关于基于随机聚类的复杂背景建模与前景检测算法.pdfVIP

物理 学报 ActaPhys．Sin．Vo1．64，No．15(2015) 150701 基于随机聚类的复杂背景建模与前景检测算法冰 毕国玲 )2)十 续志军 ) 陈涛 ) 王建立 ) 张延坤3) 1)(中国科学院长春光学精密机械与物理研究所，长春 130033) 2)(中国科学院大学，北京 100049) 3)(启明信息技术股份有限公司，长春 130033) (2015年2月6日收到；2015年3月 19日收到修改稿) 为了构建鲁棒的背景模型和提高前景 目标检测的准确性，综合考虑同一位置的像素点在时间上的关联性 和与其相邻像素的空间关联性，基于经典的ViBe算法中的随机聚类思想提出了一种复杂背景建模和前景检 测方法．利用样本一致性原理，采用前礼帧序列图像得到初始化背景，避免了Ghost现象的发生：根据实际复 杂背景 的动态反馈获取 白适应聚类阈值和 自适应更新阈值进行随机聚类，从而实现 了对动态背景 的适应性； 通过全局扰动阂值和局部像素级判断阂值的结合，实现了对光照缓慢变化、快速变化 以及突然变化的免疫性， 准确地分割前景 目标．对多组数据集的测试结果表 明，本文算法较大地提高了背景模型对动态背景、光照变化 及相机抖动的复杂背景的适应性和鲁棒性．算法还能很好地适用于红外图像检测运动 目标的场合，扩展了本 算法的应用范围．在没有进行任何图像预处理和形态学后处理情况下，得到的原始前景检测精度优于其他对 比算法． 关键词：复杂背景建模，前景检测，随机聚类 PACS：07．05．Pj，42．30．Sy，95．75．Mn DOI：10．7498／aps．64．150701 许多学者对背景建模技术进行了广泛地研 1 引 言 究 [6-s]并积累了大量的研究成果，其 中，混合高斯 背景建模fGaussianmixturemodel，GMM)9[J是一 背景提取与前景检测是计算机视觉和智能视 种最具代表性的基于参数的背景建模方法，采用 频分析的基本任务，也是 目前研究的热点之一，它 多个高斯分布描述背景模型，克服单高斯的缺点， 为后续研究工作如行为分析、物体分类、事件检测 但参数复杂且调整困难，实时性不强，在动态场景 等应用理解与视频处理奠定了基础．目前常用的检 中GMM算法存在较高的虚警率．文献 1『0]提出的 测方法有光流法 []、帧差法 [。]和背景差分法 [。】等． SOBS(selforgannizingbackgroundsubtraction) 相 比于前两者，背景差分法在保证视频监控 的实时 算法，基于人工神经网络框架，自组织学习背景模 性要求的同时，具有检测准确且精度高的优点，但 型，该算法对动态背景、光照变化等复杂背景有 良 是其检测的性能很大程度上取决于背景建模的准 好的抑制作用，但计算复杂度高，算法实时性较差． 确性．然而在实际的复杂场景中有许多无法预测的 另一类是基于非参数的背景建模方法，如码本模型 状态和不确定的因素存在，动态背景f如树叶晃动、 fcode—book，CB1，GMG算法、SACON算法、ViBe 水波纹、喷泉涌动等)【]、光照的变化 []、相机抖动 算法等．CB算法 [11]对每个像素通过样本训练，建 等，给准确的背景模型建立和前景 目标检测带来了 立一个或多个码字，用聚类的方法对背景和前景进 极大的挑战． 行区分，算法实时性 比较强，但对动态背景的适应 国家科技重大专项 (批准号：2012ZX04001—011)和国家自然科学