基于最近鄰域像素梯度的視頻背景快速提取

趙樹言　路艷雪　韓曉霞

摘要：針對(duì)嵌入式設(shè)備對(duì)視頻背景的實(shí)時(shí)提取問題，提出一種基于最近鄰域像素梯度（N2PG）穩(wěn)定性的視頻背景快速提取方法。首先，以視頻中任意幀作為初始背景，并計(jì)算此背景圖像的N2PG矩陣；然后，以背景幀之后若干幀圖像作為背景更新圖像，同理計(jì)算N2PG矩陣；最后，將背景圖像N2PG矩陣與更新圖像N2PG矩陣進(jìn)行差分，并通過實(shí)時(shí)估計(jì)的梯度穩(wěn)定性閾值快速判斷背景模型中各像素點(diǎn)是靜態(tài)背景像素點(diǎn)還是非背景像素點(diǎn)，進(jìn)而對(duì)其更新或替換，以得到視頻當(dāng)前背景。經(jīng)計(jì)算機(jī)仿真測試，與常用的卡爾曼濾波法和混合高斯法相比，基于N2PG的視頻背景提取方法得到相同質(zhì)量背景僅需10～50幀圖像，并且平均處理速度分別提高36%和75%；和改進(jìn)的視覺背景提取（ViBe）算法相比，在所需幀數(shù)和所得背景質(zhì)量相近的情況下，該算法背景更新速度提升一倍。實(shí)驗(yàn)結(jié)果表明，基于N2PG的視頻背景提取算法具有很強(qiáng)的自適應(yīng)性，并且速度快、內(nèi)存消耗小，背景提取準(zhǔn)確度達(dá)到90%以上，可滿足真實(shí)自然環(huán)境下嵌入式視覺設(shè)備的應(yīng)用。

關(guān)鍵詞：快速背景提??；鄰域像素梯度；視頻背景；嵌入式系統(tǒng)；機(jī)器視覺

中圖分類號(hào)：TP391.41

文獻(xiàn)標(biāo)志碼：A

0引言

隨著機(jī)器視覺技術(shù)的不斷發(fā)展成熟，以及嵌入式智能視覺設(shè)備越來越多的產(chǎn)生和應(yīng)用，對(duì)真實(shí)自然環(huán)境下視頻背景提取的要求也越來越高，尤其需要兼顧背景提取速度和質(zhì)量[1]，比如智能車載監(jiān)控系統(tǒng)、無人駕駛圖像檢測系統(tǒng)、移動(dòng)機(jī)器人視覺系統(tǒng)和無人機(jī)視覺系統(tǒng)等。因?yàn)榻y(tǒng)計(jì)表明視覺系統(tǒng)的研究對(duì)象80%均為運(yùn)動(dòng)物體，而背景相減法[2]又是對(duì)視頻中運(yùn)動(dòng)物體檢測最簡單、最有效的方法。

真實(shí)復(fù)雜環(huán)境下，嵌入式視覺設(shè)備對(duì)視頻背景實(shí)時(shí)、準(zhǔn)確、快速提取和建模的主要困難和挑戰(zhàn)在于一方面要求算法復(fù)雜度要低、內(nèi)存消耗要小，另一方面又要求能適應(yīng)復(fù)雜的自然環(huán)境變化影響，比如天氣、光線和場景、攝像頭本身移位、晃動(dòng)等[3]。而目前已有的背景提取算法多針對(duì)于某種特定場景有效，或高度依賴于實(shí)驗(yàn)室高性能計(jì)算機(jī)，或過多依賴于先驗(yàn)知識(shí)，相對(duì)普適性較低、實(shí)時(shí)性不強(qiáng)，難以滿足嵌入式智能視覺系統(tǒng)的要求。對(duì)此，本文提出了一種基于最近鄰域像素梯度（Nearest Neighbor Pixel Gradient，N2PG）穩(wěn)定性的視頻背景快速提取方法。

1相關(guān)工作

目前比較常用的背景提取方法主要可分為兩類：基于像素時(shí)間分布特征和基于像素空間分布特征。基于像素時(shí)間分布特征的背景建模方法主要有均值法[4]、幀間差分法[5]、基于區(qū)間分布的自適應(yīng)算法[6]等；基于空間分布特征的代表性算法如視覺背景提?。╒isual Background Extractor， ViBe）算法[7]。

其中均值法以視頻前n幀圖像各像素的平均值作為背景圖像，該方法簡單容易，但過于粗糙，不適合復(fù)雜變化環(huán)境。后來文獻(xiàn)[8]提出了改進(jìn)的差分均值算法，部分解決了均值法所造成的殘影影響，但實(shí)用性依然不強(qiáng)。

對(duì)于差分法，在實(shí)驗(yàn)室等理想環(huán)境可以快速準(zhǔn)確提取背景，但是對(duì)于有光照影響等自然環(huán)境明顯失效，也不能解決背景有變化的情況。對(duì)此，Koller等[9]提出了卡爾曼濾波法解決了背景光線變化問題，再后來Stauffer等[10]提出的混合高斯法也解決了背景變化問題，但這兩種方法都需要比較漫長的背景初始化過程，同時(shí)也大大增加了算法復(fù)雜度，提高了對(duì)硬件的要求，這些不足使其難以應(yīng)用于實(shí)時(shí)性要求較高的嵌入式系統(tǒng)。

區(qū)間分布自適應(yīng)背景建模算法不需要復(fù)雜的初始化過程，相對(duì)適合實(shí)時(shí)系統(tǒng)。但是其區(qū)間劃分?jǐn)?shù)目對(duì)先驗(yàn)知識(shí)依賴性高，所以普適性較低；而且區(qū)間劃分多，背景精度才高，這又會(huì)大大增加算法復(fù)雜度。

對(duì)于基于像素的非參數(shù)化隨機(jī)樣本模型算法，即ViBe算法，以及其后的多種改進(jìn)ViBe算法，如文獻(xiàn)[11-12]所述，雖然都具有較好的魯棒性，尤其對(duì)動(dòng)態(tài)背景中的前景檢測均有較好的效果，但是ViBe算法是假設(shè)相鄰像素點(diǎn)具有相似的時(shí)空分布，所以對(duì)前景與背景的交界處不能較好地作出判斷，常常因?yàn)檎`判而導(dǎo)致所得前景輪廓有殘缺或拖影現(xiàn)象，這對(duì)后續(xù)的深度測量和識(shí)別等操作都不利。同時(shí)，ViBe算法所得背景是一種近似背景，對(duì)相似度閾值、鄰域半徑等參數(shù)依賴性大，若采用固定的相似度閾值，通常會(huì)降低算法魯棒性；若采用變化的相似度閾值，又會(huì)大大增加運(yùn)算量。

2最小鄰域像素梯度分析

2.1相關(guān)定義

若將視頻看作是多幀圖像的順序組合，則可以用集合表示為{Ik（x，y）}，其中：k表示幀序號(hào)，I表示視頻的單幀圖像?，F(xiàn)將單幀圖像各像素點(diǎn)的灰度值用坐標(biāo)表示為v（x，y），則N2PG算法中相關(guān)定義如下：

最近鄰域像素：規(guī)定某像素點(diǎn)上、下、左、右四個(gè)方向最近相鄰的n個(gè)像素點(diǎn)為該像素的最近鄰域像素。依次用該中心像素點(diǎn)坐標(biāo)表示為vi（x，y）（i=1，2，…，n，習(xí)慣以中心像素點(diǎn)鄰域由內(nèi)向外第一層左像素為起點(diǎn)，逆時(shí)針順序編號(hào)，默認(rèn)i取值1～4），以后將該中心像素點(diǎn)稱作核像素點(diǎn)。對(duì)于每幀圖像邊緣的像素，為計(jì)算方便，默認(rèn)其所缺失的所有最近鄰域像素灰度值等于其核像素值。

范值矩陣：為計(jì)算和描述方便，文中將與視頻像素大小相同且只有0和1兩種元素的矩陣稱為范值矩陣。其中0值元素所對(duì)應(yīng)像素值無效，1值元素所對(duì)應(yīng)像素有效，并且在不同情況會(huì)有不同的具體含義。

2.2最近鄰域像素梯度值特征分析

為了明顯地觀察視頻中各像素點(diǎn)的N2PG值在不同幀間的分布特征，現(xiàn)利用室外自然環(huán)境下所拍攝的一段視頻前800幀，以各像素點(diǎn)分別為核，對(duì)其N2PG值進(jìn)行統(tǒng)計(jì)分析。實(shí)驗(yàn)中隨機(jī)確定核像素點(diǎn)，共統(tǒng)計(jì)200個(gè)樣本。以樣本點(diǎn)（99，151）為例（在圖1所示兩幀抽樣圖像中均以字母P標(biāo)出），首先，測量每幀中P像素點(diǎn)灰度值v及其四個(gè)最近鄰域像素的灰度值v1～v4（本實(shí)驗(yàn)中為彩色視頻，故以各像素紅（R）、綠（G）、藍(lán)（B）三個(gè)顏色分量的算數(shù)平均值作為該像素灰度值）。再按照式（1）計(jì)算P點(diǎn)在各幀的N2PG值；然后對(duì)相鄰幀的N2PG值作差運(yùn)算并取絕對(duì)值；最后以2維離散點(diǎn)統(tǒng)計(jì)圖表示出來，如圖2所示。通過所有樣本點(diǎn)的統(tǒng)計(jì)圖分析可以得到如下結(jié)論：自然場景下的視頻圖像，其靜態(tài)背景像素點(diǎn)的最近鄰域像素梯度值在鄰近幀間有一定的穩(wěn)定性。

圖2中第345幀圖像如圖1（a）所示，第759幀圖像如圖1（b）所示，可以看到除了第345幀到第356幀之間和756幀到763幀之間的N2PG值有較大跳變之外（臨界點(diǎn)分別以A、B、C、D示出），其余N2PG值在鄰近幀間變化很小，甚至為零。而從A點(diǎn)所對(duì)應(yīng)第345幀的圖像中可以看到一行人正好到達(dá)P點(diǎn)（此時(shí)稱P點(diǎn)為動(dòng)態(tài)進(jìn)入點(diǎn)）；并且，從B所對(duì)應(yīng)第356幀圖像中可以觀察到該行人恰好完全離開P點(diǎn)（此時(shí)稱P點(diǎn)為動(dòng)態(tài)退出點(diǎn)）。同樣，從圖2中C點(diǎn)所對(duì)應(yīng)第756幀圖像可以看到正好有一輛汽車要通過P點(diǎn)，在第763幀圖像中該汽車正好離開P點(diǎn)。

通過上述實(shí)驗(yàn)很容易得出，N2PG（x，y）值的穩(wěn)定程度很好地代表了其核像素點(diǎn)的狀態(tài)特征，可以據(jù)此判斷出此核像素點(diǎn)在當(dāng)前幀屬于背景像素點(diǎn)還是動(dòng)態(tài)像素點(diǎn)。若圖2中以水平實(shí)線表示穩(wěn)定性閾值，則很容易區(qū)分出P作為動(dòng)態(tài)像素點(diǎn)所在幀和作為靜態(tài)背景像素點(diǎn)所在幀，如P作為運(yùn)動(dòng)物體輪廓像素時(shí)的A、B、C、D點(diǎn)，并且可以很好地容忍自然光照變化等。

綜上實(shí)驗(yàn)可知N2PG值具有很好的時(shí)空代表性，在空間分布上它代表了核像素點(diǎn)與其鄰域像素的相關(guān)程度，在時(shí)間分布上間接反映了其核像素點(diǎn)的穩(wěn)定性。

2.3二值圖像模型算法分析

為了更形象、更直觀地分析N2PG算法，此時(shí)簡化視頻模型，假設(shè)像素為4×4，并且只有黑白兩色（黑色像素值為1，白色像素值為0）。如圖3（a）所示，A、B、C為從該視頻中依次抽取的三幀原始圖像，圖像中每個(gè)小方格代表一個(gè)像素點(diǎn)，黑色像素點(diǎn)表示運(yùn)動(dòng)物體，背景像素均為白色。

首先指定A圖像作為背景初始圖像，B和C作為背景更新圖像。再根據(jù)式（1）分別以每幀各像素點(diǎn)為核，求取A、B和C的N2PG矩陣。各N2PG矩陣圖像分別如圖3（b）中A′、B′和C′所示，圖中白色方框表示該像素的N2PG值為0，斜線陰影表示N2PG值為1，黑色方框表示N2PG值為2。

然后對(duì)N2PG矩陣A′和B′作差分運(yùn)算，并對(duì)結(jié)果按照非零元素置1的規(guī)則處理可得準(zhǔn)范值矩陣WA-B，若1值元素用陰影表示，0值元素用白色表示，則如圖3（c）中A-B所示。很顯然此矩陣圖像中1值元素所構(gòu)成的所有閉合連通區(qū)域邊緣正好是運(yùn)動(dòng)物體在背景圖像A和背景更新圖像B上像素點(diǎn)并集的外邊緣。因此可以去掉各連通區(qū)域每行和每列的第一個(gè)和最后一個(gè)1值元素（即元素值由1變?yōu)?），得到黑色矩形框所表示的動(dòng)態(tài)像素區(qū)域，此時(shí)所得范值矩陣記為W1。同理，對(duì)N2PG矩陣A′和C′作差分得WA-C，歸一化、去陰影得到運(yùn)動(dòng)物體在A和C中的像素點(diǎn)并集的范值矩陣W2，如圖3（c）中A-C所示。同理，求得運(yùn)動(dòng)物體在圖像B和C中像素點(diǎn)并集的范值矩陣W3，如圖3（c）中B-C所示。因?yàn)楹喕Ｐ偷奶厥庑?，?dǎo)致WA-C求取過程中產(chǎn)生邊緣梯度正好相消的情況，如圖中兩個(gè)灰色方框所表示的像素點(diǎn)，但實(shí)際圖像中此情況幾乎不存在，并且影響可以忽略，所以人為填補(bǔ)了圖中的兩個(gè)灰色像素點(diǎn)，將其值由0變成1。

分析上述規(guī)則所得W1、W2和W3，以非零元素表示動(dòng)態(tài)有效像素點(diǎn)，可知：W1與W2的交集，再去除與W3重疊的部分，則得到原始背景圖像A中絕對(duì)動(dòng)態(tài)像素點(diǎn)（理論上為部分黑色像素點(diǎn)），該像素區(qū)域用δ1表示，就可以用B或C中的相同像素區(qū)域替換；而W1和W2并集在I中的補(bǔ)集，則一定為原始背景圖像A中靜態(tài)背景像素點(diǎn)（理論上為部分白色像素點(diǎn)），該像素區(qū)域用δ2表示，就可以用B或C中的相同區(qū)域加權(quán)更新。

3基于N2PG的算法實(shí)現(xiàn)

基于N2PG的背景提取算法可以從視頻任意幀開始，先以開始幀作為初始背景，并計(jì)算背景N2PG矩陣；再以其后至少兩幀圖像作為背景更新圖像，計(jì)算出參考N2PG矩陣；最后，將背景N2PG矩陣與參考N2PG矩陣進(jìn)行差分運(yùn)算，通過運(yùn)動(dòng)物體邊緣像素的N2PG變化，確定背景模型中的靜態(tài)背景像素點(diǎn)，對(duì)其加權(quán)更新，同時(shí)鎖定背景模型中的動(dòng)態(tài)像素點(diǎn)區(qū)域，并對(duì)其進(jìn)行替換。

3.1N2PG算法實(shí)現(xiàn)步驟

步驟1任意抽取視頻中的一幀圖像I作為背景初始化圖像，存儲(chǔ)并記為B（x，y），再按照式（1）計(jì)算各像素點(diǎn)的N2PG值，以各N2PG值為元素，構(gòu)建背景圖像N2PG矩陣，記為WB（x，y）。

3.2穩(wěn)定性閾值動(dòng)態(tài)估計(jì)

通過分析可知，穩(wěn)定性閾值η的選擇對(duì)基于N2PG的視頻背景提取方法結(jié)果至關(guān)重要，而且在實(shí)際應(yīng)用中背景N2PG矩陣和參考N2PG矩陣間的幀序號(hào)間隔并不確定，也就是說不宜采用固定參數(shù)。因此，假設(shè)視頻中任意時(shí)刻運(yùn)動(dòng)物體像素分布所占比例遠(yuǎn)小于背景像素比例，則可以設(shè)計(jì)了一個(gè)計(jì)算比較簡單的穩(wěn)定性閾值動(dòng)態(tài)估計(jì)方法，具體操作如下：

在3.1節(jié)所述算法步驟3中，當(dāng)每次按式（2）計(jì)算得到中間矩陣DISN2PG時(shí)，隨機(jī)生成N個(gè)不同自然數(shù)（N一般取值10～100），然后將這N個(gè)數(shù)排序并按視頻像素大小分別沿X軸方向和Y軸方向?qū)個(gè)自然數(shù)進(jìn)行放縮，組成遍布圖像I的N×N個(gè)隨機(jī)坐標(biāo)。讀取所有相應(yīng)坐標(biāo)的DISN2PG（x，y）值，計(jì)算其平均值，最后以該平均值的3～5倍作為本次式（3）標(biāo)準(zhǔn)范值矩陣計(jì)算的穩(wěn)定性閾值，估算公式為：

4實(shí)驗(yàn)結(jié)果及分析

為測試基于N2PG的視頻背景提取方法的實(shí)用性，并對(duì)該算法與目前常用算法在速度和效果方面進(jìn)行對(duì)比，本文對(duì)一室外自然環(huán)境下固定攝像頭所拍攝的視頻進(jìn)行背景提取實(shí)驗(yàn)，視頻共2890幀，像素為320×240，所對(duì)比的背景建模方法分別為均值法、卡爾曼濾波法、混合高斯法和文獻(xiàn)[11]提供的改進(jìn)ViBe算法，所比較參數(shù)為建立可用背景圖像所需要視頻幀數(shù)、平均每幀所需時(shí)間和背景準(zhǔn)確度。仿真測試實(shí)驗(yàn)中所用計(jì)算機(jī)CPU為Intel Core i3，內(nèi)存2GB，VS2010搭建OpenCV2.49開發(fā)環(huán)境。分別用各算法對(duì)該視頻進(jìn)行多次背景提取實(shí)驗(yàn)，實(shí)驗(yàn)測試結(jié)果統(tǒng)計(jì)如表1所示。

從表1可以明顯看到，除了均值法所得背景準(zhǔn)確度較低，基于N2PG算法、卡爾曼濾波法、混合高斯法和ViBe算法均可以提取較好的視頻背景，并且通常情況下所得背景質(zhì)量區(qū)別不大，相對(duì)ViBe算法所得背景準(zhǔn)確度更高些。而從背景建模周期來看，基于N2PG算法和ViBe算法又具有明顯優(yōu)勢，并且基于N2PG的算法周期最短，少于50幀，原因是這兩種算法均不需要像卡爾曼濾波法和混合高斯法那樣較為復(fù)雜的背景初始化操作。最后從算法處理速度的角度，基于N2PG算法較ViBe算法相比，優(yōu)勢更明顯，完全可以滿足實(shí)時(shí)性要求較高的系統(tǒng)。

圖4所示為用基于N2PG算法在視頻第528幀和第876幀所提取背景圖像。直觀來看，所得背景均很好地消除了當(dāng)前畫面的運(yùn)動(dòng)物體，保留了純凈的靜態(tài)背景。并且在第876幀的背景中也很好地融入了已經(jīng)駐停在路口拐角處的一輛汽車，即接受了該汽車所投射像素點(diǎn)由動(dòng)態(tài)到靜態(tài)的變化。為了更明顯地觀察基于N2PG的算法所提取背景在運(yùn)動(dòng)物體檢測中的效果，選擇提取背景準(zhǔn)確度最高的ViBe算法作比較，兩種算法在528幀和876幀中運(yùn)動(dòng)物體檢測效果如圖5所示。觀察圖5可以看到，雖然ViBe算法對(duì)噪聲抑制能力相對(duì)較好，但再觀察所得二值圖像中運(yùn)動(dòng)物體的輪廓，很明顯基于N2PG的算法所得物體輪廓完整性、連通性更好，而ViBe算法所得物體輪廓?dú)埲眹?yán)重，甚至檢測結(jié)果為光斑狀，這對(duì)后續(xù)的深度測量、識(shí)別等操作均造成不利影響，從此角度出發(fā)，基于N2PG的視頻背景提取方法更具研究價(jià)值。

綜上分析，從應(yīng)用的角度，基于N2PG的視頻背景提取算法和ViBe算法較適合嵌入式系統(tǒng)應(yīng)用，但是綜合考慮速度和質(zhì)量，基于N2PG的算法更適合應(yīng)用于嵌入式視覺設(shè)備，因?yàn)樵撍惴ㄔ诒ＷC提取視頻背景質(zhì)量的同時(shí)，內(nèi)存需求壓力更小，背景提取速度更快，背景實(shí)時(shí)更新周期更短。

5結(jié)語

為了滿足真實(shí)自然環(huán)境下對(duì)視頻背景快速度提取和高質(zhì)量跟蹤的要求，本文提出的基于N2PG的視頻背景提取算法兼顧各像素點(diǎn)的時(shí)空分布特點(diǎn)，空間分布上用各像素最近鄰域梯度值替代像素值，提高魯棒性，時(shí)間分布上，通過鄰近幀N2PG穩(wěn)定性準(zhǔn)確判斷靜態(tài)背景像素點(diǎn)和動(dòng)態(tài)非背景像素點(diǎn)。對(duì)N2PG穩(wěn)定性閾值的實(shí)時(shí)估計(jì)，保證了算法的自適應(yīng)性。實(shí)驗(yàn)證明了基于N2PG快速背景提取算法具有較高的魯棒性、實(shí)時(shí)性、高效性，滿足嵌入式視覺系統(tǒng)的應(yīng)用要求。

不過基于N2PG的快速背景提取算法的穩(wěn)定性閾值估計(jì)方法是建立在靜態(tài)背景像素點(diǎn)分布比例遠(yuǎn)大于運(yùn)動(dòng)物體像素點(diǎn)所占比例的假設(shè)前提下，雖然此假設(shè)符合普遍情況，但忽略此假設(shè)條件而設(shè)計(jì)更具一般意義的N2PG穩(wěn)定性閾值估計(jì)方法依然具有現(xiàn)實(shí)意義。

參考文獻(xiàn)：

[1]胡瓊，秦磊，黃慶明.基于視覺的人體動(dòng)作識(shí)別綜述[J].計(jì)算機(jī)學(xué)報(bào)，2013，36（12）：2513-2515. （HU Q， QIN L， HUANG Q M. A survey on visual action recognition [J]. Chinese Journal of Computers， 2013， 36（12）： 2513-2515.）

[2]付文秀，李冰，溫翔.基于自適應(yīng)耦合模型的運(yùn)動(dòng)目標(biāo)跟蹤方法[J].北京交通大學(xué)學(xué)報(bào)，2014，38（2）：50-55. （FU W X， LI B， WEN X. A moving object tracking method based on adaptive coupled model [J]. Journal of Beijing Jiaotong University， 2014， 38（2）： 50-55.）

[3]呂嘉卿，劉立程，郝祿國，等.基于視覺背景提取的自適應(yīng)運(yùn)動(dòng)目標(biāo)提取算法[J].計(jì)算機(jī)應(yīng)用，2015，35（7）：2029-2032. （LYU J Q， LIU L C， HAO L G， et al. Adaptive moving object extraction algorithm based on visual background extractor [J]. Journal of Computer Applications， 2015， 35（7）： 2029-2032.）

[4]HULL J J. Incorporating language syntax in visual text recognition with a statistical model [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1996， 18（12）： 1251-1256.

[5]李剛，曾銳利，林凌，等.基于幀間顏色梯度的背景建模[J].光學(xué)精密工程，2007，15（8）：1257-1262. （LI G， ZENG R L， LIN L， et al. A novel background modeling method based on color grade of different frames [J]. Optics and Precision Engineering， 2007， 15（8）： 1257-1262.）

[6]劉勃，魏銘旭，周荷琴.一種基于區(qū)間分布的自適應(yīng)背景提取算法[J].模式識(shí)別與人工智能，2005，18（3）：317-321. （LIU B， WEI M X， ZHOU H Q. A Zone-Distribution based adaptive back ground abstraction algorithm [J]. Pattern Recognition and Artificial Intelligence， 2005， 18（3）： 317-321.）

[7]BARNICH O， VAN DROOGENBROECK M. ViBe： a universal back-ground subtraction algorithm for video sequences [J]. IEEE Transactions on Image Processing， 2011， 20（6）： 1709-1724

[8]韓超，鄧甲昊，鄒金慧，等.基于差分均值背景提取和矩陣分區(qū)目標(biāo)檢測算法的研究[J].北京理工大學(xué)學(xué)報(bào)，2012，32（12）：1247-1251，1257. （HAN C， DENG J H， ZOU J H， et al. Background extraction based on differential mean method and shadow detection using matrix sub-region partition[J]. Transactions of Beijing Institute of Technology， 2012， 32（12）： 1247-1251，1257.）

[9]KOLLER D， WEBER J， HUANG T， et al. Towards robust automatic traffic scene analysis in real-time [C]// Proceedings of the 12th IAPR International Conference on Pattern Recognition. Piscataway， NJ： IEEE， 1994： 126-131.

[10]STAUFFER C， GRIMSON W E L. Adaptive background mixture models for real-time tracking [C]// Proceedings of the 1999 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Washington， DC： IEEE Computer Society， 1999： 246-252.

[11]陳星明，廖娟，李勃，等.動(dòng)態(tài)背景下基于改進(jìn)視覺背景提取的前景檢測[J].光學(xué)精密工程，2014，22（9）：2545-2549. （CHEN X M， LIAO J， LI B， et al. Foreground detection based on modified ViBe in dynamic background [J]. Optics and Precision Engineering， 2014， 22（9）： 2545-2549.）

[12]DROOGENBROECK M V， PAQUOT O. Background subtraction： experiments and improvements for ViBe [C]// CVPRW 2012： Proceedings of the 2012 IEEE Computer Vision and Pattern Recognition Workshops. Washington， DC： IEEE Computer Society， 2012： 32-37.