李笑等[12]在此基礎上引入四幀間差分，借助計數器調整高斯模型，提高高斯分量的自適應性，改進后的模型使得模型的時間復雜度降低，而且適用于多場景。郝曉麗等[13]提出了自適應學習率高斯混合背景建模，采用自適應的學習率更新背景模型，保證在動態(tài)背景下實時檢測目標，由于天氣、光照的影響，導致檢測的前景目標完整度不是很高，對于抖動相機下的視頻準確率略低于靜止相機下的運動目標。……