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·