摘  要： 結(jié)合幀間差分信息和Jung背景提取算法,，提出了一種改進(jìn)的用于運(yùn)動目標(biāo)檢測的實(shí)時背景提取算法。該算法利用視頻連續(xù)圖像幀之間的差異信息加速背景更新過程,，提取的背景圖像能夠快速適應(yīng)背景中物體的變化,，同時保留了基本Jung背景提取方法結(jié)構(gòu)簡單、運(yùn)算速度快的特點(diǎn),。在PETS2001數(shù)據(jù)集上對本算法進(jìn)行了有效性驗(yàn)證,，實(shí)驗(yàn)結(jié)果表明，該算法可以實(shí)時準(zhǔn)確地提取背景圖像,?！?br /> 關(guān)鍵詞： 背景提取,；迭代更新,；幀間差分；背景差分

　智能視頻監(jiān)控系統(tǒng)通過對攝像機(jī)獲取的視頻圖像序列進(jìn)行處理,，檢測出運(yùn)動目標(biāo),，對異常目標(biāo)自動報警。準(zhǔn)確,、實(shí)時的運(yùn)動目標(biāo)檢測是智能視頻監(jiān)視系統(tǒng)的關(guān)鍵技術(shù),。
　運(yùn)動目標(biāo)檢測的主要方法有光流法[1]、幀間差分法[2]和背景差分法[2],。光流法檢測精度高,，但實(shí)現(xiàn)過程復(fù)雜耗時,，不適用于實(shí)時目標(biāo)檢測應(yīng)用；幀間差分法通過對視頻相鄰圖像幀差分實(shí)現(xiàn)運(yùn)動檢測,。由于運(yùn)動目標(biāo)的速度和大小存在差異,，且運(yùn)動速度會隨時變化，因此,，如果差分間隔幀數(shù)選擇不當(dāng),，差分后的圖像存在較大空洞，影響檢測效果,。背景差分法首先提取視頻中靜止物體圖像作為背景圖像,，通過當(dāng)前幀圖像和背景圖像差分運(yùn)算獲取圖像中運(yùn)動目標(biāo)。背景差分法克服了幀間差分法需要人工選擇幀頻的缺點(diǎn),，同時能夠更加完整地檢測出運(yùn)動目標(biāo),。背景差分法的關(guān)鍵在于能否準(zhǔn)確、快速地提取背景,。針對背景提取問題,，本文提出了改進(jìn)的基于Jung[3]算法的背景提取算法。該算法繼承了Jung算法原理簡單,、易于實(shí)現(xiàn)和不容易受到噪聲影響等優(yōu)點(diǎn),，同時通過判斷相鄰圖像幀差異自適應(yīng)地提高了背景更新速率。
1 背景提取算法簡介
　背景差分法中已有的背景提取算法主要有多幀均值法[4],、多幀中值法[5],、Surendra背景更新算法[6]和基于混合高斯模型的背景提取算法等。
1.1 多幀均值法
　多幀均值法對視頻中的k幀圖像進(jìn)行平均作為背景圖像,，如式（1）所示：

　多幀均值法提取的背景受所有視頻幀影響,，對背景中曾經(jīng)處于運(yùn)動狀態(tài)的物體提取不充分。多幀中值法的效果較均值法有所改善,，但多種運(yùn)動目標(biāo)在同一區(qū)域出現(xiàn)影響了背景提取效果,；同時中值法排序過程非常耗時，影響了算法的實(shí)時性,。Surendra背景提取算法在閾值選取合適的前提下效果較好,，本文通過大量實(shí)驗(yàn)，選擇閾值T=10,。由于Surendra算法閾值選取需要人工參與,，閾值選取不同，背景提取后的效果也差別較大,，同時對于不同的場景,，閾值選取也不同，因此增加了背景提取的難度。Jung算法由于更新速率過慢,，當(dāng)背景改變較大時不能及時更新,，圖中白色小車和弧頂處黑色小車提取都不充分，形成了“鬼影”現(xiàn)象,。改進(jìn)的Jung算法克服了Jung算法的缺點(diǎn),，在算法效果和運(yùn)行速度上均取得了尚佳的表現(xiàn),，同時算法中沒有待定參數(shù),，也克服了Surendra算法的缺點(diǎn)。
　本文提出了一種改進(jìn)的基于Jung算法的背景提取算法,，該算法充分考慮了幀間差分信息以及當(dāng)前幀和背景幀信息,，原理簡單、計算量小,、易于實(shí)現(xiàn),、運(yùn)算效率高且背景提取效果良好，能夠較好地處理運(yùn)動前景成為背景或者背景中物體運(yùn)動成為前景的情況,；同時利用幀間差分信息,，自適應(yīng)地對背景進(jìn)行更新，有效地克服了Jung算法更新速率過慢的缺陷,。實(shí)驗(yàn)結(jié)果表明,，本文提出的算法具有良好的實(shí)用價值。
參考文獻(xiàn)
[1] LUCAS B,， KANADE T. An iterative image registration technique with an application to stereo vision[C]. Proceedings of DARPA IU Workshop,，1981：121-130.
[2] LEE S U， CHUNG S Y,， PARK R H. A comparative performance study of several global thresholding techniques for segmentation[J]. Computer Vision,， Graphics and Image Processing， 1990,，50（2）：171-190.
[3] JUNG Y K,， LEE K W， HO Y S. Content-based event retrieval using semantic scene interpretation for automated traffic surveillance[J]. IEEE Transactions on Intelligent Transportion Systems,， 2001,，2（3）：151-152.
[4] 何云，許建龍,，孫樹森,，等. 一種改進(jìn)的視頻監(jiān)控背景更新算法[J].浙江理工大學(xué)學(xué)報，2010,，27（4）：585-587.
[5]  GLOYER B,， AGHAJAN H K， SIUK Y,， et al. Video-based freeway monitoring system using recursive vehicle tracking[C]. Image and Video Processing,， 1995： 173-180.
[6] GUPTE S,， MASOUD O， MARTIN R F K. Detection and classification of vehicles[J]. IEEE Transactions on Intelligent Transportation Systems,， 2002,，3（1）：37-40.