工業(yè)場景中背景特征的建模要素分析①

高 慶,崔友昌

1(濰柴動力股份有限公司 企業(yè)管理與信息化部,濰坊 261000)

2(河北工業(yè)大學(xué) 經(jīng)濟管理學(xué)院,天津 300401)

隨著計算機技術(shù)、現(xiàn)場總線技術(shù)的發(fā)展,計算機視覺技術(shù)的日臻成熟,視頻監(jiān)控已被廣泛應(yīng)用于機械制造、食品、化工、醫(yī)藥等制造行業(yè).對于制造業(yè)企業(yè)來說,加強對現(xiàn)場生產(chǎn)過程的調(diào)度、質(zhì)量、安全、人力、物資的控制是生產(chǎn)管理的關(guān)鍵,視頻監(jiān)控?zé)o疑是一種很好的監(jiān)控手段.為能更好的實現(xiàn)生產(chǎn)過程的精細化管理,需要對視頻監(jiān)控數(shù)據(jù)進行處理和利用,運動目標(biāo)檢測是視頻理解和分析的基礎(chǔ),可將視頻中運動的人、生產(chǎn)設(shè)備等目標(biāo)檢測出來[1].

由于視頻所包含的數(shù)據(jù)量巨大,而視頻的處理技術(shù)如人臉識別的運算復(fù)雜度又較高,所以作為視頻處理中減少運算量的一種重要方法,運動目標(biāo)檢測吸引了大批學(xué)者的關(guān)注.迄今為此,已經(jīng)涌現(xiàn)出幾十類運動目標(biāo)檢測算法[2-5].盡管這些算法在保證速度的前提下,對目標(biāo)檢測的精度相比以往提高了許多,但是依然無法滿足視頻應(yīng)用的相應(yīng)精度需求.

根據(jù)CDNet[6]在2012年以及2014年的運動目標(biāo)檢測算法排名結(jié)果,可知性能突出的算法有PBAS[7],ViBe+[8],PSP-MRF[9],FTSG[10],SuBSENSE[11].這些算法相比排名靠后的基本算法,不僅在單獨的環(huán)境測試中性能更優(yōu),并且在樹木搖晃,雨雪天氣和光照與陰影等多樣的環(huán)境下也能保持對所有基本算法的優(yōu)勢.然而,2014年,Jodoin等人[12]指出,多種算法的組合優(yōu)于任何一種單獨的算法.即使參與組合的算法排名靠后,但只要算法之間相互補充,排名靠后的基本算法組合起來也能擊敗排名靠前的算法.這樣,如何繼續(xù)提高運動目標(biāo)檢測算法的性能有了一個解決方案：通過組合已有并且相互補充的算法,或者為某一算法設(shè)計互補的算法進行組合.

但如何發(fā)現(xiàn)已有的互補算法,或者設(shè)計互補的算法? 從本質(zhì)上看,運動目標(biāo)檢測就是將像素分類為運動目標(biāo)像素或背景像素的過程.分類算法是通過分類特征對數(shù)據(jù)進行分類,因此運動目標(biāo)檢測算法是通過背景特征,對像素進行分類.一個算法對應(yīng)著一種或多種背景特征,而背景特征之間的關(guān)系決定著相應(yīng)算法之間的關(guān)系.例如基于紋理特征的算法(LBP[13])與目前已有的多數(shù)基于顏色特征的算法(ViBe[14],CodeBook[15],高斯算法[16])互補.直觀上,紋理特征是多個像素點的區(qū)域特征,而顏色特征為單個像素點的灰度或彩色特征,因此基于這兩種背景特征的算法互補.而基于顏色特征的算法之間的關(guān)系,多數(shù)不能從直覺上得到.如果不能得到背景特征之間的關(guān)系,那么在進行算法設(shè)計時,一旦組合相互重疊的背景特征,就可能導(dǎo)致耗費大量時間,性能卻不能顯著提高的結(jié)果.因為算法要在多個視頻數(shù)據(jù)集上運行,由于視頻數(shù)據(jù)量巨大,因此測試和調(diào)參等算法設(shè)計過程會耗費大量時間.同時,依據(jù)Jodoin提出的互補原則,重疊特征無法顯著改善算法的性能.為了加快對算法的設(shè)計和顯著提高算法的性能,急需對背景特征進行分析,從而指導(dǎo)算法設(shè)計.

然而目前針對背景特征進行分析的文章較少,運動目標(biāo)檢測領(lǐng)域的主流是直接分析各類算法的特點.以國內(nèi)為例,萬纓等人[17]對當(dāng)時的運動目標(biāo)檢測算法進行了分類,并討論了各類方法的主要優(yōu)缺點,但沒有對算法依賴的背景特征進行分析.如幀差法和統(tǒng)計學(xué)習(xí)法基于同一種背景特征,但在文獻[17]的分類與分析中無法體現(xiàn).史志剛[18]對CodeBook算法進行了重點分析并提出改進,即考慮到不同顏色空間對算法性能的影響,利用YUV空間替換原CodeBook算法的RGB空間,從而改進了CodeBook算法.但史志剛沒有進一步分析不同顏色空間下的背景特征.高美鳳等人[19]提出了一種混合算法,但并沒有進一步分析混合算法所依賴的背景特征關(guān)系.王東方[20],宋雪樺[21],魏建猛[22]等人對高斯模型算法提出了改進,但沒有考慮利用算法之間的組合對算法進行改進.Ji等人[23]提出粗糙集的魯棒修正高斯混合模型,在一定程度上提高了圖像分割的準確性,Chen等人[24]使用高斯混合模型解決視頻編碼在硬件實現(xiàn)中的應(yīng)用問題,但改進的高斯混合模型未在運動目標(biāo)檢測算法上應(yīng)用.根據(jù)Huang等人[25]基于視覺感知對運動目標(biāo)檢測算法的新穎性進行評估,可知已有的運動目標(biāo)檢測算法的性能存在一定的提升空間.

為完善背景特征分析,本文首先將面向工業(yè)場景的背景數(shù)據(jù)可視化,分析得到背景特征.例如通過將背景像素與運動目標(biāo)在三維RGB空間展示,得到背景的方向特征和范圍特征.然后,本文再對得到的背景特征進行分析,總結(jié)其特點并用直觀的圖形進行展示.例如對背景的方向特征,本文利用球坐標(biāo)系直觀地說明利用背景的方向特征進行分類,容易導(dǎo)致正確率高但召回率低的結(jié)果.最后,總結(jié)本文的工作.

1 面向工業(yè)場景顏色特征的可視化與分析

1.1 工業(yè)場景中靜態(tài)背景的灰度特征

在本文中,顏色特征特指單個像素點的灰度或彩色特征,如灰度值的分布特征,灰度值隨時間的變化特征,彩色RGB向量值的分布特征,彩色RGB向量值隨時間的變化特征.這是因為灰度圖像和彩色圖像在處理上的方法類似,用于處理灰度的方法往往適應(yīng)于彩色.另外,本文中的靜態(tài)背景(Static)特指非陰影的背景,并非表示不運動的背景,因此工業(yè)場景中的傳送帶、機械手等背景依然屬于靜態(tài)背景.同時,靜態(tài)背景特指攝像機鏡頭固定的情形下的背景.最后,這是為了與CDNet[6]中對像素的分類保持一致,因為在CDNet中,像素被分為靜態(tài)(Static)、陰影(Shadow)、運動(Motion)和未知(Unknow),即靜態(tài)背景,陰影背景,運動目標(biāo)和未知像素類.其中未知像素類常位于運動目標(biāo)的邊緣,由于像素分辨率的原因,人工無法對處在邊緣的像素進行準確的分類,因此標(biāo)記為未知.由于未知類像素是人為原因造成的,不在運動目標(biāo)檢測討論的范圍內(nèi),因此在本文中,也只對靜態(tài)背景、陰影、運動目標(biāo)進行分析.

圖1 靜態(tài)背景的灰度特征圖

灰度特征是最簡單的背景特征,因此首先對灰度特征進行分析.如圖1,對不同像素值范圍(0～80,81～160,161～255,0～255)的靜態(tài)背景,分別制作散點圖,直方圖以及拆線圖.相比運動目標(biāo)而言,靜態(tài)背景的灰度特征更容易被發(fā)現(xiàn)和利用.如圖,散點圖顯示了像素的整體信息,如整體變化趨勢,整體范圍.直方圖則可顯示了像素的峰值,峰的數(shù)目,像素的分布信息.折線圖則顯示了像素的連續(xù)性.可以看到,靜態(tài)背景的像素值會隨時間而變化,后方將對這些變化進行分析并得出規(guī)律;像素值分布集中,但多峰的情況需要進一步分析;不同像素值范圍的靜態(tài)背景的直方圖分布特征也各不相同,一方面這是因為像素值的范圍為0～255,超出這個范圍的像素信號將被置為255或0,因而在255附近容易形成高峰,另一方面這是因為背景變化的幅度不同,如室內(nèi)背景變化較小,室外背景變化很大.同時應(yīng)該注意到,本節(jié)只給出了靜態(tài)背景的整體特征,分布特征和連續(xù)性特征,并沒有與運動目標(biāo),陰影進行比較分析,以致無法得到像素的分類特征.因此接下來的章節(jié),將分析靜態(tài)背景與運動目標(biāo),陰影之間的關(guān)系,并提取背景特征.

1.2 面向工業(yè)場景的單點像素序列的空間分布特征

由于眾多的運動目標(biāo)檢測算法基于距離(像素值與像素值之間的距離,如亮度差),而只有了解像素在空間的分布,才能選擇合適的距離公式.如果像素在空間中的分布呈球狀,則采用歐式距離公式;如果像素在空間中的分布呈橢球狀,則要先對像素空間進行變換,使像素分布呈球狀,再采用歐式距離公式.而像素空間的選擇有多種,如歸一的RGB,HSV,HSI,YCbCr等像素空間.文獻[12]用實驗證明,RGB顏色空間更好.因此,本文將在RGB像素空間上分析像素的間分布特征.同時,選擇散點圖進行作圖分析,從而結(jié)合像素的分類信息,對各類像素的空間分布特空征進行分析.實驗首先對單個像素點上的像素序列進行三維RGB空間散點作圖.如圖2,其中主要藍色的點為靜態(tài)背景(Static),紅色的點為運動目標(biāo)(Motion),深綠色的點為未知(Unknow),青色的點為陰影(Shadow).可以看到,靜態(tài)背景(Static)在三維RGB空間的分布相對于運動目標(biāo)(Motion)而言更加集中,并且靜態(tài)背景像素與運動目標(biāo)像素在分界面呈柱面狀.由于實驗中采樣得到陰影像素較少,因此散點圖中無法得到關(guān)于陰影像素的特征.關(guān)于陰影,將在2.4章節(jié)中進行單獨分析.

靜態(tài)背景像素相對集中,即像素值的方差較小,可以利用它對像素進行分類.即將方差小于某一閾值的像素序列分類為靜態(tài)背景,而將方差大于某一閾值的像素序列分類運動目標(biāo).該特征在高斯模型算法中得到應(yīng)用,然而在對高斯模型的研究中發(fā)現(xiàn)了新的問題：不同的像素點其靜態(tài)背景像素的方差也不同,并且靜態(tài)背景像素的方差隨時間而變化.為了更精確地學(xué)習(xí)靜態(tài)背景像素的方差,從而得到更精確的像素分類閾值,需要對靜態(tài)背景像素的方差進行分析.比如尋找與其相關(guān)且更容易得到的特征(背景像素的平均值、最大值、最小值等),再利用這些特征對方差進行修正或更新.然而本文在實驗中發(fā)現(xiàn),靜態(tài)背景像素的方差與這平均值、最大值、最小值的關(guān)系較小,但它與像素的極差(極差=最大值-最小值)有較大關(guān)系.

對于一個像素序列其平均值特征為：

方差特征值為：

極差特征值為：

其中,pmax,pmin分別為像素序列中的最大值和最小值.

靜態(tài)背景像素相對集中,除了使用方差進行刻畫,還可以可以通過范圍進行刻畫.如果學(xué)習(xí)到靜態(tài)背景像素值的范圍,那么可以通過比較像素值是否在該范圍而對像素進行分類.但在本質(zhì)上,利用范圍與利用方差,其本質(zhì)是相同的,因此基于范圍特征的算法與基于方差的算法是重疊的,在進行組合時混合算法的性能并不會顯著提高.

而靜態(tài)背景像素與運動目標(biāo)像素的分界面呈柱面這一特征,則在CodeBook[15]等算法中得到應(yīng)用.即通過將向量(R,G,B)歸一化,得方向向量,再利用靜態(tài)背景像素之間的方向向量夾角較小,而靜態(tài)背景像素與運動目標(biāo)像素之間的方向向量夾角較大(方向特征),對像素進行分類.然而由于運動目標(biāo)像素的方向向量經(jīng)常與背景像素重疊,由于這一特征在三維空間直角坐標(biāo)系中并不直觀,因此將方向向量映射到球坐標(biāo)系,在不丟失信息的同時,在維數(shù)從3降到2,從而在二維平面直角坐標(biāo)系中進行展示.如圖3,靜態(tài)背景與運動目標(biāo)大量重疊,但從圖2中可以看到,雖然運動目標(biāo)與靜態(tài)背景距離較大,但方向向量之間的距離很可能較小.因此還要考慮其它的特征,如分界面的上下界,即靜態(tài)背景像素值的上界和下界(上下界特征或范圍特征).在圖2和圖3中可以看到,上下界特征應(yīng)和方向特征結(jié)合使用.

圖2 單個像素點在三維RGB空間的分布

1.3 面向工業(yè)場景的單點像素序列隨時間的變化

前面分析了單點像素序列在空間中的分布,這并不能得到單個像素隨時間的變化特征,并且由于背景是變化的且存在噪聲,所以只要取樣的時間足夠長,靜態(tài)背景像素會將三維像素空間逐漸填滿.如圖4(a),通過作像素序列R、G+10、B+20與時間的散點圖,在觀察分類的同時,分析各個量隨時間的變化特征.實驗中,由于R、G、B三種像素值非常接近,因此為了防止三條曲線之間的相互覆蓋,對G與B的值進行了修正.這樣,可以觀察到,在多數(shù)情況下,RGB三種像素值同步變化,如在t=1010～1020時,三種像素值同時增加.同時也可以觀察到,三種靜態(tài)背景像素值隨時間的變化幅度大多數(shù)處于-5～5之間,而運動目標(biāo)的變化幅度則可能達到200以上.

圖3 三維方向向量序列映射到球坐標(biāo)系

圖4 像素隨時間的變化圖

另外,從圖4(a)中可以觀察到,靜態(tài)背景像素的值基本上穩(wěn)定不變,在t=0～90時,靜態(tài)背景像素值的最大值與最小值之間僅僅差1 0.但換一個像素位置,在圖4(b)可以看到,在t=0～80時,背景像素的最大值與最小值之間相差超過40.同時,圖4(b)圖t=12時,下一時刻的變化幅度接近20,遠遠高于圖4(a)圖的變化幅度.

像素值隨時間的變化幅度可以用幀差衡量,由于背景像素的幀差相對運動目標(biāo)較小,因此可以利用幀差對像素進行分類.典型的算法即基本算法中的幀差法,然而,進一步實驗發(fā)現(xiàn),有時運動目標(biāo)也同樣隨時間連續(xù)變化,這對應(yīng)著現(xiàn)實環(huán)境中運動目標(biāo)較大且顏色單一的情況,因此為保證正確率,幀差法得到的運動目標(biāo)往往不完整.對同一幀視頻中所有背景像素,作相應(yīng)幀差直方圖可以得到圖5(a);同樣,再對運動目標(biāo)進行實驗可以得到圖5(b).比較可以發(fā)現(xiàn),靜態(tài)背景和運動目標(biāo)的幀差在0-20時都達到峰值.因此為保證正確率,幀差法會將大量運動目標(biāo)誤差為背景像素.但注意到幀差在20～255時,主要的像素為運動目標(biāo)像素,此時由于靜態(tài)背景像素只占10%左右或者更少,因此可以直接將像素判斷為運動目標(biāo).如果結(jié)合噪聲過濾等操作,可以進一步提高幀差法的正確率,使之達到90%.而依據(jù)CDNet 2014年的結(jié)果,目前在所有視頻類的測試中,正確率最高的為FTSG,76.96%.然而,幀差法是也是通過計算像素與背景像素之間的距離對像素進行分類,這與之間提到的利用方差,利用范圍對像素進行分類重疊.因此幀差法并不能顯著改善基于方差或范圍特征的算法.

圖5 靜態(tài)背景的幀差與運動目標(biāo)的幀差

1.4 陰影像素序列在時間上的分布

陰影不同于動態(tài)背景,它伴隨著運動目標(biāo)而出現(xiàn),因此容易被當(dāng)成運動目標(biāo).由于在整個像素序列中,陰影出現(xiàn)的頻率較低,并且需要將陰影同運動目標(biāo)以及靜態(tài)背景進行比較,因此采用直方圖的形式來展現(xiàn)陰影的峰值特征,并利用散點圖來分析陰影像素在像素值上的特征.

如圖6所示,取像素中的某一固定位置在某一時間段進行采樣,并將采樣結(jié)果用直方圖的形式顯示出來.圖片GroundTruth及Input中的紅點表示取樣點的位置.GroundTruth為某一幀時的真實背景,Input為視頻某一幀的輸入,Shadow為一段時間內(nèi)陰影分布直方圖,水平軸代表著像素值,豎直軸代表出現(xiàn)該像素值的頻數(shù).同樣,Static與Motion分別為非陰影背景和運動目標(biāo)的分布直方圖,由于有時取樣點中在采樣時間段中沒有被運動目標(biāo)經(jīng)過,因此Motion的直方圖可能為空白.綜合多個視頻可以得到,陰影并不服從高斯分布,往往有多個峰值,雖然多數(shù)情況下陰影的灰度值要小于非陰影背景,但如圖7(a)所示,運動目標(biāo)的灰度值可能與陰影非常接近,因此利用陰影灰度值要小于非陰影背景灰度值的假設(shè)可能造成運動目標(biāo)漏檢.陰影是至今未解決的一大難點[12],從圖7(a)可以看到,陰影與運動目標(biāo)在像素值上難以區(qū)分.雖然多數(shù)算法中利用閾值對陰影和運動目標(biāo)進行區(qū)分,但實際情況是,利用閾值可以處理一些簡單的情況 ,如只出現(xiàn)陰影的情況(如圖7(b)),這時不會出現(xiàn)將運動目標(biāo)分類的為陰影的錯誤.但對于圖7(a),利用閾值則存在理論上的缺陷,或者出現(xiàn)將陰影分類為運動目標(biāo)的錯誤,或者出現(xiàn)將運動目標(biāo)分類為陰影的錯誤.

圖6 單個像素的陰影灰度的時間上的分布

圖7 陰影、靜態(tài)背景以及動態(tài)前景的散點圖

2 面向工業(yè)場景紋理特征的可視化與分析

2.1 邊緣特征

雖然多數(shù)算法將邊緣特征與紋理特征單獨進行處理,但本質(zhì)上,邊緣特征屬于紋理特征.邊緣特征可以只利用一幀視頻就得到有關(guān)于運動目標(biāo)的信息,而其它特征往往要利用兩幀或兩幀以上的視頻才能得到有關(guān)運動目標(biāo)的信息.然而邊緣特征存在閾值選取的問題.如果閾值過高,則無法檢測到運動目標(biāo)的邊緣.如果閾值過低,則會引入背景邊緣.同時,由于邊緣特征只能得到圖像的邊緣,并且往往得不連續(xù)的.如圖8所示,對輸入圖像Input求邊緣,得到的Sobel和Canny邊緣特征如圖所示,可以看到,邊緣特征不僅沒有包含運動目標(biāo)的完整邊緣,同時還含有大量背景邊緣.同樣,在流水線的傳動帶上的待加工產(chǎn)品的邊緣特征也很難準確界定.在本文的實驗中,即使改變邊緣算子或者閾值,也無法得到理想的邊緣信息(包含運動目標(biāo)的完整邊緣,同時不含或只含少量背景邊緣).因此,盡管邊緣特征含有運動目標(biāo)的特征,但由于背景邊緣的影響,邊緣特征很難被利用.

2.2 LBP局部二值模式特征

在運動目標(biāo)檢測算法中,最常用的紋理特征就是局部二值模式特征,即LBP.雖然單純基于紋理特征的算法在排名上靠后,但在性能較優(yōu)的混合算法中,基于紋理特征的算法相比排名靠前的算法,出現(xiàn)的頻率更高[12].對紋理的詳細分析超過了本文的范疇,本文僅對LBP進行分析.

圖8 Sobel和Canny邊緣特征

通過計算單個像素點p的3×3鄰域的LBP得到圖9,計算公式如下：

其中,pcenter為任意一個像素的位置,pneighbor為與像素p相鄰的像素,在3×3的鄰域中,N=8.

圖9 像素的LBP紋理特征

如圖9所示,雖然Static與Motion的LBP分布不同,但在pLBP=0附近,Static與Motion容易同時出現(xiàn)峰值,從而造成誤檢.同時可以看到Static的主要峰值包含Shadow的主要峰值,因此利用LBP進行運動檢測時可以消除陰影.對于LBP容易為0的問題,有幾種解決方案,一是通過擴大鄰域范圍,如將3×3的鄰域擴大為5×5或者7×7.二是改變二值化函數(shù).然而,目前的紋理特征還是無法準確處理紋理不明顯的情況,即在像素相對平坦的區(qū)域(像素中心點像素值與鄰域的像素值相近的區(qū)域),紋理特征無法很好地區(qū)分背景與運動目標(biāo).在像素相對平坦的區(qū)域,靜態(tài)背景的紋理值與運動目標(biāo)空間的值均接近0,因此容易出現(xiàn)將運動目標(biāo)分類為背景的錯誤.但在圖中也可以看到,陰影將會被正確地分類為靜態(tài)背景,因為陰影的紋理特征值基本上出現(xiàn)在靜態(tài)背景紋理特征值的值域內(nèi).利用LBP局部二值模式特征,能有效的區(qū)分廠房內(nèi)燈光對待加工產(chǎn)品形成的陰影的識別.

3 總結(jié)

本文從方向、范圍、方差、幀差、邊緣和紋理分析面向工業(yè)場景的背景特征,上述特征可歸為向量特征、標(biāo)量特征和區(qū)域特征三個維度.其中,向量特征包括方向,標(biāo)量特征包括幀差、方差、范圍,區(qū)域特征包括邊緣、紋理.維度相同的兩個背景特征重疊,維度不同的兩個背景特征互補.同時,由于互補特征越多,混合算法的性能就越好.因此,為了進一步提高工業(yè)場景中運動目標(biāo)檢測算法的性能,首先可以通過本文的可視化方法尋找新的背景特征并分析,其次可以從三個維度對背景特征進行選擇,最后組合背景特征并進行實驗得到性能顯著提升的混合算法.本文的分析結(jié)果在算法優(yōu)化方面有很多指導(dǎo)應(yīng)用的作用.例如,靜態(tài)背景像素相對集中,像素值的方差較小,可以利用它對像素進行分類,將方差小于某一閾值的像素序列分類為靜態(tài)背景,而將方差大于某一閾值的像素序列分類運動目標(biāo).該特征在高斯模型算法中得到應(yīng)用.而靜態(tài)背景像素與運動目標(biāo)像素的分界面呈柱面這一特征,通過將向量(R,G,B)歸一化,對像素進行分類,在等算法中得到應(yīng)用等.相比盲目的選擇背景特征進行組合并實驗,利用本文的工作進行面向工業(yè)場景的背景特征選擇可以節(jié)省大量的時間,并顯著提升算法的性能.

1 代科學(xué),李國輝,涂丹,等.監(jiān)控視頻運動目標(biāo)檢測減背景技術(shù)的研究現(xiàn)狀和展望.中國圖象圖形學(xué)報,2006,11(7)：919-927.[doi：10.11834/jig.200607158]

2 Benezeth Y,Jodoin PM,Emile B,et al.Comparative study of background subtraction algorithms.Journal of Electronic Imaging,2010,19(3)：033003.[doi：10.1117/1.3456695]

3 Brutzer S,H?ferlin B,Heidemann G.Evaluation of background subtraction techniques for video surveillance.Proceedings of 2011 IEEE Conference on Computer Vision and Pattern Recognition.Colorado Springs,CO,USA.2011.1937-1944.

4 Bouwmans T.Traditional and recent approaches in background modeling for foreground detection：An overview.Computer Science Review,2014,11-12：31-66.[doi：10.1016/j.cosrev.2014.04.001]

5 Sobral A,Vacavant A.A comprehensive review of background subtraction algorithms evaluated with synthetic and real videos.Computer Vision and Image Understanding,2014,122：4-21.[doi：10.1016/j.cviu.2013.12.005]

6 Goyette N,Jodoin PM,Porikli F,et al.Changedetection.net：A new change detection benchmark dataset.Proceedings of 2012 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops (CVPRW).Providence,RI,USA.2012.1-8.

7 Hofmann M,Tiefenbacher P,Rigoll G.Background segmentation with feedback：The pixel-based adaptive segmenter.Proceedings of 2012 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Providence,RI,USA.2012.38-43.

8 Van Droogenbroeck M,Paquot O.Background subtraction：Experiments and improvements for ViBe.Proceedings of 2012 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops.Providence,RI,USA.2012.32-37.

9 Schick A,B?uml M,Stiefelhagen R.Improving foreground segmentations with probabilistic superpixel Markov random fields.Proceedings of 2012 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops.Providence,RI,USA.2012.27-31.

10 Wang R,Bunyak F,Seetharaman G,et al.Static and moving object detection using flux tensor with split Gaussian models.Proceedings of 2014 IEEE Conference on Computer Vision and Pattern Recognition Workshops.Columbus,OH,USA.2014.420-424.

11 St-Charles P,Bilodeau GA,Bergevin R.Flexible background subtraction with self-balanced local sensitivity.Proceedings of 2014 IEEE Conference on Computer Vision and Pattern Recognition Workshops.Columbus,OH,USA.2014.414-419.

12 Jodoin PM,Piérard S,Wang Y,et al.Overview and benchmarking of motion detection methods.In：Bouwmans T,Porikli F,Hoferlin B,et al.,eds.Background Modeling and Foreground Detection for Video Surveillance.New York：CRC Press,2014.

13 Heikkila M,Pietikainen M.A texture-based method for modeling the background and detecting moving objects.IEEE Transactions on Pattern Analysis and Machine Intelligence,2006,28(4)：657-662.[doi：10.1109/TPAMI.2006.68]

14 Barnich O,Van Droogenbroeck M.ViBe：A universal background subtraction algorithm for video sequences.IEEE Transactions on Image Processing,2011,20(6)：1709-1724.[doi：10.1109/TIP.2010.2101613]

15 Kim K,Chalidabhongse TH,Harwood D,et al.Real-time foreground-background segmentation using codebook model.Real-Time Imaging,2005,11(3)：172-185.[doi：10.1016/j.rti.2004.12.004]

16 Bouwmans T,El Baf F,Vachon B.Background modeling using mixture of Gaussians for foreground detection-a survey.Recent Patents on Computer Science,2008,1(3)：219-237.[doi：10.2174/2213275910801030219]

17 萬纓,韓毅,盧漢清.運動目標(biāo)檢測算法的探討.計算機仿真 ,2006,23(10)：221-226.[doi：10.3969/j.issn.1006-9348.2006.10.056]

18 史志剛.視頻序列中運動目標(biāo)檢測與跟蹤技術(shù)研究[碩士學(xué)位論文].西安：西安電子科技大學(xué),2014.

19 高美鳳,劉娣.分塊幀差和背景差相融合的運動目標(biāo)檢測.計算機應(yīng)用研究,2013,30(1)：299-302.[doi：10.3969/j.issn.1001-3695.2013.01.077]

20 王東方,王玉德,王景武.基于改進的混合高斯模型的運動目標(biāo)檢測方法.激光技術(shù),2014,38(6)：776-779.[doi：10.7510/jgjs.issn.1001-3806.2014.06.011]

21 宋雪樺,陳瑜,耿劍鋒,等.基于改進的混合高斯背景模型的運動目標(biāo)檢測.計算機工程與設(shè)計,2010,31(21)：4646-4649.

22 魏建猛,陳松,龐首顏.改進的混合高斯模型視頻運動目標(biāo)檢測算法.重慶交通大學(xué)學(xué)報(自然科學(xué)版),2013,32(2)：365-368.[doi：10.3969/j.issn.1674-0696.2013.02.41]

23 Ji ZX,Huang YB,Xia Y,et al.A robust modified Gaussian mixture model with rough set for image segmentation.Neurocomputing,2017,266：550-565.[doi：10.1016/j.neucom.2017.05.069]

24 Chen W,Tian YH,Wang YW,et al.Fixed-point Gaussian Mixture Model for analysis-friendly surveillance video coding.Computer Vision and Image Understanding,2016,142：65-79.[doi：10.1016/j.cviu.2015.09.006]

25 Huang W,Liu L,Cui MJ,et al.A novel evaluation metric based on visual perception for moving target detection algorithm.Infrared Physics &Technology,2016,76：285-294.