第10卷第5期 智能系统学报 Vol.10 No.5 2015年10月 CAAI Transactions on Intelligent Systems 0ct.2015 D0I:10.11992/is.201408034 网s络出版地址：htp://ww.cnki.net/kcms/detail/23.1538.TP.20150827.1132.014.html 颜色和纹理特征的运动目标检测 周治平，李文慧 (江南大学物联网工程学院，江苏无锡214122) 摘要：针对复杂场景中运动目标检测这一难题，提出利用RGB颜色特征和尺度不变局部三元模式的运动目标检测 算法。利用时域中值法得到估算背景图像并快速初始化背景模型。通过颜色特征、纹理特征相似性度量，融合得出 背景概率网络，通过侧抑制滤波提高对比度分类出前景与背景像素，前景像素进一步进行阴影检测，将阴影点归为 背景点，但不用于模型更新。将算法与GMM,SC-SOBS、SUBSENS算法在变化检测数据库中进行对比验证。实验表 明，新算法在满足实时性的基础上，对动态背景，阴影和相机抖动等有一定的鲁棒性。 关键词：运动目标检测：颜色特征：纹理特征：阴影检测：模型更新 中图分类号：TP751文献标志码：A文章编号：1673-4785(2015)05-0729-07 中文引用格式：周治平，李文慧.颜色和纹理特征的运动目标检测[J].智能系统学报，2015,10(5)：729735. 英文引用格式：ZHOU Zhiping,LI Wenhui.Detection for moving targets based on color and texture features[J].CAAI Transac- tions on Intelligent Systems,2015,10(5):729-735. Detection for moving targets based on color and texture features ZHOU Zhiping,LI Wenhui School of Internet of Things,Jiangnan University,Wuxi 214122,China) Abstract:An algorithm utilizing RGB color features and scale invariant local ternary patterns is presented for sol- ving the difficulty of detecting moving targets in complex scenes.The time-domain median method was adopted to estimate background image and initialize background model quickly.By fusing similarity measures of color and tex- ture features,a background probability network was obtained.The application of lateral inhibition filtering improved the contrast,the foreground and background pixels were classified,and shadow detection worked for the foreground pixels.The shadow pixels were classified as background pixels but not used for the model update.The performance of the proposed algorithm was compared with the other three algorithms in the change detection database.The pro- posed method can accurately handle scenes containing moving backgrounds,shadows,and camera jitter,with ac- ceptable real-time performance. Keywords:moving target detection;color feature;texture feature;shadow detection;model update 运动目标检测是计算机视觉的基础步骤，而提 中，背景信息复杂，光照变化、树叶扰动等都属于多 取运动目标最常用的技术是背景减除法，该技术的 模态情形，混合高斯模型对复杂的背景更具鲁棒性， 思想是将当前帧与背景模型进行比较，从而区分出 因此很多研究者致力于改进混合高斯模型[34]，但 前景和背景像素。现实场景中由于光照变化，背景 混合高斯的缺点是计算量大，对光照敏感。非参数 扰动，相机抖动等因素，使建立一个好的背景模型变 建模有核密度估计法，如文献[5]中提出将每个像 的尤为关键。 素的颜色、梯度和Haar-like特征综合起来，利用核 背景建模分为参数法和非参数法。参数法背景 密度估计建立背景模型。除此之外，近年来基于样 建模最经典的为单高斯和混合高斯模型)。其 本一致性的非参数方法得到越来越广泛的研究，该 中，单高斯适用于单模态背景情形其计算简单，采取 方法计算简单，大量实验证明效果显著。文献[6] 参数迭代方式，不用每次都进行建模处理。而实际 根据时域特性，提取视频前N帧进行采样，通过对 每个像素进行样本一致性计算估算背景模型。 收稿日期：2014-08-27.网络出版日期：2015-08-27 通信作者：李文慧.E-mail:liwenhui645@163.com. Maddalena等[-s)提出一种自组织神经网络的背景
第 １０ 卷第 ５ 期 智 能 系 统 学 报 Ｖｏｌ．１０ №．５ ２０１５ 年 １０ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｏｃｔ． ２０１５ ＤＯＩ：１０．１１９９２ ／ ｔｉｓ．２０１４０８０３４ 网络出版地址：ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ２３．１５３８．ＴＰ．２０１５０８２７．１１３２．０１４．ｈｔｍｌ 颜色和纹理特征的运动目标检测 周治平，李文慧 （江南大学 物联网工程学院，江苏 无锡 ２１４１２２） 摘 要：针对复杂场景中运动目标检测这一难题，提出利用 ＲＧＢ 颜色特征和尺度不变局部三元模式的运动目标检测 算法。 利用时域中值法得到估算背景图像并快速初始化背景模型。 通过颜色特征、纹理特征相似性度量，融合得出 背景概率网络，通过侧抑制滤波提高对比度分类出前景与背景像素，前景像素进一步进行阴影检测，将阴影点归为 背景点，但不用于模型更新。 将算法与 ＧＭＭ、ＳＣ⁃ＳＯＢＳ、ＳＵＢＳＥＮＳ 算法在变化检测数据库中进行对比验证。 实验表 明，新算法在满足实时性的基础上，对动态背景，阴影和相机抖动等有一定的鲁棒性。 关键词：运动目标检测；颜色特征；纹理特征；阴影检测；模型更新 中图分类号：ＴＰ７５１ 文献标志码：Ａ 文章编号：１６７３⁃４７８５（２０１５）０５⁃０７２９⁃０７ 中文引用格式：周治平，李文慧． 颜色和纹理特征的运动目标检测［Ｊ］． 智能系统学报， ２０１５， １０（５）： ７２９⁃７３５． 英文引用格式：ＺＨＯＵ Ｚｈｉｐｉｎｇ， ＬＩ Ｗｅｎｈｕｉ． Ｄｅｔｅｃｔｉｏｎ ｆｏｒ ｍｏｖｉｎｇ ｔａｒｇｅｔｓ ｂａｓｅｄ ｏｎ ｃｏｌｏｒ ａｎｄ ｔｅｘｔｕｒｅ ｆｅａｔｕｒｅｓ［ Ｊ］． ＣＡＡＩ Ｔｒａｎｓａｃ⁃ ｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ， ２０１５， １０（５）： ７２９⁃７３５． Ｄｅｔｅｃｔｉｏｎ ｆｏｒ ｍｏｖｉｎｇ ｔａｒｇｅｔｓ ｂａｓｅｄ ｏｎ ｃｏｌｏｒ ａｎｄ ｔｅｘｔｕｒｅ ｆｅａｔｕｒｅｓ ＺＨＯＵ Ｚｈｉｐｉｎｇ， ＬＩ Ｗｅｎｈｕｉ （Ｓｃｈｏｏｌ ｏｆ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ， Ｊｉａｎｇｎａｎ Ｕｎｉｖｅｒｓｉｔｙ， Ｗｕｘｉ ２１４１２２， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ａｎ ａｌｇｏｒｉｔｈｍ ｕｔｉｌｉｚｉｎｇ ＲＧＢ ｃｏｌｏｒ ｆｅａｔｕｒｅｓ ａｎｄ ｓｃａｌｅ ｉｎｖａｒｉａｎｔ ｌｏｃａｌ ｔｅｒｎａｒｙ ｐａｔｔｅｒｎｓ ｉｓ ｐｒｅｓｅｎｔｅｄ ｆｏｒ ｓｏｌ⁃ ｖｉｎｇ ｔｈｅ ｄｉｆｆｉｃｕｌｔｙ ｏｆ ｄｅｔｅｃｔｉｎｇ ｍｏｖｉｎｇ ｔａｒｇｅｔｓ ｉｎ ｃｏｍｐｌｅｘ ｓｃｅｎｅｓ． Ｔｈｅ ｔｉｍｅ⁃ｄｏｍａｉｎ ｍｅｄｉａｎ ｍｅｔｈｏｄ ｗａｓ ａｄｏｐｔｅｄ ｔｏ ｅｓｔｉｍａｔｅ ｂａｃｋｇｒｏｕｎｄ ｉｍａｇｅ ａｎｄ ｉｎｉｔｉａｌｉｚｅ ｂａｃｋｇｒｏｕｎｄ ｍｏｄｅｌ ｑｕｉｃｋｌｙ． Ｂｙ ｆｕｓｉｎｇ ｓｉｍｉｌａｒｉｔｙ ｍｅａｓｕｒｅｓ ｏｆ ｃｏｌｏｒ ａｎｄ ｔｅｘ⁃ ｔｕｒｅ ｆｅａｔｕｒｅｓ， ａ ｂａｃｋｇｒｏｕｎｄ ｐｒｏｂａｂｉｌｉｔｙ ｎｅｔｗｏｒｋ ｗａｓ ｏｂｔａｉｎｅｄ． Ｔｈｅ ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｌａｔｅｒａｌ ｉｎｈｉｂｉｔｉｏｎ ｆｉｌｔｅｒｉｎｇ ｉｍｐｒｏｖｅｄ ｔｈｅ ｃｏｎｔｒａｓｔ， ｔｈｅ ｆｏｒｅｇｒｏｕｎｄ ａｎｄ ｂａｃｋｇｒｏｕｎｄ ｐｉｘｅｌｓ ｗｅｒｅ ｃｌａｓｓｉｆｉｅｄ， ａｎｄ ｓｈａｄｏｗ ｄｅｔｅｃｔｉｏｎ ｗｏｒｋｅｄ ｆｏｒ ｔｈｅ ｆｏｒｅｇｒｏｕｎｄ ｐｉｘｅｌｓ． Ｔｈｅ ｓｈａｄｏｗ ｐｉｘｅｌｓ ｗｅｒｅ ｃｌａｓｓｉｆｉｅｄ ａｓ ｂａｃｋｇｒｏｕｎｄ ｐｉｘｅｌｓ ｂｕｔ ｎｏｔ ｕｓｅｄ ｆｏｒ ｔｈｅ ｍｏｄｅｌ ｕｐｄａｔｅ． Ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｔｈｅ ｐｒｏｐｏｓｅｄ ａｌｇｏｒｉｔｈｍ ｗａｓ ｃｏｍｐａｒｅｄ ｗｉｔｈ ｔｈｅ ｏｔｈｅｒ ｔｈｒｅｅ ａｌｇｏｒｉｔｈｍｓ ｉｎ ｔｈｅ ｃｈａｎｇｅ ｄｅｔｅｃｔｉｏｎ ｄａｔａｂａｓｅ． Ｔｈｅ ｐｒｏ⁃ ｐｏｓｅｄ ｍｅｔｈｏｄ ｃａｎ ａｃｃｕｒａｔｅｌｙ ｈａｎｄｌｅ ｓｃｅｎｅｓ ｃｏｎｔａｉｎｉｎｇ ｍｏｖｉｎｇ ｂａｃｋｇｒｏｕｎｄｓ， ｓｈａｄｏｗｓ， ａｎｄ ｃａｍｅｒａ ｊｉｔｔｅｒ， ｗｉｔｈ ａｃ⁃ ｃｅｐｔａｂｌｅ ｒｅａｌ⁃ｔｉｍｅ ｐｅｒｆｏｒｍａｎｃｅ． Ｋｅｙｗｏｒｄｓ：ｍｏｖｉｎｇ ｔａｒｇｅｔ ｄｅｔｅｃｔｉｏｎ； ｃｏｌｏｒ ｆｅａｔｕｒｅ； ｔｅｘｔｕｒｅ ｆｅａｔｕｒｅ； ｓｈａｄｏｗ ｄｅｔｅｃｔｉｏｎ； ｍｏｄｅｌ ｕｐｄａｔｅ 收稿日期：２０１４⁃０８⁃２７． 网络出版日期：２０１５⁃０８⁃２７． 通信作者：李文慧． Ｅ⁃ｍａｉｌ：ｌｉｗｅｎｈｕｉ６４５＠ １６３．ｃｏｍ． 运动目标检测是计算机视觉的基础步骤，而提 取运动目标最常用的技术是背景减除法，该技术的 思想是将当前帧与背景模型进行比较，从而区分出 前景和背景像素。 现实场景中由于光照变化，背景 扰动，相机抖动等因素，使建立一个好的背景模型变 的尤为关键。 背景建模分为参数法和非参数法。 参数法背景 建模最经典的为单高斯［１］ 和混合高斯模型［２］ 。 其 中，单高斯适用于单模态背景情形其计算简单，采取 参数迭代方式，不用每次都进行建模处理。 而实际 中，背景信息复杂，光照变化、树叶扰动等都属于多 模态情形，混合高斯模型对复杂的背景更具鲁棒性， 因此很多研究者致力于改进混合高斯模型［３⁃４］ ，但 混合高斯的缺点是计算量大，对光照敏感。 非参数 建模有核密度估计法，如文献［５］中提出将每个像 素的颜色、梯度和 Ｈａａｒ⁃ｌｉｋｅ 特征综合起来，利用核 密度估计建立背景模型。 除此之外，近年来基于样 本一致性的非参数方法得到越来越广泛的研究，该 方法计算简单，大量实验证明效果显著。 文献［６］ 根据时域特性，提取视频前 Ｎ 帧进行采样，通过对 每个像 素 进 行 样 本 一 致 性 计 算 估 算 背 景 模 型。 Ｍａｄｄａｌｅｎａ 等［７⁃８］提出一种自组织神经网络的背景
·730 智能系统学报 第10卷 差分算法，将背景模型的每个像素映射到多个位置， 如果能将多个信息结合起来，前景目标的分割将更 并按一定权值更新最匹配点及邻域信息。文献[9] 具鲁棒性。文献[13]的实验结果表明颜色和纹理 提出随机更新和邻域传播机制的vibe算法，内存占 特征能互相弥补各自的不足，但LBP对噪声敏感。 用少，背景模型及时初始化，但易产生鬼影。Ho 因此，本文提出将RGB颜色特征和SLTP特征相融 mann等[o结合了SACON和vibe算法的优势，提出 合来进行前景检测。 像素判断阈值的自适应和背景模型更新的自适应的 1.1尺度不变局部三元模式 PBAS算法，检测效果得到进一步提高，但不能处理 LBP是一个有效的图像局部纹理描述符，但 间歇动态变化。上述这些方法都仅仅采用颜色单一 对噪声敏感。SLTP是对LBP的改进，首次在文献 特征，纹理特征更能体现像素之间的空间相关性，文 [12]中提出，其在一定程度上能有效抵抗噪声，并 献[11]利用LBP特征进行背景建模。文献[12]提 且对尺度变换亦具有不变性，如图1所示。在第2 出一种新的尺度不变局部三元模式(scale invariant 行中，一些加粗像素表示被噪声影响了，第3行每个 local ternary pattern,SLTP)纹理表示方法进行背景 像素灰度值均为原来的2倍，但SLTP描述符均能 建模。但仅使用纹理特征不能有效处理当前景与背 在一定程度上抵抗这些情况，描述符为 景纹理存在一致性的情况。文献[13]将颜色特征 1000000000000110'。 与LBP特征相结合，但此方法将颜色特征与纹理特 747973 x0.1 000000 征同等对待，不能有效发挥特征之间的互补作用。 757538 751-t),751+t)] 0010 本文提出将rgb颜色特征与SLTP特征通过各 7210664 000110 自的置信度相融合，有效弥补各自在前景检测上的 768073 x=0,1 000000 不足。利用估算背景图像快速初始化背景模型，分 747538 [751-x,751+)] 00 10 别计算出当前像素点与背景模型颜色特征与纹理特 7110664 000110 征的相似性，并融合得出背景概率网络。利用侧抑 148158146 t=0.1 000000 制滤波提高对比度分类出前景与背景像素。不断将 15015076 1501-t),1501+元 0010 检测出的背景像素用于背景模型更新，使其能有效 144212128 000110 处理动态背景，光照变化等复杂情况。前景像素则 图1SLTP描述符 进一步进行阴影检测，将阴影点归为背景点，但不用 Fig.1 SILTP descriptor 于模型更新。 对于任意位置(x。,y)的像素，SLTP编码如下 1背景建模 式所示： N-1 SILTP.&(x..y)=S,(I,1) 文献[6-8]通过一系列图像帧进行背景建模，提 k=0 取同一位置不同时刻像素点的信息来估计背景像素 式中：I。为中心像素点的灰度值，Ik为半径为R的邻 域像素，①为二值字符串的连接操作，？为预示着比 的时域分布。然而这样的建模方法对视频序列的帧 较范围的尺度因子。S,为分段函数，定义如下： 数有一定要求，并且不能检测学习序列中的前景目 标。为了快速初始化背景模型，做出文献[14]中同 01,如果1>(1+T)1 样的假设：相邻的像素间共用相似的时域分布。这 S,(1。,1)=10,如果1<(1-)1 样的假设也在vibe算法[)中得到检验。在用于背 00,其他 景建模的图像帧中，往往把初始值全部看做背景像 本文T=0.1,R=1,N=8,这样对每一个像素点 素点。但在实际应用中，却往往不能成立，因此后序 可以得到一个16字节的二值字符串。 的检测中易产生鬼影。本文实验中先采用时域中值 1.2背景模型表示及更新 法估算背景图像，这样能有效减少前景点对背景模 在由时域中值法得到的估算背景图像B中，分 型的作用，避免鬼影，即对于L帧的图像子序列11， 别提取颜色和纹理特征，每个背景采样点包含5类 l2,…,l,B=median(I1,l2,…l)o 信息即D={L,tex,,Y:,o:},i=1,2,…,m。其 将背景图像B中每个像素点p快速初始化背景 中，I:为像素点的RGB颜色分量(R,G:,B),tex:为 模型C(p)如下： 像素点的SILTP纹理描述符。n:和Y:分别代表颜 C(p)={D,D5,…,D} 色成分I,和纹理成分tex:作为背景的置信度，初始 式中：D,D,…,D为背景采样点的信息。本文m 值都为0.1，其值越大，代表所属的成分在决定标签 取值为9，即当前像素点与其8邻域点。图像包含 时所起的作用越大。w:∈[0,1]作为权重因子代表 丰富的信息，包括灰度、颜色、纹理、边缘、轮廓等。 采样点属于背景的可能性，初始值取为0.01
差分算法，将背景模型的每个像素映射到多个位置， 并按一定权值更新最匹配点及邻域信息。 文献［９］ 提出随机更新和邻域传播机制的 ｖｉｂｅ 算法，内存占 用少，背景模型及时初始化，但易产生鬼影。 Ｈｏｆ⁃ ｍａｎｎ 等［１０］结合了 ＳＡＣＯＮ 和 ｖｉｂｅ 算法的优势，提出 像素判断阈值的自适应和背景模型更新的自适应的 ＰＢＡＳ 算法，检测效果得到进一步提高，但不能处理 间歇动态变化。 上述这些方法都仅仅采用颜色单一 特征，纹理特征更能体现像素之间的空间相关性，文 献［１１］利用 ＬＢＰ 特征进行背景建模。 文献［１２］提 出一种新的尺度不变局部三元模式（ ｓｃａｌｅ ｉｎｖａｒｉａｎｔ ｌｏｃａｌ ｔｅｒｎａｒｙ ｐａｔｔｅｒｎ，ＳＩＬＴＰ）纹理表示方法进行背景 建模。 但仅使用纹理特征不能有效处理当前景与背 景纹理存在一致性的情况。 文献［１３］ 将颜色特征 与 ＬＢＰ 特征相结合，但此方法将颜色特征与纹理特 征同等对待，不能有效发挥特征之间的互补作用。 本文提出将 ｒｇｂ 颜色特征与 ＳＩＬＴＰ 特征通过各 自的置信度相融合，有效弥补各自在前景检测上的 不足。 利用估算背景图像快速初始化背景模型，分 别计算出当前像素点与背景模型颜色特征与纹理特 征的相似性，并融合得出背景概率网络。 利用侧抑 制滤波提高对比度分类出前景与背景像素。 不断将 检测出的背景像素用于背景模型更新，使其能有效 处理动态背景，光照变化等复杂情况。 前景像素则 进一步进行阴影检测，将阴影点归为背景点，但不用 于模型更新。 １ 背景建模 文献［６⁃８］通过一系列图像帧进行背景建模，提 取同一位置不同时刻像素点的信息来估计背景像素 的时域分布。 然而这样的建模方法对视频序列的帧 数有一定要求，并且不能检测学习序列中的前景目 标。 为了快速初始化背景模型，做出文献［１４］中同 样的假设：相邻的像素间共用相似的时域分布。 这 样的假设也在 ｖｉｂｅ 算法［９］ 中得到检验。 在用于背 景建模的图像帧中，往往把初始值全部看做背景像 素点。 但在实际应用中，却往往不能成立，因此后序 的检测中易产生鬼影。 本文实验中先采用时域中值 法估算背景图像，这样能有效减少前景点对背景模 型的作用，避免鬼影，即对于 Ｌ 帧的图像子序列 Ｉ１ ， Ｉ２ ，…，ＩＬ ， Ｂ ＝ ｍｅｄｉａｎ（Ｉ１ ，Ｉ２ ，…ＩＬ ）。 将背景图像 Ｂ 中每个像素点 ｐ 快速初始化背景 模型 Ｃ（ｐ）如下： Ｃ（ｐ） ＝ Ｄ ｐ １ ，Ｄ ｐ ２ ，…，Ｄ ｐ ｍ { } 式中：Ｄ ｐ １ ，Ｄ ｐ ２ ，…，Ｄ ｐ ｍ 为背景采样点的信息。 本文 ｍ 取值为 ９，即当前像素点与其 ８ 邻域点。 图像包含 丰富的信息，包括灰度、颜色、纹理、边缘、轮廓等。 如果能将多个信息结合起来，前景目标的分割将更 具鲁棒性。 文献［１３］的实验结果表明颜色和纹理 特征能互相弥补各自的不足，但 ＬＢＰ 对噪声敏感。 因此，本文提出将 ＲＧＢ 颜色特征和 ＳＩＬＴＰ 特征相融 合来进行前景检测。 １．１ 尺度不变局部三元模式 ＬＢＰ ［１５］是一个有效的图像局部纹理描述符，但 对噪声敏感。 ＳＩＬＴＰ 是对 ＬＢＰ 的改进，首次在文献 ［１２］中提出，其在一定程度上能有效抵抗噪声，并 且对尺度变换亦具有不变性，如图 １ 所示。 在第 ２ 行中，一些加粗像素表示被噪声影响了，第 ３ 行每个 像素灰度值均为原来的 ２ 倍，但 ＳＩＬＴＰ 描述符均能 在 一 定 程 度 上 抵 抗 这 些 情 况， 描 述 符 为 ‘１００００００００００００１１０’。 图 １ ＳＩＬＴＰ 描述符 Ｆｉｇ．１ ＳＩＬＴＰ ｄｅｓｃｒｉｐｔｏｒ 对于任意位置 ｘｃ，ｙｃ ( ) 的像素，ＳＩＬＴＰ 编码如下 式所示： ＳＩＬＴＰ τ Ｎ，Ｒ ｘｃ，ｙｃ ( ) ＝ Ｎ－１ ｋ ＝ ０ Ｓτ Ｉｃ，Ｉｋ ( ) 式中：Ｉｃ 为中心像素点的灰度值，Ｉｋ 为半径为 Ｒ 的邻 域像素，为二值字符串的连接操作，τ 为预示着比 较范围的尺度因子。 Ｓτ 为分段函数，定义如下： Ｓτ Ｉｃ，Ｉｋ ( ) ＝ ０１，如果 Ｉｋ ＞ （１ ＋ τ）Ｉｃ １０，如果 Ｉｋ ＜ （１ － τ）Ｉｃ ００，其他 ì î í ï ï ïï 本文 τ ＝ ０．１，Ｒ ＝ １，Ｎ ＝ ８，这样对每一个像素点 可以得到一个 １６ 字节的二值字符串。 １．２ 背景模型表示及更新 在由时域中值法得到的估算背景图像 Ｂ 中，分 别提取颜色和纹理特征，每个背景采样点包含 ５ 类 信息即 Ｄ ｐ ｉ ＝ Ｉｉ，ｔｅｘｉ，ηｉ，γｉ，ωｉ { } ， ｉ ＝ １，２，…，ｍ。 其 中，Ｉｉ 为像素点的 ＲＧＢ 颜色分量 Ｒｉ，Ｇｉ，Ｂｉ ( ) ，ｔｅｘｉ 为 像素点的 ＳＩＬＴＰ 纹理描述符。 ηｉ 和 γｉ 分别代表颜 色成分 Ｉｉ 和纹理成分 ｔｅｘｉ 作为背景的置信度，初始 值都为 ０．１，其值越大，代表所属的成分在决定标签 时所起的作用越大。 ωｉ ∈ [０，１] 作为权重因子代表 采样点属于背景的可能性，初始值取为 ０．０１。 ·７３０· 智 能 系 统 学 报 第 １０ 卷
第5期 周治平，等：颜色和纹理特征的运动目标检测 ·731. 随着时间的推移，视频中的背景也会发生变化， 调和亮度的差异结合起来使像素对光照的变化更具 如树叶的摇摆，光照的变化。如果背景模型不及时 有鲁棒性。为了减少计算量，式(1)可进一步简化 更新，就会导致检测的结果产生大量的噪声以及误 为 检或漏检。为了满足背景的实时变化，背景模型必 (r)r 须实时更新。传统算法采用样本“先进先出”的更 Sc(IP,IR)= max(‖I?I,III2) 新思想，即随着背景模型中新样本的加入，停留时间 对于2个纹理描述符tex,tex的相似性度量公 最长的旧样本将被替换，故而容易提前删除有用的 式如下： 旧样本。本文选择背景像素对背景模型进行更新算 St(tex?,tex")=exp(-KD(tex",tex)) 法如下。 式中：tex为时刻t像素点p的SILTP纹理描述符， 假如当前帧像素p,跟背景模型C,-,比较判定为 如图1中的16字节0-1字符串，tex为时刻t像素 背景点，其RGB颜色特征为I。,SLTP描述符为 p所对应的背景模型中第i个样本点的SLTP的纹 texn,。8mm=0.1,0m=0.6,a=0.005,9n和0x分 理描述符。Da(tex,tex)代表0-1字符串tex, 别为最小和最大的置信水平，α为学习因子。 tex之间的归一化汉明距离。K为控制因子，控制纹 根据=arg四aSc:,i=arg四aSt,寻找最佳匹 理相似度的伸展范围。可知，Da(tex,tex)∈ 配样本。Sc、St分别为颜色、纹理特征相似度，在本 [0,l],St(tex,tex)∈[e,l],在本文实验中， 文第2部分会详细解释。 K=2。 基于颜色信息的最佳匹配样本： 综上，对于时刻t的给定像素P,计算其属于背 若Sc>=e1,=(1-a)0,+al,m= 景的可能性P(P,): (1-a)7+a0否则颜色特征不变，n=(1- P(p,)= a)n+ain 基于纹理信息的最佳匹配样本： 式中：权重因子ω：，颜色和纹理的置信度？、Y:都在 若St>=62,仅更新其置信值，y=(1-a)y+ 不断地更新。因此，在估计像素属于背景的可能性 时，其颜色和纹理所起的作用也不断得到调整，融合 a0n否则y=(1-a)y+a0n若Sc:<61且St< 起来进行前景分割。 ε2，背景模型权值最小的样本将被替换，置信值和权 通过式(2)得到时刻t视频帧的概率网络，由于 值都为初始值。 前景像素本身具有空间相关性，本文将概率网络进 最后通过w:=(1-)w:+aπ更新所有样本的 行侧抑制滤波来提高对比度，减少低频噪声。Duan 权重。其中π为指示变量，若样本颜色与纹理信息 等川首次将侧抑制滤波用于图像处理中，其滤波模 都最佳匹配，则为1；若二者之一有匹配，则取为0.5： 型如式(3)所示。 否则为0。 2运动目标检测 R(m,n)=1o(m,n)+ ∑∑&o(m+i,n+) i=-Mi=-N (3) 本文方法与其他的样本一致性算法相似，都是 通过当前像素点与背景模型的比较来进行前景背景 式中：lo(m,n)为像素点的原始值，a为抑制系数， 像素点分类。 R(m,n)为经过侧抑制滤波后像素点对应的值。 (2M+1)×(2N+1)表示感受域。 对于2个颜色特征？、I的颜色相似性度量如 式(1)所示[6 基于式(3)可以得到抑制系数的计算公式： Sc(I,I)=cos 0 au-Ttdie [-M,M ,je [-N.N] max(Ig2，I2) 式中：d:,为周围像素点到感受域中心像素点的距 (1) 离。本文选择感受域大小为3×3，因此可以计算出 式中：？为时刻t像素点p的RGB颜色特征，I为时 响应的卷积模板U为 刻t像素点p所对应的背景模型中第i个样本点的 0.41250.50.4125 RGB颜色特征。cos9=(I)'I/I‖I?I2,III,为 U= 0.5 1 0.5 利用余弦相似定理表示2个颜色特征色调相似度， 0.41250.50.4125 |IgI2-II‖2 代表亮度相似度。将色 通过滤波处理后，利用分类器6(P,)来进行前 max(‖Ig‖2，II‖2) 景分割，定义为
随着时间的推移，视频中的背景也会发生变化， 如树叶的摇摆，光照的变化。 如果背景模型不及时 更新，就会导致检测的结果产生大量的噪声以及误 检或漏检。 为了满足背景的实时变化，背景模型必 须实时更新。 传统算法采用样本“先进先出” 的更 新思想，即随着背景模型中新样本的加入，停留时间 最长的旧样本将被替换，故而容易提前删除有用的 旧样本。 本文选择背景像素对背景模型进行更新算 法如下。 假如当前帧像素 ｐｔ 跟背景模型 Ｃｔ－１比较判定为 背景点，其 ＲＧＢ 颜色特征为 Ｉｐｔ ， ＳＩＬＴＰ 描述符为 ｔｅｘｐｔ 。 θ ｍｉｎ ＝ ０．１，θ ｍａｘ ＝ ０．６，α ＝ ０．００５， θ ｍｉｎ 和 θ ｍａｘ 分 别为最小和最大的置信水平，α 为学习因子。 根据 ＾ ｉ ＝ ａｒｇ ｍａｘ １≤ｉ≤ｍ Ｓｃｉ， ｉ ～ ＝ ａｒｇ ｍａｘ １≤ｉ≤ｍ Ｓｔ ｉ 寻找最佳匹 配样本。 Ｓｃ、Ｓｔ 分别为颜色、纹理特征相似度，在本 文第 ２ 部分会详细解释。 基于颜色信息的最佳匹配样本： 若 Ｓｃｉ ＾ ＞ ＝ ε１ ，Ｉ ＾ ｉ ｔ ＝ （１ － α）Ｉ ＾ ｉ ｔ－１ ＋ αＩｐｔ ，η ＾ ｉ ＝ (１ － α) η ＾ ｉ ＋ αθｍａｘ 否则颜色特征不变， η ＾ ｉ ＝ （１ － α）η ＾ ｉ ＋ αθｍｉｎ 基于纹理信息的最佳匹配样本： 若 Ｓｔｉ＞ ＝ ε２ ，仅更新其置信值， γ ｉ ＝ （１ － α）γ ｉ ＋ αθｍａｘ 否则γ ｉ ＝ （１ － α）γ ｉ ＋ αθｍｉｎ 若 Ｓｃ＾ ｉ ＜ ε１ 且Ｓｔｉ ＜ ε２ ，背景模型权值最小的样本将被替换，置信值和权 值都为初始值。 最后通过 ωｉ ＝ （１ － α）ωｉ ＋ απ 更新所有样本的 权重。 其中 π 为指示变量，若样本颜色与纹理信息 都最佳匹配，则为 １；若二者之一有匹配，则取为０．５； 否则为 ０。 ２ 运动目标检测 本文方法与其他的样本一致性算法相似，都是 通过当前像素点与背景模型的比较来进行前景背景 像素点分类。 对于 ２ 个颜色特征 Ｉ ｐ ｔ 、Ｉ ｐ ｔｉ的颜色相似性度量如 式（１）所示［１６］ ： Ｓｃ Ｉ ｐ ｔ ，Ｉ ｐ ｔｉ ( ) ＝ ｃｏｓ θ １ － ‖Ｉ ｐ ｔ ‖２ － ‖Ｉ ｐ ｔｉ‖２ ｍａｘ ‖Ｉ ｐ ｔ ‖２ ，‖Ｉ ｐ ｔｉ‖２ ( ) æ è ç ö ø ÷ （１） 式中： Ｉ ｐ ｔ 为时刻 ｔ 像素点 ｐ 的 ＲＧＢ 颜色特征，Ｉ ｐ ｔｉ为时 刻 ｔ 像素点 ｐ 所对应的背景模型中第 ｉ 个样本点的 ＲＧＢ 颜色特征。 ｃｏｓ θ ＝ Ｉ ｐ ｔ ( ) Τ Ｉ ｐ ｔｉ ／ ‖Ｉ ｐ ｔ ‖２ ，‖Ｉ ｐ ｔｉ‖２ 为 利用余弦相似定理表示 ２ 个颜色特征色调相似度， １－ ‖Ｉ ｐ ｔ ‖２ －‖Ｉ ｐ ｔｉ‖２ ｍａｘ ‖Ｉ ｐ ｔ ‖２ ，‖Ｉ ｐ ｔｉ‖２ ( ) æ è ç ö ø ÷ 代表亮度相似度。 将色 调和亮度的差异结合起来使像素对光照的变化更具 有鲁棒性。 为了减少计算量，式（１） 可进一步简化 为 Ｓｃ Ｉ ｐ ｔ ，Ｉ ｐ ｔｉ ( ) ＝ Ｉ ｐ ｔ ( ) Τ Ｉ ｐ ｔｉ ｍａｘ ‖Ｉ ｐ ｔ ‖２ ２ ，‖Ｉ ｐ ｔｉ‖２ ２ ( ) 对于 ２ 个纹理描述符 ｔｅｘ ｐ ｔ ，ｔｅｘ ｐ ｔｉ的相似性度量公 式如下： Ｓｔ ｔｅｘ ｐ ｔ ，ｔｅｘ ｐ ｔｉ ( ) ＝ ｅｘｐ － κＤＨ ｔｅｘ ｐ ｔ ，ｔｅｘ ｐ ｔｉ ( ( ) ) 式中：ｔｅｘ ｐ ｔ 为时刻 ｔ 像素点 ｐ 的 ＳＩＬＴＰ 纹理描述符， 如图 １ 中的 １６ 字节 ０－１ 字符串，ｔｅｘ ｐ ｔｉ为时刻 ｔ 像素 ｐ 所对应的背景模型中第 ｉ 个样本点的 ＳＩＬＴＰ 的纹 理描述符。 ＤＨ ｔｅｘ ｐ ｔ ，ｔｅｘ ｐ ｔｉ ( ) 代表 ０ － １ 字符串 ｔｅｘ ｐ ｔ ， ｔｅｘ ｐ ｔｉ之间的归一化汉明距离。 κ 为控制因子，控制纹 理相 似 度 的 伸 展 范 围。 可 知， ＤＨ ｔｅｘ ｐ ｔ ，ｔｅｘ ｐ ｔｉ ( ) ∈ [０，１] ，Ｓｔ ｔｅｘ ｐ ｔ ，ｔｅｘ ｐ ｔｉ ( ) ∈ ｅ －κ [ ，１] ， 在 本 文 实 验 中， κ ＝ ２。 综上，对于时刻 ｔ 的给定像素 ｐｔ，计算其属于背 景的可能性 Ｐｂ ｐｔ ( ) ： Ｐｂ ｐｔ ( ) ＝ ∑ ｍ ｉ ＝ １ ωｉ ｅｘｐ － １ － Ｓｃｉ ηｉ ＋ １ － Ｓｔ ｉ γｉ æ è ç ö ø ÷ æ è ç ö ø ÷ （２） 式中：权重因子 ωｉ，颜色和纹理的置信度 ηｉ、γｉ 都在 不断地更新。 因此，在估计像素属于背景的可能性 时，其颜色和纹理所起的作用也不断得到调整，融合 起来进行前景分割。 通过式（２）得到时刻 ｔ 视频帧的概率网络，由于 前景像素本身具有空间相关性，本文将概率网络进 行侧抑制滤波来提高对比度，减少低频噪声。 Ｄｕａｎ 等［１７］首次将侧抑制滤波用于图像处理中，其滤波模 型如式（３）所示。 Ｒ(ｍ，ｎ) ＝ Ｉ０ (ｍ，ｎ) ＋ ∑ Ｍ ｉ ＝ －Ｍ∑ Ｎ ｉ ＝ －Ｎ αｉ，ｊ Ｉ０ (ｍ ＋ ｉ，ｎ ＋ ｊ) （３） 式中：Ｉ０（ｍ，ｎ）为像素点的原始值，αｉ，ｊ为抑制系数， Ｒ（ｍ，ｎ） 为经过侧抑制滤波后像素点对应的值。 （２Ｍ＋１）×（２Ｎ＋１）表示感受域。 基于式（３）可以得到抑制系数的计算公式： αｉ，ｊ ＝ １ １ ＋ ｄｉ，ｊ ， ｉ ∈ [ － Ｍ，Ｍ] ， ｊ ∈ [ － Ｎ，Ｎ] 式中：ｄｉ，ｊ为周围像素点到感受域中心像素点的距 离。 本文选择感受域大小为 ３×３，因此可以计算出 响应的卷积模板 Ｕ 为 Ｕ ＝ ０．４１２ ５ ０．５ ０．４１２ ５ ０．５ １ ０．５ ０．４１２ ５ ０．５ ０．４１２ ５ é ë ê ê ê ù û ú ú ú 通过滤波处理后，利用分类器 δ（ ｐｔ ） 来进行前 景分割，定义为 第 ５ 期 周治平，等：颜色和纹理特征的运动目标检测 ·７３１·
·732· 智能系统学报 第10卷 (0,-lnP(p,)< 伪代码如下： 8(p,)= 1,其他 输入：1={L,t=1,2,…,L,…,N} 式中：专为阈值，若6(p,)输出为0，代表其所对应的 B=median(I1,I2,…l) 像素为背景，否则被视为前景像素。 Initialization:C(p)=(D,D2,D,) 3阴影检测 Forp=l→widthxheight Fork=1→m 由于大量的阴影，会引起运动目标粘连。本文 Calculate Sc(,),St(tex,tex),P.(p,) 采用文献[18]提出的基于HSV彩色空间的阴影检 P(p,)=P(p,)☒U 测方法，其阴影掩膜可以表示如下： End 1,B≤ End B ≤中Λ(p-B)≤ ymask(p,)= Forp=l→widthxheight TsAp-B|≤TH f -In P.(p,)< 0,其他 8(p,)=0 式中：阴影掩膜ymask(p,)的值为1时，表示像素点 Update background model C(p) P,为阴影点，否则不是阴影点。ppp,分别是时 End 刻t像素点p在HsV彩色空间的3个分量，B%、B B,分别是所对应的估算背景图像B中像素点在 Iei道B≤B ≤中Λ(p-B)≤ HSV彩色空间的3个分量。下限B∈[0,1]的值取 T,Ap-B|≤rH 强度，光照越强，公就越小， ymask=1 6(t)=0 值。上限中∈[0,1]用于排除因噪声扰动产生的伪 Else 6(t)=1 阴影点，T、和TH的取值依据阴影区色度和饱和度 End 变化较小的特性。该阴影检测法利用阴影像素点的 End 物理性质，能较好的检测出分布均匀的弱阴影。 4算法实现步骤 5 实验结果及分析 本文结合颜色和纹理特征的运动目标检测实现 为了验证算法的可行性，对不同环境下的视频 如图2所示。 进行处理。选择的视频序列为变化检测数据库中 baseline、dynamic background、camera jitter、intermit-- 输人图像序列 tent object motion以及shadow5大类图像序列。本 时域中值法 文算法中，L=20,61=0.96,62=0.92,=8.5。 初始化背景模型 实验环境为硬件采用i5-3210M,主频2.5GHz 计算颜色，纹理 的处理器，2GB内存。软件平台使用的是Win- 特征相似度 dows7操作系统，开发平台为MatlabR2012a。 像素属于背景 分别与高斯混合模型(Gaussian mixture model, 的概率网络 侧抑制滤波 GMM)算法[)，空间相关的自组织背景减除(spatial- 香绿像翁N ly coherent self-organization background subtraction, SC-SOBs)算法[]，自平衡的灵敏度分割(self-bal- 阴影检测 N anced sensitivity segmenter,SUBSENS)算法[s]进行 背景模型更新 Y 比较。 归为背景点归为前景点 Baseline类目下的office序列由2050帧图像构 成，是一组室内办公室场景的图像序列，包含目标被 输出结果掩膜 部分遮挡与背景色相近等复杂情况。检测结果如图 图2本文算法实现流程 3所示。 Fig.2 Flow chart of the algorithm
δ ｐｔ ( ) ＝ ０， － ｌｎＰｂ（ｐｔ） ＜ ξ {１， 其他 式中：ξ 为阈值，若 δ（ｐｔ）输出为 ０，代表其所对应的 像素为背景，否则被视为前景像素。 ３ 阴影检测 由于大量的阴影，会引起运动目标粘连。 本文 采用文献［１８］提出的基于 ＨＳＶ 彩色空间的阴影检 测方法，其阴影掩膜可以表示如下： ｙｍａｓｋ（ｐｔ） ＝ １， β ≤ ｐ Ｖ ｔ Ｂ Ｖ ｐｔ ≤ ϕ ∧ ｐ ｓ ｔ － Ｂ ｓ ｐｔ ( ) ≤ τＳ ∧ ｐ Ｈ ｔ － Ｂ Ｈ ｐｔ ≤ τＨ ０， 其他 ì î í ï ï ï ï ïï 式中：阴影掩膜 ｙｍａｓｋ（ｐｔ）的值为 １ 时，表示像素点 ｐｔ 为阴影点，否则不是阴影点。 ｐ Ｈ ｔ 、ｐ Ｓ ｔ 、ｐ Ｖ ｔ 分别是时 刻 ｔ 像素点 ｐ 在 ＨＳＶ 彩色空间的 ３ 个分量，Ｂ Ｈ ｐｔ 、Ｂ Ｓ ｐｔ 、 Ｂ Ｖ ｐｔ分别是所对应的估算背景图像 Ｂ 中像素点在 ＨＳＶ 彩色空间的 ３ 个分量。 下限 β∈［０，１］的值取 决于光照强度，光照越强， ｐ Ｖ ｔ Ｂ Ｖ ｐｔ 就越小，则 β 取较小 值。 上限 ϕ∈［０，１］用于排除因噪声扰动产生的伪 阴影点，τＳ 和 τＨ 的取值依据阴影区色度和饱和度 变化较小的特性。 该阴影检测法利用阴影像素点的 物理性质，能较好的检测出分布均匀的弱阴影。 ４ 算法实现步骤 本文结合颜色和纹理特征的运动目标检测实现 如图 ２ 所示。 图 ２ 本文算法实现流程 Ｆｉｇ．２ Ｆｌｏｗ ｃｈａｒｔ ｏｆ ｔｈｅ ａｌｇｏｒｉｔｈｍ 伪代码如下： 输入：Ｉ ＝ Ｉｔ { ｔ ＝ １，２，…，Ｌ，…，Ｎ} Ｂ ＝ｍｅｄｉａｎ（Ｉ１ ，Ｉ２ ，…ＩＬ ） Ｉｎｉｔｉａｌｉｚａｔｉｏｎ：Ｃ（ｐ）＝ Ｄ ｐ １ ，Ｄ ｐ ２ ，…，Ｄ ｐ { ｍ ，} Ｆｏｒ ｐ ＝ １→ｗｉｄｔｈ×ｈｅｉｇｈｔ Ｆｏｒ ｋ ＝ １→ｍ Ｃａｌｃｕｌａｔｅ Ｓｃ Ｉ ｐ ｔ ，Ｉ ｐ ｔｋ ( ) ，Ｓｔ ｔｅｘ ｐ ｔ ，ｔｅｘ ｐ ｔｋ ( ) ，Ｐｂ ｐｔ ( ) Ｐｂ ｐｔ ( ) ＝Ｐｂ ｐｔ ( ) Ｕ Ｅｎｄ Ｅｎｄ Ｆｏｒ ｐ ＝ １→ｗｉｄｔｈ×ｈｅｉｇｈｔ Ｉｆ －ｌｎ Ｐｂ ｐｔ ( ) ＜ξ δ ｐｔ ( ) ＝ ０ ｛Ｕｐｄａｔｅ ｂａｃｋｇｒｏｕｎｄ ｍｏｄｅｌ Ｃ（ｐ）｝ Ｅｎｄ Ｅｌｓｅ ｉｆ β≤ ｐ Ｖ ｔ Ｂ Ｖ ｐｔ ≤ϕ∧ ｐ ｓ ｔ －Ｂ ｓ ｐｔ ( ) ≤ τＳ∧ ｐ Ｈ ｔ －Ｂ Ｈ ｐｔ ≤τＨ ｙｍａｓｋ ＝ １ δ（ｔ）＝ ０ Ｅｌｓｅ δ（ｔ）＝ １ Ｅｎｄ Ｅｎｄ ５ 实验结果及分析 为了验证算法的可行性，对不同环境下的视频 进行处理。 选择的视频序列为变化检测数据库中 ｂａｓｅｌｉｎｅ、ｄｙｎａｍｉｃ ｂａｃｋｇｒｏｕｎｄ、 ｃａｍｅｒａ ｊｉｔｔｅｒ、 ｉｎｔｅｒｍｉｔ⁃ ｔｅｎｔ ｏｂｊｅｃｔ ｍｏｔｉｏｎ 以及 ｓｈａｄｏｗ ５ 大类图像序列。 本 文算法中，Ｌ ＝ ２０，ε１ ＝ ０．９６，ε２ ＝ ０．９２，ξ ＝ ８．５。 实验环境为硬件采用 ｉ５⁃３ ２１０ Ｍ，主频 ２．５ ＧＨｚ 的处理器， ２ ＧＢ 内存。 软件平台使用的是 Ｗｉｎ⁃ ｄｏｗｓ７ 操作系统，开发平台为 ＭａｔｌａｂＲ２０１２ａ。 分别与高斯混合模型（Ｇａｕｓｓｉａｎ ｍｉｘｔｕｒｅ ｍｏｄｅｌ， ＧＭＭ）算法［２］ ，空间相关的自组织背景减除（ｓｐａｔｉａｌ⁃ ｌｙ ｃｏｈｅｒｅｎｔ ｓｅｌｆ⁃ｏｒｇａｎｉｚａｔｉｏｎ ｂａｃｋｇｒｏｕｎｄ ｓｕｂｔｒａｃｔｉｏｎ， ＳＣ⁃ＳＯＢＳ）算法［８］ ，自平衡的灵敏度分割（ ｓｅｌｆ⁃ｂａｌ⁃ ａｎｃｅｄ ｓｅｎｓｉｔｉｖｉｔｙ ｓｅｇｍｅｎｔｅｒ， ＳＵＢＳＥＮＳ） 算法［１３］ 进行 比较。 Ｂａｓｅｌｉｎｅ 类目下的 ｏｆｆｉｃｅ 序列由 ２ ０５０ 帧图像构 成，是一组室内办公室场景的图像序列，包含目标被 部分遮挡与背景色相近等复杂情况。 检测结果如图 ３ 所示。 ·７３２· 智 能 系 统 学 报 第 １０ 卷
第5期 周治平，等：颜色和纹理特征的运动目标检测 ·733· 第640帧 第660帧 第680帧 场景的图像序列，场景中包含大量深色或浅色阴影。 以上4类图像序列的检测结果如图4所示。 Dynamic Camera jitter Intermittent Shadow Background obiect motion canoe第960帧boulevard第880帧 soa第980帧cubicle第1l82帧 (a)输入图像序列 (a)输入图像 (b)正确检测图像 (b)正确检测图像 (c)GMM算法 (c)GMM算法 (d)SC-SOBS算法 (d)SC-SOBS算法 (e)SUBSENS算法 (e)SUBSENS算法 ()本文算法 图34种算法对Baseline_.office图像序列的检测结果 Fig.3 Detection results of the four algorithms in base- ()本文算法 line_office image sequences 图44种算法分别对4类图像序列的检测结果 从图3可以看出GMM算法对噪声敏感，其他3 Fig.4 Detection results of the four algorithms in four im- 种算法具有较好的检测率，且从连续3帧的检测结 age sequences 本文采用文献[7]方法进行算法评估，包括检 果证明本文的背景模型更新算法具有适应性。 测率(Recall)、准确率(Precision)和算法的综合性 Dynamic background类目下的canoe序列由 能F-measure。 1189帧图像构成，场景中中水波荡漾且岸边树叶轻 微晃动，用于检测算法处理动态背景的能力。Cam- Recall =tp tp fn era jitter类目下的boulevard序列由2500帧图像构 成，是一组室外林荫大道场景的图像序列，存在拍摄 Precision=-tp tp fp 过程中相机抖动问题。Intermittent object motion类 2×Recall×Precision 目下的sofa序列由2750帧图像构成，是一组室内 F-measure Recall Precision 大厅沙发场景的图像序列，包含背景物移动，新增背 式中：tp(true positives)表示正确检测为前景点的像 景物和目标间歇性移动等复杂情况。Shadow类目 素个数，fn(false negatives)表示错误检测为背景点 下的cubicle序列由7400帧图像构成，是一组室内 的像素个数。fp(false positives)表示错误检测为前
（ａ）输入图像序列 （ｂ）正确检测图像 （ｃ）ＧＭＭ 算法 （ｄ）ＳＣ⁃ＳＯＢＳ 算法 （ｅ）ＳＵＢＳＥＮＳ 算法 （ｆ）本文算法 图 ３ ４ 种算法对 Ｂａｓｅｌｉｎｅ＿ｏｆｆｉｃｅ 图像序列的检测结果 Ｆｉｇ． ３ Ｄｅｔｅｃｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ ｔｈｅ ｆｏｕｒ ａｌｇｏｒｉｔｈｍｓ ｉｎ ｂａｓｅ⁃ ｌｉｎｅ＿ｏｆｆｉｃｅ ｉｍａｇｅ ｓｅｑｕｅｎｃｅｓ 从图 ３ 可以看出 ＧＭＭ 算法对噪声敏感，其他 ３ 种算法具有较好的检测率，且从连续 ３ 帧的检测结 果证明本文的背景模型更新算法具有适应性。 Ｄｙｎａｍｉｃ ｂａｃｋｇｒｏｕｎｄ 类 目 下 的 ｃａｎｏｅ 序 列 由 １ １８９帧图像构成，场景中中水波荡漾且岸边树叶轻 微晃动，用于检测算法处理动态背景的能力。 Ｃａｍ⁃ ｅｒａ ｊｉｔｔｅｒ 类目下的 ｂｏｕｌｅｖａｒｄ 序列由２ ５００帧图像构 成，是一组室外林荫大道场景的图像序列，存在拍摄 过程中相机抖动问题。 Ｉｎｔｅｒｍｉｔｔｅｎｔ ｏｂｊｅｃｔ ｍｏｔｉｏｎ 类 目下的 ｓｏｆａ 序列由 ２ ７５０ 帧图像构成，是一组室内 大厅沙发场景的图像序列，包含背景物移动，新增背 景物和目标间歇性移动等复杂情况。 Ｓｈａｄｏｗ 类目 下的 ｃｕｂｉｃｌｅ 序列由 ７ ４００ 帧图像构成，是一组室内 场景的图像序列，场景中包含大量深色或浅色阴影。 以上 ４ 类图像序列的检测结果如图 ４ 所示。 Ｄｙｎａｍｉｃ Ｃａｍｅｒａ ｊｉｔｔｅｒ Ｉｎｔｅｒｍｉｔｔｅｎｔ Ｓｈａｄｏｗ Ｂａｃｋｇｒｏｕｎｄ ｏｂｊｅｃｔ ｍｏｔｉｏｎ ｃａｎｏｅ 第 ９６０ 帧 ｂｏｕｌｅｖａｒｄ 第８８０帧 ｓｏｆａ 第９８０帧 ｃｕｂｉｃｌｅ 第１１８２帧 （ａ）输入图像 （ｂ）正确检测图像 （ｃ）ＧＭＭ 算法 （ｄ）ＳＣ⁃ＳＯＢＳ 算法 （ｅ）ＳＵＢＳＥＮＳ 算法 （ｆ）本文算法 图 ４ ４ 种算法分别对 ４ 类图像序列的检测结果 Ｆｉｇ．４ Ｄｅｔｅｃｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ ｔｈｅ ｆｏｕｒ ａｌｇｏｒｉｔｈｍｓ ｉｎ ｆｏｕｒ ｉｍ⁃ ａｇｅ ｓｅｑｕｅｎｃｅｓ 本文采用文献［７］方法进行算法评估，包括检 测率（Ｒｅｃａｌｌ）、准确率（ Ｐｒｅｃｉｓｉｏｎ） 和算法的综合性 能 Ｆ⁃ｍｅａｓｕｒｅ。 Ｒｅｃａｌｌ ＝ ｔｐ ｔｐ ＋ ｆｎ Ｐｒｅｃｉｓｉｏｎ ＝ ｔｐ ｔｐ ＋ ｆｐ Ｆ⁃ｍｅａｓｕｒｅ ＝ ２ × Ｒｅｃａｌｌ × Ｐｒｅｃｉｓｉｏｎ Ｒｅｃａｌｌ ＋ Ｐｒｅｃｉｓｉｏｎ 式中：ｔｐ（ｔｒｕｅ ｐｏｓｉｔｉｖｅｓ）表示正确检测为前景点的像 素个数，ｆｎ（ ｆａｌｓｅ ｎｅｇａｔｉｖｅｓ） 表示错误检测为背景点 的像素个数。 ｆｐ（ｆａｌｓｅ ｐｏｓｉｔｉｖｅｓ）表示错误检测为前 第 ５ 期 周治平，等：颜色和纹理特征的运动目标检测 ·７３３·
·734 智能系统学报 第10卷 景点的像素个数。表1和2给出了5类图像序列在 得了比前2个算法更好的性能，但本文算法采用 四种算法下检测性能。表3通过对of酯ce序列的检 SLTP描述符比LBP对于噪声和动态背景更具有鲁 测来比较时间复杂度。 棒性，且采用了融合机制，充分弥补了颜色和纹理特 从表1和2可以看出，本文算法在绝大多数情 征各自的缺陷。表3可以看出本文算法时间复杂度 况下表现出优秀的性能，其能有效处理动态背景，间 并非最优，SC-SOBS算法由于仅使用图像的灰度特 歇运动，阴影等复杂情况。F-measure最多提高了 征，时间消耗更小，但在背景扰动，相机抖动等复杂 0.2。其中，GMM算法是基于概率的模型，算法复 情况下的性能均低于本文算法，本文算法的时间消 杂，对噪声敏感，不利于动态背景下检测。SC-SOBS 耗仅比其多0.24s,但F-measure最多可提高 算法强烈依赖于第一帧图像，如果存在运动目标，在 29.06%。因此，本文算法的时间复杂度在可接受范 后期的处理中总会在运动目标区域存在空洞现象。 围内，使其获得优良的性能。 SUBSENS算法将颜色特征和LBP特征结合起来，取 表1Oice和canoe图像序列在4种算法下的检测性能 Table 1 Detection performance of the four kinds of algorithms in office and canoe image sequences Baseline office Dynamic background_canoe 算法 Recall Precision F-Measure Recall Precision F-Measure GMM 0.5075 0.9290 0.6541 0.8533 0.9194 0.8872 SC-SOBS 0.9193 0.9313 0.9251 0.8798 0.5856 0.6439 SUBSENS 0.9576 0.9561 0.9568 0.6885 0.9917 0.8128 本文算法 0.9686 0.8582 0.9101 0.8372 0.8322 0.8347 表2 Boulevard、sofa和cubicle图像序列在4种算法下的检测性能 Table 2 Detection performance of the four kinds of algorithms in boulevard,sofa and cubicle image sequences Camera jitter-boulevard Intermittent object motion_sofa Shadow cubicle 算法 Recall Precision F-Measure Recall Precision F-Measure Recall Precision F-Measure GMM 0.7977 0.4379 0.5654 0.5141 0.8925 0.6524 0.7861 0.5511 0.6479 SC-SOBS 0.8014 0.6162 0.6967 0.5201 0.8325 0.6402 0.8754 0.6163 0.7233 SUBSENS 0.7394 0.7518 0.7456 0.7437 0.9264 0.8251 0.9657 0.8008 0.8756 本文算法 0.6812 0.9019 0.7761 0.8219 0.8322 0.8275 0.9442 0.8634 0.9020 表34种算法时间复杂度 验结果表明，本文算法在满足实时性的同时稳定性 Table 3 Time complexity of the four algorithms 也较好。运动目标检测是目标识别的基础，因此本 算法 图像属性 图像大小 平均运行时间/s 文的下一步工作为对检测出的运动目标进行识别。 GMM RGB 240×360 1.92 参考文献： SC-SOBS RGB 240×360 1.27 [1]WREN C R,AZARBAYEJANI A,DARRELL T,et al. SUBSENS RGB 240×360 1.63 Pfinder:real-time tracking of the human body J].IEEE 本文算法 RGB 240×360 1.51 Transactions on Pattern Analysis and Machine Intelligence, 1997.19(7):780-785. 结束语 6 [2]ZIVKOVIC Z.Improved adaptive Gaussian mixture model 针对运动场景复杂多变，单一的特征描述往往 for background subtraction [C]//Proceedings of the 17th International Conference on Pattern Recognition.Cam- 不能应对，因此本文提出一种结合RGB颜色特征与 bridge,0UK,2004:28-31. SLTP纹理特征的运动目标检测算法，将颜色特征 [3]HERAS EVANGELIO R H,PATZOLD M,KELLER I,et 与纹理特征相结合，互相弥补各自的不足。将本文 al.Adaptively splitted GMM with feedback improvement for 算法与GMM、SC-SOBS,SUBSENS算法进行比较，实 the task of background subtraction[J].IEEE Transactions
景点的像素个数。 表 １ 和 ２ 给出了 ５ 类图像序列在 四种算法下检测性能。 表 ３ 通过对 ｏｆｆｉｃｅ 序列的检 测来比较时间复杂度。 从表 １ 和 ２ 可以看出，本文算法在绝大多数情 况下表现出优秀的性能，其能有效处理动态背景，间 歇运动，阴影等复杂情况。 Ｆ⁃ｍｅａｓｕｒｅ 最多提高了 ０．２。 其中，ＧＭＭ 算法是基于概率的模型，算法复 杂，对噪声敏感，不利于动态背景下检测。 ＳＣ⁃ＳＯＢＳ 算法强烈依赖于第一帧图像，如果存在运动目标，在 后期的处理中总会在运动目标区域存在空洞现象。 ＳＵＢＳＥＮＳ 算法将颜色特征和 ＬＢＰ 特征结合起来，取 得了比前 ２ 个算法更好的性能，但本文算法采用 ＳＩＬＴＰ 描述符比 ＬＢＰ 对于噪声和动态背景更具有鲁 棒性，且采用了融合机制，充分弥补了颜色和纹理特 征各自的缺陷。 表 ３ 可以看出本文算法时间复杂度 并非最优，ＳＣ⁃ＳＯＢＳ 算法由于仅使用图像的灰度特 征，时间消耗更小，但在背景扰动，相机抖动等复杂 情况下的性能均低于本文算法，本文算法的时间消 耗仅 比 其 多 ０． ２４ ｓ， 但 Ｆ⁃ｍｅａｓｕｒｅ 最 多 可 提 高 ２９．０６％。 因此，本文算法的时间复杂度在可接受范 围内，使其获得优良的性能。 表 １ Ｏｆｆｉｃｅ 和 ｃａｎｏｅ 图像序列在 ４ 种算法下的检测性能 Ｔａｂｌｅ １ Ｄｅｔｅｃｔｉｏｎ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｔｈｅ ｆｏｕｒ ｋｉｎｄｓ ｏｆ ａｌｇｏｒｉｔｈｍｓ ｉｎ ｏｆｆｉｃｅ ａｎｄ ｃａｎｏｅ ｉｍａｇｅ ｓｅｑｕｅｎｃｅｓ 算法 Ｂａｓｅｌｉｎｅ＿ｏｆｆｉｃｅ Ｄｙｎａｍｉｃ ｂａｃｋｇｒｏｕｎｄ ＿ｃａｎｏｅ Ｒｅｃａｌｌ Ｐｒｅｃｉｓｉｏｎ Ｆ⁃Ｍｅａｓｕｒｅ Ｒｅｃａｌｌ Ｐｒｅｃｉｓｉｏｎ Ｆ⁃Ｍｅａｓｕｒｅ ＧＭＭ ０．５０７ ５ ０．９２９ ０ ０．６５４ １ ０．８５３ ３ ０．９１９ ４ ０．８８７ ２ ＳＣ⁃ＳＯＢＳ ０．９１９ ３ ０．９３１ ３ ０．９２５ １ ０．８７９ ８ ０．５８５ ６ ０．６４３ ９ ＳＵＢＳＥＮＳ ０．９５７ ６ ０．９５６ １ ０．９５６ ８ ０．６８８ ５ ０．９９１ ７ ０．８１２ ８ 本文算法 ０．９６８ ６ ０．８５８ ２ ０．９１０ １ ０．８３７ ２ ０．８３２ ２ ０．８３４７ 表 ２ Ｂｏｕｌｅｖａｒｄ、ｓｏｆａ 和 ｃｕｂｉｃｌｅ 图像序列在 ４ 种算法下的检测性能 Ｔａｂｌｅ ２ Ｄｅｔｅｃｔｉｏｎ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｔｈｅ ｆｏｕｒ ｋｉｎｄｓ ｏｆ ａｌｇｏｒｉｔｈｍｓ ｉｎ ｂｏｕｌｅｖａｒｄ， ｓｏｆａ ａｎｄ ｃｕｂｉｃｌｅ ｉｍａｇｅ ｓｅｑｕｅｎｃｅｓ 算法 Ｃａｍｅｒａ ｊｉｔｔｅｒ⁃ｂｏｕｌｅｖａｒｄ Ｉｎｔｅｒｍｉｔｔｅｎｔ ｏｂｊｅｃｔ ｍｏｔｉｏｎ＿ｓｏｆａ Ｓｈａｄｏｗ＿ｃｕｂｉｃｌｅ Ｒｅｃａｌｌ Ｐｒｅｃｉｓｉｏｎ Ｆ⁃Ｍｅａｓｕｒｅ Ｒｅｃａｌｌ Ｐｒｅｃｉｓｉｏｎ Ｆ⁃Ｍｅａｓｕｒｅ Ｒｅｃａｌｌ Ｐｒｅｃｉｓｉｏｎ Ｆ⁃Ｍｅａｓｕｒｅ ＧＭＭ ０．７９７ ７ ０．４３７ ９ ０．５６５ ４ ０．５１４ １ ０．８９２ ５ ０．６５２ ４ ０．７８６ １ ０．５５１ １ ０．６４７ ９ ＳＣ⁃ＳＯＢＳ ０．８０１ ４ ０．６１６ ２ ０．６９６ ７ ０．５２０ １ ０．８３２ ５ ０．６４０ ２ ０．８７５ ４ ０．６１６ ３ ０．７２３ ３ ＳＵＢＳＥＮＳ ０．７３９ ４ ０．７５１ ８ ０．７４５ ６ ０．７４３ ７ ０．９２６ ４ ０．８２５ １ ０．９６５ ７ ０．８００ ８ ０．８７５ ６ 本文算法 ０．６８１ ２ ０．９０１ ９ ０．７７６ １ ０．８２１ ９ ０．８３２ ２ ０．８２７ ５ ０．９４４ ２ ０．８６３ ４ ０．９０２ ０ 表 ３ ４ 种算法时间复杂度 Ｔａｂｌｅ ３ Ｔｉｍｅ ｃｏｍｐｌｅｘｉｔｙ ｏｆ ｔｈｅ ｆｏｕｒ ａｌｇｏｒｉｔｈｍｓ 算法 图像属性 图像大小 平均运行时间／ ｓ ＧＭＭ ＲＧＢ ２４０×３６０ １．９２ ＳＣ⁃ＳＯＢＳ ＲＧＢ ２４０×３６０ １．２７ ＳＵＢＳＥＮＳ ＲＧＢ ２４０×３６０ １．６３ 本文算法 ＲＧＢ ２４０×３６０ １．５１ ６ 结束语 针对运动场景复杂多变，单一的特征描述往往 不能应对，因此本文提出一种结合 ＲＧＢ 颜色特征与 ＳＩＬＴＰ 纹理特征的运动目标检测算法，将颜色特征 与纹理特征相结合，互相弥补各自的不足。 将本文 算法与 ＧＭＭ、ＳＣ⁃ＳＯＢＳ、ＳＵＢＳＥＮＳ 算法进行比较，实 验结果表明，本文算法在满足实时性的同时稳定性 也较好。 运动目标检测是目标识别的基础，因此本 文的下一步工作为对检测出的运动目标进行识别。 参考文献： ［１］ ＷＲＥＮ Ｃ Ｒ， ＡＺＡＲＢＡＹＥＪＡＮＩ Ａ， ＤＡＲＲＥＬＬ Ｔ， ｅｔ ａｌ． Ｐｆｉｎｄｅｒ： ｒｅａｌ⁃ｔｉｍｅ ｔｒａｃｋｉｎｇ ｏｆ ｔｈｅ ｈｕｍａｎ ｂｏｄｙ ［ Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ， １９９７， １９（７）： ７８０⁃７８５． ［２］ ＺＩＶＫＯＶＩＣ Ｚ． Ｉｍｐｒｏｖｅｄ ａｄａｐｔｉｖｅ Ｇａｕｓｓｉａｎ ｍｉｘｔｕｒｅ ｍｏｄｅｌ ｆｏｒ ｂａｃｋｇｒｏｕｎｄ ｓｕｂｔｒａｃｔｉｏｎ ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １７ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｃａｍ⁃ ｂｒｉｄｇｅ，ＵＫ， ２００４： ２８⁃３１． ［３］ＨＥＲＡＳ ＥＶＡＮＧＥＬＩＯ Ｒ Ｈ， ＰＡＴＺＯＬＤ Ｍ， ＫＥＬＬＥＲ Ｉ， ｅｔ ａｌ． Ａｄａｐｔｉｖｅｌｙ ｓｐｌｉｔｔｅｄ ＧＭＭ ｗｉｔｈ ｆｅｅｄｂａｃｋ ｉｍｐｒｏｖｅｍｅｎｔ ｆｏｒ ｔｈｅ ｔａｓｋ ｏｆ ｂａｃｋｇｒｏｕｎｄ ｓｕｂｔｒａｃｔｉｏｎ ［ Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ·７３４· 智 能 系 统 学 报 第 １０ 卷
第5期 周治平，等：颜色和纹理特征的运动目标检测 .735. on Information Forensics and Security,2014,9(5):863- [13]ST-CHARLES P L.BILODEAU G A,BERGEVIN R. 874. Flexible background subtraction with self-balanced local [4]LI Xingliang,WU Yubao.Image objects detection algorithm sensitivity[C]//2014 IEEE Conference on Computer Vi- based on improved Gaussian mixture model[J].Journal of sion and Pattern Recognition.Columbus,OH,USA, Multimedia,2014,9(1):152-158. 2014:414-419. [5]HAN B,DAVIS L S.Density-based multifeature background [14 JODOIN P M,MIGNOTTE M,KONRAD J.Statistical subtraction with support vector machine[J].IEEE Transac- background subtraction using spatial cues J].IEEE tions on Pattern Analysis and Machine Intelligence,2012, Transactions on Circuits and Systems for Video Technolo- 34(5):1017-1023. g罗，2007,17(12)：1758-1763. [6]WANG Hanzi,SUTER D.Background subtraction based on [15]OJALA T,PIETIKAINEN M,MAENPAA T.Multiresolu- a robust consensus method[C]//18th International Confer- tion gray-scale and rotation invariant texture classification ence on Pattern Recognition.Hong Kong,China,2006: with local binary patterns[].IEEE Transactions on Pat- 223-226. tern Analysis and Machine Intelligence,2002,24(7): [7]MADDALENA L,PETROSINO A.A self-organizing ap- 971-987. proach to background subtraction for visual surveillance ap- [16]JI Zhangjian,WANG Weigiang.Detect foreground objects plications[J].IEEE Transactions on Image Processing, via adaptive fusing model in a hybrid feature space[J]. 2008,17(7):1168-1177. Pattern Recognition,2014,47(9):2952-2961. [8]MADDALENA L,PETROSINO A.The SOBS algorithm: [17]DUAN Haibin,DENG Yimin,WANG Xiaohua,et al. what are the limits?[C]//2012 IEEE Computer Society Small and dim target detection via lateral inhibition filte- Conference on Computer Vision and Pattern Recognition ring and artificial bee colony based selective visual atten- Workshops.Providence,2012:21-26. tion[J].PLoS0ne,2013,8(8):e72035. [9]BARNICH O,VAN DROOGENBROECk M.ViBe:A uni- [18]CUCCHIARA R,GRANA C,PICCARDI M,et al.Detec- versal background subtraction algorithm for video sequences ting moving objects,ghosts,and shadows in video streams [J].IEEE Transactions on Image Processing,2011,20 [J].IEEE Transactions on Pattern Analysis and Machine (6):1709-1724. ntelligence,2003,25(10):1337-1342, [10]HOFMANN M,TIEFENBACHER P,RIGOLL G.Back- 作者简介： ground segmentation with feedback:The pixel-based adap- 周治平，男，1962年生，教授，博士， tive segmenter[C]//2012 IEEE Computer Society Confer- 主要研究方向为检测技术与自动化装 ence on Computer Vision and Pattern Recognition Work- 置。主持和参与国家及省部级科研项 shops.Providence,USA,2012:38-43. 目7项，获省部级科技进步奖3项，发 [11]BILODEAU G A,JODOIN J P,SAUNIER N.Change de- 表学术论文70余篇。 tection in feature space using local binary similarity pat- terns[C]//2013 International Conference on Computer and Robot Vision.Providence,America,2013:106-112. 李文慧，女，1990年生，硕士，主要 [12]LIAO Shengcai,ZHAO Guoying,KELLOKUMPU V,et 研究方向为视频与图像信号处理。 al.Modeling pixel process with scale invariant local pat- terns for background subtraction in complex scenes[C]// 2010 IEEE Conference on Computer Vision and Pattern Recognition.San Francisco,2010:1301-1306
ｏｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｆｏｒｅｎｓｉｃｓ ａｎｄ Ｓｅｃｕｒｉｔｙ， ２０１４， ９ （ ５）：８６３⁃ ８７４． ［４］ＬＩ Ｘｉｎｇｌｉａｎｇ， ＷＵ Ｙｕｂａｏ． Ｉｍａｇｅ ｏｂｊｅｃｔｓ ｄｅｔｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｉｍｐｒｏｖｅｄ Ｇａｕｓｓｉａｎ ｍｉｘｔｕｒｅ ｍｏｄｅｌ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｍｕｌｔｉｍｅｄｉａ， ２０１４， ９（１）： １５２⁃１５８． ［５］ＨＡＮ Ｂ， ＤＡＶＩＳ Ｌ Ｓ． Ｄｅｎｓｉｔｙ⁃ｂａｓｅｄ ｍｕｌｔｉｆｅａｔｕｒｅ ｂａｃｋｇｒｏｕｎｄ ｓｕｂｔｒａｃｔｉｏｎ ｗｉｔｈ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃ⁃ ｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ２０１２， ３４（５）： １０１７⁃１０２３． ［６］ＷＡＮＧ Ｈａｎｚｉ， ＳＵＴＥＲ Ｄ． Ｂａｃｋｇｒｏｕｎｄ ｓｕｂｔｒａｃｔｉｏｎ ｂａｓｅｄ ｏｎ ａ ｒｏｂｕｓｔ ｃｏｎｓｅｎｓｕｓ ｍｅｔｈｏｄ［Ｃ］ ／ ／ １８ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒ⁃ ｅｎｃｅ ｏｎ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｈｏｎｇ Ｋｏｎｇ， Ｃｈｉｎａ， ２００６： ２２３⁃２２６． ［７］ ＭＡＤＤＡＬＥＮＡ Ｌ， ＰＥＴＲＯＳＩＮＯ Ａ． Ａ ｓｅｌｆ⁃ｏｒｇａｎｉｚｉｎｇ ａｐ⁃ ｐｒｏａｃｈ ｔｏ ｂａｃｋｇｒｏｕｎｄ ｓｕｂｔｒａｃｔｉｏｎ ｆｏｒ ｖｉｓｕａｌ ｓｕｒｖｅｉｌｌａｎｃｅ ａｐ⁃ ｐｌｉｃａｔｉｏｎｓ ［ Ｊ ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ， ２００８， １７（７）： １１６８⁃１１７７． ［８］ ＭＡＤＤＡＬＥＮＡ Ｌ， ＰＥＴＲＯＳＩＮＯ Ａ． Ｔｈｅ ＳＯＢＳ ａｌｇｏｒｉｔｈｍ： ｗｈａｔ ａｒｅ ｔｈｅ ｌｉｍｉｔｓ？ ［ Ｃ］ ／ ／ ２０１２ ＩＥＥＥ Ｃｏｍｐｕｔｅｒ Ｓｏｃｉｅｔｙ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｗｏｒｋｓｈｏｐｓ． Ｐｒｏｖｉｄｅｎｃｅ， ２０１２： ２１⁃２６． ［９］ＢＡＲＮＩＣＨ Ｏ， ＶＡＮ ＤＲＯＯＧＥＮＢＲＯＥＣｋ Ｍ． ＶｉＢｅ： Ａ ｕｎｉ⁃ ｖｅｒｓａｌ ｂａｃｋｇｒｏｕｎｄ ｓｕｂｔｒａｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｖｉｄｅｏ ｓｅｑｕｅｎｃｅｓ ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ， ２０１１， ２０ （６）： １７０９⁃１７２４． ［１０］ ＨＯＦＭＡＮＮ Ｍ， ＴＩＥＦＥＮＢＡＣＨＥＲ Ｐ， ＲＩＧＯＬＬ Ｇ． Ｂａｃｋ⁃ ｇｒｏｕｎｄ ｓｅｇｍｅｎｔａｔｉｏｎ ｗｉｔｈ ｆｅｅｄｂａｃｋ： Ｔｈｅ ｐｉｘｅｌ⁃ｂａｓｅｄ ａｄａｐ⁃ ｔｉｖｅ ｓｅｇｍｅｎｔｅｒ［Ｃ］ ／ ／ ２０１２ ＩＥＥＥ Ｃｏｍｐｕｔｅｒ Ｓｏｃｉｅｔｙ Ｃｏｎｆｅｒ⁃ ｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｗｏｒｋ⁃ ｓｈｏｐｓ． Ｐｒｏｖｉｄｅｎｃｅ， ＵＳＡ， ２０１２： ３８⁃４３． ［１１］ＢＩＬＯＤＥＡＵ Ｇ Ａ， ＪＯＤＯＩＮ Ｊ Ｐ， ＳＡＵＮＩＥＲ Ｎ． Ｃｈａｎｇｅ ｄｅ⁃ ｔｅｃｔｉｏｎ ｉｎ ｆｅａｔｕｒｅ ｓｐａｃｅ ｕｓｉｎｇ ｌｏｃａｌ ｂｉｎａｒｙ ｓｉｍｉｌａｒｉｔｙ ｐａｔ⁃ ｔｅｒｎｓ［Ｃ］ ／ ／ ２０１３ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ ａｎｄ Ｒｏｂｏｔ Ｖｉｓｉｏｎ． Ｐｒｏｖｉｄｅｎｃｅ， Ａｍｅｒｉｃａ， ２０１３： １０６⁃１１２． ［１２］ ＬＩＡＯ Ｓｈｅｎｇｃａｉ， ＺＨＡＯ Ｇｕｏｙｉｎｇ， ＫＥＬＬＯＫＵＭＰＵ Ｖ， ｅｔ ａｌ． Ｍｏｄｅｌｉｎｇ ｐｉｘｅｌ ｐｒｏｃｅｓｓ ｗｉｔｈ ｓｃａｌｅ ｉｎｖａｒｉａｎｔ ｌｏｃａｌ ｐａｔ⁃ ｔｅｒｎｓ ｆｏｒ ｂａｃｋｇｒｏｕｎｄ ｓｕｂｔｒａｃｔｉｏｎ ｉｎ ｃｏｍｐｌｅｘ ｓｃｅｎｅｓ［Ｃ］ ／ ／ ２０１０ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｓａｎ Ｆｒａｎｃｉｓｃｏ， ２０１０： １３０１⁃１３０６． ［１３］ ＳＴ⁃ＣＨＡＲＬＥＳ Ｐ Ｌ， ＢＩＬＯＤＥＡＵ Ｇ Ａ， ＢＥＲＧＥＶＩＮ Ｒ． Ｆｌｅｘｉｂｌｅ ｂａｃｋｇｒｏｕｎｄ ｓｕｂｔｒａｃｔｉｏｎ ｗｉｔｈ ｓｅｌｆ⁃ｂａｌａｎｃｅｄ ｌｏｃａｌ ｓｅｎｓｉｔｉｖｉｔｙ［Ｃ］ ／ ／ ２０１４ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉ⁃ ｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｃｏｌｕｍｂｕｓ， ＯＨ， ＵＳＡ， ２０１４： ４１４⁃４１９． ［ １４］ ＪＯＤＯＩＮ Ｐ Ｍ， ＭＩＧＮＯＴＴＥ Ｍ， ＫＯＮＲＡＤ Ｊ． Ｓｔａｔｉｓｔｉｃａｌ ｂａｃｋｇｒｏｕｎｄ ｓｕｂｔｒａｃｔｉｏｎ ｕｓｉｎｇ ｓｐａｔｉａｌ ｃｕｅｓ ［ Ｊ ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｃｉｒｃｕｉｔｓ ａｎｄ Ｓｙｓｔｅｍｓ ｆｏｒ Ｖｉｄｅｏ Ｔｅｃｈｎｏｌｏ⁃ ｇｙ， ２００７， １７（１２）： １７５８⁃１７６３． ［１５］ＯＪＡＬＡ Ｔ， ＰＩＥＴＩＫÄＩＮＥＮ Ｍ， ＭÄＥＮＰÄÄ Ｔ． Ｍｕｌｔｉｒｅｓｏｌｕ⁃ ｔｉｏｎ ｇｒａｙ⁃ｓｃａｌｅ ａｎｄ ｒｏｔａｔｉｏｎ ｉｎｖａｒｉａｎｔ ｔｅｘｔｕｒｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｗｉｔｈ ｌｏｃａｌ ｂｉｎａｒｙ ｐａｔｔｅｒｎｓ［ Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔ⁃ ｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ２００２， ２４ （ ７）： ９７１⁃９８７． ［１６］ＪＩ Ｚｈａｎｇｊｉａｎ， ＷＡＮＧ Ｗｅｉｑｉａｎｇ． Ｄｅｔｅｃｔ ｆｏｒｅｇｒｏｕｎｄ ｏｂｊｅｃｔｓ ｖｉａ ａｄａｐｔｉｖｅ ｆｕｓｉｎｇ ｍｏｄｅｌ ｉｎ ａ ｈｙｂｒｉｄ ｆｅａｔｕｒｅ ｓｐａｃｅ ［ Ｊ］． Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ， ２０１４， ４７（９）： ２９５２⁃２９６１． ［ １７］ ＤＵＡＮ Ｈａｉｂｉｎ， ＤＥＮＧ Ｙｉｍｉｎ， ＷＡＮＧ Ｘｉａｏｈｕａ， ｅｔ ａｌ． Ｓｍａｌｌ ａｎｄ ｄｉｍ ｔａｒｇｅｔ ｄｅｔｅｃｔｉｏｎ ｖｉａ ｌａｔｅｒａｌ ｉｎｈｉｂｉｔｉｏｎ ｆｉｌｔｅ⁃ ｒｉｎｇ ａｎｄ ａｒｔｉｆｉｃｉａｌ ｂｅｅ ｃｏｌｏｎｙ ｂａｓｅｄ ｓｅｌｅｃｔｉｖｅ ｖｉｓｕａｌ ａｔｔｅｎ⁃ ｔｉｏｎ［Ｊ］． ＰＬｏＳ Ｏｎｅ， ２０１３， ８（８）： ｅ７２０３５． ［１８］ＣＵＣＣＨＩＡＲＡ Ｒ， ＧＲＡＮＡ Ｃ， ＰＩＣＣＡＲＤＩ Ｍ， ｅｔ ａｌ． Ｄｅｔｅｃ⁃ ｔｉｎｇ ｍｏｖｉｎｇ ｏｂｊｅｃｔｓ， ｇｈｏｓｔｓ， ａｎｄ ｓｈａｄｏｗｓ ｉｎ ｖｉｄｅｏ ｓｔｒｅａｍｓ ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ２００３， ２５（１０）： １３３７⁃１３４２． 作者简介： 周治平，男，１９６２ 年生，教授，博士， 主要研究方向为检测技术与自动化装 置。 主持和参与国家及省部级科研项 目 ７ 项，获省部级科技进步奖 ３ 项，发 表学术论文 ７０ 余篇。 李文慧，女，１９９０ 年生，硕士，主要 研究方向为视频与图像信号处理。 第 ５ 期 周治平，等：颜色和纹理特征的运动目标检测 ·７３５·