第３１卷第４期 ２０１０年７月 应用光学 Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｏｐｔｉｃｓ Ｖｏｉ．３１ Ｎｏ．４ Ｊｕ１．２０１０ 文章编号：１００２—２Ｏ８２（２０１０）０４一Ｏ５７４一Ｏ５ 基于混合高斯模型的运动目标检测方法研究 魏晓慧 ，李良福。，钱 钧 （１．惠州学院电子科学系，广东惠州５１６００７；２．西安应用光学研究所，陕西西安７１００６５） 摘要：为了能够及时检测到图像场景中的运动目标，提出一种基于混合高斯模型的运动目标检 测方法。借助把图像的像素值看成是前景高斯分布和背景高斯分布的组合，进行了背景估计和自 适应背景更新；通过对背景差分后的图像进行多目标分割，进行了多个运动目标的检测。实验发 现：随着图像序列的背景不断变化，基于混合高斯模型算法能够准确估计出变化的背景，通过将 场景图像和背景图像进行差分，检测到感兴趣的运动目标。 关键词：运动目标；目标检测；混合高斯模型；背案差分 中图分类号：ＴＮ９１１．７３；ＴＰ３９１ 文献标志码：Ａ Ｍｏｖｉｎｇ ｏｂｊｅｃｔ ｄｅｔｅｃｔｉｏｎ ｂａｓｅｄ ｏｎ ｍｉｘｔｕｒｅ Ｇａｕｓｓｉａｎ ｍｏｄｅｌ ＷＥＩ Ｘｉａｏ—ｈｕｉ ，ＬＩ Ｌｉａｎｇ—ｆｕ。，ＱＩＡＮ Ｊｕｎ （１．Ｈｕｉｚｈｏｕ Ｉｎｓｔｉｔｕｔｅ，Ｈｕｉｚｈｏｕ ５１６００７，Ｃｈｉｎａ；２．Ｘｉ’ａｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ａｐｐｌｉｅｄ Ｏｐｔｉｃｓ，Ｘｉ’ａｎ ７１００６５，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｉｎ ｏｒｄｅｒ ｔｏ ｄｅｔｅｃｔ ｍｏｖｉｎｇ ｏｂｊｅｃｔ ｉｎ ｉｍａｇｅ ｓｃｅｎｅ ｉｎ ｔｉｍｅ，ｔｈｉｓ ｐａｐｅｒ ｐｒｅｓｅｎｔｓ ａ ｍｏｖｉｎｇ ｏｂｊｅｃｔ ｄｅｔｅｃｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｍｉｘｔｕｒｅ Ｇａｕｓｓｉａｎ ｍｏｄｅ１．Ｗｅ ｒｅｇａｒｄ ｔｈｅ ｉｍａｇｅ ｐｉｘｅｌ ｖａｌｕｅ ａｓ ｔｈｅ ｓｙｎｔｈｅｓｉｚｅｄ ｐｒｏｃｅｓｓ ｏｆ ｔｈｅ ｆｏｒｅｇｒｏｕｎｄ Ｇａｕｓｓ ｄｉｓｔｒｉｂｕｔｉｏｎ ａｎｄ ｔｈｅ ｂａｃｋｇｒｏｕｎｄ Ｇａｕｓｓ ｄｉｓｔｒｉｂｕｔｉｏｎ，ａｎｄ ｒｅａｌｉｚｅ ｔｈｅ ｂａｃｋｇｒｏｕｎｄ ｅｓｔｉｍａｔｉｏｎ ａｎｄ ａｄａｐｔｉｖｅ ｂａｃｋｇｒｏｕｎｄ ｕｐｄａｔｅ．Ｔｈｒｏｕｇｈ ｐｅｒｆｏｒｍｉｎｇ ｍｕｌｔｉｐｌｅ ｏｂｊｅｃｔ ｓｅｇｍｅｎｔａｔｉｏｎ ａｆｔｅｒ ｂａｃｋｇｒｏｕｎｄ ｓｕｂｔｒａｃｔｉｏｎ，ｗｅ ｃａｎ ｓｕｃｃｅｓｓｆｕｌｌｙ ｄｅｔｅｃｔ ｍｕｌｔｉｐｌｅ ｍｏｖｉｎｇ ｏｂｊｅｃｔｓ．Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔｓ ｓｈｏｗ ｔｈａｔ ｗｈｅｎ ｔｈｅ ｂａｃｋｇｒｏｕｎｄ ｏｆ ｉｍａｇｅ ｓｅｑｕｅｎｃｅ ｉｓ ｃｈａｎｇｉｎｇ，ｔｈｅ ｍｉｘｔｕｒｅ Ｇａｕｓｓｉａｎ ｍｏｄｅｌ ｂａｓｅｄ ａｌｇｏｒｉｔｈｍ ｃａｎ ｅｓｔｉｍａｔｅ ｃｈａｎｇｅｄ ｂａｃｋｇｒｏｕｎｄ ａｃｃｕｒａｔｅｌｙ，ａｎｄ ｔｈｒｏｕｇｈ ｓｕｂｔｒａｃｔｉｏｎ ｂｅｔｗｅｅｎ ｓｃｅｎｅ ｉｍａｇｅ ａｎｄ ｂａｃｋｇｒｏｕｎｄ ｉｍａｇｅ， ｔｈｅ ｉｎｔｅｒｅｓｔｅｄ ｍｏｖｉｎｇ ｏｂｊｅｃｔ ｃａｎ ｂｅ ｄｅｔｅｃｔｅｄ．Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｆｏｒ ｒｅａｌ ｉｍａｇｅ ｓｅｑｕｅｎｃｅｓ ｄｅｍｏｎｓｔｒａｔｅ ｔｈｉｓ ｍｏｖｉｎｇ ｏｂｊｅｃｔ ｄｅｔｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｍｉｘｔｕｒｅ Ｇａｕｓｓｉａｎ ｍｏｄｅｌ ｉｓ ｅｆｆｉｃｉｅｎｔ． Ｋｅｙ ｗｏｒｄｓ：ｍｏｖｉｎｇ ｏｂｊｅｃｔ；ｏｂｊｅｃｔ ｄｅｔｅｃｔｉｏｎ；ｍｉｘｔｕｒｅ Ｇａｕｓｓｉａｎ ｍｏｄｅｌ；ｂａｃｋｇｒｏｕｎｄ ｓｕｂｔｒａｃｔｉｏｎ 引言 在客观现实世界中，同一场景中通常包含多个 目标，而这些目标往往各自，需要分别进行处 理。因此，如何从图像中检测出所关注的目标是计 有基于图像分割技术的方法和基于模板匹配的方 法等Ｉ２］。基于图像分割的方法，可以利用目标图像 的灰度、纹理等特征来分割出目标和背景，再利用 目标的先验知识对目标和背景进行分离。基于模板 匹配的方法，则是利用目标的模板来匹配和寻找场 算机视觉的重要研究方向。对目标的检测可以在静 态图像上进行，也可以在序列图像上结合目标的运 动特征进行［】］。对于静态图像中目标的检测，主要 收稿日期：２０１０—０６—０３；修回Ｅｔ期：２０１０—０６—１５ 景中的相似目标。在图像序列中检测运动目标，由 于结合了多帧图像的信息，因此比在静态图像上进 作者简介：魏晓慧（１９６９一），女，四川内江人，博士，高级工程师，惠州学院电子科学系教师，主要从事计算机应用技术研究 工作。Ｅ—ｍａｉｌ：ｗｅｉｘｈ０５０９＠ｙａｈｏｏ．ｃｏｍ．ｃｎ 应用光学２０１０，３１（４）魏晓慧，等：基于混合高斯模型的运动目标检测方法研究 ・５７５・ 行目标检测具有更好的效果。序列图像的运动目标 检测方法主要有基于光流场的方法、基于神经网络 的方法和差分图像法等。 基于光流场的方法通过计算图像的光流场，再 止的情况下，若外界光照条件不变，在不考虑噪声 的情况下，图像中的完整背景保持不变。若目标运 动时，则目标与背景的灰度之间一定存在着较大的 差异。 结合目标的运动特征进行目标检测。光流是指图像 中目标模式运动的速度，它是一种二维瞬时速度 场。如果图像中没有运动目标，则光流矢量在整个 假设背景静止的一个图像序列的完整背景保 持不变，对该图像序列的每一帧来说，其中的内容 可分为静止的背景和运动的对象两部分。由于运动 图像区域是连续变化的，当物体和图像背景存在相 对象会遮挡住一部分背景，显然，每一帧中的背景 对运动时，运动物体所形成的速度矢量必然和邻域 背景速度矢量不同，从而检测出运动物体的位置。 这种方法的缺点是计算量大、易受噪声影响，不利 于实时处理。 基于人工神经网络的目标检测方法［３－４３在近年 来得到了极大的发展，这种方法首先将每帧图像分 成一系列图像块，经过预处理后将这些图像块投影 到一个线性滤波器组，得到不同的图像模式；然后 把这些不同的图像模式根据预先计算得到的聚类 原形进行分类；最后用训练得到的神经网络分类器 来判断图像模式是否包含目标。该方法对尺度和旋 转变形的目标有很好的适应性。但是由于神经网络 本身的计算复杂性，这种方法目前也不太适合实时 应用。 差分图像法的基本原理是将当前图像帧和背 景图像对应像素点的灰度值相减。在环境亮度变化 不大的情况下，如果对应像素灰度相差很小，可以 认为此处景物是静止的；如果图像区域某处的灰度 变化很大，则认为这是由于图像中运动物体引起 的，据此求出运动目标在图像中的位置。它的突出‘ 特点是实现简单、运算速度快，检测效果较好，常常 用于实时性要求比较高的场合。 本文采用背景差分法对交通监控中的运动车 辆进行了检测研究。基于混合高斯分布研究了背景 估计模型，通过把图像的像素值看作是前景高斯分 布和背景高斯分布的综合作用，有效地实现了背景 估计和背景更新。通过当前帧图像和背景图像之间 的差分运算后进行多目标区域分割，能够有效检测 出当前帧图像中的运动车辆。 １ 基于背景差分的运动物体检测算法 本文采用背景差分法进行运动目标检测，背景 差分就是在背景静止的条件下，选取一帧作为参考 图像，用当前帧和参考图像作差分运算。在背景静 并不等于完整背景，而只是完整背景的一部分。随 着运动对象的不断运动，会使被遮挡的背景逐渐显 现出来，如果能通过一定的准则对从某一帧图像开 始的若干图像序列进行处理，估计出该图像的完整 背景，则该图像背景同样适用于以后的各帧图像。 假设当前交通图像序列的完整背景图像为 Ｂ（ ， ），从第１帧开始，一直到第ｋ帧估计出完整 背景，即： Ｂ（ｚ， ）＝Ｅｌｆ （ｚ， ），ｆｚ（ｚ，．ｙ），…， （ｚ， ）］ （１） 式中Ｅ［］表示完整背景估计算子。 对于估计出完整背景后的第 帧图像，可以将 其表示为该帧中的背景区域Ｂ （ ， ）和运动对象 （ｚ， ）两部分，即： ／ （ｚ， ）一Ｂ （ ， ）＋ （ｚ， ） （２） 显然，第，ｚ帧中的背景 （ｚ， ）也是完整背景 Ｂ（ ， ）中的一部分，因此，可以将完整背景划分成 第 帧中的背景区域和被第 帧中的运动对象遮挡 住的背景两部分，即： Ｂ（ｚ， ）一Ｂ （ ， ）＋Ｏ （ｚ， ） （３） 其中Ｏ （ ， ）表示被第，ｚ帧中的运动对象 （ｚ， ） 遮挡住的背景部分，且ｏ （ｚ， ）和 （ｚ， ）在空间 位置上完全重合。 在估计出完整背景后，令第 帧 （ｚ， ）和估 计出的完整背景Ｂ（ ， ）作差分运算，得到： ｄ （ｚ， ）一／ （ ， ）一Ｂ（ｚ， ）一 Ａ （ｚ， ）一ｏ （ ， ） （４） 上式表明，第 帧和完整背景图像的差分最后 归结为第 帧中的运动对象和被它遮挡住的完整 背景部分的差值。由于 （ｚ， ）和ｏ （ｚ， ）在空间 上完全重合，因此，这样得到的差分图像ｄ （ｚ， ） 中不包含由运动对象引起的显露或遮挡的背景区 域，从而有效地克服两帧图像在运动估计过程中存 在的遮挡问题。 ・５７６・ 应用光学２０１０，３１（４）魏晓慧，等：基于混合高斯模型的运动目标检测方法研究 在目标运动可视的情况下，目标与背景之间的 值，因为求平均值时每一帧图像都同等处理，随着 灰度存在着较大的差值，即差分图像ｄ （ｚ， ）中对 应运动对象区域内的所有像素的灰度值比较大，由 于在实际成像过程中不可避免地存在噪声，所以差 分图像中还包含噪声。但是噪声的值通常比较小， 因此，可以通过一个恰当的阈值在差分图像中较好 图像数目增多，前期图像所占的比例太大，后期提 取出的背景很难适应实际背景的变化。一种简单的 背景更新算法就是将背景图像和当前帧图像取均 值，将结果作为新的背景估计。实际应用中往往是 给背景图像和当前图像赋予不同的权值，求它们的 地检测出运动对象，如下式所示： ，， 、 弋ｆ１（Ｉ （ｚ， ）－Ｂ（ｘ， ）ｌ＜７１） ｏ （其他） （５） 可见，在背景静止的条件下，采用将图像序列 中的各帧和估计出的完整背景进行差分的方法，可 以在差分图像中检测出运动对象的准确位置，将其 映射到图像序列的当前帧中，则能有效地分割出运 动对象。 ２ 基于混合高斯分布的背景估计模型 背景估计是背景差分法的关键步骤。采用背景 差分方法进行运动检测，先要对背景进行准确的估 计，再用当前图像和背景图像进行差分运算，并对 差分图像进行区域分割，提取出运动区域。在交通 场景中，背景环境变化较大，如环境光线会随时间 渐变，建筑物、树木或云层投射到地面的阴影也会 随光线的变化而变化，临时停靠在路边的车辆等， 这些都会使背景发生渐变或突变，这就要求背景估 计模型能够适应环境的变化。 ．２．１背景估计算法 背景估计可以采用人工指定的方法，即从连续 视频图像序列中取一帧没有运动物体存在的图像 作为背景图像。这种方法不能对背景变化进行调 整，显然不适合交通场景。在交通场景中，可行的方 法是建立自适应背景估计模型，在连续图像中对背 景进行实时自适应估计。常用的背景估计模型有图 像平均模型、选择性背景更新模型、基于卡尔曼滤 波器的背景更新模型和混合高斯分布模型。 最简单的背景估计模型是图像平均模型，它把 一系列图像序列的像素值累加起来求平均值作为 背景像素值，经过长时间平均后，就可以把运动物 体所造成的误差消除，从而得到比较准确的背景。 这种方法往往用于背景初始化，随着图像序列的不 断增加，就必须采用背景更新公式来更新背景，而 不是简单地将图像序列的像素值累加起来求平均 加权平均。 在选择性背景更新模型中，将背景图像和当前 图像进行差分运算，如果某点的背景图像值和当前 图像值的差值小于某一个阈值时，就认为该点没有 运动物体，则用该点的当前图像值更新背景图像 值，否则保持该点的背景图像值不变。在实际应用 中采用这种方法能够减少运算量，同时对背景渐变 的跟踪速度也比较快，但是这种更新模型在背景突 变情况下就无法完成背景的更新，这样就会导致目 标的误检和漏检。例如有新的车辆停在背景中或者 原来停在背景中车辆离开了，此时算法就会认为该 区域始终有运动物体存在选择而不更新背景。一种 改进的模型就是无论背景图像值和当前图像值的 差分值小于还是大于阈值，都对背景图像进行更 新，使用不同的加权系数更新，这种改进后的更新 模型在背景突变的情况下也能完成背景更新，但是 对突变背景的更新效果仍然不佳，不能及时适应背 景的变化。 ２．２混合高斯分布模型 当有新的物体加入到背景中或者原来背景中 的物体消失，造成背景发生突变时，为了仍能及时 适应背景的变化，本文提出了一种高斯混合模型用 于背景提取。高斯分布法的原理就是把图像中的像 素值看成是一些高斯分布的综合作用，即前景高斯 分布和背景高斯分布的混合体。图像的某点像素值 符合前景高斯分布时，就认为该点属于前景目标； 符合背景高斯分布时，就认为该点属于背景，并进 行背景更新。 高斯模型属于概率统计模型。背景一般可以分 为单模态和多模态两种，前者在每个背景点上的像 素值分布比较集中，可以用单个概率分布模型来描 述，后者的分布则比较分散，需要多个分布模型来 共同描述。自然界中的很多景物和人造物体，如水 面的波纹、摇摆的树枝、飘扬的旗帜、监视器荧屏 等，都呈现出多模态的特性，在多云天气条件下的 交通场景也表现为多模态特点，即背景忽明忽暗。 应用光学２０１０，３１（４）魏晓慧，等：基于混合高斯模型的运动目标检测方法研究 ・５７７・ 最常用的描述背景点像素值分布的概率模型是高 ａ，在室外环境下，由于噪声比较大，ａ的取值小一 斯模型。用ｙ（ｘ， ， ）表示观察值为ｚ，均值为 些，因为不匹配很有可能是因为噪声造成的；在室 ，协方差矩阵为 的高斯分布的概率密度函数。 内环境下，噪声较小， 的取值大一些，因为不匹配 在背景估计过程中，假设背景模型中每个图像点是 很有可能是因为前景目标运动造成的。更新公式如 的，并且像素值的分布是位置无关的，对它们 下： 的处理也是的。 一（１一口） 一１＋口 （８） 单高斯分布背景模型适用于单模态背景情形， ３）如果没有找到任何匹配，认为当前的像素 它为每个图像点的颜色建立了单个高斯分布表示 值属于前景。并且用一个新的正态分布取代排序在 的模型ｙ（ｘ， ， ），其中下标ｔ表示时间。设图像 最后面的正态分布。新的正态分布 值为 点的当前像素值为ｘ ，若ｙ（Ｘ ， ， ）≤Ｔ（这里 ￣ｔ１一 为概率阈值），则认为该点是前景点，即运动物体 一 ～１十 １ ２二 （９） 一１ … 上的点，否则为背景点。 在具体的实验中，通常把 个分布中 ／ 最大 实际应用中往往采用混合高斯分布模型（前景 分布的值作为当前背景值。 高斯分布和背景高斯分布的混合）。假设图像中每 个点的像素值符合高斯分布的混合分布，即： ３ 多目标区域分割算法 ｈ ｐ（ｘ ）一∑ ｙ（ｘ ， ，∑，） （６） 本文采用背景差分法将当前图像与背景图像 ＝１ 进行差分计算，得到差分图像后，将其分解为若干 式中：肛一（ ， 、 ） ， 、 、 分别表示该像 个有意义的子区域，这种分解是基于物体有平滑均 素点颜色值的Ｒ、Ｇ、Ｂ分量；权值 ≥０； 一１，２， 匀的表面，即每个子区域都具有一定的均匀性质。 ｈ …，尼，且∑ｃｕ 一１，∑ 为协方差矩阵，∑ 一 ，， 在差分图像中，背景区域的差分值和运动区域的差 ｆ １ 为方差， 为单位阵。是个高斯分布按照权值从高 分值差别较大，而区域内部的差分值则比较接近， 到低的次序进行排序，再根据： 相当于背景区域和运动区域都有平滑均匀的表面。 Ｂ 对于这种情况，可以根据事先确定的相似性准则， ａｒｇ Ｂｍｉ ｎ｛ ＞Ｔ｝ （７） 把单个像素与其相邻像素的特性进行比较，从而进 ＝１ 确定Ｂ个背景分布（其中７１为阈值），即确定前Ｂ个 行区域的增长，直接取出若干特征相近或相同像素 高斯分布为背景分布。将要进行匹配的像素点Ｘ 看 组成的区域。 成正态分布，判断像素点 是否和第Ｊ个分布匹配。 在实际应用中，无论是采用阈值分割法还是区 匹配定义为一个像素的值处在一个分布在２．５倍标 域增长法等，分割出来的运动区域内部总是或多或 准偏差内。若第Ｊ个分布为背景分布，当前匹配点则 少、或大或小地存在一些空洞，一些噪声也可能被 为背景点；其余情况则认为当前点是前景点。 当作运动区域分割出来。对于噪声的处理，可以通 ２．３ 自适应背景更新 过判断区域的大小加以剔除，因为在交通场景中， 混合高斯分布模型中最重要的就是各个高斯 运动目标所占的区域总是比可能的噪声要大。对于 分布的更新、替换，以获得实时背景信息，所以要着 运动区域中的空洞，可以采用形态算进行目标 重分析高斯分布的更新过程。高斯分布的更新，即 区域修复处理。 每输入一帧新图像就把每一个分布都更新一次。对 于每个像素更新算法都是一样的。以下是具体的自 ４ 实验结果 适应背景更新算法流程： 为了验证本文算法对实际图像序列是否能够 １）计算当前的像素值是否归属于存在的正 进行有效的背景估计，我们采用一组３００帧用于汽 态分布中的某一个。 车跟踪的图像序列，利用Ｖｉｓｕａｌ Ｃ＋＋语言对本文 ２）如果找到了一个匹配，则采用如下的更新 算法进行了实验。实验结果如图１所示，图１（ａ）和 算法：更新每个分布的权值 ，引入一个学习参数 图１（ｄ）为分别为原始图像；图１（ｂ）和图１（ｅ）为分别 ・５７８・ 应用光学２０１０，３１（４）魏晓慧，等：基于混合高斯模型的运动目标检测方法研究 为背景估计的结果，由于图像序列的背景会随着时 运动目标的检测结果，由于采用差分原理，图像的 间产生变化，因此基于混合高斯模型估计的结果能 背景能够被有效地去除，从而得到所需要的感兴趣 够适应场景的变化；图１（ｃ）和图１（ｆ）为分别为多个 运动目标。 ， 甑 （ａ）第ｌ３０帧汽车图像序 （ｂ）背景估计 （ｃ）目标检测结果 囊喇略 ‘‘翅睇釉 。 （ｄ）第２６Ｏ帧汽车图像序 （ｅ）背景估计 （ｆ）目标梭凋结果 图１ 图像背景估计与目标检测结果 Ｆｉｇ．１ Ｉｍａｇｅ ｂａｃｋｇｒｏｕｎｄ ｅｓｔｉｍａｔｉｏｎ ａｎｄ ｏｂｊｅｃｔ ｄｅｔｅｃｔｉｏｎ ｒｅｓｕｌｔｓ ５ 结束语 ＣＨＥＮＧ Ｓｈｕ—ｈｏｎｇ，ＨＵ Ｃｈｕｎ—ｈａｉ・Ａｕｔｏｍａｔｉｃ ｓｅｇ一 针对交通监控中的运动车辆，本文提出了基于 眦妇ｎＤｎ ｇ０ｒ ：ｂａ。ｅｄ ０ｎ ｐａｎ。 ｔｅ●！叫 ｄ０ｍ “ 混合高斯模型的运动目标检测方法，给出了背景差 ３０（５）：７６ ８－７ ７１ ｉｎ Ｃｈｉｎｅｓｅ ｗｉｔｈ Ｅ ｇｌｉ ｈ 分和基于混合高斯的背景估计数学模型。为了能够 ａｂｓｔｒａｃｔ） 及时跟踪背景的变化，通过把图像的像素值看成是 ［２］ＨＵ Ｗｅｉ—ｍｉｎｇ，ＴＡＮ Ｔｉｅ—ｎｉｕ，ＷＡＮＧ Ｌｉａｎｇ，ｅｔ ａ１． 前景高斯分布和背景高斯分布的综合作用，基于混 Ａ ｓｕｒｖｅｙ ｏｎ ｖｉｓｕａｌ ｓｕｒｖｅｉｌｌａｎｃｅ ｏｆ ｏｂｊｅｃｔ ｍｏｔｉｏｎ ａｎｄ 合高斯模型算法能够准确估计出不断变化的背景， ｂｅｈａｖｉｏｒｓ［Ｊ］・ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ－Ｓｙｓｔｅｍｓ，Ｍａｎ 通过将场景图像和背景图像进行差分，检测到感兴 ａｎｄ ｃｙｂ。 ｉ。 ，Ｐ Ｃ，２００４，３４（３）￣３３４－３５２． 趣的运动目标。实验结果验证了本文算法能够有效 检测到多个运动Ｅｔ标。 Ｎｅｔｗｏｒｋｓ，１９９９，１ｏ（５）：９８８—９９９． ［－４３ ＨＷＡＮＧ Ｊ Ｎ，ＫＵＮＧ Ｓ Ｙ，ＮＩＲＡＮＪＡＮ Ｍ，ｅｔ ａ１． 参考文献：Ｔｈｅ ｐａｓｔ，ｐｒｅｓｅｎｔ，ａｎｄ ｆｕｔｕｒｅ ｏｆ ｎｅｕｒａ１ ｎｅｔｗｏｒｋｓ ／１］陈淑红，胡春海．基于时空域的自动视频对象分割算 ｆｏｒ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｉｎｇ［Ｊ］．ＩＥＥＥ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ 法［Ｊ］．应用光学，２００９，３０（５）：７６８—７７１． Ｍａｇａｚｉｎｅ，１９９７，１４（６）：２８—４８．
