楊嘉琪，韓曉紅

(太原理工大學(xué) 大數(shù)據(jù)學(xué)院，山西 晉中030600)

0 引 言

目前，運(yùn)動目標(biāo)檢測常用算法有背景差分法、幀間差分法及光流法[1-4]。背景差分法簡單、算法復(fù)雜度低，但對光照引起的動態(tài)環(huán)境敏感，需要依靠穩(wěn)定的背景模型來獲得完整的目標(biāo)特征[5]。文獻(xiàn)[6]提出一種可自動更新速率的混合高斯背景模型，該方法減弱了噪聲對模型建立的干擾，但目標(biāo)邊緣信息缺失，算法復(fù)雜度仍較高。幀間差分法實(shí)時性好，對動態(tài)環(huán)境的適應(yīng)性強(qiáng)，但易出現(xiàn)空洞和誤檢現(xiàn)象[7]。文獻(xiàn)[8]中采用三幀差分法與魯棒主成分分析(RPCA)相結(jié)合的方法。該算法簡單易行，能準(zhǔn)確提取運(yùn)動目標(biāo)輪廓，但目標(biāo)信息提取不完整。文獻(xiàn)[9,10]提出三幀差分與邊緣提取相結(jié)合的運(yùn)動目標(biāo)檢測算法，提高了目標(biāo)檢測的準(zhǔn)確性，但空洞問題仍然存在。光流法可在未知場景信息的情況下檢測出運(yùn)動目標(biāo)，但其計(jì)算量大、算法復(fù)雜度高，導(dǎo)致可用性和實(shí)時性差[11-13]。而背景差分法與幀間差分法因其實(shí)時性較好、算法復(fù)雜度低，在現(xiàn)實(shí)生活中的應(yīng)用范圍更廣[14]。

本文提出基于自適應(yīng)混合高斯的改進(jìn)三幀差分運(yùn)動目標(biāo)檢測算法，解決了三幀差分法在對運(yùn)動緩慢的物體進(jìn)行檢測時無法完整獲取運(yùn)動目標(biāo)，容易出現(xiàn)空洞及誤檢現(xiàn)象，以及背景差分法對光照引起的動態(tài)環(huán)境敏感，需要依靠穩(wěn)定的背景模型來獲得完整目標(biāo)特征的問題。

1 基于自適應(yīng)混合高斯的改進(jìn)三幀差分算法

本文提出基于自適應(yīng)混合高斯的改進(jìn)三幀差分運(yùn)動目標(biāo)檢測算法，算法的改進(jìn)如下：

(1)該算法為了彌補(bǔ)傳統(tǒng)三幀差分中相鄰幀間進(jìn)行差分所產(chǎn)生的空洞問題，改進(jìn)了圖像幀的差分方式，采用任意兩幀進(jìn)行差分，由此豐富差分圖像所包含的目標(biāo)信息，提高目標(biāo)獲取的可行性。

(2)提出自適應(yīng)學(xué)習(xí)率的混合高斯背景建模，引入幀數(shù)閾值TH，在前TH幀與后TH幀采用不同的學(xué)習(xí)率，當(dāng)幀數(shù)小于閾值時，由于初始幀中通常存在運(yùn)動物體，應(yīng)采用較大的更新率以去除初始幀中的干擾像素，在一定程度上減少算法因物體發(fā)生“忽然”運(yùn)動而造成的誤判；當(dāng)背景模型趨于穩(wěn)定之后，以像素點(diǎn)與背景模型間的比配度為依據(jù)對模型學(xué)習(xí)率進(jìn)行更新，從而實(shí)現(xiàn)背景模型的自適應(yīng)選擇。

(3)為解決目標(biāo)邊緣間斷、不連續(xù)的問題，采用Canny算子提取邊緣信息，并與三幀差分結(jié)合，由此豐富目標(biāo)的邊緣信息，使得目標(biāo)輪廓的提取更加準(zhǔn)確。最后對所得圖像進(jìn)行形態(tài)學(xué)膨脹與腐蝕操作，獲得前景信息，即為運(yùn)動目標(biāo)。

1.1 融合邊緣提取的三幀差分算法

傳統(tǒng)的三幀差分算法相比較幀間差分算法，有效豐富了所提取的前景信息，增加了檢測的準(zhǔn)確性，在一定程度減小了幀間差分算法所造成的空洞現(xiàn)象[15]。但是所提取的運(yùn)動目標(biāo)邊緣模糊、不連續(xù)，而且在3幀差分中閾值的選取尤為重要，固定的閾值在提取目標(biāo)時容易造成缺失，使信息不完整，同時，空洞現(xiàn)象仍然存在。因此本文對傳統(tǒng)的三幀差分進(jìn)行改進(jìn)，在原算法只有相鄰幀間進(jìn)行差分的基礎(chǔ)上，增加存在間隔的兩幀圖像的差分運(yùn)算，可使差分圖像所包含的目標(biāo)信息更加豐富，從而減小因物體運(yùn)動緩慢所造成的空洞問題。同時采用自適應(yīng)閾值——最大類間方差法(OTSU)對差分圖像二值化，實(shí)現(xiàn)對圖像中像素點(diǎn)的準(zhǔn)確分類。并針對三幀差分后目標(biāo)邊緣像素不清晰的問題，通過Canny算子彌補(bǔ)不足，使得物體的邊緣連續(xù)且平滑，豐富所需的目標(biāo)信息。

算法描述如下：

(1)首先從經(jīng)過預(yù)處理后的視頻序列中提取連續(xù)的3幀圖像Ik-2、Ik-1、Ik，對相鄰幀進(jìn)行差分運(yùn)算，如式(1)所示

Dk1(x,y)=|Ik-1(x,y)-Ik-2(x,y)|Dk2(x,y)=|Ik(x,y)-Ik-1(x,y)|Dk3(x,y)=|Ik(x,y)-Ik-2(x,y)|

(1)

式中：Ik-2(x,y)為前一幀的灰度圖，Ik-1(x,y)為中間幀的灰度圖，Ik(x,y)為當(dāng)前幀的灰度圖，Dk1(x,y)為Ik-1與Ik-2的差分圖像，Dk2(x,y)為Ik與Ik-1的差分圖像，Dk3(x,y)為Ik與Ik-2的差分圖像。

(2)隨機(jī)初始化一個閾值T，對差分圖像進(jìn)行分割，計(jì)算圖像中目標(biāo)像素點(diǎn)的占比及平均灰度w0、μ0；背景像素點(diǎn)的占比及平均灰度w1、μ1，圖像的總平均灰度記為μ,g為類間方差。如式(2)所示

(2)

不斷改變閾值T的值，從0-255進(jìn)行遍歷，方差g代表了前景與背景之間的差異，故當(dāng)g最大時，其灰度值T為最佳閾值。

(3)將差分后的圖像Dk1(x,y)、Dk2(x,y)、Dk3(x,y)分別與自適應(yīng)閾值T進(jìn)行比較來確定背景區(qū)域和前景區(qū)域。當(dāng)某一像素點(diǎn)的值大于閾值T時，說明該像素點(diǎn)發(fā)生了變化，可確定其為目標(biāo)像素；當(dāng)某一像素點(diǎn)的值小于閾值T時，說明像素點(diǎn)未變化，則確定其為背景像素。如式(3)所示

(3)

(4)使用Canny算子提取當(dāng)前幀的邊緣信息C，先將邊緣圖像與二值圖像Rk2進(jìn)行“或”運(yùn)算，補(bǔ)充其目標(biāo)輪廓，再將剩余二值圖像“或”運(yùn)算得到較為豐富的目標(biāo)內(nèi)容，最后確定兩者的相交區(qū)域，得到目標(biāo)圖像O，以精確目標(biāo)內(nèi)容。差分結(jié)果與邊緣信息的融合方式為

O=(Rk1orRk3)&(Rk2orC)

(4)

1.2 基于自適應(yīng)學(xué)習(xí)率的混合高斯背景建模

改進(jìn)后的三幀差分算法雖然一定程度上減少了傳統(tǒng)三幀差分造成的目標(biāo)缺失，但仍然存在“空洞”問題。而背景差分能夠有效提取圖像的前景信息，保證所獲取目標(biāo)的完整性，因此將背景差分與三幀差分相結(jié)合尤為必要，從而解決三幀差分算法中的“空洞”問題[16]。背景差分法是將當(dāng)前幀與所建立的背景模型進(jìn)行差分運(yùn)算，以此來檢測運(yùn)動目標(biāo)。

設(shè)視頻幀序列建立的背景模型為Ib(x,y)，當(dāng)前幀為Ik(x,y)，將Ik(x,y)與Ib(x,y)按式(5)進(jìn)行差分運(yùn)算

Dk(x,y)=|Ik(x,y)-Ib(x,y)|

(5)

將得到的差分圖像按式(6)進(jìn)行二值化，二值化后的圖像進(jìn)行形態(tài)學(xué)處理即可得到運(yùn)動目標(biāo)

(6)

式中：Dk(x,y)為差分圖像，Rk(x,y)為二值圖像，T2為選取的閾值。

背景差分的關(guān)鍵點(diǎn)是背景模型的建立，傳統(tǒng)的方法是選用最初的、無運(yùn)動目標(biāo)的視頻圖像作為背景模型，此方法只適用于靜態(tài)環(huán)境下的目標(biāo)檢測，在動態(tài)環(huán)境中無法有效提取目標(biāo)，且容易受到環(huán)境噪音的影響。因此本文采用混合高斯背景建模法，它可以根據(jù)視頻環(huán)境，動態(tài)建立背景模型，并隨著目標(biāo)圖像的變換，不斷更新所建立的模型，將不屬于運(yùn)動目標(biāo)的背景變化過濾，有效減少了視頻圖像中噪音對目標(biāo)提取的干擾。

同時，為解決混合高斯背景建模中學(xué)習(xí)率α較低時，模型更新不及時，容易出現(xiàn)“鬼影”現(xiàn)象及適應(yīng)動態(tài)環(huán)境的能力較弱的問題；α取值過大時，容易出現(xiàn)誤檢的問題。本文采用自適應(yīng)學(xué)習(xí)率的背景建模方法，引入幀數(shù)閾值TH，在閾值前后采用不同的學(xué)習(xí)率，在模型在初期創(chuàng)建時，由于初始背景通常存在運(yùn)動物體，需要通過加快模型的學(xué)習(xí)率，通過背景模型的不斷更新去除物體運(yùn)動狀態(tài)轉(zhuǎn)換帶來的干擾及模型中存在的無關(guān)因素；在背景模型逐步穩(wěn)定后，為適應(yīng)動態(tài)背景，選擇目標(biāo)像素點(diǎn)與背景模型間的匹配次數(shù)作為學(xué)習(xí)率設(shè)定的依據(jù)，實(shí)現(xiàn)自適應(yīng)更新。模型學(xué)習(xí)率如式(7)所示

(7)

式中：λ1，λ2為常數(shù)，f為幀數(shù)，ΔF為學(xué)習(xí)率更新的參考量，ΔF如式(8)所示

ΔF=(2n-t)

(8)

式中：n為不匹配次數(shù)，t為匹配次數(shù)。當(dāng)檢測效果不佳時，像素點(diǎn)的不匹配次數(shù)增多，模型的學(xué)習(xí)率將得到提升，從而增加對環(huán)境的適應(yīng)性；當(dāng)檢測結(jié)果較好時，像素點(diǎn)的匹配次數(shù)增多，模型學(xué)習(xí)率降低，從而減少模型快速更新造成的目標(biāo)漏檢，保證了算法的可靠性。

算法描述如下：

混合高斯模型是通過建立多個高斯函數(shù)來對某一像素點(diǎn)的分布進(jìn)行表示，從而準(zhǔn)確反映整幅圖像的變化。在圖像中應(yīng)用多個高斯分布函數(shù)可以有效抑制動態(tài)環(huán)境所產(chǎn)生的細(xì)微噪聲，減弱背景的影響。

對于隨機(jī)變量x，x的數(shù)據(jù)集{x1,x2,x3…xn}，xt={rt,gt,bt}為t時刻像素的樣本，則單個采樣點(diǎn)xt其服從的混合高斯分布概率密度函數(shù)為

(9)

τi,t=δi,tI

式中：K為高斯模型總數(shù)，η為t時刻第i個高斯分布，wi,t為t時刻第i個高斯分布的權(quán)重，μi,t為其均值，τi,t為其協(xié)方差矩陣，δi,t為方差。

模型的匹配與更新：

用當(dāng)前幀中的像素點(diǎn)與所建立的K個高斯分布進(jìn)行匹配，直到找到與像素點(diǎn)相匹配的高斯分布，如式(10)所示

|xt-μi,t-1|≤D·σi,t-1

(10)

式中：D為置信參數(shù)，一般取2.5，σi,t-1為t-1時刻第i個高斯分布的標(biāo)準(zhǔn)差。

如果某一高斯分布滿足上述要求，則對該高斯分布的參數(shù)進(jìn)行更新，如式(11)所示

wi,t=(1-α)wi,t-1+αMi,t

μi,t=(1-ρ)μi,t-1+ρxt

(11)

式中：α為學(xué)習(xí)速率，ρ=α·η為參數(shù)的更新速率，Mi,t取1。

背景模型的建立：

當(dāng)像素點(diǎn)與K個高斯分布都不匹配時，需要創(chuàng)建新的高斯分布，用以取代權(quán)值較小的高斯分布，新高斯分布的均值為當(dāng)前像素的像素值，并進(jìn)行參數(shù)的歸一化處理。

之后，按照公式λi,t=wi,t/σi,t計(jì)算各個高斯分布的優(yōu)先級，均值大，標(biāo)準(zhǔn)差小的高斯分布排列在前。在其中將前B個高斯分布組成背景模型，并將xt與其匹配，當(dāng)其中任意一個高斯模型滿足特定條件時，則判定當(dāng)前像素點(diǎn)為背景點(diǎn)，否則判定其為前景點(diǎn)。高斯分布的選擇如式(12)所示

(12)

式中：b為初始參數(shù)，T3為預(yù)先設(shè)定的閾值。

1.3 算法的模塊構(gòu)建

本文算法由3個模塊構(gòu)成，分別為三幀差分模塊、背景差分模塊、邊緣提取模塊，如圖1所示為算法的模塊構(gòu)建。其中，三幀差分模塊采用任意兩幀視頻圖像進(jìn)行差分運(yùn)算并二值化，由此豐富差分結(jié)果，一定程度上彌補(bǔ)由于物體運(yùn)動緩慢所造成的空洞問題，避免漏檢現(xiàn)象；邊緣提取模塊采用Canny算子提取當(dāng)前幀的目標(biāo)邊緣，抑制噪聲引起的偽邊緣，使得邊緣細(xì)化，呈現(xiàn)出完整的目標(biāo)輪廓；背景差分模塊中選用混合高斯背景建模的方法實(shí)現(xiàn)背景模型的自適應(yīng)更新，通過對不同時期的高斯模型設(shè)定相匹配的學(xué)習(xí)速率，加快模型的收斂速度，使獲得的目標(biāo)信息更加完整，消除物體運(yùn)動造成的“鬼影”。針對三幀差分模塊所提取的目標(biāo)輪廓不連續(xù)，且不完整的問題，采用三幀差分模塊與邊緣提取模塊相結(jié)合的方式，依靠邊緣提取模塊所獲得的邊緣信息，完善目標(biāo)輪廓，豐富邊緣圖像，提高算法的實(shí)時性。同時，為了進(jìn)一步解決三幀差分模塊中所存在的“空洞”現(xiàn)象，將其與背景差分模塊結(jié)合，通過背景差分模塊對前景圖像提取的完整性，彌補(bǔ)三幀差分模塊目標(biāo)信息提取不完整的弊端，完善目標(biāo)信息，增加算法在動態(tài)環(huán)境中的提取效率，有效提高對運(yùn)動目標(biāo)的檢測精度。由于目標(biāo)圖像中存在噪聲干擾的問題，將所得結(jié)果再采用形態(tài)學(xué)濾波進(jìn)行處理。先通過膨脹將前景區(qū)域進(jìn)行擴(kuò)充，使目標(biāo)區(qū)域中斷裂的部分連接起來，再采用腐蝕將前景區(qū)域(白色區(qū)域)進(jìn)行縮減，消除目標(biāo)區(qū)域中不相關(guān)的細(xì)節(jié)，使得被處理后的圖像可以將運(yùn)動目標(biāo)信息完整呈現(xiàn)出來。

圖1 模塊構(gòu)建

2 實(shí)驗(yàn)結(jié)果及分析

本文實(shí)驗(yàn)在配置為CPU類型corei5-8300H，內(nèi)存容量8 GB，顯存容量4 GB，顯卡類型1050Ti，固態(tài)硬盤512 G的Windows操作系統(tǒng)上實(shí)現(xiàn)，使用了matlab2018b和Visio等軟件開發(fā)工具，算法的初始參數(shù)中λ1=15，λ2=0.03，TH=18。

2.1 驗(yàn)證基于自適應(yīng)學(xué)習(xí)率的混合高斯背景建模

為驗(yàn)證基于自適應(yīng)學(xué)習(xí)率的混合高斯背景建模的可行性，本文選用CDW-2014數(shù)據(jù)集中的視頻作為實(shí)驗(yàn)數(shù)據(jù)，分別用文獻(xiàn)[5]、文獻(xiàn)[6]及本文算法對視頻中的第40、第60、第80幀圖像進(jìn)行處理，實(shí)驗(yàn)結(jié)果如圖2所示。

圖2 算法對比

由上述實(shí)驗(yàn)可知，文獻(xiàn)[5]所用算法可以有效消除背景噪聲的干擾(晃動的燈)，且目標(biāo)特征提取較為完整，但邊緣信息缺失嚴(yán)重；文獻(xiàn)[6]提取的運(yùn)動目標(biāo)較文獻(xiàn)[5]更為完整，目標(biāo)邊緣較為平滑，但仍存在部分信息缺失的問題；本文算法在提高檢測精度的同時，通過與邊緣提取的結(jié)合，所得目標(biāo)輪廓清晰、完整。

為驗(yàn)證算法的有效性，本文用目標(biāo)完整度來評價算法的檢測效果，即所檢測到的目標(biāo)像素點(diǎn)占總目標(biāo)像素的比例，其結(jié)果見表1。

表1 目標(biāo)完整度

表1為不同幀數(shù)下各算法的目標(biāo)完整度，由表1可知，文獻(xiàn)[5]所得目標(biāo)完整度較低，沒有充分提取目標(biāo)特征。文獻(xiàn)[6]的目標(biāo)完整度較文獻(xiàn)[5]有所提升，但仍存在不足。本文算法所得目標(biāo)更為完整，與實(shí)際目標(biāo)相符。

2.2 驗(yàn)證基于邊緣提取的三幀差分算法

為驗(yàn)證基于邊緣提取的三幀差分的可行性，選用CDW-2014數(shù)據(jù)集中的視頻作為實(shí)驗(yàn)數(shù)據(jù)，分別用傳統(tǒng)三幀差分、Canny算子及本文算法對視頻中的第30、第40、第50幀圖像進(jìn)行處理，實(shí)驗(yàn)結(jié)果如圖3所示。

圖3 算法對比

由上述實(shí)驗(yàn)可知，傳統(tǒng)三幀差分算法由于相鄰幀間差分，所得運(yùn)動目標(biāo)空洞現(xiàn)象嚴(yán)重，且部分目標(biāo)輪廓獲取不完整；Canny算子較為完整的提取了目標(biāo)邊緣，但存在部分干擾像素點(diǎn)；本文算法在完整獲取目標(biāo)邊緣的同時一定程度上減少了空洞現(xiàn)象的影響。

2.3 運(yùn)動目標(biāo)檢測的多場景驗(yàn)證

為驗(yàn)證本文算法的性能，選取了不同背景的視頻圖像作為檢測數(shù)據(jù)，分別文獻(xiàn)[6]、文獻(xiàn)[7]及本文算法對檢測數(shù)據(jù)進(jìn)行處理并分析實(shí)驗(yàn)結(jié)果。

2.3.1 靜態(tài)背景的運(yùn)動目標(biāo)檢測

本實(shí)驗(yàn)選用靜態(tài)背景下同一視頻圖像的不同幀作為實(shí)驗(yàn)數(shù)據(jù)，分別使用3種算法進(jìn)行檢測并對比結(jié)果，驗(yàn)證本文算法在靜態(tài)環(huán)境中有更好的檢測準(zhǔn)確度，更高的目標(biāo)完整度。

實(shí)驗(yàn)1結(jié)果如圖4所示，在對背景穩(wěn)定的視頻圖像提取運(yùn)動目標(biāo)時，采用文獻(xiàn)[6]算法獲取了目標(biāo)圖像的大部分信息，但其邊緣信息不完整，出現(xiàn)間斷與丟失現(xiàn)象；采用文獻(xiàn)[7]算法對于目標(biāo)邊緣的獲取更為有效，減少了內(nèi)部信息的丟失，但由于鄰近幀間位移較小，仍有部分信息未充分獲?。皇褂帽疚乃惴?，目標(biāo)的完整度得到提升，“空洞”問題得到有效解決，且物體的邊緣信息完整。

圖4 靜態(tài)背景算法對比

2.3.2 動態(tài)背景的運(yùn)動目標(biāo)檢測

本實(shí)驗(yàn)選用動態(tài)背景下同一視頻圖像的不同幀作為實(shí)驗(yàn)數(shù)據(jù)，分別使用3種算法進(jìn)行檢測并對比結(jié)果，以此驗(yàn)證本文算法在復(fù)雜環(huán)境的檢測中可以有效消除背景噪音對檢測結(jié)果的影響，保證所提取目標(biāo)的完整性。

實(shí)驗(yàn)2結(jié)果如圖5所示，文獻(xiàn)[6]算法所提取的運(yùn)動目標(biāo)較為完整，由于采用了混合高斯背景建模的方法，對于圖像中出現(xiàn)的細(xì)微噪聲有較好的去除能力(如：搖晃的樹葉)，但目標(biāo)細(xì)節(jié)處理不準(zhǔn)確，邊緣粗糙，同時在目標(biāo)與背景顏色相近時，會丟失部分信息。文獻(xiàn)[7]算法獲取的目標(biāo)輪廓更為清晰，并且通過與邊緣信息的結(jié)合，使得目標(biāo)邊緣連續(xù)且完整，但在目標(biāo)內(nèi)部出現(xiàn)了空洞問題。通過本文算法處理后的視頻信息，更為充分提取圖像中的目標(biāo)信息，在消除背景噪音的同時較大程度緩解了邊緣粗糙與內(nèi)部缺失的問題，得到了完整的運(yùn)動目標(biāo)。

圖5 動態(tài)背景算法對比

表2為3種算法在實(shí)驗(yàn)1及實(shí)驗(yàn)2中檢測結(jié)果的完整度對比。

表2 3種算法目標(biāo)完整度

由表2可知，不同背景下本文算法所得目標(biāo)的完整度明顯高于文獻(xiàn)[6]及文獻(xiàn)[7]，表明本文算法的檢測準(zhǔn)確率更高，能很好地適應(yīng)不同環(huán)境下的目標(biāo)檢測。

為進(jìn)一步驗(yàn)證本文算法的優(yōu)越性，本文選用精準(zhǔn)率(precision)、召回率(recall)、F-Measure作為算法的評價指標(biāo)，兩者的定義如式(13)所示

(13)

式中：TP為準(zhǔn)確檢測到的目標(biāo)數(shù)，F(xiàn)P為錯誤檢測的目標(biāo)人數(shù)，F(xiàn)N為未檢測出的目標(biāo)人數(shù)，F(xiàn)-Measure為精確率與召回率的加權(quán)調(diào)和平均,其值越大代表算法越可靠。

表3為各算法在實(shí)驗(yàn)1及實(shí)驗(yàn)2中每隔10幀獲取各算法的查全率、查準(zhǔn)率、F值，并求平均值。從表3中可知，由于視頻中檢測物體的相對位移較小，文獻(xiàn)[7]算法相比文獻(xiàn)[6]算法在檢測過程中丟失的目標(biāo)數(shù)更少，漏檢率降低，召回率較高；文獻(xiàn)[6]算法檢測精確度較文獻(xiàn)[7]算法有所提高，但在目標(biāo)與背景間的色差度降低時，仍存在一定程度的漏檢率；本文算法結(jié)合兩者的優(yōu)勢，在檢測率方面得到有效提升，并能完整獲得目標(biāo)輪廓，保證了目標(biāo)的完整性。

表3 算法評價結(jié)果

綜合以上實(shí)驗(yàn)，將文獻(xiàn)[6]、文獻(xiàn)[7]及本文所提算法在統(tǒng)一實(shí)驗(yàn)條件下檢測運(yùn)動目標(biāo)消耗時間進(jìn)行對比，如圖6所示。由于文獻(xiàn)[7]算法復(fù)雜度低，計(jì)算簡單，在實(shí)際檢測過程中效率高，平均檢測速率為12.32幀/s；文獻(xiàn)[6]算法，采用改進(jìn)后的背景差分方法，復(fù)雜度有所下降，但仍保持較繁瑣的檢測步驟，模型更新速度慢，檢測所用時間最多，平均檢測速率為6.76幀/s；本文算法實(shí)現(xiàn)了三幀差分與混合高斯背景建模的結(jié)合，一定程度上增加了算法的檢測時間，復(fù)雜度較文獻(xiàn)[7]算法有所增加，但檢測所需時間明顯低于文獻(xiàn)[6]算法，且檢測準(zhǔn)確度與實(shí)用性得到提升，檢測速率為10.32幀/s。

圖6 算法檢測時間

3 結(jié)束語

本文提出了基于自適應(yīng)混合高斯的改進(jìn)三幀差分目標(biāo)檢測算法，該算法對傳統(tǒng)三幀差分中相鄰幀間進(jìn)行差分的方式予以調(diào)整，轉(zhuǎn)變?yōu)槿我鈨蓭g進(jìn)行差分，由此增加差分圖像所包含的目標(biāo)內(nèi)容，減少“空洞”，并采用最大類間方差法(OTSU)實(shí)現(xiàn)閾值的自動選取，從而使得二值圖像達(dá)到最佳。所得結(jié)果通過與Canny算子邊緣信息的結(jié)合，細(xì)化目標(biāo)邊緣，使目標(biāo)信息更加完整；同時為了進(jìn)一步消除三幀差分算法中的“空洞”問題，采用自適應(yīng)學(xué)習(xí)率的混合高斯背景建模，由此豐富圖像中的目標(biāo)信息，保證所提取前景的完整性。該算法將三幀差分高效性、快速性等優(yōu)勢與混合高斯背景建模對復(fù)雜環(huán)境的高適應(yīng)性、對運(yùn)動目標(biāo)提取的完整性結(jié)合，實(shí)驗(yàn)結(jié)果表明，本文算法能夠在背景復(fù)雜、噪音強(qiáng)度高的環(huán)境下較為完整獲取目標(biāo)內(nèi)容，準(zhǔn)確度與完整性都得到了保證。