基于改进背景减法的目标检测

本文主要是介绍基于改进背景减法的目标检测，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

一、算法思想

本算法使用背景减除法提取目标区域，采用选择性更新的方法更新背景模型，利用帧间差分法解决背景突变带来的问题，运用形态学滤波的方法对得到的二值化图像进行处理，最后使用积分投影法实现对目标的分割。

二、背景模型初始化

考虑到监控系统的实时性要求，算法并不事先建立复杂精确的背景模型，而是将采集到的第一帧图像作为背景图像，虽然该图像不一定就是真实的背景，但是随着背景模型的不断更新，该模型会越来越接近于真实的背景。

三、运动目标的检测

本文采用背景减法实现运动目标检测的功能，算法将当前采集到的图像与系统维护的背景模型进行差分运算，当运算结果超过一定阈值时，即可判断图象中对应的像素点属于运动目标区域，并产生相应的二值化图像。

运算过程如式 3.1 所示。其中 fn(x , y) 为当前采集到的图像(x , y)位置像素点的灰度值，B(x , y ) 为背景图像中对应位置像素点的灰度值，如果两值相减的差值超过阈值T ，该点即为运动像素点，否则系统判定其为背景像素点；图像Rn为含有运动目标区域的二值化图像。

四、背景模型的更新策略

由于监控场景中的光照变化和外来无关事件的干扰，真实的背景是不断变化的，因此系统需要不断地更新背景模型，以适应这种变化。算法对不同原因引起的背景变化，分别采取不同的背景模型更新策略。

（1）背景缓慢变化时的更新策略

当由于光照变化引起真实背景发生缓慢变化时，系统需要实时更新背景模型。如果对图像中的每一个像素点都进行更新，则有可能将运动目标的影像引入到背景模型中，“污染”了背景模型。因此，本文采用选择性更新背景的方法，只对判断为背景像素点的区域进行更新：

运算过程如式3.2 所示。其中 Bn为系统采集当前帧图像时所维护的背景模型，Bn−1为系统采集上一帧图像时所维护的背景模型， fn为系统采集的当前帧图像，BW (x , y) = 1 说明在目标检测阶段，该像素点被判定为运动像素点，反之为背景像素点；α 为背景模型学习速率，反应了系统维护的背景模型对场景变化适应的快慢程度。

（2）背景发生突变时的更新策略

当有物体进入场景后停止了运动，或者停留的对象运动离开场景等情况发生时，会导致真实背景发生明显的变化，此时如果仍按照上文提出的方法进行背景模型的缓慢更新，则会使真实背景中发生变化的部分仍作为运动目标被检测到，产生错误的检测结果。针对这种情况，本文算法也采取了相应的背景模型更新策略。

当系统通过背景减法判断出像素点为“运动像素点”后，进一步判断该像素点在一段时间内是否还会发生变化。如果还会发生变化，则说明该像素点确实属于目标对象；如果不再发生变化，则说明该像素点已经融入了背景，属于背景像素点。判断方法为：使用帧间差分法，将当前帧图像和上一帧图像相减，如果差值小于一定的阈值，即满足式3.3，则对该像素点进行计数。当计数值
Count超过一定阈值时，说明该像素点已经融入背景，可判断为背景像素点；反之则判断为运动像素点。按照式3.2

五、形态学处理

由式3.1 得到的二值化图像除了含有运动目标外，还有少量的噪声，而且在目标内部仍有些小的空洞，需要对其采用形态学滤波的方法进行处理。数学形态学的方法能在对图像有效去噪的同时，保留图像中的目标信息。其中，基本的运算有：腐蚀(Erosion)，膨胀(Delation)，开运算(Opening)，闭运算(Closing)。