ｌｌ Ｖ 。脚Ｌ ｃ 尝 器 【本文献信息】田崾，王佐成，薛丽霞．基于混合高斯模型的运动目标检测改进算法［Ｊ］．电视技术，２０１２，３６（１７） 熬 基于混合高斯模型的运动目标检测改进算法 田顿，王佐成，薛丽霞 （重庆邮电大学计算机科学与技术学院，重庆４０００６５） 【摘要】针对传统混合高斯模型法的不足，提出一种基于混合高斯模型的运动目标检测改进算法。首先对模型的参数更新机 制进行了改进，不同阶段采用不同的更新率，并选择性地更新背景模型；其次，将改进后的混合高斯模型法与和帧差法结合，进行 两次与运算和一次形态学膨胀处理，得到最后的运动目标。实验结果表明，该方法能够有效地消除复杂环境中的噪声，并对阴 影有一定的抑制作用，提高了运动目标检测的准确性。 【关键词】混合高斯模型；帧差法；与运算；形态学膨胀 【中图分类号】ＴＮ９１１．７３；ＴＰ７５１ 【文献标识码】Ａ Ｉｍｐｒｏｖｅｄ Ｍｏｖｉｎｇ Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ Ａｌｇｏｒｉｔｈｍ Ｂａｓｅｄ ｏｎ Ｇａｕｓｓｉａｎ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌ ＴＩＡＮ Ｄｉ，ＷＡＮＧ Ｚｕｏｃｈｅｎｇ，ＸＵＥ Ｌｉｘｉａ （Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏｌｌｅｇｅ，Ｃｈｏｎｇｑｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆＰｏｓｔｓ ａｎｄ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ，Ｃｈｏｎｇｑｉｎｇ ４０００６５，Ｃｈｉｎａ） 【Ａｂｓｔｒａｃｔ】Ａｎ ｉｍｐｒｏｖｅｄ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｍｏｖｉｎｇ ｏｂｊｅｃｔｓ ｄｅｔｅｃｔｉｏｎ ｂａｓｅｄ ｏｎ Ｇａｕｓｓｉａｎ ｍｉｘｔｕｒｅ ｍｏｄｅｌ ｉｓ ｐｒｏｐｏｓｅｄ ｔｏ ｍａｋｅ ｕｐ ｔｈｅ ｄｅｆｉｃｉｅｎｃｉｅｓ ｏｆ ｏｉｒｇｉｎａｌ ｍｅｔｈｏｄ．Ｆｉｒｓｔｌｙ，ｍｏｄｅｌ ｕｐｄａｔｉｎｇ ｍｅｃｈａｎｉｓｍ ｉｓ ｉｍｐｒｏｖｅｄ ｂｙ ｕｓｉｎｇ ｄｉｆｅｒｅｎｔ ｌｅａｒｎｉｎｇ ｒａｔｅ ｉｎ ｄｉｆｆｅｒｅｎｔ ｐｅｄｏｄ ａｎｄ ｕｐｄａｔｉｎｇ ｔｈｅ ｂａｃｋｇｒｏｕｎｄ ｍｏｄｅｌ ｓｅｌｅｃｔｉｖｅ— ｌｙ．Ｓｅｃｏｎｄｌｙ，ｉｍｐｒｏｖｅｄ Ｇａｕｓｓｉａｎ ｍｉｘｔｕｒｅ ｍｏｄｅｌ ａｎｄ ｆｒａｍｅｓ ｓｕｂｓｔｒａｃｔｉｏｎ ａｒｅ ｃｏｍｂｉｎｅｄ ｂｙ ｕｓｉｎｇ ｔｗｉｃｅ ａｎｄ ｏｐｅｒａｔｉｏｎ ａｎｄ ｏｎｃｅ ｍｏｒｐｈｏｌｏｇｉｃａｌ ｄｉｌａｔｉｏｎ．Ｆｉ— ｎａｌｌｙ，ｔｈｅ ｍｏｖｉｎｇ ｏｂｊｅｃｔｓ ａｒｅ ｇｏｔ ａｆｔｅｒ ｔｈｅ ａｂｏｖｅ－ｍｅｎｔｉｏｎｅｄ ｐｒｏｃｅｓｓ．Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔｌａ ｒｅｓｕｌｔｓ ｉｎｄｉｃａｔｅ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ ｃａｎ ｅｆｆｅｃｔｉｖｅｌｙ ｅｌｉｍｉｎａｔｅ ｎｏｉｓｅ ａｎｄ ｓｈａｄｏｗ ｉｎ ａ ｃｏｍｐｌｅｘ ｅｎｖｉｒｏｎｍｅｎｔ ａｎｄ ｉｍｐｒｏｖｅ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｍｏｖｉｎｇ ｏｂｊｅｃｔｓ ｄｅｔｅｃｔｉｏｎ． 【Ｋｅｙ ｗｏｒｄｓ】Ｇａｕｓｓｉａｎ ｍｉｘｔｕｒｅ ｍｏｄｅｌ；￣ａｍｅｓ ｓｕｂｓｔｒａｃｔｉｏｎ；ａｎｄ ｏｐｅｒａｔｉｏｎ；ｍｏｒｐｈｏｌｏｇｉｃｌａ ｄｉｌａｔｉｏｎ 智能视频监控 是计算机视觉研究中的一个重要 降低了误检率，但检测出的运动目标不完整；文献［８］提 领域，在交通管理、城市安防中有着重要应用。运动目标 出一种快速收敛的混合高斯模型，但没有对阴影进行处 检测是其中的一项核心技术，主要方法有帧差法、光流法 理。本文提出一种基于混合高斯模型的运动目标检测改 和背景差分法｜３ Ｊ。帧差法算法简单、运算速度快，受光线 进算法，该方法先对视频序列进行预处理，然后通过改进 变化影响小，但受运动目标速度影响，容易出现空洞或虚 的混合高斯模型法和帧差法分别得到两幅运动区域图像； 影。光流法适用于运动背景中的目标检测，但计算复杂，对 接着对得到的两幅运动区域图像进行与运算，并对结果图 硬件要求高，实时陛效果不好。背景差分法对背景图像进 像进行形态学膨胀处理；最后将处理后的结果图像与？昆合 行建模，能够检测出完整的运动区域，但由于摄像机抖动、 高斯模型法得到的运动区域图像再次进行与运算，经过形 光照变化等因素的影响，无法得到准确的运动区域。 Ｍｉｘｔｕｒｅ Ｍｏｄｅｌｓ，ＧＭＭ）是一种常用的方法，该方法由 态学处理后得到最后的运动目标。该算法降低了图像抖 检，并对阴影有一定的抑制作用，在多种复杂环境中都能 在背景图像建模方法中，混合高斯模型（Ｇａｕｓｓｉａｎ 动带来的噪声影响，解决了光照突变所引起的大面积误 Ｓｔａｕｆｆｅｒ和Ｇｒｉｍｓｏｎ 提出，用多个高斯模型来表示像素值 够较准确地检测出运动目标。 的变化，并对模型的参数进行在线更新，能够描述像素的 多模状态，对存在小幅度重复运动的复杂背景（如树枝的 突变适应性较差，容易出现大面积误检，且对阴影处理效 １ 混合高斯模型法 在一个相对静止的背景中，背景像素在时间轴上服 晃动）有较好的抗干扰能力，缺点是更新速度慢，对光照 １．１混合高斯背景模型 果不好，影响检测结果。 从一定的统计规律，可以用一个或多个高斯分布来近似表 针对混合高斯模型法的不足，许多文献提出了改进 示。该模型用Ｋ（３～５）个高斯分布统计图像中相同像素 的方法，文献［６］利用ＥＭ算法改进模型的参数更新机制， 点在最近ｔ帧中的值｛ ， ，…，置｝，从而得到该像素点 但没有解决光线突变的问题；文献［７］与三帧差分法结合， 在当前帧像素值的概率为 基金项目：重庆市教育委员会基金项目（ＫＪ０８０５２１） １ ＡＡ．《电视技术》第３６卷第１７期（总第３９３期）ｌ投稿网址ｈｔｔｐ：／／ｗｗｗ．ＶｉｄｅｏＥ．ｃｎ 囊秘教囊 ｌ ｆｏ匹 ｉ＾ｆ＃ｒｉｎｉｌ Ｖ 。脚 ） （１） 尝屏 疆 尸（置）＝（∑０２ ）×田（置 的背景，但同时增加了计算量； 混合高斯模型法，并结合帧差法进行两次与操作，最后经 过形态学处理后得到最终的运动目标，算法流程图如图１ 所示。 式中：Ｋ表示高斯模型的数量， 值越大，越能描述复杂 表示ｔ时刻第ｎ个高斯 模型的权值大小，并且满足０≤０９ ≤１，∑ 和 ． ＝１； 分别表示ｔ时刻第ｎ个高斯模型的均值向量和 ＝ ２ Ｉ（Ｉ为单位矩阵）；７７表示高斯 协方差矩阵，取 概率密度函数 叼（ ， ， ）＝ 腿 一寺 一Ｉｔ， 一ｔＩ，）］（２） １．２背景的选取 按 ／ｏｒ 的大小将每个像素点的Ｋ个高斯分布进 ． 行排序，越在前面的分布越能表示稳定的背景，取前曰个 高斯分布作为背景模型，其余作为前景，阈值日用来确定 作为背景模型的 分布，公式为 Ｂ＝ａｒｇ ｍｉｎ（∑∞ ＞ ） １．３参数的更新 （３） 利用当前帧的像素点的值 ＋ ，与该点的Ｋ个高斯 分布进行比较，如果满足ｌ ＋ 一Ｉｔ ｌ＜２．５ｏ－叫，则认为 与该高斯分布叩 相匹配，如果不满足，则为不匹配。 如果墨＋。与混合高斯模型存在匹配，则对于第一个 相匹配的高斯分布的参数进行如下更新 ． 图１本文算法流程图 ２．２具体检测算法的实现 ２．２．１ 图像序列预处理 ｌ＝（１一 ）・∞ ．。＋ （４） 摄像头采集到的视频一般为彩色图像序列，为了减 ｔ ＋ｌ＝（１一Ｐ）・Ｉ ２＋Ｐ・ ＋１ （５） 少算法的计算量，提高目标检测的实时性，首先对彩色图 像进行灰度变换，公式如下 Ｇｒａｙ（ｉ√）＝０．１１ Ｘ Ｒ（ｉ ）＋０．５９ Ｘ Ｇ（ｉ√）＋ ０．３×Ｂ（ｉ√） （９） ¨＋１＝（１一Ｐ）・ ２¨＋ Ｐ・（ ＋。一 ＋ ） （ ＋ －ｉｔ ＋。） Ｐ＝ ／ ＋ｌ （６） （７） 其余不匹配的分布参数进行如下更新 （ｃＪ ＋ｌ＝（１一 ）・ＯＪ （８） 式中：Ｇｒａｙ（ｉ√）表示变换后图像（ｉＪ）点像素的灰度值， Ｒ（ｉＪ），Ｇ（ｉ√），Ｂ（ｉ√）分别表示ＲＧＢ彩色图像的三通 道像素值。 由于摄像头采集到的图像序列中，往往含有噪声，影 响后续目标检测的准确性，因此，接下来对灰度图像进行 平滑处理，本文采用３×３掩模的高斯滤波器对图像进行 式中， 是用户自定义的更新率，且０≤ＯＬ≤１，决定着背 景更新的速度，Ｏｌ越大更新速度越快。通过不断更新，相 匹配的模型的权值会逐渐增大，不匹配的模型的权值逐渐 变小。如果 ＋。与该点所有高斯分布都不匹配，则用一个 新的高斯分布代替权重最小的分布，新的高斯分布以当前 处理，以减少噪声的影响。 ２．２．２ 改进的混合高斯模型法检测变化区域 像素值 ＋ 为均值，并初始化一个较大的方差和一个较低 的权重。 首先对高斯模型进行初始化，对每个像素点用 个 高斯分布表示，为了减少计算量，本文取Ｋ＝３。初始化 ２基于混合高斯模型的运动目标检测 ２．１本文算法流程 针对混合高斯模型法的不足，本文提出一种改进的 时把第一个高斯分布的权值 置为一个较大值，均值 取 视频序列第一帧该像素点的灰度值，方差 给定一个初 始值／Ｊａｒ，其余高斯分布的权值置为（１一 ）／（ 一１），均 投稿网址ｈｔｔｐ：／／ｗｗｗ．ＶｉｄｅｏＥ．ｃｎｌ《电视技术》第３６卷第１７期（总第３９３期）１４５ ＩＩ Ｖ 。脚Ｌ．ｃＡ｛ 尝 惑 值为０，方差同样为ｖａｒ。 （ ，ｙ）＝ （ ，Ｙ）ｎ （ ，Ｙ） 嘲鞠熬鬈 ｔ ｏ匹ｎｇｌ ｒｉｔｔ （１２） 由于视频序列第一帧中可能同时存在背景和前景目 运算后得到变化区域 （ ，Ｙ）中，包括了在 （ ，Ｙ） 标，所以初始化后的背景模型还不能准确表达真实背景， 和 （ ，Ｙ）中都出现的运动目标，并且去除了只在一个区 需要一段学习的过程Ⅳ，本文置Ｎ＝３０，在视频序列前Ⅳ 域中出现、另一个区域中不存在的噪声，弥补了两种方法 帧里，更新率 应该取较大值，有助于快速形成稳定的背 各自的不足。 景模型，而传统的混合高斯模型更新率为一个定值，不利 ２．２．５膨胀处理 于初始背景模型的快速建立。针对这一问题，本文在运动 虽然经过第一次与运算后，消除了两种方法各自引 目标检测的不同阶段采用了不同的更新率，前Ⅳ帧里采 人的噪声，但由于帧差法无法检测出完整运动目标的缺 用较大的更新率 ＝０．１，Ｎ帧以后采用较小的更新率 陷，致使得到的变化区域 （ ，Ｙ）内部含有空洞，检测出 Ｏｌ＝０．００５。 的运动目标不准确，影响最终结果。 在对当前帧像素点 与相应高斯分布进行匹配 为了解决这一问题，接下来对 （ ，Ｙ）进行形态学膨 时，如果ｌ ＋ 一 ｝＞２．５ｔｒ ，表示与背景模型不匹配， 胀处理，本文利用１０ Ｘ １０的形态学掩模对 （ ，Ｙ）进行处 当前像素点检测为前景，并用当前像素点的灰度值作为均 理，处理后结果为 （ ，Ｙ）。 值替换Ｋ个高斯分布中排在最后的那一个。然而当背景 经过形态学膨胀处理后的，４（ ，Ｙ）能够在一定程度 模型趋于稳定时，用前景像素点更新背景模型显然是无益 上填补运动目标内部的空洞，但是也导致目标轮廓的失 的，同时还会占用一个可能出现的背景高斯分布，不利于 真，因此需要进行第二次与运算。 背景噪声的抑制，从而影响检测结果。因此，在背景相对 ２．２．６第二次与运算 稳定的Ⅳ帧后，记录像素点连续被检测为前景的次数 由于混合高斯模型法得到的运动目标 （ ，Ｙ）比较 ｃｏｕｎｔ，如果ｃｏｕｎｔ＜Ｌ，则不更新该像素点对应的高斯分 完整且轮廓清晰，因此再利用已经消除了噪声影响、仅留 布，如果ｃｏｕｎｔ≥Ｌ，则说明场景中可能有前景转换为背 下运动目标区域的＿厂４（ ，Ｙ）与变化区域 （ ，Ｙ）进行第二 景，此时对高斯背景模型进行更新，以提高背景模型的准 次与运算，公式为 确率，此处 为阈值，本文算法取Ｌ＝５。 ＿厂（ ，Ｙ）＝ （ ，Ｙ）ｎ （ ，Ｙ） ２．２．３帧差法检测变化区域 （１３） 该运算得到的变化区域ｌ厂（ ，Ｙ）即为检测出的比较准 帧差法是将连续两帧图像中的对应像素值作差，然 确运动目标。 后通过阈值处理得到变化区域，该方法对于场景中目标的 ２．２．７形态学处理 实时运动有很好的检测效果，且受光线变化的影响较小。 定义第ｋ帧图像和第ｋ一１帧图像之间的偏差为 ， 即 算法的最后对得到的运动目标．厂（ ，Ｙ）进行形态学处 理，得到最终准确的运动目标。 Ｄ （ ，Ｙ）＝ＩＡ（ ，Ｙ）一 一 （ｘ，ｙ）ｊ 处理 （１０） ３ 实验结果及分析 利用本文提出的算法，对３段不同场景的视频序列进 行运动目标检测，其中，第１段视频为室外场景，图像大小 为３５２ ｘ２８８，第２段视频为交通场景，图像大小为３２０ Ｘ２４０， 第３段视频为室内场景，图像大小为３５２ Ｘ２８８。实验环境 ｄｏｗｓ ＸＰ操作系统，ＶＣ ６．０开发环境。 为了消除噪声，得到变化区域，接着对Ｄ 进行二值化 （ ）：ｆ ， （ ）＞Ｔ【０，Ｄ （ ，Ｙ）≤Ｔ （１１） 式中： 为二值化阈值，本文利用经验值Ｔ＝２０；（ ，Ｙ） 为：Ｉｎｔｅｌ Ｃｏｒｅ ２ Ｄｕｏ ＣＰＵ ２．２０ ＧＨｚ，２．００ Ｇｂｙｔｅ内存，Ｗｉｎ— 即为检测到的变化区域。 ２．２．４第一次与运算 在第１段室外场景视频序列中，画面存在抖动，各算 图２所示为视屏序列第１７２帧各方法检测出的运动 假设改进后的混合高斯模型法检ｉ贝０出的变化区域为 法的检测结果如图２所示。 （ ，Ｙ），帧差法检测出的变化区域为Ａ（ ，Ｙ）。由于混 合高斯模型法和帧差法的不足，得到的变化区域中会混入 人体，由于画面存在抖动，因此帧差法检测出的结果含有 各自的噪声，比如帧差法中的图像抖动噪声，混合高斯模 大量的噪声，并且由于算法本身的不足，运动人体不完整， 型法的光线突变噪声以及阴影等。为了减少噪声的影响， 对两种方法得到的变化区域进行一次与运算，公式为 含有大量空洞。传统的混合高斯背景法可以得到相对完 整的运动人体，并且能够有效地去除部分噪声。而采用本 １４６《电视技术》第３６卷第１７期（总第３９３期）Ｉ投稿网址ｈｔｔｐ：／／ｗｗｗ．ＹｉｄｅｏＥ ｃ：ｎ ． ｖＩＤＥｏ脚ｕｃ 譬 盛 ＿ 囊 壤咖教～秘 ／ＣＡ方法识别率更高。并且ＲＣ—ＫＫ／ＣＡ在Ｃ＝４和ｒ＝４０ 的分块方式下比Ｃ＝２和ｒ＝２０，Ｃ－－４和ｒ＝２０，Ｃ＝２和ｒ＝ ４０这３种分块方式识别效果更好。同时当特征投影向量 ［３］ＢＡＲＴＬＥＴＹ Ｍ Ｓ，ＭＯＶＥＬＬＡＮ Ｊ Ｒ，ＳＥＪＮＯＷＳＫＩ Ｔ Ｊ．Ｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ ｂｙ ｉｎｄｅｐｅｎｄｅｎｔ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓ．Ｎｅｕｒａｌ Ｎｅｔ—ｗｏｒｋｓ， ２００２，１３（６）：１４５０－１４６４． 个数为２０时，ＫＩＣＡ，Ｂ—ＫＩＣＡ和ＲＣ—ＫＩＣＡ算法的识别率 逐渐达到平衡。 ［４］ＹＡＮＧ Ｍ Ｈ．Ｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ ｕｓｉｎｇ ｋｅｒｎｅｌ ｍｅｔｈｏｄｓ［Ｊ］．Ａｄｖａｎｃｅｓ ｉｎ Ｎｅｕｒａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓ，２００２，１４：２１５－２２０． ［５］张燕昆，刘重庆．基于核成分分析的人脸识别［Ｊ］．光学技术， ２００４，３０（５）：６１３－－６２２． ５ 结论 本文在核成分分析的基础上提出行列分块的核 成分分析方法（ＲＣ—Ｋ／ＣＡ）。理论表明，ＲＣ—Ｋ／ＣＡ更 ［６］ＶＡＰＮＩＫ Ｖ Ｎ．Ａｎ ｏｖｅｒｖｉｅｗ ｏｆ ｓｔａｔｉｓｔｉｃａｌ ｌｅａｒｎｉｎｇ ｔｈｅｏｒｙ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓ．Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ，１９９９，１０（５）：９８８－９９９． ［７］ＫＩＲＢＹ Ｍ，ＳＩＲＯＶＩＣＨ Ｌ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｔｈｅ ＫＬ ｐｒｏｃｅｄｕｒｅ ｆｏｒ ｔｈｅ ｃｈａｒａｃ— ｔｅｒｉｚａｔｉｏｎ ｏｆ ｈｕｍａｎ ｆａｃｅｓ『Ｊ］．ＩＥＥＥ Ｔｒａｎｓ．Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ 大程度地降低了样本维数，增加了样本个数，能更好地解 Ｉｎｔｅｌｌｉｇｅｎｃｅ，１９９０，１２（１）：１０３—１０８． 决高维小样本的问题，具有更高的识别效率。实验结果再 ［８］杜卓明，屠宏，耿国华．ＫＰＣＡ方法过程研究与应用［Ｊ］．计算机工程 次验证了理论的正确性，同时验证了ＲＣ—ＫＩＣＡ对光 与应用，２０１０，４６（７）：８—１０． 一照、表情姿态、头发胡须、眼镜帽子装饰等影响人脸识别效 率的因素具有比较好的稳健性。 参考文献： ［１］汤迎春，覃亚丽，温浩，等．基于ＩＣＡ和ＦＣＭ的多时相ＳＡＲ图像变化 检测［Ｊ］．电视技术，２０１２，３６（１）：３４—３６． ［２］Ｊｕ１ＴｒＥＮ Ｃ，ＨＥＲＡＵＬＴ Ｊ．Ｉｎｄｅｐｅｎｄｅｎｔ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ ｖｅｒｓｕｓ ＰＣＡ ［ＥＢ／ＯＬ］．［２０１１—１２—１５］．ｈｔｔｐ：／／ｗｗｗ．ｇｎａｗ．ｒｕｇ．ｎｌ／～ｓｔｅｇｅｍａｎｆ Ｓｔｅｇｅｍａｎ％２０一％２０Ｌｅｉｄｅｎ％２０ＰＣＡ％２０１ＣＡ％２０Ｐａｒａｆａｃ％２０ｔｌｋ．ｐｄｆ．ａ ［９］陈才扣，黄璞．基于分块分量分析的人脸识别［Ｊ］．中国图象图 形学报，２００９，１４（９）：１８３８—１８４２． ［１Ｏ］ＳＣＨＯＬＫＯＰＦ Ｂ，ＳＭＯＬＡ Ａ Ｊ．Ｌｅａｒｎｉｎｇ ｗｉｔｈ Ｋｅｒｎｅｌｓ［Ｍ］．Ｂｒｉｔａｉｎ：Ｔｈｅ ＭＩＴ Ｐｒｅｓｓ，２００１：４５－－４８． ◇ 作者简介： 彭磊（１９８６一）。硕士生，主要研究方向为模式识别、图像压缩； 王福龙（１９６８一），博士，教授、硕士生导师，主要研究领域为图像压 缩、模式识别、智能控制。 责任编辑：任健男 收稿日期：２０１２．Ｑ４—２５ （上接第１３８页） ［８］ＰＩＮＫＮＥＹ Ｊ．Ｌｏｗ ｃｏｍｐｌｅｘｉｔｙ ｉｎｄｏｏｒ ｗｉｒｅｌｅｓｓ ｄａｔａ ｌｉｎｋｓ ｕｓｉｎｇ ｃｈｉｒｐ ｓｐｒｅａｄ ｓｐｅｃｔｒｕｍ［Ｄ］．Ｃａｌｇａｒｙ：Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｃａｌｇａｒｙ，２００３． ［９］ＣＯＯＫ Ｃ Ｅ，ＥＲＮＦＥＬＤ Ｍ．Ｒａｄａｒ ｓｉｎａｇｌｓ－ａｎ ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ ｔｈｅｏｒｙ ａｎｄ 作者简介： 樊孝明（１９７１一），讲师。硕士，主要研究方向为射频微波电路、高 速数字信号传输和无线通信技术； ａｐｐｌｉｃａｔｉｏｎ［Ｍ］．Ｎｅｗ Ｙｏｒｋ：Ａｃａｄｅｍｉｃ，１９６７． ［１Ｏ］贺鹏飞，吕英华，张洪欣，等．基于Ｃｈｉｒｐ—ＢＯＫ调制的超宽带无线通 林基明（１９７０一），教授，博士，博士生导师，主要研究方向为无线 通信技术和超声电子学的研究； 仇洪冰（１９６３一），教授。博士，博士生导师，主要研究方向为扩频 通信、混沌通信和超宽带通信。 责任编辑：薛京 收稿日期：２０１２－０３－０９ 信系统研究［Ｊ］．南京邮电大学学报：自然科学版，２００６，２６ （２）：２１－２５． （上接第１４７页） ［５］ＳＴＡＵＦＦＥＲ Ｃ，ＧＲＩＭＳＯＮ Ｗ．Ａｄａｐｔｉｖｅ ｂａｃｋｇｒｏｕｎｄ ｍｉｘｔｕｒｅ ｍｏｄｅｌｓ ｆｏｒ ［８］焦波，李国辉，涂丹，等．一种用于运动目标检测的快速收敛混合高斯 模型［Ｊ］．中国图象图形学报，２００８，１３（１１）：２１３９－２１４３． ｒｅａｌ－ｔｉｍｅ ｔｒａｃｋｉｎｇ［Ｃ］／／Ｐｒｏｅ．ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍ— ｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ．［Ｓ．１．］：ＩＥＥＥ Ｐｒｅｓｓ，１９９９： ２４６—２５２． 作者简介： ＮＧ Ｐ，ＢＯＷＤＥＮ Ｒ．Ａｎ ｉｍｐｒｏｖｅｄ ａｄａｐｔｉｖｅ ｂａｃｋ— 田崾（１９８６一），硕士生，主要研究领域为数字图像处理； ［６］ ｇｒｏｕｎｄ ｍｉｘｔｕｒｅ ｍｏｄｅｌ ｆｏｒ ｒｅａｌ—ｔｉｍｅ ｔｒａｃｋｉｎｇ ｗｉｔｈ ｓｈａｄｏｗ ｄｅｔｅｃｔｉｏｎ［ｃ］／／ Ｐｒｏｅ．２ｎｄ Ｅｕｒｏｐｅａｎ Ｗｏｒｋｓｈｏｐ ｏｎ Ａｄｖａｎｃｅｄ Ｖｉｄｅｏ Ｂａｓｅｄ Ｓｕｒｖｅｉｌｌａｎｃｅ 王佐成（１９７３一），副教授。研究生导师，主要研究领域为空间数据 库、空间数据挖掘、数字图像处理； Ｓｙｓｔｅｍ．［ｓ．１．］：Ｋｌｕｗｅｒ Ａｃａｄｅｍｉｃ Ｐｕｂｌｉｓｈｉｅｍ，２００１：１＿５． 薛丽霞（１９７６一）。女．副教授，研究生导师。主要研究领域为数字图 像处理、地理信息系统。 责任编辑：任健男 收稿日期：２０１２－０４－２０ ［７］刘静，王玲．混合高斯模型背景法的一种改进算法［Ｊ］．计算机工程与 应用，２０１０，４６（１３）：１６８—１７０． 投稿网址ｈｎｐ：／／ｗｗｗ．ＶｉｄｅｏＥ．ｃｎｌ《电视技术》第３６卷第１７期（总第３ｇ３期）１５５
