一种基于改进扭曲背景差分模型的运动目标检测算法王铁成,龚声蓉刘纯平季怡†（苏州大学计算机科学与技术学院，江苏苏州215006）AnImprovedWarpingBackgroundSubtractionModelforMovingObjectDetectionTiechengWangShengrongGongChunpingLiuYiJi(SchoolofComputerScienceandTechnology,SoochowUniversity,Suzhou215006,China)†Correspondingauthor:Emailaddress:Abstract:Inordertoeffectivelydetectmovingtargets,weproposeAnImprovedadistortedWarpingBackgroundSubtractionModelForMovingObjectDetectionbackgrounddifferencemodelbasedonimprovedmovingtargetdetectionalgorithm.Thealgorithmappliesanadaptivebackgroundsubtractionstrategy,whichusesthepixelandneighborhoodsimilaritybetweenthepixelsformovingtargetdetection.Throughthetrainingonthetrainingdata,itcouldobtainthepossibleoffsetrangeforeachpixelandgeneratesaneighborhoodtableassociatedwithreferencebackground.Bytheneighborhoodtable,thereferencebackgroundblocksaredividedintodynamicandstaticblocks.Forthestaticblockarea,directbackgroundsubtractionalgorithmisapplied.Forthedynamicblockarea,weuseamethodtocombinethesubtractionmodelforwarpingbackgroundonthepixellayerandblocklayer.Inthehighlydistortedbackgroundenvironment,ourmethodcaneffectivelydistinguishforegroundandbackgroundtoavoidsmearorblank.Theexperimentalresultsshowthatthisalgorithmcansignificantlyimprovethewarpingbackgroundsubtractionmodelintraditionalproblemssuchasbackgroundmisjudgment,movingobjectsmissingorbackgroundmodeldegradationKeywords:warpingbackgroundsubtraction,subtraction,pixelblockwarpingbackgroundsubtraction,movingsubtraction,movingobjectdetection摘要：为了有效的检测出运动目标，提出了一种基于改进扭曲背景差分模型的运动目标检测算法。该算法采用一种自适应的背景差分策略，利用像素与邻域间像素的相似性进行运动目标检测，通过对训练集的训练得到每个像素可能偏移的范围，生成一张与参考背景相关的邻域表，通过邻域表将参考背景划分成动态块和静态块，对静态块区域采用直接背景差分算法，对动态块区域采用像素层与图像块层扭曲背景差分模型相结合的运算方法，在背景扰动严重的环境中，可以有效的区别前景与背景，避免拖影与空洞的产生。实验结果表明本文算法显著改善了扭曲背景差分法在背景误判、运动目标漏检以及背景模型退化等方面存在的问题。，在提高了实时性的同时，查准率也有了一定的提高。关键词：扭曲背景差分像素块扭曲运动目标检测中图分类号：文献标识码：1前引言运动目标检测的主要任务是在视频图像序列中检测出各个独立的运动目标。在真实场景中，运动目标检测要受到很多因素的影响：包括光照变化（光照的渐变和突变）、背景变化（背景物体的移动、背景的扰动）、阴影（运动物体阴影）、遮挡（运动物体的遮挡或者背景的遮挡）以及摄像机的抖动等等。为了解决这些问题，很多种运动目标检测算法被提出。背景差分法是目前采用最为广泛的运动目标检测的方法之一。它的基本思想是将视频序列中的图像与已经存储的背景图像进行减运算，如果图像中同一位置上的像素差值大于某一阈值，就判定此像素点是属于运动目标区域，否则该像素点为背景区域。大多数背景差分都使用同一思路即假设视频序列是由一个固定的摄像机得到的。使用背景差分法做目标检测，其优点在于对目标类型、观测角度和距离等因素都不太敏感，其中常用的有：中值滤波法、线性预测法、单高斯背景模型、混合高斯模型和内核密度估计等。这些方法都试图从图像序列的学习来进行背景建模[1]。一般的背景建模通常会将背景做成一个静态图片或者图像中像素的概率分布，任何背景的运动都会引起检测一个不存在的物体。但是在实际环境中，背景会遭受特别复杂的运动和光照的变化。像比较典型的例子：树木背景的抖动、水面的波动、草坪背景的微动等。在这种情况下，很明显，用单一的背景模型是不能够很好...