（计算机应用技术专业论文）复杂背景下基于序列图像的人体识别与跟踪.pdf

复杂背景下基于序列图像的人体识别与跟踪 计算机应用技术 研究生贾茜玲指导教师黄襄念 摘要 序列图像的运动分析是诸多学术领域，如计算机视觉、人工智能、模式识 别等广泛关注的一个课题，指从静态序列图像中获得关于运动物体以及运动本 身的特征，包括运动目标是否存在，运动物体的识别以及运动目标的跟踪等。 这些研究成果具有广泛的应用前景，如虚拟现实，智能监控，人机交互等。 一个完整的运动分析过程包含四个阶段：运动检测，运动目标识别，运 动目标跟踪，运动目标动作分析与理解。这四个阶段并不是一定要全部存在， 而是取决于应用的场合一般情况下运动检测和运动目标跟踪是必要的，本文 研究重点集中在这两个阶段，同时也对运动目标识别作了初步的探索。 运动目标检测是将运动物体从序列图像中提取出来的过程。这一阶段是后 续处理的基础，具有重要意义。然而由于现实世界的复杂性比如光照的变化， 影子以及干扰物等的存在，使得这一阶段的处理并不简单。目前几乎所有的运 动目标检测算法都是建立在一定程度的限制和假设的基础上，很难找到一个适 用于所有应用场合的算法。本文分析了现阶段比较常见的三种运动提取算法 ( 背景差分法，帧问差分法，光流法) ，综合它们的优缺点以及本文所适用的场 合，采用背景差分法进行运动目标的提取，通过分块恢复背景法来形成动态的 背景模型，并进行及时更新，使经过更新后的背景模型能够及时反映背景的动 态变化。 本文在运动目标识别阶段，先对运动检测结果进行一次预处理：将运动检 测阶段错误检测到的目标剔除掉，同时对运动目标进行相应的处理，包括去除 杂点，填充空洞等。这样做有利于减小后续处理的计算量，也提高了后续处理 的效率。目标识别也就是目标分类，本文的运动目标分为两类：人和非人分 类判别原则：如果运动目标完全进入视角，用人体宽高比来初步检铡那些可能 西华大学硕士学位论文 是人体的运动目标，对于不满足人体物理宽高比的运动目标，利用人体模型对 运动目标进行匹配，或把运动目标骨骼化进行匹配，当满足一定的匹配度时， 认为当前运动目标为人；如果运动目标没有完全进入视角，先进行人脸检测， 如果监测到入脸，当前的运动目标必定是人，否则，用部分人体模型进行匹配， 当满足一定匹配度时，认为当前的运动目标是人 当检测到运动目标是人时，进行运动目标跟踪。在这个阶段，本文利用非 参数化的跟踪算法c a m s h i f t 算法。c a m s h i f t 算法根据运动目标的色彩信息对 运动目标进行实时跟踪，具有鲁棒性和实时性的优点。但是当运动目标速度较 快或在场景中滞留时，容易发生跟踪丢失。本文提出将c a m s h i f t 算法和运动 目标检测相结合的方法跟踪运动物体，该方法不但可以跟踪单个运动目标，还 可以在跟踪多个运动目标。 最后，分析了本文算法的有效性，能够检测、识别和跟踪运动目标，并 具有一定的鲁棒性 关键字：序列图像，运动分析，背景差分，c a m s h i f t ，目标识别 西华大学硕士学位论文 h u m a nb o d yr e c o g n i t i o na n dt r a c k i n gb a s e d0 1 1s e q u e n ti m a g e si n c o m p l e xb a c k g r o u n d c o m p u t e ra p p l i c a t i o nt e c h n o l o g y m d c a n d i d a t e x i l i n gj i as u p e r v i s o rx i a n g n i a nh u a n g a b s t r a c t t h ea n a l y s i so f s e q u e n ti m a g e sb e c o m e sm o r ea n dm o r ev a l u a b l e i th a sb e e n p u ta t t e n t i o nt ob ym a n ys u b j e c t ss u c ha sc o m p u t e rv i s i o n , a r t i f i c i a li n t e l l i g e n c e a n dp a t t e r nr e c o g n i t i o ne s t i tr e f e r st ot h a td i s t i l lt h ef e a t u r e sa b o u tt h eo b j e c t s i n c l u d eo b j e c td e t e c t i o n ，t r a c k i n ga n dr e c o g n i t i o no ft h eo b j e c ta n ds oo nf r o mt h e s t a t i cs e q u e n ti m a g e s i tc a nb cu s e dw i d e l yi ns u c ha sv i r t u a lr e a l i t y , a u t o m a t i c i n s p e c t i o na n di n t e r a c t i o nc o m p u t e r u s u a l l y , af u l lp r o c e s so fm o v e m e n ta n a l y s i s 黜塔t h ef o l l o w i n gs t a g e s ： o b j e c td e t e c t i o n , o b j e c tr e c o g n i t i o n , o b j e c tt r a c k i n ga n du n d e r s t a n d i n g & a n a l y s i s o ft h em o v e m e n t n o ta l lo ft h es t a g e sm u s te x i s ta tt h es a m et i m e h o w e v e r , o b j e c l d e t e c t i o na n dt r a c k i n gi sn e c e s s a r yc o m m o n l y t h u se m p h a s i si ss c to nt h et w o s t a g e s ，a tt h es a m et i m e ，i n t r o d u c t i o no fr e c o g n i t i o ni so f p r e s e n t a t i o nh e r e s e p a r a t i n gt h em o v i n go b j e c tf r o mt h es e q u e n ti m a g e sc a l l so b j m d e t e c t i o n a n dt h ep r o c e s si si m p o r t a n tt oo t h e rc o u r s e s b e c a u s eo fc o m p l e x i t yi np r a c t i c e s u c ha sc h a n g i n go fl i g h t ，s h a d o we x i s t i n ga n dd i s t u r b e df r o mo t h e rt h i n g s ，i ti s d i f f i c u l ti nt h ep r o c e s s n o w ，t h ea r i t h m e t i co fm o v i n gd e t e c t i o ni sa l m o s tb a s e d o nk i n d so fh y p o t h e s i s a n di ti su n e a s yt of i n da na l g o r i t h mt oa p # ya l lk i n d so f c i r c u m s t a n c e t h e r ea r et h r e et y p e sa l g o r i t h m st od e t e c to b j e c tf r o m t h e b a c k g r o u n d ：b a c k g r o u n di m a g ed i f f e r e n c e ，d i f f e r e n c e i ni m a g es e q u e n c e sa n d o p t i c a lf l o w h e r e ，m e t h o do fb a c k g r o u n di m a g ed i f f e r e n c ei sa d o p t e d ，a n dt h e b a c k g r o u n di sr e c o v e r e db yb l o c k so fs u bb a c k g r o u n di m a g e s ，a n di su p d a t e d t i i 西华大学硕士学位论文 t i m e l y b e f o r er e c o g n i z et h eo b j e c t ，f o l l o w i n gp r o c e s si sn e c e s s a r y ：a b a n d o nt h e o b j e c t st h a tw e r ed e t e c t e db ym i s t a k e , f i l t e rt h en o i s yd o t sa n df i l li nt h el i t t l eh o l e s i nt h i sp a p e r , t h eo b j e c ti sc l a s s i f i e di n t oh u m a na n di n h u m a n t h ep r n c i p i ai st h a t i ft h eo b j e c ti st o t a l l yi ns i g h t ，t h ep r o p o r t i o no fh u m a nb o d y sh e i g h ta n dw i d t hi s u s e dt oj u s t i f yw h e t h e ri ti sah u m a n o t h e r w i s eh u m a nb o d y sm o d e li su s e dt o m a t c ht h eo b j e c t w h e nt h er e s u l ti sb e y o n dat h r e s h o l d , t h eo b j e c ti sm a r k e da sa h u m a n i ft h eo b j e c ti sn o ti ns i g h tf u l l y , w h e naf a c ei sd e t e c t e d , i tm u s tb ea h u m a n , o r e l s e ，p a r t l yh u m a nb o d y sm o d e l sa r eu s e dt om a e h t h eo b j e c t w h e nah u m a nb o d yi sd e t e c t e d , t h eo b j e c ti st r a c k e di nt h en e x tp r o c e s s h e r e t h em e t h o do fc a m s h i f ti sp r e s e n t e d i tr i s e st h ei n f o r m a t i o no fc o l o rt ot r a c kt h e o b j e c t ，t i m e l ya n dr o b u s t l y b u tw h e nt h eo b j c c im o v e sq u i c k l ya n ds t o p sf o ra m o m e n t , t h eo b j e c tw i l lb el o s t i nt h i sp a p e r , c a m s h i f ta n do b j e c td e t e c t i o na r e u s e dt o g e t h e rt ot r a c kt h eo b j e c t a n dm o l et h a no n eo b j c d 啪b et r a c k e d a n a l y s i ss h o w st h a tt h ea l g o f i t h n ei nt h i sp a p e ra 糟e f f e c t i v e 。o b j e c t 啪kd e t e c t e d a n dt r a c k e dr o b u s t l y k e y w o r d s ：s e q u e n ti m a g e s ，m o v e m e n ta n a l y s i s , b a c k g r o u n dd i f f e r e n c e ， c a m s h i f t ，o b j e c tr e c o g n i t i o n i v 鹾华大学硕士学位论文 申明 本人申明所呈交的学位论文是本人在导师的指导下进行的研究工作及取 得的研究成果除了文中特别加以标注和致谢的地方外，论文中不包含其他人 已经发表或撰写过的研究成果，也不包含为获得西华大学或其他教育机构的学 位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已 在论文中作了明确地说明并表示感谢。 本学位论文成果是本人在西华大学读书期间在导师指导下取得的，论文成 黝醉婵脯埔徽名：茕茜捻砰年r 月1 2 日作者签名：。卜。 9 f 年 月。日 翩躲参貉岬年f 月弘日 导师签名：，一礁貉土吖年f 月勿l 日 第一章概论 1 1 课题研究背景 现阶段，计算机正朝着人工智能的方向发展。从一定程度上说，计算机的 处理过程和人脑的处理过程很相似：大脑从感知器官如眼睛，耳朵，触觉等从 外界获取信息，然后把这些信息传送给大脑，大脑对这些信息分析处理后做出 相应的反应；其中。大脑通过感官器官获得外界的信息大部分来自视觉，即图 像的模式。图像是对客观事物生动形象的描述，是信息的直观表现形式在当 今的信息化社会中，随着计算机网络，通信，以及微电子技术的发展，计算机 i 虱像以其直观形象、内容丰富的特点备受人们青睐。然而，在很多应用领域， 人类在全部依赖视觉获得信息的同时，也需要付出艰辛的劳动。需要一种智能 计算机系统技术，来模拟人眼获取外界信息( 图像) ，并模拟人脑进行视觉信 息的分析和理解。从而做出相应的响应。这种技术的研究越来越受到诸多学者 专家的厚爱。本文也在这个研究上作了初步的尝试。 序列静止图像( 本文简称为序列图像) 是指，从视频流中以一定的频率采 集的一系列图像，这些图像在时间上具有一定的连续性序列图像运动分析的 基本内容是从中提取出运动目标，对提取出的运动目标进行识别和跟踪。并对 其行为进行理解和描述。其中，提取运动目标是低层次的处理，属于图像处理 的范畴；目标识别，跟踪，图像分析和理解是高层次的处理，属于人工智能的 范畴由此可以看出，序列图像的运动分析是以数字图像处理为基础，其研 究的内容相当丰富，主要涉及的知识有模式识别、人工智能和计算机视觉等领 域。作为一个跨学科的研究领域，使这方面的研究本身就具有较大的挑战性， 由于有些领域远还没有达到成熟，而且还需要直接面对复杂的外界环境，这些 都给运动分析的研究带来了许多挑战。 近来，随着运动分析的硬件的发展( 包括视频获取设备如摄像头，图像采 集卡，处理器和计算机等) ，基于视频信息的分析迅速渗透到人民生活的各个 方面。巨大的商业价值和应用价值使越来越多的公司和学术机构致力于这种技 术的研究。美国、英国等国家己经展开了大量相关项目的研究。1 9 9 7 年，由 两华大学硕士学位论文 美国国防高级研究项目署d a r p a ( d e f e n s ea d v a n c e dr e s e a r c hp r o j e c t s a g e n c y ) 领头，以美国卡耐基梅隆大学为首，麻省理工学院等高校参与了视频 监控系统项目v s a d 的研究开发，并于2 0 0 0 年基本完成。此项目主要研究用于 战场及普通民用场景进行监控的自动视频理解技术：分布于各个不同位置的摄 像头获取的视频信号通过一个分布式的网络连接汇集到操作中心，只需要一个 操作人员就可以监控一个相当广阔的空间范围。同时，在很大程度上减少了操 作人员的劳动强度，系统能够自主检测异常情况的发生，而且只有在检测到异 常的情况下系统才会发出信号，提醒操作人员作相应的处理。 实时视觉监控系统矿“1 能够定位人和分割出人的身体部分，还可以实现人 的跟踪，并可以判断人是否携带物体等简单行为。 在国内，中国科学院、浙江大学人工智能研究所在目标跟踪，人的手势识 别，步态识别等方面有一定的成就。”。 目前视频监控系统”1 己经广泛应用到了对安全要求敏感的场合和机构，如 银行，商场，飞机场等，但是目前的应用并没有发挥其实时主动的监控作用。 因为现阶段的视频监控系统大部分只提供视频录像和回放的功能，往往是当异 常事件发生后，相关人员才通过记录的结果来观察曾经发生的事，但此时往往 为时己晚。人们需要的监控系统能够2 4 小时实时监控，并能自动分析摄像头 捕捉的视频信息，若发生异常情况，可以及时报警，从而避免意外发生，同时 也减少了雇佣大量监视人员所需要的物力和财力。 1 2 国内外现有技术 人体运动的检测与跟踪系统主要用来处理包含运动人体的图像序列，它包 括运动目标检测、运动物体的分类、人体运动的跟踪以及运动人体的动作分析 理解等几个方面。以下从这几方面分析国内外的研究现状及常用算法。 1 2 1 运动检测 运动检测是从图像序列中将前景运动区域从背景中提取出来。运动检测是 运动物体的分类与跟踪以及运动人体动作分析与理解的基础，该阶段处理结果 直接影响到后续处理的效果，所以运动检测在人体运动分析中的作用非常重 2 西华大学硕士学位论文 要。然而，实时多变的外界条件( 如天气、光照、运动物体的影子及混乱干扰 的影响) 给运动检测带来了困难。以下归纳出了目前几种常用的运动检测方法； 背景减除法，时域差分法和光流法。其中，背景减除法能够较为完整的提取出 运动目标，但是对场景的动态变化较敏感。时域差分法( 连续帧间差分) 利用相 邻两帧或者三帧做差分运算而得到运动目标区域。这种方法对动态场景有较好 的适应性，但提取出的运动目标区域的完整性较差光流法计算复杂，需要相 应的硬件支持，不适宜实时处理。 在这三种常用方法基础上，产生了多种改进方法一种是将时域差分法和 背景减除法相结合，取得了较好的效果，但还存在目标轮廓检测的不完整性问 题。使用背景差分法的前提是预先知道背景模型，可以直接获取，也可以通过 统计平均法获取。统计平均法是通过对连续的图像序列进行统计建模来获得背 景模型的一种方法。此外为了更好的得到背景，r t c o l i n 等提出了单高斯背 景模型( 在一段较长时间内，对序列图像中的每一个像素点建立单高斯分布模 型，计算这个像素点的平均亮度h 以及它的方差00 2 ，把亮度均值为h ，方差 为00 2 组成的具有高斯分布的图像b 作为背景模型) 。c r i m s o n “。提出自适应 混合高斯背景模型来获取更精确的背景模型，同时为了增加它的鲁棒性，减少 环境变化引起的影响，需要对背景进行更新。 目前，对于静态背景下运动目标检测，存在问题如下； 背景随时间变化，同一物体受光照的影响，静止物体的像素值也会发生 变化。如室外的太阳光，室内的灯光以及天气的阴晴等都会影响到检测的精度。 在室外场景中，背景中包含动态目标干扰，如晃动的树枝，飞虫等。这 会导致场景中像素值不断变化，造成运动目标误检测。 当视场中有多个运动目标运动时，目标之间会发生相互遮挡，无法检测 到独立的运动目标。如道路上行人之问的遮挡，行人与车辆之间的相互遮挡等。 摄像头的即使是轻微的晃动也会使得静态场景变化影响到检测结果。 一个好的检测算法应该适用于各种变化环境，但实际应用中不但要考虑到 算法适用的范围，还要在算法的复杂度、可靠性，以及实时性方面进行权衡。 3 两华大学硕士学位论文 1 2 2 运动目标的跟踪 运动目标跟踪是指在连续图像帧间建立基于位置、形状和颜色等有关特征 的匹配问题。简单来说，就是在序列图像中，为运动目标定位。目前，就跟踪 对象而言，有跟踪身体的某个部位如手，脸，腿等，还有跟踪整个人体的。就 跟踪视角而言有基于单摄像机的跟踪，有基于多摄像机的跟踪饵4 脚 进行特征的匹配时，直观的方法是在下一帧图像中全图搜索与目标模板相 似度最大的候选目标位置。常用的特征匹配算法有绝对平衡搜索法( a b s ) 和归 一化相关法( n c ) 。绝对平衡搜索法一般包括最小均方误差函数( m s e ) ，最小平 均绝对差值函数( 姒d 最大匹配像素统计( m p c ) 但这些算法非常耗时而且有 时也不是必要的，因为运动目标最有可能出现在下帧图像的某个范围内，所以 需要寻找一种能快速匹配的跟踪算法，并且避免全图搜索匹配。利用k a l m n 滤波器法可以用来预测目标在下一帧可能出现的位置，目标定位时只需在预测 位置的领域进行较少的目标模板和候选目标相似性检测就可以确定目标在下 一帧中的位置。其它减小搜索范围的算法有优化搜索方向，均值平移算法和置 信区域算法等都是利用无参估计的方法优化目标模板和候选目标的距离的迭 代收敛过程，以达到缩小搜索范围的目的。为了提高跟踪效果，利用多个目标 特征联合进行跟踪的算法也是常用的，如s t a n b i r c h f i e l d “”提出的将目标的 颜色直方图模型和灰度梯度模型联合的方法，实现对人头部的实时跟踪：h ： c h e n 和t l i u “联合目标的颜色概率分布和边缘密度信息完成对非刚体目标 的跟踪。 目前常用的跟踪算法： 基于区域的跟踪 一 基于活动轮廓的跟踪 一 基于特征的跟踪 基于摸型的跟踪 目标跟踪中所面临的一些阅题： 目标种类多样性：刚体与非刚体运动目标、多个运动目标等。这给运动目 标的跟踪带来一定的挑战性。 在模板匹配算法中，存在模板的初始化问题和模板自适应的更新问题： 4 西华大学硕士学位论文 目标运动区域的检测： 目标跟踪过程中的定位准确度问题： 目标或目标间存在遮挡( 部分遮挡或完全遮挡) 。 目标运动位置的预测及其正确性： 目标模板匹配程度的度量。 1 2 3 运动目标的识别 目标的识别即目标的分类，本文把检测到的运动目标分为两类：人和非人， 目的是从检测的运动区域中将对应于人的运动区域提出出来。 常用的分类方法有基于形状特征的分类：利用检测的运动区域的形状特征 进行分类。比如，区域的分散度，面积，宽高比等作为特征“”1 ；基于运动特 性的分类：比如利用人的运动具有周期性作为特征“为了得到更准确的分 类效果，可以将上述两种方法结合起来使用，还可以考虑运动物体的色彩或速 度等特征。 1 2 4 运动人体的动作识别与理解 就是指识别人的上肢和下肢以及躯体的运动情况，甚至人的表情以及手势 等行为。人体动作识别算法主要有以下几种卿： 基于统计的方法：动态b a y e s 网络法，h 嘶法： 夺基于模板的方法：模板匹配法，动态规划法，动态时间规整法； 基于语法的方法：有限状态机法，其他上下文无关法； 1 3 研究任务和目标 本文在静态背景条件下，采用单个摄像头获取运动图像，对人体运动分 析的部分环节作了初步的研究，主要包括运动目标检测，目标识别以及运动目 标跟踪等。研究任务和目标是；在运动目标检测阶段，利用一种算法，能够较 为干净和完整地提出运动目标，便于后面的识别和跟踪。利用后面介绍的算法， 基本可以达到要求；在运动目标识别阶段，希望能够识别出单个运动物体在站 立、行走以及遮挡现象不太严重时，识别出其是不是人。希望得到一个较满意 5 西华大学硕士学位论文 的识别结果。本文介绍的识别算法也初步完成了这个目标。在运动目标跟踪， 本文力图寻找一种算法，能鲁棒的的跟踪运动目标，在运动目标速度较快或较 慢时，以及目标发生一定的形变，如转身，较小幅度下蹲时能进行正确跟踪。 本文算法基本能实现上述目标，但在运动目标运动速度较快时，容易发生跟踪 丢失，算法的鲁棒性还需提高。本文没有做运动人体动作理解与描述，在今后 的工作学习中。还要不断的学习研究。 1 4 本文系统框图 f i g1 1 f r a m e w o r k 图1 1 本文系统框图 6 西华大学硕士学位论文 第二章运动目标检测 运动目标检测，就是检测序列图像中是否存在相对整个场景作运动的物 体。运动目标检测是后续处理如运动目标识别，运动目标跟踪以及运动目标动 作理解与描述等的基础。对后续处理有较大的影响。下面介绍本章的主要内容； 本文第一节介绍了运动目标检测算法的基本要求和检测原理，同时，对运 动目标检测过程中所涉及到的多种算法作了较为详细的介绍。第二节介绍了基 于背景减除法的运动目标检测算法，针对背景的获取、估计和背景模型建立、 更新问题，对多种算法进行了介绍，并且使用分块背景估计算法分级分块背 景估计法来建立静态背景模型。对该算法的基础、原理和优点进行了较为详细 的分析和讨论。第三节结合实验工作，分别对基于背景差分法的运动目标检测 方法和基于连续帧间差分法的运动目标检测方法进行了分析和讨论。 2 1 运动目标检测概述 耳前，常用的运动检测方法有两大类：时域差分法和光流法。从前面的介 绍知道，光流法运动目标检测计算量大，需要专门的硬件支持，不适合实时处 理，所以普遍采用时域差分法来进行运动目标检测。时域差分法一般分为两类： 背景减除法与连续帧问差分法。 2 1 i 背景减除法 背景减除法是运动检测常用的一种方法，它是利用当前图像与背景模型图 像噜矧相差分来检测运动目标的一种技术。使用背景差分法一般是以摄像头 固定为前提。这种方法能够提取出较为完整的运动区域，但是对场景的动态变 化( 比如场景的光照或者外部条件发生变化时) 比较敏感。如何获取一个背景 模型，使其能满足场景的动态变化，是该方法的一个难点。常用方法如下； 1 直接获取法：即当场景中无任何运动目标时进行图像采集，取其作为背 景图像幢“，这是一种简洁而直观的方法。但是在很多时候做不到场景中无 任何运动目标，实际中场景往往是动态的。而且该方法不能满足背景是动态变 化的要求，即背景模型不更新。 7 西华大学硕士学位论文 2 取视频开始时的一段时间内，没有运动目标出现时的若干个图片，用这 若干个图片的每个像素的平均值生成一个平均图像，取该平均图像作为背景模 型。该方法实现起来较为简单，但是不能满足背景是动态变化的要求，而且一 般情况下不容易做到场景中无运动目标，也与现实不太相符 3 动态生成背景模型法。该方法是指从一段视频图像序列中，用一定的算 法来动态生成一个合适的背景模型，并按照一定的频率来更新该模型。这种方 法满足背景是时时交化的要求，但是计算量大，实现起来复杂些。常用的方法 是基于统计的高斯模型分析法。 利用固定摄像头获取到的存在缓慢光照变化的背景，可以用一个背景模型 来表示。在较长的一段时间内，背景中的每一个像素的颜色值比较稳定，分布 在一个确定的值( 高斯模型中的均值u ) 附近，所以像素的颜色值分布可以用 高斯分布来表示，即背景中每个像素值p 。的颜色值均服从均值为u ，方差 为。的高斯分布，即： f ( x ) = !。坠垮。r - i 型 r t e ( 2 。1 ) 绺) 2l j j 1 2 其中，d 是自变量的维数，在这里它的值是3 ( 每个像素的颜色值有r g ，b 三个分量) 。如果确定了高斯分布的均值和方差，也就确定了高斯分布的具体 形式。所以背景模型构造阶段的任务就是估计出背景中每个像素的均值和方 差。为了计算方便，假定颜色向量的分量的分布是独立的，这样每一维分量都 服从一维的高斯分布。背景模型中每个像素的颜色分量的均值和方差可以通过 背景的样本序列来估计。在传统的背景模型初始化方法中，使用不含有运动前 景的一段序列背景图像来生成参数，样本均值估计： 1h u = 三了x 。 ( 2 2 ) n 留。 ( 2 3 ) 这种方法的优点是估计的背景准确且速度比较快，但是该方法需要有段 8 西华大学硕士学位论文 没有前景运动区域存在的图像序列，而在实际应用中可能很难得到这样的图像 序列。由此，递推形式的背景初始化方法产生了。 在场景固定的情况下，背景像素暴露时它的值分布在均值附近，而被前景 遮挡时它的值会出现一个较为明显的变化。由于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( 假设前景是运动的) 。所以背景初始化时 可利用相对较长的序列来消除值变化的影响。 ， f i g2 1c h a n g i n go f p i x e l si nb a c k g r o u n di m a g e 图2 1 背景像素值的变化情况 如图2 1 所示，没有前景出现时，背景像素的值稳定在均值附近，当运动 前景到来并遮挡背景像素时，像素值就会有一个突变。这个突变对背景均值的 估计必然造成影响，但是可以通过增加估计均值所用的样本数来消除这一影 响。例如，像素的值分布在2 0 附近，如果一个样本的值是1 9 0 ，使用1 0 0 个 值是2 0 的背景样本和它一起来估计均值，得到的均值就非常接近2 0 ，抵消了 特殊样本对均值估计造成的影响。所以，在背景参数估计阶段可以用这种思想 对背景模型进行估计，不必要求场景中不存在前景运动物体上述传统的背景 模型估计方法通过改进可以转变为递推形式的估计方法。利用它对含有前景物 体的图像序列进行背景模型初始化。背景模型的递推形式估计法： 样本均值估计： 利用前n 个样本来估计均值：设 一 8 u 脚善x - 则p 。- 击- s u m 。 ( 2 4 ) ( 2 5 ) p 。就是由当前n 个样本估计出的均值，当加入第n + 1 个样本x 。时，有 9 西华大学硕士学位论文 s u m n + i s u m n + x n “ ( 2 6 ) 则当前n + 1 个样本的样本均值为： l i n + 1 = 南s u m n + l ( 2 7 ) 由