孫國慶,侯忠生

(青島大學(xué)自動化學(xué)院,山東青島 266071)

1 引言

隨著集成電路和多媒體技術(shù)的發(fā)展,人們通過相機(jī)采集到大量的視頻數(shù)據(jù),為計算機(jī)視覺的研究與發(fā)展提供了豐富的數(shù)據(jù)集.在計算機(jī)視覺領(lǐng)域,視頻序列中的運(yùn)動目標(biāo)檢測[1-2]是一項重要研究課題.運(yùn)動目標(biāo)檢測是通過分析視頻序列圖像,提取場景中的運(yùn)動目標(biāo),是進(jìn)行目標(biāo)跟蹤[3]、行為識別[4]和異常檢測[5]等后續(xù)更高級處理的關(guān)鍵步驟.背景減除[6-7]是應(yīng)用于運(yùn)動目標(biāo)檢測的有效方法.只要得到視頻序列中穩(wěn)定的背景圖像,將視頻序列中的原圖像與背景圖像做差分運(yùn)算,即可得到前景運(yùn)動目標(biāo)圖像.

2012年召開的IEEE CVPR’2012國際會議上對近年來運(yùn)動目標(biāo)檢測的研究成果進(jìn)行了評價并總結(jié)成文[8].同時IEEE CVPR’2012提供了7類公共視頻數(shù)據(jù)集,每類數(shù)據(jù)集又包含不同場景下采集到的視頻序列.IEEE CVPR’2014將公共視頻數(shù)據(jù)集由7類增加到11類[9].根據(jù)采集視頻序列的相機(jī)與被監(jiān)控場景是否有相對運(yùn)動,該數(shù)據(jù)集分為靜態(tài)背景和動態(tài)背景兩類.在11類公共視頻數(shù)據(jù)集中,其動態(tài)背景包含相機(jī)抖動、相機(jī)旋轉(zhuǎn)和相機(jī)縮放3種不同場景.現(xiàn)實(shí)世界中由于自然風(fēng)或地面震動等原因造成相機(jī)抖動是一種常見現(xiàn)象.相機(jī)抖動會造成整幅圖像發(fā)生偏移,從而導(dǎo)致現(xiàn)有大多數(shù)背景減除法處理效果不理想.同時視頻背景圖像也會因天氣、光照、傳輸噪聲等影響發(fā)生不確定性的變化,這也會給背景圖像的提取增加困難.為了克服這些干擾,構(gòu)造一個更加接近真實(shí)值的背景圖像表達(dá)方式是非常關(guān)鍵的.

目前,有多種先進(jìn)的背景表達(dá)方式,如混合高斯(mixture of Gaussians,MoG)、核密度估計(kernel density estimation,KDE)[10]、模糊積分(fuzzy integrals,FI)[11]、自組織映射(self-organizing map,SOM)等.盡管背景圖像表達(dá)方式不同,但均利用視頻序列的歷史數(shù)據(jù),通過特定歷史數(shù)據(jù)處理方法對背景圖像建立數(shù)學(xué)模型.然后根據(jù)模型對新視頻序列實(shí)時處理進(jìn)而表達(dá)背景圖像.歷史數(shù)據(jù)處理方法可分為以下3種[12]:

1) 原始數(shù)據(jù)統(tǒng)計模型.

統(tǒng)計背景圖像歷史數(shù)據(jù)的中值[13]、平均值、加權(quán)平均值或其它統(tǒng)計指標(biāo)建立數(shù)學(xué)模型來預(yù)測背景值.顯然原始數(shù)據(jù)統(tǒng)計模型不能實(shí)時適應(yīng)背景變化.

2) 數(shù)據(jù)統(tǒng)計分布模型.

假定背景圖像歷史數(shù)據(jù)滿足某些統(tǒng)計分布,根據(jù)統(tǒng)計分布建立數(shù)學(xué)模型來表示背景.代表模型有核密度估計[10]、混合高斯模型(Gaussian mixture model,GMM)[14]、基于區(qū)域高斯混合(region-based mixture of Gaussians,RMOG)[15]等.但當(dāng)背景圖像受到噪聲干擾,背景值可能會出現(xiàn)不符合假定統(tǒng)計分布的情況.

3) 數(shù)據(jù)學(xué)習(xí)模型.

數(shù)據(jù)學(xué)習(xí)模型是通過特定的學(xué)習(xí)方式提取歷史數(shù)據(jù)特征來預(yù)測背景,克服了數(shù)據(jù)統(tǒng)計分布模型的假設(shè)失效問題,同時模型的精度和魯棒性可由學(xué)習(xí)方法和預(yù)測因子的合理選取來保障.代表模型有模糊積分(fuzzy integrals)[11]、碼本(codebook)[16]和自組織背景相減(self-organizing background subtraction,SOBS)[17]等.

當(dāng)場景發(fā)生變化或受到光照噪聲等影響時,建立的模型可能會出現(xiàn)失真情況,導(dǎo)致難以表示真實(shí)的背景圖像.基于失真模型而得到的圖像處理結(jié)果其可應(yīng)用性將會受到質(zhì)疑.數(shù)據(jù)驅(qū)動方法是根據(jù)系統(tǒng)的歷史在線數(shù)據(jù),直接尋找輸入輸出數(shù)據(jù)之間的關(guān)系,進(jìn)而可省略建模過程,直接得到所期望結(jié)果的方法.數(shù)據(jù)驅(qū)動方法更適合背景圖像的表達(dá),可避免數(shù)學(xué)模型帶來的不確定性.

無模型自適應(yīng)控制(model-free adaptive control,MFAC)理論是侯忠生教授于1994年提出并已經(jīng)得到廣泛驗(yàn)證的數(shù)據(jù)驅(qū)動方法[18-21].該方法不包含系統(tǒng)模型信息,僅利用被控系統(tǒng)的輸入輸出數(shù)據(jù),避免了模型帶來的干擾.MFAC方法已經(jīng)在運(yùn)動目標(biāo)檢測方面得到成功的應(yīng)用[12,22].文獻(xiàn)[12]用MFAC方法處理灰度視頻序列.文獻(xiàn)[22]在灰度視頻序列的基礎(chǔ)上,使用了多輸入多輸出情形下的MFAC方法處理RGB視頻序列.基于彩色圖像的MFAC算法分離的前景圖像正確率更高.上述MFAC方法的應(yīng)用場景均是在靜態(tài)背景,然而在動態(tài)背景中,例如相機(jī)抖動場景,MFAC對視頻序列中運(yùn)動目標(biāo)檢測還沒有任何研究.

相機(jī)抖動會造成相鄰兩幀圖像發(fā)生偏移,即圖像上同一物體對應(yīng)的像素點(diǎn)在坐標(biāo)位置上發(fā)生平移.同時抖動也會造成圖像邊界像素丟失和新的像素信息進(jìn)行填補(bǔ).如果抖動造成的偏移量不太大,例如圖像偏移量不超過整幅圖像的10%,根據(jù)實(shí)際圖像處理經(jīng)驗(yàn),此時大多數(shù)像素點(diǎn)僅在位置上發(fā)生平移運(yùn)動.如果能計算出相鄰兩幀圖像之間的偏移量,然后對偏移量進(jìn)行運(yùn)動補(bǔ)償,可有望消除相機(jī)抖動帶來的干擾.即通過背景補(bǔ)償法[23]將動態(tài)背景轉(zhuǎn)化為靜態(tài)背景.

本文在MFAC算法處理靜態(tài)視頻序列圖像的基礎(chǔ)上,提出了一種處理相機(jī)抖動場景下運(yùn)動目標(biāo)檢測的無模型數(shù)據(jù)驅(qū)動算法.其流程圖如圖1所示.具體算法描述如下:通過特征檢測獲取相鄰兩幀圖像若干穩(wěn)定的特征點(diǎn)對,根據(jù)匹配特征點(diǎn)對的偏移量來估計相機(jī)的偏移量,進(jìn)行背景運(yùn)動補(bǔ)償.利用基于緊格式動態(tài)線性化(compact form dynamic linearization,CFDL)的MFAC方法,建立背景圖像更新系統(tǒng),實(shí)現(xiàn)對視頻序列背景圖像的表達(dá).運(yùn)用背景減除法,提取出前景運(yùn)動目標(biāo).最后通過不同視頻序列進(jìn)行仿真實(shí)驗(yàn),并與其它運(yùn)動目標(biāo)檢測方法進(jìn)行對比,來驗(yàn)證本文算法的有效性和優(yōu)越性.

圖1 MFAC相機(jī)抖動場景運(yùn)動目標(biāo)檢測步驟Fig.1 Steps of MFAC moving object detection in camera jitter scene

2 特征問題

在相機(jī)抖動場景中,如果不考慮像素偏移量,直接運(yùn)用MFAC方法表達(dá)背景圖像,構(gòu)建出來的背景圖像會隨著幀數(shù)的增加逐漸模糊化,造成大量的誤檢區(qū)域并引入很多噪聲,示意圖像見圖2.小幅值的相機(jī)抖動沒有改變圖像的局部特征,只是在坐標(biāo)位置上發(fā)生偏移.因此圖像的特征檢測是作為估計相機(jī)偏移量的優(yōu)選.本文利用Harris角點(diǎn)檢測算法[24]分別提取相鄰兩幀圖像的角點(diǎn)特征,作為計算偏移量的特征點(diǎn).

圖2 相機(jī)抖動場景直接運(yùn)用MFAC進(jìn)行處理Fig.2 MFAC is directly used for image processing in camera jitter scene

2.1 特征檢測

Harris角點(diǎn)檢測算法原理[24]是利用窗口內(nèi)圖像灰度的自相關(guān)性進(jìn)行的.當(dāng)像素點(diǎn)在橫向和縱向都出現(xiàn)像素值較大變化時,即認(rèn)定為特征角點(diǎn).檢測過程為設(shè)定一個窗口并在圖像中移動,計算移動前與移動后窗口所在區(qū)域圖像的自相關(guān)系數(shù).對于圖像I(x,y),當(dāng)在像素點(diǎn)(x,y)處平移(Δx,Δy)后的自相似性通過下面自相關(guān)函數(shù)給出:

式中:(x,y)是窗口中心位置,w為窗函數(shù)(window function),L表示窗口,(Δx,Δy)是窗口的偏移量,E表示圖像灰度變化的劇烈程度.對E做泰勒展開:

特征點(diǎn)響應(yīng)函數(shù)用下式表示:

式中:det(M)表示矩陣M的行列式,trace(M)表示矩陣M的跡,R表示特征點(diǎn)響應(yīng)值.?為經(jīng)驗(yàn)常數(shù),一般在0.04至0.06之間取值.當(dāng)R ?0時,即為檢測到的特征角點(diǎn)區(qū)域.

2.2 特征匹配

本文采用歐式距離的方法[25]對特征點(diǎn)進(jìn)行初匹配.假設(shè)兩個特征點(diǎn)為p和q,其128維的特征描述子記為Dp和Dq,則歐式距離用下式表示:

通過采用最近鄰與次近鄰距離比值法作為特征匹配的相似性度量準(zhǔn)則.選取與目標(biāo)特征點(diǎn)的最近鄰參考特征點(diǎn)作為正確匹配點(diǎn),取次近鄰參考特征點(diǎn)作為錯誤匹配點(diǎn).如果二者歐氏距離的比值小于設(shè)定的閾值時,則認(rèn)為是特征匹配點(diǎn).特征點(diǎn)初匹配結(jié)果如圖3所示.

圖3 初匹配結(jié)果Fig.3 Initial matching results

在進(jìn)行初匹配的特征點(diǎn)對結(jié)果中,不僅包含背景圖像物體的匹配特征點(diǎn)對,同時也包含了前景運(yùn)動物體的匹配特征點(diǎn)對.前景運(yùn)動物體位置偏移是由前景物體本身運(yùn)動與相機(jī)運(yùn)動共同造成,故匹配的前景運(yùn)動物體特征點(diǎn)對應(yīng)該被剔除.本文采用隨機(jī)抽樣一致算法(random sample consensus,RANSAC)[26]去除前景匹配特征點(diǎn)對.只保留背景匹配特征點(diǎn)對結(jié)果如圖4所示.在只包含背景匹配特征點(diǎn)對得到的一組偏移量數(shù)據(jù)中,出現(xiàn)次數(shù)最多的數(shù)值即為相鄰兩幀照片的偏移量(Δm,Δn).

圖4 去除前景匹配特征點(diǎn)對匹配結(jié)果Fig.4 Remove the matching result of foreground matching feature point pairs

3 背景表達(dá)

通過估計出相機(jī)偏移量,確定相鄰兩幀圖像像素之間的對應(yīng)關(guān)系,目的是克服相機(jī)抖動的干擾,使動態(tài)背景轉(zhuǎn)化為靜態(tài)背景運(yùn)動目標(biāo)檢測.下面將利用數(shù)據(jù)驅(qū)動的思想進(jìn)行背景圖像的表達(dá).

3.1 原始MFAC算法

考慮下面一類在線單入單出離散時變非線性系統(tǒng):

式中:f(·)是未知的非線性函數(shù),y(k)與u(k)分別是系統(tǒng)在k時刻的輸出與輸入,ny與nu分別是系統(tǒng)輸出與輸入的未知階數(shù).

假設(shè)1f(·)關(guān)于控制輸入的偏導(dǎo)數(shù)是連續(xù)的.

假設(shè)2除有限時刻點(diǎn)外,控制系統(tǒng)(9)滿足廣義利普希茨條件,即對任意的k12,k1≥0,k2≥0和u(k1)(k2),有|Δy(k+1)|≤c|Δu(k)|,其 中Δy(k+1)=y(k+1)?y(k),Δu(k)=u(k)?u(k ?1),c ＞0是一個常數(shù).

注1假設(shè)1是大多數(shù)數(shù)據(jù)驅(qū)動算法的一般條件.假設(shè)2是對受控對象動力學(xué)行為的一種約束,即有限的影響因素變化不能引起無限的輸出行為變化.

對滿足假設(shè)1,2的非線性系統(tǒng)(9),當(dāng)|Δu(k)|0時,一定存在一個被稱為偽偏導(dǎo)數(shù)(pseudo partial derivative,PPD)的時變參數(shù)φc(k)∈R,使得系統(tǒng)(9)轉(zhuǎn)化為如下CFDL數(shù)據(jù)模型[19]:

并且φc(k)對任意時刻k有界.

考慮如下控制輸入準(zhǔn)則函數(shù):

式中:λ ＞0是一個權(quán)重因子,目的是限制控制輸入的變化;y?(k+1)為期望輸出.

將式(10)帶入準(zhǔn)則函數(shù)(11)中,對u(k)求導(dǎo)并令其導(dǎo)數(shù)為零,可得如下控制算法[19]:

式中:ρ ∈(0,1]是步長因子,目的是使算法更具有一般性.

式(12)中φc(k)的值是未知的,考慮如下估計準(zhǔn)則函數(shù):

式中:μ＞0是權(quán)重因子.對式(13)關(guān)于φc(k)求極值,可得PDD的估計算法:

式中:η ∈(0,1]是步長因子,目的是使估計算法更具有一般性.(k)是φc(k)的估計值.

綜合PPD估計算法(14)和控制算法(12),單入單出離散時變非線性系統(tǒng)的CFDL-MFAC方案如下[19]:

注2式(15)是PPD估計算法,式(16)是重置算法,式(17)是控制輸入算法.重置算法的引入是為了使PPD估計算法具有更強(qiáng)的對時變參數(shù)的跟蹤能力.

3.2 靜態(tài)背景表示

在靜態(tài)場景中,視頻序列背景圖像中像素點(diǎn)(m,n)在各個時刻的值用{b(m,n,1),b(m,n,2),···,b(m,n,t)}序列表示.該序列可看作單入單出離散時變非線性系統(tǒng).視頻背景圖像受自然環(huán)境影響緩慢變化,且像素值為有界正整數(shù),所以背景圖像的生成滿足假設(shè)1和2.因此可以將背景圖像生成系統(tǒng)轉(zhuǎn)化為如下CFDL數(shù)據(jù)模型[12,22]:

3.3 相機(jī)抖動背景表示

相機(jī)抖動引起像素坐標(biāo)位置偏移,相鄰兩幀圖像像素對應(yīng)點(diǎn)的坐標(biāo)位置在時刻發(fā)生變化,其變化規(guī)律可用下式表示:

式中:i代表以當(dāng)前時刻為基準(zhǔn)向前i個時刻.Δm(t ?i ?1),Δn(t ?i ?1)分別表示t ?i和t ?i ?1相鄰兩時刻圖像在行和列方向的偏移量.當(dāng)前時刻像素點(diǎn)坐標(biāo)(m0,n0)因?yàn)槠茖?yīng)的t ?1時刻的像素點(diǎn)坐標(biāo)為(m1,n1).

在相機(jī)抖動場景中,視頻序列背景圖像中像素點(diǎn)(m,n)在各個時刻的值用{b(m,n,1),b(m ?Δm(1),n?Δn(1),2),···,b(m?t)}序列表示,該序列依然可看作單入單出離散時變非線性系統(tǒng),同樣滿足假設(shè)1和2.因此背景圖像生成系統(tǒng)轉(zhuǎn)化為如下CFDL數(shù)據(jù)模型:

式中:Δb(m0,n0,t)=b(m0,n0,t)?b(m1,n1,t?1),b(m1,n1,t ?1)表示像素(m1,n1)在t ?1時刻生成的背景圖像,其對應(yīng)的是t時刻像素(m0,n0)的背景圖像;φ(m1,n1,t ?1)表示背景圖像生成系統(tǒng)的偽偏導(dǎo)數(shù);Δu(m1,n1,t ?1)表示背景圖像生成系統(tǒng)的輸入變化,用下式表示:

因此,相機(jī)抖動場景下CFDL-MFAC背景圖像生成方案用式(25)-(27)表示:

4 背景更新與前景提取

實(shí)時進(jìn)行背景更新與前景提取是整個運(yùn)動目標(biāo)檢測系統(tǒng)的兩個關(guān)鍵步驟,二者交錯迭代進(jìn)行.前景提取采用如下背景減除法:

式中:F表示像素點(diǎn)(m0,n0)在t時刻前景目標(biāo)判斷結(jié)果,th代表前景與背景的分離閾值.當(dāng)差分結(jié)果大于等于閾值th,表示t時刻像素點(diǎn)(m0,n0)被前景運(yùn)動目標(biāo)遮擋,則F值為1,分離出前景目標(biāo);當(dāng)差分結(jié)果小于閾值th,表示t時刻像素點(diǎn)(m0,n0)處為背景,則F值為0,進(jìn)行背景更新.

選擇性背景更新策略用下式表示:

式中:當(dāng)F的值為1時,代表在t時刻存在前景目標(biāo),此時需要更新的背景像素點(diǎn)就用前一時刻相機(jī)抖動對應(yīng)的背景像素點(diǎn)值代替.當(dāng)F的值為0時,代表在t時刻不存在前景目標(biāo),背景更新就用MFAC的方法減少各種噪聲的干擾.

注3相機(jī)抖動會使部分像素點(diǎn)丟失,導(dǎo)致邊界像素點(diǎn)無法找到前一時刻對應(yīng)的坐標(biāo)像素點(diǎn).采用當(dāng)前時刻圖像的像素點(diǎn)作為背景圖像像素點(diǎn)進(jìn)行更新,用下式表示:

5 實(shí)驗(yàn)驗(yàn)證

5.1 實(shí)驗(yàn)環(huán)境及參數(shù)

PC機(jī)配置為windows 10操作系統(tǒng),AMD Ryzen 7 4800H,2.90 GHz 8Cores,16 GB RAM.軟件為MATLAB2019.

視頻數(shù)據(jù)集是由IEEE CVPR發(fā)布在ChangeDetection.net網(wǎng)站上的數(shù)據(jù)集dataset2014.dataset2014提供了11類視頻數(shù)據(jù)集,其中camera Jitter是專門的相機(jī)抖動場景下的視頻數(shù)據(jù)集,包含四大視頻序列,根據(jù)場景不同所對應(yīng)的視頻序列的名字分別為badminton,boulevard,sidewalk,traffic.該四類場景視頻序列即為本文所處理的視頻數(shù)據(jù)集.

5.2 參數(shù)選擇

控制方案(27)-(29)中的參數(shù)ρ,λ,μ,η將會影響控制系統(tǒng)的穩(wěn)定性和響應(yīng)速度.本文中,參數(shù)選取為ρ=0.1,λ=1,μ=1,η=1,φ(m,n,1)=0.2,th=25.背景初始化方法根據(jù)文獻(xiàn)[27]確定.

5.3 定性結(jié)果

將本文方法與KDE[10],GMM[14],RMOG[15]和SOBS[17]4種方法進(jìn)行比較.仿真結(jié)果如圖5-6所示.圖5是同一視頻序列boulevard不同視頻幀的實(shí)驗(yàn)對比結(jié)果.從圖5中可以看出MFAC方案更新的背景基本還原了真實(shí)的背景圖像,同時提取的前景更加接近真實(shí)前景圖像,且包含更少的誤檢噪點(diǎn),基本消除了相機(jī)抖動和外部光照等噪聲的影響.圖6是針對不同視頻序列traffic,sidewalk,badminton的仿真結(jié)果,從圖6中可以看出,基于MFAC的方法,更新的背景與分離的前景圖像效果最好,表明MFAC方法普適性、魯棒性最強(qiáng).

圖5 視頻序列boulevard.(a)當(dāng)前原始圖像;(b)真實(shí)前景圖像;(c)MFAC提取的前景圖像;(d)MFAC提取的背景圖像;(e)GMM;(f)KDE;(g)RMOG;(h)SOBS.視頻幀數(shù)分別是#900,#1200,#1490Fig.5 The video sequence comes from boulevard.(a)original image;(b)ground truth;(c)foreground image by MFAC;(d)background image by MFAC;(e)GMM;(f)KDE;(g)RMOG;(h)SOBS.The video frames are#900,#1200,#1490,respectively

圖6 視頻序列分別為traffic,sidewalk,badminton.(a)當(dāng)前原始圖像;(b)真實(shí)前景圖像;(c)MFAC提取的前景圖像;(d)MFAC提取的背景圖像;(e)GMM;(f)KDE;(g)RMOG;(h)SOBS.視頻幀數(shù)分別是#960,#880,#1100Fig.6 The video sequences come from traffic,sidewalk,badminton,respectively.(a) original image;(b) ground truth;(c)foreground image by MFAC;(d)background image by MFAC;(e)GMM;(f)KDE;(g)RMOG;(h)SOBS.The video frames are#960,#880,#1100,respectively

5.4 定量評價

IEEE CVPR提供了如下定量評價數(shù)量檢測指標(biāo),即:召回率(recall)、精密度(precision)、F-測度(F-measure)和正確分類率(percentage of correct classification,PCC)[8-9]用于檢驗(yàn)不同前景圖像提取方法.

式中:TP表示準(zhǔn)確提取的背景像素點(diǎn)個數(shù);TN表示準(zhǔn)確提取的前景像素點(diǎn)個數(shù);FP表示錯誤識別為背景的前景像素點(diǎn)個數(shù);FN表示錯誤識別為前景的背景像素點(diǎn)個數(shù).

召回率代表被正確提取為背景的像素點(diǎn)占理想狀態(tài)背景的比例.精密度代表提取出的背景圖像中理想狀態(tài)背景占得比例.F-測度結(jié)合召回率和精確度綜合反映背景提取方法的性能.正確分類率代表正確分類背景和前景占總像素點(diǎn)數(shù)的比例.這些指標(biāo)均代表準(zhǔn)確率,數(shù)值越接近1代表方法性能越好.

前景圖像數(shù)值指標(biāo)對比結(jié)果見圖7-10.本文提出的方法前景召回率穩(wěn)定在90%左右,說明對前景圖像的提取較為完整.像素正確分類率在98%以上,表明前景與背景分離效果較好.

圖7 召回率的對比Fig.7 Comparison of recall

圖8 精密度的對比Fig.8 Comparison of precision

表1匯總了數(shù)據(jù)集cameraJitter4類視頻序列全部的實(shí)驗(yàn)指標(biāo)結(jié)果,以平均值的形式進(jìn)行對比.從中可以看出,MFAC對視頻序列處理的結(jié)果指標(biāo)保持最高,要優(yōu)于其他方法.

圖9 F-測度的對比Fig.9 Comparison of F-measure

圖10 正確分類率的對比Fig.10 Comparison of PCC

表1 不同方法的定量比較Table 1 Quantitative comparisons on different methods

表2匯總了幾種方法的處理速度,MFAC因?yàn)槠溆嬎愫唵?、計算量小的?yōu)點(diǎn),在處理速度上也優(yōu)于其它算法.

表2 不同方法處理速度比較Table 2 Processing speed on different methods

從仿真對比的定性分析與定量分析結(jié)果中,可以看出,本文提出的估算相機(jī)偏移量,基于MFAC圖像處理算法可以很好地處理相機(jī)抖動場景下的運(yùn)動目標(biāo)檢測問題.同時基于數(shù)據(jù)驅(qū)動的方式避免了模型失真的影響,且具有更強(qiáng)的跟蹤能力、魯棒性以及對場景的適應(yīng)性更強(qiáng).

6 結(jié)論

為了克服相機(jī)抖動與光照變化等外界因素對背景圖像表達(dá)的影響,提出一種以特征檢測來消除相機(jī)抖動的干擾、借助CFDL-MFAC數(shù)據(jù)驅(qū)動控制算法來實(shí)現(xiàn)更新背景圖像的方法.仿真試驗(yàn)對比表明,本文提出的解決方案具有較高的圖像處理能力,可為解決相機(jī)抖動場景中的運(yùn)動目標(biāo)檢測提供技術(shù)支持.

后續(xù)工作將針對相機(jī)旋轉(zhuǎn)、縮放以及其他更加實(shí)際場景下的圖像處理問題,同時也將研究將該算法進(jìn)行實(shí)際系統(tǒng)應(yīng)用的可能性上.