1  引言
    运动目标检测是数字图像处理技术的一个重要部分，是各种后续高级处理任务如目标识别与跟踪、目标分类、行为理解和分析等的基础。运动目标检测是指从连续的视频序列中实时地将前景目标（运动对象）所在的区域从背景（自然场景）中分割提取出来，即完成前景和背景的分离。对于这一工作现有的实现方法一般有四种：光流计算法[2]、相邻帧间运动分析法[3]、运动能量检测法[4]和背景消减法[5]。光流计算法的优点是能够检测独立运动的对象，不需要预先知道场景的任何信息，并且可用于摄像机运动的情况，但多数光流法的计算复杂耗时，除非有特殊的硬件支持，并且很难符合实时处理的要求；帧间运动分析法对动态环境的适应能力比较强，但不能够完整地分割运动对象，不利于进一步的对象分析与识别；运动能量检测法适合于复杂变化的环境，能消除背景中振动的像素，使按某一方向运动的对象更加突出地显现出来，但难以获得目标所在区域的精确描述；背景消减法适用于摄像机静止的情形，它为静止背景建立背景模型，通过将当前图像帧和背景模型进行比较，确定出亮度变化较大的区域，即认为是前景区域，这种方法实现简单，计算速度快，能够实时地处理连续的图像序列，并可以获得关于运动目标区域的完整精确的描述。
    背景消减法主要涉及到对于背景如何建模的问题，同时由于环境的变化如场景中光照条件引起的亮度改变、物体的运动引起的背景遮挡等，背景并不是静止不变的，在实际应用中如果直接用输入图像与背景图像差分进行分割，则会产生不理想甚至是错误的分割，需要采用一定的算法进行背景模型的动态更新。目前许多研究人员都致力于好的背景模型研究，以期减少动态场景对于准确分割的影响。本文针对带有运动目标的复杂背景采用一种简单的自适应算法， 使背景模型每隔一定的时间间隔自动更新一次， 从而使对象分割达到比较理想的效果。

2  自适应背景建模算法
    背景图像的获取及自动更新是实现稳定、准确的运动目标检测的重要步骤。对于一个固定的场景，在没有运动对象出现、没有光照变化等的情况下，考虑到视频采样过程中噪声的影响，场景中各像素点的亮度值或灰度值符合一个随机概率分布，以某一均值为基线，在其附近作不超过某一偏差的随机振荡， 这种情况下的场景称之为背景。而实际的场景环境往往是动态变化的。如室内场景的动态变化，主要体现在灯光的突然熄灭、点亮，运动对象的出现、运动和消失等，此时摄像头捕获的场景测量值中，还包含了光照的改变、前景对象等环境的动态变化对背景各像素点亮度值的影响。背景获取的最终目的是把运动对象从背景中分割出来，主要就是通过连续的视频帧找出属于背景的像素点，同时把光照的改变检测出来并融合到背景中，实现背景的自适应更新。
2.1  传统的背景建模方法
    目前常用的背景抽取方法往往是将背景的构建与背景的更新视为两个独立的阶段，首先利用统计的方法构建出背景图像，然后随着场景的动态变化不断地对它作适当的更新。这些方法在背景构建阶段一般需要一段不含有前景运动目标的监控场景的图像序列，在实际应用中可能很难得到这样的图像序列，例如在高速公路上获取的视频图像序列中，想要获取无运动目标的背景帧几乎是不可能的。在背景更新阶段大多通过构造复杂的模型来解决场景变化的问题，其计算量大，而且有时可能无法满足实时处理的要求。
2.2  自适应背景建模方法
    本文提出的自适应背景建模方法将背景的构建与更新结合于一体，可以在场景中存在运动对象的情况下提取出最新的背景图像。在一个固定的场景中，背景像素被遮挡时它的亮度值会出现一个明显的变化，由于作为背景的每个像素被遮挡的时间与它暴露的时间相比是非常短暂的，可以把运动目标看作是一个对背景图像的随机扰动，从而可以利用一段连续的图像序列来消除运动目标的影响。算法流程如图1所示。

图1  算法流程图

    最初可以将摄像机捕获到的首张视频图像作为初始背景，然后采用如下算法实现背景图像的自适应抽取。其间，输入视频图像序列并不需要将每一帧都用来对背景模型进行更新，因此对视频序列进行W抽样，即每W帧间隔抽取一帧对背景模型进行更新，即W为抽样速率。令V(i,j)为每间隔W帧抽取一帧的连续T帧采样得到的图像在位置(i,j)的灰度值向量组，即
    V(i,j) ={Vt(i,j)|t =1,...,T}     (1)
    其中，Vt(i,j)为第t帧图像在位置(i,j)的灰度值。折衷考虑所需参与计算的视频序列的长度和背景提取的效率，可以由实验或经验确定W的值。
    令B为最终得到的背景模型的数学表示，而Y(i,j)为背景模型B在位置(i,j)的灰度值。对于所有的(i,j)采用如下公式所述的算法对V(i,j) 执行中值滤波可以得到Y(i,j)，
                                     (2)
    从而实现背景的更新，得到当前时刻的背景图像
    B={Y(i,j)|i=1,...,Nandj=1,...,M}      (3)
    其中，N、M分别是视频图像的高和宽。
    尽管在背景建模初期所得到的背景图像可能并不精确，但是随着场景中对象的运动，后续差异图像中新的背景信息会使背景图像变得越来越完整，而且当场景中发生光照改变等动态变化对已恢复的背景图像产生影响时，这种背景建模方法可同时对背景图像进行及时地更新，以反映背景在实际中的渐变。

3  实验结果与分析
    为了验证本文的自适应背景建模算法的有效性，笔者在实验室中设置了一个单摄像头的简单的视频监控环境，不断地使人的运动出现在摄像头视野内，应用该算法。同时，由于在实验室中采集到的图像的背景比较简单，笔者也将该算法应用到了正在开发研究的实际水下监控系统中进行了测试。下面给出的是笔者对以每秒25帧的速率采样到的（352×288）格式的视频序列应用该算法的实验结果。图2和图3中的(a)是每0.5秒间隔抽取一帧的十帧连续的视频图像，而(b)是计算出的背景图像。
    其中，对抽样速率W和抽样视频序列的长度T的选取是否合适都会影响实验结果。当T一定时，如果W过小使得抽样速率远远小于目标运动速率时，可能会将运动目标误判断为是静止的场景信息而得不到精确的背景模型；如果W过大可能会使程序执行时间过长，从而难以满足实时处理的要求。当W一定时，如果T过小即样本值过少，会影响背景的恢复效果，失去本算法对背景更新的意义；如果T过大可能会影响实时处理的效果。因此在实际中应该针对具体环境通过实验或者经验确定W和T的值。我们针对具体环境进行了大量实验，得出当W为12、T为10，即对每0.5秒间隔抽取一帧的十帧输入图像进行处理的效果比较理想。        

(a)连续的十帧视频图像                                      (b)背景图像
图2  对实验室中监控系统的测试结果

(a)连续的十帧视频图像                                    (b)背景图像
图3  对实际的水下监控系统的测试结果

    实验的结果验证了本算法实现自适应背景建模的可行性和有效性，无论是在简单的环境还是比较复杂的场景中，对背景的抽取结果都比较令人满意。而且该算法实现简单，只需使用较少的图像帧数就能获得完整的背景图像，并且能够满足实时性的要求。

4  结语
    本文采用的自适应背景建模算法，能够自动地将前景中存在运动目标的复杂背景较准确的提取出来，算法结构简单，可以在短时间内较完整地构建出背景图像，并且能够适应光线的变化及时地更新背景。将该算法应用于视频监控系统中运动目标的检测简捷、有效、便于实现，并且符合实时处理的要求。

参考文献:
[1] How-Lung Eng, Kar-Ann Toh, JunxianWang and Wei-Yun Yau. An automatic drowning detection surveillance system for challenging outdoor pool environments [C]. In: Proceedings of the Ninth IEEE International Conference on Computer Vision (ICCV 2003).
[2] Barron J, Fleet D, Beauchemin S. Performance of optical flow techniques [J]. International Journal of Computer Vision, 1994:12(1): 42~77.
[3] Lipton A, Fujiyoshi H, Patil R. Moving target classification and tracking from real-time video[C]. In: Proc of  WACV?8, 1998:8~14.
[4] Richard P Wildes. A measure of motion salience for surveillance applications [C]. In: Proc of Image Processing, 1998:102~121.
[5] Stauffer C and Grimson W. Adaptive background mixture models for real-time tracking [C]. Computer Vision and Pattern Recognition, CV PR?9, Fort Colins, CO,June 1999.
[6] Stefan Huwer. Adaptive Change Detection for real-time Surveillance Applications [J]. 2000 IEEE.