正在加载图片...
第2期 李文斌等：一种基于背景减法的运动目标检测算法 .215. 号 PB(fi.i) (<To 之Pa(Pn(c》 (7) 110ci.j-10bi.<TL 式中，CER、CEc和CEB分别表示R、G、B三通道 的交叉嫡，PR、PG、PB的计算如下： CER十CEG十CEB<TcE (9) 3 nend 其中，T0、TL和TcE三个阈值可由经验设定， 3实验结果 Pc(c）=c品 行宁 G (8) 为验证本文所提出的方法，对普通USB摄像头 所拍摄的视频序列进行了实验，实验结果如图3所 示.图3(a)为场景示意，可以看到场景中有多个运 由定义可以看出，交叉熵对个别像素点的噪声 动物体存在；图3(b)为利用前20帧图像进行背景 或全邻域范围内的光照变化是不敏感的，通常阴影 模型学习，最后重建的背景图：图3(c)为待分割图 区和对应的背景区有着相同或相似的纹理，而目标 像；图3(d)为初步的运动变化区域检测结果； 区和对应背景区的纹理差异较大，可以断定：如果 图3()为阴影去除之后的分割结果.该场景中存在 CMxN处于阴影区内，则CER、CEG、CEB的值相近 摆动的树枝、飘动的横幅等扰动，而最终的实验结果 且较小；CM×N处于目标区时，这三个值较大 表明本文所提出的方法对这类扰动具有较强的适应 由以上分析，可以得出阴影像素的一种判别准 能力 则为： d 图3实验结果 Fig.3 Experimental result tem detecting persons in complex scenes.Real Time Imaging, 4结论 2001.7(5):433 本文分析了应用背景减法进行运动目标检测时 [2]Ji X P.Wei Z Q,Feng Y W.Effective vehicle detection tech- nique for traffic surveillance systems.I Visual Commun Image 面临的一些问题，并针对这些问题提出了一种基于 Represent,2006,17(3):647 背景减法的运动目标检测算法，对监控场景进行无 [3]Fan J P.Wang R.Zhang L M,et al.Image sequence segmenta- 约束学习，迅速建立多个可靠的背景模型，在运动目 tion hased on 2D temporal entropic thresholding.Pattern Recog- 标检测过程中根据场景的变化进行背景更新，同时 nit Lett,1996,17(10):1101 利用色度信息和邻域交叉熵信息进行阴影消除，最 [4]Kim K.Chalidabhongse T,Harwood D,et al.Real-time fore- 终得到较为理想的运动目标， ground back-ground segmentation using codebook model.Real Time Imaging,2005,11(3):172 参考文献 [5]Shoushtarian B.Bez H.A practical adaptive approach for dynamic background subtraction using an invariant colour model and object [1]Iketani A.Nagai A.Kuno Y,et al.Real time surveillance sys tracking.Pattern Recognit Leut.2005.26(1):5∑ M－1 i＝0∑ N－1 j＝0 PB（ f ij）ln PB（ f ij） PB（ cij） （7） 式中CER、CEG 和 CEB 分别表示 R、G、B 三通道 的交叉熵PR、PG、PB 的计算如下： PR（ cij） ＝ c R ij ∑ M－1 m＝0∑ N－1 n＝1 c R mn PG（ cij） ＝ c G ij ∑ M－1 m＝0∑ N－1 n＝1 c G mn PB（ cij） ＝ c B ij ∑ M－1 m＝0∑ N－1 n＝1 c B mn （8） 由定义可以看出交叉熵对个别像素点的噪声 或全邻域范围内的光照变化是不敏感的．通常阴影 区和对应的背景区有着相同或相似的纹理而目标 区和对应背景区的纹理差异较大．可以断定：如果 CM× N处于阴影区内则 CER、CEG、CEB 的值相近 且较小；CM× N处于目标区时这三个值较大． 由以上分析可以得出阴影像素的一种判别准 则为： θ＜ Tθ ｜｜Ocij｜—｜Obij｜｜＜ TL CER＋CEG＋CEB 3 ＜ T CE （9） 其中Tθ、TL 和 T CE三个阈值可由经验设定． 3 实验结果 为验证本文所提出的方法对普通 USB 摄像头 所拍摄的视频序列进行了实验实验结果如图3所 示．图3（a）为场景示意可以看到场景中有多个运 动物体存在；图3（b）为利用前20帧图像进行背景 模型学习最后重建的背景图；图3（c）为待分割图 像；图 3（d） 为初步的运动变化区域检测结果； 图3（e）为阴影去除之后的分割结果．该场景中存在 摆动的树枝、飘动的横幅等扰动而最终的实验结果 表明本文所提出的方法对这类扰动具有较强的适应 能力． 图3 实验结果 Fig．3 Experimental result 4 结论 本文分析了应用背景减法进行运动目标检测时 面临的一些问题并针对这些问题提出了一种基于 背景减法的运动目标检测算法对监控场景进行无 约束学习迅速建立多个可靠的背景模型在运动目 标检测过程中根据场景的变化进行背景更新同时 利用色度信息和邻域交叉熵信息进行阴影消除最 终得到较为理想的运动目标． 参 考 文 献 ［1］ Iketani ANagai AKuno Yet al．Rea-l time surveillance system detecting persons in complex scenes．Real Time Imaging 20017（5）：433 ［2］ Ji X PWei Z QFeng Y W．Effective vehicle detection technique for traffic surveillance systems．J V isual Commun Image Rep resent200617（3）：647 ［3］ Fan J PWang RZhang L Met al．Image sequence segmentation based on2D temporal entropic thresholding．Pattern Recognit Lett199617（10）：1101 ［4］ Kim KChalidabhongse THarwood Det al．Rea-l time foreground-back-ground segmentation using codebook model． Real Time Imaging200511（3）：172 ［5］ Shoushtarian BBez H．A practical adaptive approach for dynamic background subtraction using an invariant colour model and object tracking．Pattern Recognit Lett200526（1）：5 第2期 李文斌等： 一种基于背景减法的运动目标检测算法 ·215·