一種自適應(yīng)運(yùn)動目標(biāo)檢測算法及其應(yīng)用

李善超，車國霖，張 果，楊曉洪

(昆明理工大學(xué) 信息工程與自動化學(xué)院，昆明 650500)

1 引 言

運(yùn)動目標(biāo)檢測在智能視頻監(jiān)控的應(yīng)用中扮演著重要的角色，是計(jì)算機(jī)視覺領(lǐng)域的一個研究熱點(diǎn)[1].運(yùn)動目標(biāo)檢測的實(shí)質(zhì)是在視頻序列中定位運(yùn)動中的目標(biāo)，而準(zhǔn)確的前景檢測是目標(biāo)分類、目標(biāo)跟蹤和行為識別研究的重要基石[2，3].運(yùn)動目標(biāo)檢測算法按類別可分為幀差法[1]、光流法[4]、背景建模法[5，6]3種.幀差法原理簡單且易于設(shè)計(jì)，然而其檢測結(jié)果存在空洞和鬼影的問題.光流法雖然精度高，但由于其計(jì)算量大，不適用于對實(shí)時性有較高要求的場景.背景建模法是在初始化過程中構(gòu)建出由背景樣本組成的模型，并將當(dāng)前幀與背景模型進(jìn)行差分，從而對像素進(jìn)行分類，最后得到運(yùn)動目標(biāo).其具有精度高實(shí)時性好的特點(diǎn).背景模型的準(zhǔn)確性決定了背景建模法的檢測精度，主要影響檢測精度的因素有鬼影問題、動態(tài)背景、噪聲干擾等[7].

高斯混合模型(GMM，Gaussian mixture model)[8]是運(yùn)動目標(biāo)檢測算法中最為經(jīng)典的算法，其本質(zhì)是基于像素樣本統(tǒng)計(jì)信息的背景建模方法，能夠?qū)?fù)雜背景進(jìn)行準(zhǔn)確建模，然而其計(jì)算復(fù)雜度較高.GMG算法[9]是統(tǒng)計(jì)背景模型的概率，采用貝葉斯逐像素分割，但在動態(tài)場景中其檢測精確度較低.核密度估計(jì)算法(KDE，Kernel Density Estimation)[10]是一種非參數(shù)背景建模方法，其通過大量的背景樣本估算背景像素的概率密度函數(shù)，從而根據(jù)像素背景概率來分類像素，然而其內(nèi)存占用與計(jì)算復(fù)雜度都較高.Barnich等人[11，12]于2009年提出一種非參數(shù)化視頻背景提取算法(ViBe，Visual Background Extractor)，該算法是為每個像素設(shè)置一個樣本集，并與新幀像素進(jìn)行閾值比較，從而對像素進(jìn)行分類，其具有實(shí)時性好、魯棒性高和易于集成于嵌入式設(shè)備的特點(diǎn).然而ViBe算法仍存在一些不足，限制了其在動態(tài)場景中的應(yīng)用.例如：1)當(dāng)初始化圖像中存在運(yùn)動中的目標(biāo)時，ViBe算法會在后續(xù)幀中檢測到鬼影，降低了算法的檢測精度且鬼影消除時間長;2)ViBe算法在動態(tài)場景中檢測精度低，容易受動態(tài)噪聲干擾;3)ViBe算法的背景模型更新策略無法適應(yīng)背景動態(tài)的變化.

針對ViBe算法存在的問題，本文提出一種自適應(yīng)運(yùn)動目標(biāo)檢測算法.本文將從以下3個方面對ViBe算法進(jìn)行改進(jìn).1)采用鬼影檢測法標(biāo)記鬼影區(qū)域并強(qiáng)制引入背景樣本，加速鬼影的抑制;2)采用自適應(yīng)匹配閾值的方法進(jìn)行像素分類，提高算法抗干擾的能力;3)根據(jù)像素分類的匹配值動態(tài)調(diào)整更新因子，提高算法適應(yīng)場景變化的能力.本文采用CDNET數(shù)據(jù)集中dynamicBackground視頻類中的5個視頻序列和3組河流漂浮物的視頻序列進(jìn)行研究，以本文算法和其他5種算法為例，定性、定量對實(shí)驗(yàn)結(jié)果做出質(zhì)量評價和分析.研究結(jié)果表明，本文算法相較于ViBe算法在召回率、精確率和F度量值方面均有提高，錯誤分類比更低，達(dá)到了預(yù)期的目標(biāo).

2 ViBe算法原理

ViBe算法是基于樣本隨機(jī)聚類的背景建模算法，具有運(yùn)算效率高、易于設(shè)計(jì)、易于集成嵌入設(shè)備的特點(diǎn)，能夠?qū)崿F(xiàn)快速的背景建模和運(yùn)動目標(biāo)檢測.算法的步驟包括背景模型初始化、像素分類過程和背景模型更新.

2.1 背景模型初始化

1)背景模型定義：ViBe算法的背景模型是由N個背景樣本組成的，v(x)是像素x的像素值，則背景模型M(x)定義如公式(1)所示：

M(x)={v1(x)，v2(x)，…，vN(x)}

(1)

2)背景模型初始化：ViBe算法利用視頻序列第1幀建立背景模型，從第2幀開始算法就可以有效地檢測運(yùn)動目標(biāo).背景模型初始化是在像素x的8鄰域NG(x)中選取一個像素值作為背景樣本，重復(fù)N次，如公式(2)所示：

(2)

3)隨機(jī)選取策略：背景建模時，背景樣本始終采用隨機(jī)選取鄰域像素的策略，以使背景模型更加穩(wěn)定可靠.

2.2 像素分類過程

ViBe算法采用計(jì)算歐氏距離來進(jìn)行像素的分類.SR(v(x))是以像素值v(x)作中心，匹配閾值R為半徑的二維歐氏空間，若SR(v(x))與M(x)的交集H{·}中元素個數(shù)不小于最小匹配數(shù)#min，則認(rèn)為像素x是背景像素，如公式(3)所示：

H{SR(v(x))∩{v1(x)，v2(x)，…，vN(x)}}

(3)

2.3 背景模型更新

1)保守更新機(jī)制：ViBe算法通過保守更新機(jī)制進(jìn)行背景模型更新，即如果像素被分類為背景像素，則以1/φ(φ是更新因子)的概率替代背景模型中的任一樣本.假設(shè)時間是連續(xù)且選擇過程是無記憶性的，在任一dt時間后，背景模型的樣本隨時間變化的概率如公式(4)所示：

(4)

公式(4)表明，背景模型樣本值的預(yù)期剩余壽命都呈指數(shù)衰減，背景模型的樣本更新與時間無關(guān).

2)隨機(jī)更新機(jī)制：ViBe算法通過隨機(jī)更新機(jī)制進(jìn)行樣本替換，使得每個樣本的存在時間成平滑指數(shù)衰減，提高了算法適應(yīng)背景變化的能力，避免了舊像素長期不更新帶來的模型劣化的問題.

3)空間傳播機(jī)制：ViBe算法也將背景像素引入鄰域的背景模型中，保證了鄰域像素空間的一致性.例如，用背景像素替換任一鄰域NG(x)中的任一樣本.

ViBe算法首次將隨機(jī)聚類技術(shù)應(yīng)用于運(yùn)動目標(biāo)檢測中，使得算法在背景模型初始化、像素分類過程、背景模型更新3個方面都比較簡單，保證了算法的實(shí)時性，因此ViBe算法被廣泛應(yīng)用于現(xiàn)實(shí)生活中[13].

3 提出的改進(jìn)算法

ViBe算法采用隨機(jī)采樣、非參數(shù)化和無記憶的更新策略，使得其具有較好的性能，但其在動態(tài)場景下仍然存在不能快速抑制鬼影、難以消除動態(tài)噪聲以及無法適應(yīng)場景動態(tài)變化的問題，本文將從以下3個方面對ViBe算法進(jìn)行改進(jìn).

3.1 鬼影檢測

ViBe算法利用第1幀建立背景模型，但也不可避免的將第1幀中存在的運(yùn)動目標(biāo)前景像素引入到背景模型中，導(dǎo)致鬼影問題和影響算法的檢測精度.假設(shè)背景模型M(x)是由第1幀中的前景像素樣本f(x)組成的，當(dāng)運(yùn)動目標(biāo)離開時，f(x)不在背景像素值b(x)的SR(b(x))圓內(nèi)，背景像素被錯誤的分類為前景，如公式(5)所示，則在第1幀中運(yùn)動目標(biāo)所在的區(qū)域就會出現(xiàn)虛擬的前景(鬼影).

(5)

本文針對這一問題，應(yīng)用鬼影檢測法標(biāo)記出第1幀中的鬼影區(qū)域，并向位于鬼影區(qū)域的背景模型中強(qiáng)制引入背景樣本，減少其中前景像素的數(shù)量，從而快速抑制鬼影.

鬼影檢測法借鑒了幀間差分法并對其進(jìn)行改進(jìn)，其原理是提取視頻序列的前3幀圖像，第1幀圖像分別與后兩幀圖像做差分運(yùn)算，設(shè)定差分閾值并對差分后的圖像進(jìn)行二值化分類，將二值化結(jié)果做邏輯或操作和形態(tài)學(xué)操作，即得到標(biāo)記有第1幀運(yùn)動目標(biāo)的鬼影模板Ghost(x)，在鬼影模板Ghost(x)中大于0的位置是第1幀中鬼影區(qū)域的.具體定義如公式(6)、公式(7)和公式(8)所示：

(6)

(7)

Ghost(x)=D1(x)orD2(x)

(8)

式中：D(x)為二值化圖像，Ik(x)為第k幀輸入圖像，一般k=1，T為圖像差分閾值，or為邏輯或操作.鬼影檢測法的對比效果如圖1所示.

圖1 鬼影檢測方法對比Fig.1 Comparison of ghost detection methods

圖1(a)為視頻序列的第1幀圖像；圖1(b)和圖1(c)分別是與操作和或操作的結(jié)果對比圖，從圖中可以看出，鬼影檢測法采用或操作相比與操作能更好的檢測出第1幀中存在的運(yùn)動目標(biāo).

鬼影檢測法標(biāo)記出鬼影區(qū)域后，還需要將背景像素引入到標(biāo)記位置背景模型中.基本思路是判定當(dāng)前幀中位于鬼影區(qū)域的像素是否被分類為前景，如果當(dāng)前位置像素被分類為前景，則當(dāng)前位置像素是運(yùn)動目標(biāo)移動后被錯誤分類為前景的背景像素，應(yīng)該將背景像素強(qiáng)制引入到當(dāng)前位置的背景模型中作為背景樣本，同時鬼影模板Ghost(x)-1，直到鬼影模版Ghost(x)等于0為止；如果當(dāng)前位置像素被分類為背景，那么當(dāng)前位置還存在運(yùn)動目標(biāo)，不進(jìn)行更新，直到當(dāng)前位置像素被分類為前景.該方法能夠在運(yùn)動目標(biāo)移動后強(qiáng)制將m個背景樣本引入到背景模型中，加速了鬼影的消除.鬼影區(qū)域消除具體流程如圖2所示.

圖2 鬼影消除的具體過程Fig.2 Specific process of ghost elimination

3.2 自適應(yīng)調(diào)整匹配閾值

雖然ViBe算法的匹配閾值(R=20)是適用于大多數(shù)場景的，然而Van等人[14]提出固定參數(shù)對于動態(tài)場景而言是不合適的，單一的匹配閾值設(shè)定降低了像素分類的準(zhǔn)確性，導(dǎo)致背景噪聲增加.因此，設(shè)定一個自適應(yīng)場景動態(tài)變化的匹配閾值來提高像素分類準(zhǔn)確性并消除背景噪聲.

Brutzer等人[15]建議在ViBe算法中引用一個與模型樣本相關(guān)的閾值，這樣能更好的處理偽裝前景點(diǎn).因此在固定匹配閾值的基礎(chǔ)上，本文提出一種可以自適應(yīng)調(diào)整每個像素匹配閾值R(x)的方法，進(jìn)而提高像素分類的準(zhǔn)確性.該方法核心思想是對于不同區(qū)域設(shè)定不同的匹配閾值，既降低高動態(tài)區(qū)域的背景像素誤判為前景像素的概率，又提高低動態(tài)區(qū)域檢測細(xì)微變化前景的能力.這里是通過計(jì)算像素的背景模型的標(biāo)準(zhǔn)偏差來確定像素的動態(tài)范圍，具體定義如公式(9)和公式(10)所示：

(9)

(10)

式中：Mi(x)表示像素x索引為i的背景樣本，μ(x)表示像素x的背景模型的平均灰度值，σ(x)表示像素x的背景模型的標(biāo)準(zhǔn)偏差，N表示背景模型中樣本的個數(shù).

得到像素x的動態(tài)范圍后，本文算法在動態(tài)匹配閾值σ(x)·γ(γ是動態(tài)匹配閾值系數(shù))的基礎(chǔ)上加上適用于大多數(shù)視頻序列的固定匹配閾值Rfix，從而得出自適應(yīng)匹配閾值R(x).為保證檢測的精度，對匹配閾值R(x)范圍進(jìn)行限定，根據(jù)實(shí)驗(yàn)經(jīng)驗(yàn)，R(x)范圍在[Rlower，Rupper]區(qū)間內(nèi)具有較理想的效果，R(x)定義公式如公式(11)所示：

R(x)=Rfix+σ(x)·γ

(11)

3.3 匹配值更新法

ViBe算法的更新因子是不變的，其是以1/16的概率將分類為背景的像素引入到背景模型中.然而固定的更新因子在背景簡單、變化單一的場景中具有較好的應(yīng)用，但在背景復(fù)雜、變化較快的場景中，固定的更新因子無法及時替換舊的背景樣本，使背景模型的豐富度和有效性大大降低，從而導(dǎo)致檢測結(jié)果中背景噪聲增加.針對這一問題，本文采用匹配值更新法來設(shè)定更新因子.

匹配值更新法是在每幀的像素分類的過程中建立一個由匹配值n所組成的更新模板updata(x)，根據(jù)更新模板中對應(yīng)位置的n值大小來設(shè)定更新因子.公式(12)定義如下：

(12)

式中，update(x)=k的設(shè)定是針對前景圖像中像素?cái)?shù)小于α的連通區(qū)域(這部分像素在前景圖像中做丟棄處理)；update(x)=0的設(shè)定是針對前景圖像中像素?cái)?shù)小于β的空洞區(qū)域(這部分像素在前景圖像中做填充處理)；除以上兩種情況外，更新模板update(x)等于對應(yīng)位置的匹配值.

接著，根據(jù)更新模板updata(x)動態(tài)調(diào)整更新因子，不僅引入更多不同的新背景樣本，提高背景模型的復(fù)雜度，并且加速了舊樣本值地淘汰.更新模板與更新因子的關(guān)系如公式(13)所示(η是常量)：

φ=updata(x)-η

(13)

由公式(13)可知，更新模板中的匹配值n越大，背景模型M(x)進(jìn)行更新的概率越小.更新概率P(x)與更新因子φ的關(guān)系是：P(x)=1/φ.

ViBe算法的空間傳播機(jī)制能夠加速背景模型的更新，保證了鄰域像素空間的一致性.但在動態(tài)背景下，前景像素被誤判背景像素時，該機(jī)制導(dǎo)致錯誤像素的擴(kuò)散，造成緩慢移動和靜止目標(biāo)出現(xiàn)空洞和殘缺問題.故本文算法決定抑制像素的空間傳播.

4 實(shí)驗(yàn)結(jié)果與應(yīng)用

為了評估本文算法在動態(tài)背景下的效果，本文采用CDNET數(shù)據(jù)集[16]提供的dynamicBackground視頻類中的5個視頻序列做測試.同時采用BGSLibrary[17]中提供的可執(zhí)行程序做經(jīng)典算法對比.實(shí)驗(yàn)和開發(fā)環(huán)境為VS2017，測試硬件平臺為Core i7 CPU，8GB內(nèi)存.

為了定量比較幾種算法的性能，本文采用召回率(Recall)、精確率(Precision)、錯誤分類百分比(PWC，percentage of wrong classification)和F度量值(F-measure)作為量化指標(biāo).具體定義如公式(14)-公式(17)所示：

(14)

(15)

(16)

(17)

式中，TP(True positive)表示正確檢測的前景像素?cái)?shù)；TN(True negative)表示正確檢測背景像素?cái)?shù)；FP(False positive)表示錯誤檢測的前景像素?cái)?shù)；FN(False negative)表示錯誤檢測的背景像素?cái)?shù).Recall反映應(yīng)該檢測到的前景像素中正確檢測的前景像素的占比；Precision反映實(shí)際檢測到的前景像素中正確檢測的前景像素的占比；PWC反映總像素中錯誤檢測像素的占比；F-measure反映算法檢測綜合質(zhì)量.

4.1 參數(shù)設(shè)置

本文方法由許多可調(diào)的參數(shù)組成，這些參數(shù)必須進(jìn)行適當(dāng)調(diào)整以獲得最佳的算法性能.然而，對于某些特定場景，參數(shù)可以針對需求進(jìn)行微調(diào).圖3是不同參數(shù)設(shè)置在各動態(tài)背景序列以及整體均值的F-measure性能，通過比較設(shè)定本文算法相關(guān)參數(shù)：N是背景模型中的樣本數(shù)，如圖3(a)所示，在N=15時，本文算法在dynamicBackground類中性能最佳；Rfix是固定匹配閾值，如圖3(b)所示，在Rfix為10時，本文算法性能最佳；γ是動態(tài)匹配閾值系數(shù)，如圖3(c)所示，當(dāng)取γ=0.5，算法結(jié)果最佳；Rlower和Rupper分別是匹配閾值的取值范圍的下界和上界，由于σ(x)是大于等于0的數(shù)，因此R(x)=Rlower≥Rfix，而Rupper設(shè)定為50；α和β分別是小目標(biāo)丟棄和空洞填充的像素?cái)?shù)閾值，如圖3(d)所示，α取15最佳，這里β取值為40；k是針對像素被丟棄時設(shè)定的更新模板值，k取值為2；T是幀間差分閾值，T取值為30；m是鬼影區(qū)域強(qiáng)制更新次數(shù)，m取值為3；#min是最小匹配數(shù)，同ViBe算法一樣取2；η經(jīng)實(shí)驗(yàn)測試取1最優(yōu)；圖3(e)是匹配值更新法與固定更新因子的對比結(jié)果，可以看出匹配值更新法可以提高算法F-measure性能.

圖3 不同參數(shù)設(shè)置在各動態(tài)背景序列及整體均值上的F-measure性能Fig.3 F-measure performance of different parameters on each dynamic background sequence and the overall mean

4.2 質(zhì)量評價

圖4是鬼影消除實(shí)驗(yàn)在baseline視頻類中highway視頻序列上與ViBe算法的對比實(shí)驗(yàn)，highway視頻序列中第1幀中包含兩輛正在移動的車輛，分別位于圖像的中上和右上區(qū)域，如圖4所示，自從而下分別為視頻序列第50幀、第150幀、第250幀、第350幀、第600幀.從圖中可以看出，在第50幀時本文方法在圖中中上和右上區(qū)域已經(jīng)不存在鬼影，相反的是，直到第600幀ViBe算法還未完全消除干凈鬼影.ViBe算法雖然能夠利用空間傳播機(jī)制緩慢消除鬼影，但該機(jī)制設(shè)置的更新條件較為苛刻(這是為了避免前景像素快速融入到背景模型中導(dǎo)致背景模型的劣化)，尤其是在更新因子設(shè)置較大的時候，鬼影消除較為緩慢.通過實(shí)驗(yàn)對比可以看出本文方法相較于ViBe算法能夠更快速地消除鬼影.

圖4 鬼影消除對比實(shí)驗(yàn)Fig.4 Comparison experiment of ghost elimination

圖5是各算法dynamicBackground視頻類測試結(jié)果的定性比較，圖5中以行為單位，自上而下分別為：canoe、fall、fountain01、fountain02、overpass視頻序列，以列為單位自左向右分別為：(a)輸入幀、(b)真值圖、(c)GMM-Stauffer、(d)GMM-Zivkovic、(e)GMG、(f)KDE、(g)ViBe、(h)本文算法的檢測結(jié)果.從圖5可以看出，GMM、GMG、KDE、ViBe算法雖然能夠檢測出運(yùn)動目標(biāo)，但其也將河水、晃動的樹葉、噴泉這類動態(tài)變化的干擾錯誤檢測為前景，影響檢測的精度.本文算法相較于其他算法，可以有效的克服背景噪聲干擾，適應(yīng)場景的動態(tài)變化規(guī)律，目標(biāo)檢測完整度和準(zhǔn)確度更高.

圖5 各算法在dynamicBackground視頻類的定性對比Fig.5 Qualitative comparison of algorithms in the dynamic Background video category

本文分別對各算法在dynamicBackground視頻類下的5個視頻序列求取性能指標(biāo)的平均值，如表1所示是各算法的性能定量對比結(jié)果.從表1中可以看出本文算法在Precision、PWC還是F-measure指標(biāo)上都好于其他5種算法.

表1 各算法在dynamicBackground視頻類的定量對比Table 1 Quantitative comparison of algorithms in the dynamicBackground video category

4.3 現(xiàn)實(shí)應(yīng)用

智能視頻監(jiān)控作為計(jì)算機(jī)視覺的重要應(yīng)用方面，近年得到廣泛重視[18]，尤其是在水文領(lǐng)域中的應(yīng)用.河流漂浮物對水質(zhì)、水面景觀、供水、水產(chǎn)、航運(yùn)、發(fā)電、水文測驗(yàn)造成了嚴(yán)重威脅[19]，河流漂浮物檢測是保障河道和水文測驗(yàn)安全的前提，故基于運(yùn)動目標(biāo)檢測方法的河流漂浮物檢測具有重要的應(yīng)用價值.

運(yùn)動目標(biāo)檢測方法在河流漂浮物檢測的應(yīng)用中能夠快速準(zhǔn)確的定位河流漂浮物位置與漂浮物面積大小，具有實(shí)時性好、適用范圍廣、易集成于嵌入式設(shè)備的特點(diǎn).在河流漂浮物檢測的應(yīng)用中，由于漂浮物種類多、數(shù)量大、組成多樣，導(dǎo)致漂浮物難以用單一模型進(jìn)行模擬推測[20].同時河流漂浮物的運(yùn)移受河流流勢影響，因此對目標(biāo)檢測方法的實(shí)時性有較高要求.尤其在鉛魚測流過程中，河流漂浮物沖撞鉛魚及其懸掛的流速儀會導(dǎo)致流速儀損壞，干擾正常的測流工作，嚴(yán)重時漂浮物纏繞鉛魚致使承載鉛魚的纜道坍塌.因此對河流漂浮物的快速檢測為鉛魚預(yù)警與避障提供了重要的依據(jù).

本文采用3組河流漂浮物視頻序列進(jìn)行ViBe算法與本文方法在現(xiàn)實(shí)應(yīng)用上的對比，如圖6所示.

圖6 2種算法在河流漂浮物檢測中的定性對比Fig.6 Qualitative comparison of two algorithms in thedetection of river floating objects

在圖6中自上而下分別是視頻序列1、視頻序列2和視頻序列3.視頻序列1中是較為平靜的河流場景，漂浮物為人工丟置的黑色泡沫板，灰度特征較為明顯，除了較小的波浪干擾外，無其他干擾.視頻序列共有300幀.視頻序列2中是波動較大的河流場景，河流漂浮物為圖像左側(cè)漂過來的油桶，灰度特征較為復(fù)雜，除了較大的波浪干擾外，還有河岸樹木晃動干擾.視頻序列共有100幀.視頻序列3中是波動較大的河流場景，河流漂浮物為圖像右側(cè)漂過來的垃圾，由于下雨影響，圖像清晰度較差，波浪干擾較多，視頻序列共有150幀.從圖6對比實(shí)驗(yàn)可以看出本文方法相較于ViBe算法能更好的適應(yīng)以動態(tài)背景為主的河流漂浮物檢測場景，有效檢測河流漂浮物的同時消除噪聲干擾.ViBe算法與本文算法在河流漂浮物檢測實(shí)驗(yàn)中的定量性能對比如表2所示.

表2 2種算法在河流漂浮物檢測中的定量對比Table 2 Quantitative comparison of two algorithms in thedetection of river floating objects

通過求取3個視頻序列性能指標(biāo)的平均值得到表2.通過表2可以看出，本文算法在河流漂浮物檢測中，Recall、Precision、F-measure指標(biāo)相較于ViBe算法有明顯提高，PWC指標(biāo)有明顯下降.

5 總 結(jié)

本文提出了一種自適應(yīng)運(yùn)動目標(biāo)檢測算法，該算法提出鬼影檢測法標(biāo)記鬼影區(qū)域并強(qiáng)制引入標(biāo)記像素到背景模型中，加速鬼影的消除，采用自適應(yīng)匹配閾值的方法進(jìn)行像素分類，并根據(jù)匹配值大小動態(tài)調(diào)整更新因子，提高算法對動態(tài)背景的適應(yīng)能力.實(shí)驗(yàn)結(jié)果表明，相比于ViBe算法，本文算法更能有效消除鬼影，克服動態(tài)噪聲的負(fù)面影響，適應(yīng)場景的變化，將其應(yīng)用于河流漂浮物檢測場景中，也能夠?qū)崟r檢測出河流漂浮物，保障鉛魚測流安全.