D0I:10.13374/i.issnl00113.2008.02.020 第30卷第2期 北京科技大学学报 Vol.30 No.2 2008年2月 Journal of University of Science and Technology Beijing Feh.2008 一种基于背景减法的运动目标检测算法 李文斌周晓敏王长松 北京科技大学机械工程学院，北京100083 摘要针对静止摄像机下的运动目标检测问题，提出了一种基于背景减法的运动目标检测算法。首先利用无拘束学习方式 迅速建立多个可靠的RGB颜色背景模型，然后在运动目标分割过程中，及时地根据场景变化对背景模型进行更新，同时利用 色度信息及局部交叉嫡信息去除阴影，得到较为精确的运动目标·在对用普通USB摄像头获取的视频序列实验中，该算法显 示了良好的性能 关键词运动目标检测：背景减法：阴影消除；交叉熵 分类号TP391.41 Detection algorithm of moving objects based on background subtraction method LI Wenbin,ZHOU Xiaomin,WA NG Changsong School of Mechanical Engineering.University of Science and Technology Beijing.Beijing 100083,China ABSTRACT A detection algorithm of moving objects based on background subtraction method was proposed for a video surveillance system with static camera.Some multi-background models dealing with RGB colors were built during the leaning process without any restraint.The modes can be updated in good time with the change of background during moving object segmentation.Chromatic dif- ference and cross"entropy were employed to eliminate shadows and made the moving object areas more accurate.This algorithm demonstrates better performance in the experiments with video sequences captured by a general USB camera. KEY WORDS moving object detection:background subtraction:shadow elimination:cross"entropy 运动目标检测是计算机视觉信息提取的一个关 以下几个问题： 键步骤，是更高层次的视频图像分析如目标跟踪、目 (1)背景模型的训练，无论场景中是否包含运 标分类的重要基础，在视频监控、目标跟踪、视频语 动目标和扰动物体，都能快速有效地训练背景模型， 义解释等系统中，运动目标检测的作用更是显得尤 提取出背景图像. 其重要，因此，如何快速准确地从视频图像序列中 (2)场景中的扰动.当场景中存在扰动物体 提取出系统所关心的运动目标，是诸多研究人员所 时，扰动的部分不会被看作是运动目标， 关心的一个问题·常用的运动目标检测方法可以归 (3)场景中光线的变化，由于日出日落、开关 纳为光流法)、帧差法[3]、背景减法[6三种，在 灯、天气变化等原因，场景中的光线会发生变化，要 这些方法中，光流法运算复杂，若没有特定的硬件支 求背景模型能及时进行更新，以适应变化 持一般很难满足实时处理的要求，背景减法计算量 (4)背景物的移入与移出.当场景中发生物体 少、实现简单，同时与帧差法相比具有定位准确及不 移入（例如车辆停止在场景中）或移出（例如停止的 扩大运动区域等优点，因而得到了广泛的应用 车辆驶出场景)时，要求背景模型能快速而有效的更 在实际应用中，一个场景往往由背景、运动目标 新，进行正确的目标提取， (如行人、车辆等)、扰动物体（如摇动的树枝、摆动的 (5)阴影的影响，在有的场合，阴影会给目标 分割带来很大的不便，这就要求在“减去”背景的同 窗帘等)组成，因而一个好的背景消除算法需要克服 时，也能在一定程度上去除阴影 收稿日期：2006-11-1修回日期：2006-12-19 背景减法中最重要的是背景模型的建立，混合 作者简介：李文斌(1976一)，男，博士研究生：王长松(1948一)，男， 高斯模型方法]是应用较多的方法，该方法能够 教授，博士生导师 适应光线的缓慢变化及一些小的扰动：但是其计算
一种基于背景减法的运动目标检测算法 李文斌 周晓敏 王长松 北京科技大学机械工程学院北京100083 摘 要 针对静止摄像机下的运动目标检测问题提出了一种基于背景减法的运动目标检测算法．首先利用无拘束学习方式 迅速建立多个可靠的 RGB 颜色背景模型然后在运动目标分割过程中及时地根据场景变化对背景模型进行更新同时利用 色度信息及局部交叉熵信息去除阴影得到较为精确的运动目标．在对用普通 USB 摄像头获取的视频序列实验中该算法显 示了良好的性能． 关键词 运动目标检测；背景减法；阴影消除；交叉熵 分类号 TP391∙41 Detection algorithm of moving objects based on background subtraction method LI WenbinZHOU XiaominW A NG Changsong School of Mechanical EngineeringUniversity of Science and Technology BeijingBeijing100083China ABSTRACT A detection algorithm of moving objects based on background subtraction method was proposed for a video surveillance system with static camera．Some mult-i background models dealing with RGB colors were built during the leaning process without any restraint．T he modes can be updated in good time with the change of background during moving object segmentation．Chromatic difference and cross-entropy were employed to eliminate shadows and made the moving object areas more accurate．T his algorithm demonstrates better performance in the experiments with video sequences captured by a general USB camera． KEY WORDS moving object detection；background subtraction；shadow elimination；cross-entropy 收稿日期：2006-11-11 修回日期：2006-12-19 作者简介：李文斌（1976—）男博士研究生；王长松（1948—）男 教授博士生导师 运动目标检测是计算机视觉信息提取的一个关 键步骤是更高层次的视频图像分析如目标跟踪、目 标分类的重要基础．在视频监控、目标跟踪、视频语 义解释等系统中运动目标检测的作用更是显得尤 其重要．因此如何快速准确地从视频图像序列中 提取出系统所关心的运动目标是诸多研究人员所 关心的一个问题．常用的运动目标检测方法可以归 纳为光流法［1—2］、帧差法［3］、背景减法［4—6］三种．在 这些方法中光流法运算复杂若没有特定的硬件支 持一般很难满足实时处理的要求．背景减法计算量 少、实现简单同时与帧差法相比具有定位准确及不 扩大运动区域等优点因而得到了广泛的应用． 在实际应用中一个场景往往由背景、运动目标 （如行人、车辆等）、扰动物体（如摇动的树枝、摆动的 窗帘等）组成因而一个好的背景消除算法需要克服 以下几个问题： （1） 背景模型的训练．无论场景中是否包含运 动目标和扰动物体都能快速有效地训练背景模型 提取出背景图像． （2） 场景中的扰动．当场景中存在扰动物体 时扰动的部分不会被看作是运动目标． （3） 场景中光线的变化．由于日出日落、开关 灯、天气变化等原因场景中的光线会发生变化要 求背景模型能及时进行更新以适应变化． （4） 背景物的移入与移出．当场景中发生物体 移入（例如车辆停止在场景中）或移出（例如停止的 车辆驶出场景）时要求背景模型能快速而有效的更 新进行正确的目标提取． （5） 阴影的影响．在有的场合阴影会给目标 分割带来很大的不便这就要求在“减去”背景的同 时也能在一定程度上去除阴影． 背景减法中最重要的是背景模型的建立混合 高斯模型方法［7—8］是应用较多的方法该方法能够 适应光线的缓慢变化及一些小的扰动；但是其计算 第30卷 第2期 2008年 2月 北 京 科 技 大 学 学 报 Journal of University of Science and Technology Beijing Vol．30No．2 Feb．2008 DOI:10．13374／j．issn1001－053x．2008．02．020
第2期 李文斌等：一种基于背景减法的运动目标检测算法 213. 过程复杂，模型参数的选取对其检测效果影响较大， 像帧数为N,则具体的学习过程如下， 提取出的背景会有“鬼影”(ghost)现象；当光线突然 (1)for t=l to N do: 变化（如开关灯引起的光照变化）时，其检测常常出 (i)设t时刻坐标为(i,j)的像素I.,的RGB 错.此外还有一些基于预测估计的背景建模方法， 值为(r,g,b:) Kalman滤波方法[]是这类方法的代表，它对噪声有 (i)搜索M,中与I,.,相匹配的模型M,,k, 较强的抑制作用，模型参数的选取对背景的提取影 匹配条件为： 响较小：但当背景的变化较快时，这种方法的出错几 Ir-ri.j.+lg-gi.j.+b-bi.jT 率就会大大增加. (1) 针对上述这些问题，本文提出了一种基于背景 式中，T中为匹配阈值，可由经验设定 减法的运动目标检测算法：通过无拘束学习方式迅 (i)如果【，，与当前模型mk匹配，则对mk 速建立多个可靠的背景模型，然后在运动目标分割 作如下更新： 过程中，及时地根据场景变化对背景模型进行更新， ri.j.kri,j,k(1一a)十a,: 同时利用色度信息及局部邻域交叉嫡信息去除阴 gi.j.kgi.小k(1一a)十g; 影，得到较为完整的运动目标，实验表明，该算法简 bi.j.&bi.j.(-a)ab 单并且快速有效，对场景的各种变化有较强的适应 counti.j.十十； 能力，可应用在室内室外的多种场合， if (0 and count i.j.count i.j.1) 1背景建模 then mi.j.kmi.j.k-1; 1.1基于RGB颜色空间的背景模型 其中，α为更新速率，其大小决定了背景模型适应场 RGB颜色空间由图1所示，设背景图像为像素 景缓慢变化（如日照变化）的快慢，m,,k二m,j,k-1 集合D,且D={d,i0<H,0<j<W,其中，i 表示将mi,,k与m,,k-1调换位置 (iv)如果M,=)或找不到相匹配的模型，则 表示像素纵坐标，j表示横坐标.H和W分别表示 图像的高和宽，d,为像素的RGB值.本算法采用 建立新模型mew一(Tew,gew,bnew,count pew）,并进 以下四个分量描述背景模型：r为d,的R通道色 行初始化： 彩分量；g为d,的G通道色彩分量；b为d,的B Tnew←TL; 通道色彩分量；count为匹配次数， gnew←gi bnew←bi; count new←l. (2)学习完毕后，应该将含有运动目标信息的 模型去除，由于匹配次数counti.,的多少恰好反映 了模型m,,所描述的RGB值在过去N帧图像中 -G 所“出现”的次数，由此可以断定，由运动目标像素所 创建的模型的匹配次数是很少的，上述学习过程所 R 得到的模型集合M中，元素m,k是按照匹配次 图1RGB颜色空间示意图 数counti,,k的值从多到少排列的，所以适当设定一 Fig-1 RGB color space 个K值，保留M,中前K个模型（通常K取3~ 考虑到背景会存在一些扰动（如晃动的树枝、闪 5),就能得到背景的基本信息，同时将不可靠的模型 耀的屏幕、波动的水面、风吹动的窗帘等)，应该用 去除 3~5个模型来描述背景像素 由于M,j,0是每个坐标点(i,j)上匹配次数最 1.2背景学习过程 多（即匹配概率最大）的模型，所以可以用M,,0中 在背景模型的学习阶段，采用无拘束学习方式， 的ri0,g.0,bi.0进行背景重建.此外，在上述 即在学习过程中，允许运动目标及扰动的存在，设 K个模型的基础上，还应该增加一个临时模型 用n个模型对坐标为(i,)的背景像素进行学习， m.emp并且对其进行初始化，用来进行背景更新. 模型集合为M,=mi,kmi,小k三(Tij,k,gik, 最终的模型集合为： bi,ik,count.,k),k=0,…,n一1{，用于学习的图 Mi.j=mi.j.k mi.j
过程复杂模型参数的选取对其检测效果影响较大 提取出的背景会有“鬼影”（ghost）现象；当光线突然 变化（如开关灯引起的光照变化）时其检测常常出 错．此外还有一些基于预测估计的背景建模方法 Kalman 滤波方法［9］是这类方法的代表它对噪声有 较强的抑制作用模型参数的选取对背景的提取影 响较小；但当背景的变化较快时这种方法的出错几 率就会大大增加． 针对上述这些问题本文提出了一种基于背景 减法的运动目标检测算法：通过无拘束学习方式迅 速建立多个可靠的背景模型然后在运动目标分割 过程中及时地根据场景变化对背景模型进行更新 同时利用色度信息及局部邻域交叉熵信息去除阴 影得到较为完整的运动目标．实验表明该算法简 单并且快速有效对场景的各种变化有较强的适应 能力可应用在室内室外的多种场合． 1 背景建模 1∙1 基于 RGB 颜色空间的背景模型 RGB 颜色空间由图1所示．设背景图像为像素 集合 D且 D＝｛dij｜0＜ i＜ H0＜ j＜ W｝其中i 表示像素纵坐标j 表示横坐标．H 和 W 分别表示 图像的高和宽dij为像素的 RGB 值．本算法采用 以下四个分量描述背景模型：r 为 dij 的 R 通道色 彩分量；g 为 dij的 G 通道色彩分量；b 为 dij 的 B 通道色彩分量；count 为匹配次数． 图1 RGB 颜色空间示意图 Fig．1 RGB color space 考虑到背景会存在一些扰动（如晃动的树枝、闪 耀的屏幕、波动的水面、风吹动的窗帘等）应该用 3～5个模型来描述背景像素． 1∙2 背景学习过程 在背景模型的学习阶段采用无拘束学习方式 即在学习过程中允许运动目标及扰动的存在．设 用 n 个模型对坐标为（ ij）的背景像素进行学习 模型集合为 Mij＝｛mijk｜mijk＝（ rijkgijk bijkcount ijk）k＝0…n—1｝用于学习的图 像帧数为 N则具体的学习过程如下． （1） for t＝1to N do： （i） 设 t 时刻坐标为（ ij）的像素 Iijt的 RGB 值为（ rtgtbt）． （ii） 搜索 Mij中与 Iijt相匹配的模型 Mijk 匹配条件为： ｜rt— rijk｜＋｜gt—gijk｜＋｜bt—bijk｜＜ Trgb （1） 式中Trgb为匹配阈值可由经验设定． （iii） 如果 Iijt与当前模型 mk 匹配则对 mk 作如下更新： rijk← rijk（1—α）＋αrt； gijk←gijk（1—α）＋αgt； bijk←bijk（1—α）＋αbt； count ijk＋＋； if （ k＞0and count ijk＞count ijk—1） then mijk● mijk—1； 其中α为更新速率其大小决定了背景模型适应场 景缓慢变化（如日照变化）的快慢mijk● mijk—1 表示将 mijk与 mijk—1调换位置． （iv） 如果 Mij＝∅或找不到相匹配的模型则 建立新模型 mnew＝（ rnewgnewbnewcount new ）并进 行初始化： rnew← rt； gnew←gt； bnew←bt； count new←1． （2） 学习完毕后应该将含有运动目标信息的 模型去除．由于匹配次数 count ijk的多少恰好反映 了模型 mijk所描述的 RGB 值在过去 N 帧图像中 所“出现”的次数由此可以断定由运动目标像素所 创建的模型的匹配次数是很少的．上述学习过程所 得到的模型集合 Mij中元素 mijk是按照匹配次 数 count ijk的值从多到少排列的所以适当设定一 个 K 值保留 Mij 中前 K 个模型（通常 K 取3～ 5）就能得到背景的基本信息同时将不可靠的模型 去除． 由于 Mij0是每个坐标点（ ij）上匹配次数最 多（即匹配概率最大）的模型所以可以用 Mij0中 的 rij0gij0bij0进行背景重建．此外在上述 K 个模型的基础上还应该增加一个临时模型 mijtemp并且对其进行初始化用来进行背景更新． 最终的模型集合为： Mij＝｛mijk｜mijk＝ 第2期 李文斌等： 一种基于背景减法的运动目标检测算法 ·213·
.214 北京科技大学学报 第30卷 (ri.j.k gi.j.bi.j.counti.j) 标为(i,j)的背景像素和待分割像素，向量OB.和 k=0,…,KfU1 mi.j.tmp. O.之间的夹角0的大小体现了B,和两个像 素颜色上的差异，因而可以用其来表示色度差.处 2运动目标检测 于阴影区内的像素，其色度差较小并且分布较均匀， 2.1变化区域检测 而目标区像素的色度差波动较大，可以由下式 当前帧图像的变化区域检测过程如下， 求出： (1)以式(1)为匹配条件，在集合M.中搜索， 0=arccos 0B0 (2) 如果存在一个与当前像素相匹配的模型，则判定当 前像素为背景，同时，对匹配的模型依照1.2中() 所述进行更新， (②)如果M,中没有与当前像素匹配的模型， 则判定当前像素为前景，并且对M,j中的mi,j.temp 进行如下更新： rij.tempi.j.temp(1-B月十月，： gi.jtmp←gi.j.tmp(1-月)+g: bi,-iemp←bi,j.tmp(1-十%。； count..iemp十十； 图2色度差示意图 Fig.2 Chromatic difference if(count i.j.tempcount i.j.K) then mi.j.kmi.j.temp; 如前所述，仅从色度差来判断一个像素是否为 其中，β为背景更新速率，其大小决定了当场景中景 阴影是不够的，还应该考虑其邻域内纹理的变化程 物发生移入移出现象时，背景更新的快慢，经过上 度.交叉熵(cross entropy)4是信息论中一种用来 面的分割，再进行面积滤波，得到初步的运动变化 度量两个概率分布P=p0,p1,…,Pn-1}和Q= 区域， {g0,g1,…,ga-1之间信息量差异的量，其定义为： 2.2阴影消除 D(P,Q)= (3) 经过初步分割所得到的变化区域中，包含了运 是咖行 动目标和阴影，阴影往往导致目标之间产生不必要 其对称形式为： 的连接，或者使其外形扭曲，从而给视觉系统的后续 D(P:Q)= "Pi (4) 处理如目标跟踪、目标识别等带来很大的不便，因此 应该尽可能将其消除， 以CMXN和FM×v分别表示当前图像和背景图 像中以当前像素为中心的MXN邻域像素集合，并 近几年，不少学者针对阴影消除提出了很多新 颖的方法，可以概括为两类：一类是基于场景和目标 有CM×N={c,li=0,1,,M;j=0,1,…, 几何特征的方法0山，另一类是基于阴影像素和参 N,FMxx={fli=0,1,…,M;j=0,1,…, 考背景像素之间色度不变性的方法2].第1种 N{,若将邻域内各通道亮度值分布看作是一种概 方法要求对场景和目标有先验知识，第2种方法则 率分布，则邻域CM×N和BM×N之间的对称交叉熵 可以定义为： 基于阴影区域和对应的背景区域有着相似的亮度或 仔 色度以及空间几何特征（如边缘信息）这一特点，适 CER= Pr(cii）+ 产Pa(cnPa) 用范围比较广泛 经研究发现，当阴影区域的亮度大大低于所对 台台 PR(fi.j)In Pn(fi.i) PR(ci.j) (5) 应背景区域的亮度时，仅仅利用色度差来进行阴影 分割会产生比较严重的误分割现象，考虑到阴影区 CEc= 好 Pa(ci.i 2∑Pa(c-lpcf) =0=0 域往往与背景有着相同或相近的纹理及边缘特征， Pc(fii) 本文采用色度差信息和局部交叉熵相结合的方法， Pe(Pe(cp) (6) 进行阴影消除. 图2为色度差示意图，分别以B,和h,表示坐 S三ma加B PB(ci.j)
（ rijkgijkbijkcount ijk） k＝0…K｝∪｛mijtemp｝． 2 运动目标检测 2∙1 变化区域检测 当前帧图像的变化区域检测过程如下． （1） 以式（1）为匹配条件在集合 Mij中搜索 如果存在一个与当前像素相匹配的模型则判定当 前像素为背景．同时对匹配的模型依照1∙2中（iii） 所述进行更新． （2） 如果 Mij中没有与当前像素匹配的模型 则判定当前像素为前景并且对 Mij 中的 mijtemp 进行如下更新： rijtemp← rijtemp（1—β）＋βrt； gijtemp←gijtemp（1—β）＋βgt； bijtemp←bijtemp（1—β）＋βbt； count ijtemp＋＋； if （count ijtemp＞count ijK） then mijK● mijtemp； 其中β为背景更新速率其大小决定了当场景中景 物发生移入移出现象时背景更新的快慢．经过上 面的分割再进行面积滤波得到初步的运动变化 区域． 2∙2 阴影消除 经过初步分割所得到的变化区域中包含了运 动目标和阴影．阴影往往导致目标之间产生不必要 的连接或者使其外形扭曲从而给视觉系统的后续 处理如目标跟踪、目标识别等带来很大的不便因此 应该尽可能将其消除． 近几年不少学者针对阴影消除提出了很多新 颖的方法可以概括为两类：一类是基于场景和目标 几何特征的方法［10—11］另一类是基于阴影像素和参 考背景像素之间色度不变性的方法［12—13］．第1种 方法要求对场景和目标有先验知识第2种方法则 基于阴影区域和对应的背景区域有着相似的亮度或 色度以及空间几何特征（如边缘信息）这一特点适 用范围比较广泛． 经研究发现当阴影区域的亮度大大低于所对 应背景区域的亮度时仅仅利用色度差来进行阴影 分割会产生比较严重的误分割现象．考虑到阴影区 域往往与背景有着相同或相近的纹理及边缘特征 本文采用色度差信息和局部交叉熵相结合的方法 进行阴影消除． 图2为色度差示意图分别以 Bij和 Jij表示坐 标为（ ij）的背景像素和待分割像素向量 OBij和 OJij之间的夹角θ的大小体现了 Bij 和 Jij 两个像 素颜色上的差异因而可以用其来表示色度差．处 于阴影区内的像素其色度差较小并且分布较均匀 而目标区像素的色度差波动较大．θ可以由下式 求出： θ＝arccos OBij OJij ｜OBij｜｜OJij｜ （2） 图2 色度差示意图 Fig．2 Chromatic difference 如前所述仅从色度差来判断一个像素是否为 阴影是不够的还应该考虑其邻域内纹理的变化程 度．交叉熵（cross-entropy） ［14］是信息论中一种用来 度量两个概率分布 P＝｛p0p1…pn—1｝和 Q＝ ｛q0q1…qn—1｝之间信息量差异的量其定义为： D（PQ）＝ ∑ n－1 i＝0 piln pi qi （3） 其对称形式为： D（P∶Q）＝ ∑ n－1 i＝0 piln pi qi ＋ ∑ n－1 i＝0 qiln qi pi （4） 以 CM× N和 FM× N分别表示当前图像和背景图 像中以当前像素为中心的 M× N 邻域像素集合并 有 CM× N ＝｛cij｜i ＝01… M；j ＝01… N｝FM× N＝｛f ij｜i＝01…M；j ＝01… N｝．若将邻域内各通道亮度值分布看作是一种概 率分布则邻域 CM× N和 BM× N之间的对称交叉熵 可以定义为： CER＝ ∑ M－1 i＝0∑ N－1 j＝0 PR（ cij）ln PR（ cij） PR（ f ij） ＋ ∑ M－1 i＝0∑ N－1 j＝0 PR（ f ij）ln PR（ f ij） PR（ cij） （5） CEG＝ ∑ M－1 i＝0∑ N－1 j＝0 PG（ cij）ln PG（ cij） PG（ f ij） ＋ ∑ M－1 i＝0∑ N－1 j＝0 PG（ f ij）ln PG（ f ij） PG（ cij） （6） CEB＝ ∑ M－1 i＝0∑ N－1 j＝0 PB（ cij）ln PB（ cij） PB（ f ij） ＋ ·214· 北 京 科 技 大 学 学 报 第30卷
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·
,216. 北京科技大学学报 第30卷 [6]Wu QZ,Jeng B S.Background subtraction based on logarithmic [11]Nicolas H.Pinel J M.Joint moving cast shadows segmentation intensities.Pattern Recognit Lett.2002.23(13):1529 and light source detection in video sequences.Signal Process [7]Stauffer C,Grimson W E L.Adaptive background mixture mod- Image Commun.2006.21(1):22 els for real-time tracking.Proc IEEE Comput Soc Conf Comput [12]Salvador E,Cavallaro A,Ebrahimi T.Cast shadow segmenta- Vision Pattern Recognit.1999.2:246 tion using invariant color features.Comput Vision Image Un- [8]Zivkovic Z.Improved adaptive Gaussian mixture model for back- derstanding.2004.95(2):238 ground subtraction//Proceedings of the 17th International Con- [13]Guan Y P.Gu W K.Automatic and robust shadow segmenta- ference on Pattern Recognition.2004.2:28 tion from two-dimensional scenes.Chin J Electron,2006.34 [9]Ridder C.Munkelt O.Kirchner H.Adaptive background estima- (4):624 tion and foreground detection using Kalman filtering.Proc Int (管业鹏，顾伟康。二维场景阴影区域的自动鲁棒分制.电子 Conf Recent Adu Mechatron,1995,1:193 学报，2006,34(4)：624) [10]Leone A.Distante C.Buccolieri F.A shadow elimination ap- [14]Zhang Y J.Image Segmentation.Beijing:Science Press. proach in video"surveillance context.Pattern Recognit Lett, 2001.88 2006,27(5):345 (章毓晋.图像分割，北京：科学出版社，2001：88) (上接第211页) (阳建宏，徐金梧，杨德斌，等.基于相重构和主流形识别的 非线性时间序列降噪方法.北京科技大学学报，2005,27(5)： 631) 参考文献 [4]Takens F.Lecture Notes in Math.New York:Springer.1981: 366 [1]Ren R.Xu J,Zhu S H.Prediction of chaotic time sequence using least squares support vector domain.Acta Phys Sin,2006.55 [5]Cao L Y,Mees A.Judd K.Dynamics from multivariate time se- (2):555 ies.PhD.1998,121,75 [6]Sauer T,Yorke J A,Casdagli M.Embedology.J Stat Phys, (任韧，徐进，朱世华.最小二乘支持向量域的混沌时间序列 1991,65:579 预测.物理学报，2006,55(2)：555) [2]Meng Q F.Zhang Q.Mu W Y.A novel multi-step adaptive pre- [7]Porporato A,Ridolfi L.Multivariate nonlinear prediction of river flows.J Hydrol.2001.248:109 diction method for chaotic time series.Acta Phys Sin.2006.55 (4):1666 [8]Alparslan A K.Sayar M.Atilgan A R.State-space prediction (孟庆芳，张强，牟文英，混沌时间序列多步自适应预测方法， model for chaotic time series.Phys Rev E.1998.58(2):2640 物理学报，2006,55(4)：1666) [9]Jaditz T,Riddick A.Time-series near neighbor regression.Stud [3]Yang J H.Xu J W,Yang D B.et al.Nonlinear time series noise Nonlinear Dyn Econometr.2000.4(1):35 reduction method based on phase reconstruction and principal [10]Grassberger P,Procaccia I.Characterization of Strange Attrac- tors.Phys Rev Lett.1983.50(5):346 manifold learning-JUnie Sci Technol Beijing.2005.27(5):631
［6］ Wu Q ZJeng B S．Background subtraction based on logarithmic intensities．Pattern Recognit Lett200223（13）：1529 ［7］ Stauffer CGrimson W E L．Adaptive background mixture models for rea-l time tracking．Proc IEEE Comput Soc Conf Comput V ision Pattern Recognit19992：246 ［8］ Zivkovic Z．Improved adaptive Gaussian mixture model for background subtraction∥ Proceedings of the17th International Conference on Pattern Recognition20042：28 ［9］ Ridder CMunkelt OKirchner H．Adaptive background estimation and foreground detection using Kalman filtering．Proc Int Conf Recent A dv Mechatron19951：193 ［10］ Leone ADistante CBuccolieri F．A shadow elimination approach in video-surveillance context． Pattern Recognit Lett 200627（5）：345 ［11］ Nicolas HPinel J M．Joint moving cast shadows segmentation and light source detection in video sequences． Signal Process Image Commun200621（1）：22 ［12］ Salvador ECavallaro AEbrahimi T．Cast shadow segmentation using invariant color features．Comput V ision Image Understanding200495（2）：238 ［13］ Guan Y PGu W K．Automatic and robust shadow segmentation from two-dimensional scenes．Chin J Electron200634 （4）：624 （管业鹏顾伟康．二维场景阴影区域的自动鲁棒分割．电子 学报200634（4）：624） ［14］ Zhang Y J． Image Segmentation．Beijing：Science Press 2001：88 （章毓晋．图像分割．北京：科学出版社2001：88） （上接第211页） 参 考 文 献 ［1］ Ren RXu JZhu S H．Prediction of chaotic time sequence using least squares support vector domain． Acta Phys Sin200655 （2）：555 （任韧徐进朱世华．最小二乘支持向量域的混沌时间序列 预测．物理学报200655（2）：555） ［2］ Meng Q FZhang QMu W Y．A novel mult-i step adaptive prediction method for chaotic time series．Acta Phys Sin200655 （4）：1666 （孟庆芳张强牟文英．混沌时间序列多步自适应预测方法． 物理学报200655（4）：1666） ［3］ Yang J HXu J WYang D Bet al．Nonlinear time series noise reduction method based on phase reconstruction and principal manifold learning．J Univ Sci Technol Beijing200527（5）：631 （阳建宏徐金梧杨德斌等．基于相重构和主流形识别的 非线性时间序列降噪方法．北京科技大学学报200527（5）： 631） ［4］ Takens F．Lecture Notes in Math．New York：Springer1981： 366 ［5］ Cao L YMees AJudd K．Dynamics from multivariate time series．Phys D．1998121：75 ［6］ Sauer TYorke J ACasdagli M．Embedology．J Stat Phys 199165：579 ［7］ Porporato ARidolfi L．Multivariate nonlinear prediction of river flows．J Hydrol2001248：109 ［8］ Alparslan A KSayar MAtilgan A R．State-space prediction model for chaotic time series．Phys Rev E199858（2）：2640 ［9］ Jaditz TRiddick A．Time-series near-neighbor regression．Stud Nonlinear Dyn Econometr20004（1）：35 ［10］ Grassberger PProcaccia I．Characterization of Strange AttractorsPhys Rev Lett198350（5）：346 ·216· 北 京 科 技 大 学 学 报 第30卷