摘 要： 结合帧间差分信息和Jung背景提取算法，提出了一种改进的用于运动目标检测的实时背景提取算法。该算法利用视频连续图像帧之间的差异信息加速背景更新过程，提取的背景图像能够快速适应背景中物体的变化，同时保留了基本Jung背景提取方法结构简单、运算速度快的特点。在PETS2001数据集上对本算法进行了有效性验证，实验结果表明，该算法可以实时准确地提取背景图像。　
关键词： 背景提取；迭代更新；帧间差分；背景差分

　智能视频监控系统通过对摄像机获取的视频图像序列进行处理，检测电感厂家出运动目标，对异常目标自动报警。准确、实时的运动目标检测是智能视频监视系统的关键技术。
　运动目标检测的主要方法有光模压电感器流法[1]、帧间差分法[2]和背景差分法[2]。光流法检测精度高，但实现过程复杂耗时，不适用于实时目标检测应用；帧间差分法通过对视频相邻图像帧差分实现运动检测。由于运动目标的速度和大小功率电感存在差异，且运动速度会随时变化，因此，如果差分间隔帧数选择不当，差分后的图像存在较大空洞，影响检测效果。背景差分法首先提取视频中静止物体图像作为背景图像，通过当前帧图像和背景图像差分运算获取图像中运动目标。背景差分法克服了帧间差分法需要人工选择帧频的缺点，同时能够更加完整地检测出运动目标。背景差分法的关键在于能否准确、快速地提取背景。针对背景提取问题，本文提出了改进的基于Jung[3]算法的背景提取算法。该算法继承了Jung算法原理简单、易于实现和不容易受到噪声影响等优点，同时通过判断相邻图像帧差异自适应地提高了背景更新速率。
1 背景提取算法简介
　背景差分法中已有的背景提取算法主要有多帧均值法[4]、多帧中值法[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 多帧均值法
　多帧均值法对视频中的k帧图像进行平均作为背景图像，如式（1）所示：

　多帧均值法提取的背景受所有视频帧影响，对背景中曾经处于运动状态的物体提取不充分。多帧中值法的效果较均值法有所改善，但多种运动目标在同一区域出现影响了背景提取效果；同时中值法排序过程非常耗时，影响了算法的实时性。Surendra背景提取算法在阈值选取合适的前提下效果较好，本文通过大量实验，选择阈值T=10。由于Surendra算法阈值选取需要人工参与，阈值选取不同，背景提取后的效果也差别较大，同时对于不同的场景，阈值选取也不同，因此增加了背景提取的难度。Jung算法由于更新速率过慢，当背景改变较大时不能及时更新，图中白色小车和弧顶处黑色小车提取都不充分，形成了“鬼影”现象。改进的Jung算法克服了Jung算法的缺点，在算法效果和运行速度上均取得了尚佳的表现，同时算法中没有待定参数，也克服了Surendra算法的缺点。
　本文提出了一种改进的基于Jung算法的背景提取算法，该算法充分考虑了帧间差分信息以及当前帧和背景帧信息，原理简单、计算量小、易于实现、运算效率高且背景提取效果良好，能够较好地处理运动前景成为背景或者背景中物体运动成为前景的情况；同时利用帧间差分信息，自适应地对背景进行更新，有效地克服了Jung算法更新速率过慢的缺陷。实验结果表明，本文提出的算法具有良好的实用价值。
参考文献
[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. 大功率电感厂家 |大电流电感工厂