一种动态背景下的目标提取方法

王晗 刘歆

摘要：动态背景下针对动态场景中部分物体存在扰动的特点，本文在差分思想的基础上，对背景模型进行持续的更新，结合模糊更新准则，自适应地改变背景模型的检测阈值和更新频率，进而提高动态场景中前景提取的准确性和鲁棒性。

关键词：视频监控;前景提取; 随机聚类;背景更新策略

中图分类号：TP311    文献标识码：A

文章编号：1009-3044（2020）30-0196-02

1 背景

国内视频监控市场在最近几年开始进入高速增长期[1]，而增长的动力来自城镇化步伐的加快。同时，随着平安城市建设等各项政策的继续开展和深化，以及交通、教育、金融等各行业用户安防意识的不断增强，预计未来视频监控市场将保持强劲增长。

面对爆发增长的监控数据，传统的人工监控已经不能满足目标信息提取的高效性，因此，能够对视频进行自动分析和识别的智能监控系统应运而生，其中，静态背景的目标提取处理较为简单，而如何在动态的背景下准确提取前景目标则是一个非常重要且基础的问题。

2 静态背景下的前景提取

针对静态背景下的前景目标提取问题，解决的基本思路为利用视频帧间，前景目标的位置差异作为依据进行前景目标的运动建模，并以运动模型为基础将前景目标和背景进行分离[2，3]。

在视频 Airport中，电梯的移动导致背景变化，从而帧间差分方法会误将运动的电梯提取出来。基于此，本文将对动态背景下的前景提取问题进行解决。

3 动态背景下的前景提取

基于前文分析，“鬼影”是帧差法中常见的现象，即当前景移走后，上一时刻的前景很可能被误检为前景目标。前文“Airport”视频中由于运行的电梯而产生的白色区域就是这样的一种现象。所以在本文中，提出了一种可以在动态背景中有效提取前景的样本随机聚类方法，该方法可以利用模糊理论，自适应的改变模型的检测阈值和更新频率，进而有效地减少场景中由于部分物体小规模扰动产生的“鬼影”现象[4]。

考虑到动态场景中，水波、树叶等持续运动的物体在全部时刻的扰动范围都很小。所以在初始化样本集时，抽取任一像素点 x 的前 N 帧图片的像素值初始化背景模型[M（x）]：

3.1 基于样本随机聚类的自适应匹配模型

模型初始化后，则前景的二值图[F（x）]可以表示为：

不同于基于静态背景的样本随机聚类的算法中的静态阈值 R，考虑到动态场景中不同物体的晃动距离差距较大（树叶晃动的范围和电梯移动的距离不同），所以在基于动态背景的样本随机聚类的方法中，本文根据背景的动态程度，自适应地设置阈值 R，由于该值和背景的动态移动范围有关，故增加一个参数：最小距离集合[D（x）]及平均最小距离以[dmin（x）]限制R，其中[D（x）]可以表示为：

3.2 背景模型更新

考虑到晃动的叶子、波动的水波极易干扰前景的提取，有时甚至会让前景被误检为背景，产生误检率变大的问题。所以为了提高算法的精确度及鲁棒性，本文利用空间一致性，即邻域像素的匹配情况判断中心像素模型的准确性。其中对于视频帧I中的一个像素点[x（xi，xj）]，定义其[k×k]邻域为：

3.3 模糊更新准则

在动态场景中，由于大部分物体是随机扰动的，所以本文引入了模糊理论以有效衡量背景更新过程[6]。

为将模糊理论应用于本文方法中，在基于动态背景的样本随机聚类的算法中加入了模糊函数[F1（x）]，该函数可以和随机更新时间因子[φ=F1（x）×φ]组合，进而确定模板随机更新的概率。

据[NCF（x）]的计算公式可知，[NCF（x）]越大，x邻域中能被背景模型描述的像素点越多，则用x来更新背景模型的概率就越大。上述过程可以反向约束模糊函数[F1（x）]及随机更新时间因子[φ]，进而自适应的调整背景更新概率，有效提高方法的精确度和鲁棒性。

3.4 测试效果

湖面发生持续的变化，但是从图2分离的前景图中可以看出，本章的方法可以有效屏蔽动态背景的干扰，取得较好的前景提取效果。这是由于本章方法在进行背景模型更新时，结合了模糊更新准则，反向约束样本聚类方法，从而实现背景模型的自适应构建，这种自适应匹配模型能够更加准确地表征处于持续变化的动态背景。

4 总结

针对动态背景下的前景提取问题，本文在处理静态背景常用方法——帧间差分法的基础上结合了模糊更新准则，自适应的改变背景模型的检测阈值和更新频率，提高针对动态变化的背景模型构建的准确性。通过对监控视频的实际应用，本文所提出的方法有良好的实现效果。

参考文献：

[1]朱啟.视频监控行业分析报告[D].广州：华南理工大学，2016.

[2] 郭溪溪，陈小林，王博，等.静态背景下运动目标的边缘提取[J].半导体光电，2017，38（1）：117-121.

[3] 陈媛，胡娜，余秋月.融合背景差分法和帧间差分法的运动目标检测[J].现代计算机，2019（34）：50-53.

[4] 曾冬冬.视频监控中的前景目标检测算法研究[D].北京：中国科学院大学，2019.

[5] 龚松标.基于自适应特征的复杂场景背景提取[D].西安：长安大学，2019.

[6] 劳丽，吴效明，朱学峰.模糊集理论在图像分割中的应用综述[J].中国体视学与图像分析，2006，11（3）：200-205..

【通联编辑：闻翔军】