基于雙背景模型的改進(jìn)Vibe運(yùn)動(dòng)目標(biāo)檢測(cè)算法

周超康，戰(zhàn)蔭偉，馮開(kāi)平

(廣東工業(yè)大學(xué) a.機(jī)電工程學(xué)院；b.計(jì)算機(jī)學(xué)院，廣東 廣州 510006)

基于雙背景模型的改進(jìn)Vibe運(yùn)動(dòng)目標(biāo)檢測(cè)算法

周超康a，戰(zhàn)蔭偉b，馮開(kāi)平a

(廣東工業(yè)大學(xué) a.機(jī)電工程學(xué)院；b.計(jì)算機(jī)學(xué)院，廣東 廣州 510006)

摘要:針對(duì)傳統(tǒng)視覺(jué)背景提取法(Visual background extractor，Vibe)不能抑制鬼影和去除陰影干擾的問(wèn)題，提出一種改進(jìn)算法。緩存視頻前K幀圖像，利用隨機(jī)抽樣和改進(jìn)均值法構(gòu)建兩個(gè)背景模型，分別用于前景檢測(cè)和陰影去除；前景檢測(cè)環(huán)節(jié)擴(kuò)大樣本的抽取范圍，提高模型可靠度，抑制鬼影；替換虛假樣本完成前景檢測(cè)模型的更新；對(duì)所得感興趣前景區(qū)域，結(jié)合灰度和LBP紋理特征信息消除陰影。實(shí)驗(yàn)結(jié)果表明，改進(jìn)算法能有效抑制鬼影，消除陰影干擾，檢測(cè)結(jié)果更加精確。

關(guān)鍵詞:運(yùn)動(dòng)目標(biāo)檢測(cè)；鬼影；陰影去除；Vibe；LBP

運(yùn)動(dòng)目標(biāo)檢測(cè)是從視頻圖像序列中提取出相對(duì)于背景場(chǎng)景運(yùn)動(dòng)的前景目標(biāo)，是目標(biāo)跟蹤、分類(lèi)和行為理解的基礎(chǔ)，在交通管理和安防等領(lǐng)域中得到了廣泛運(yùn)用[1]。關(guān)于運(yùn)動(dòng)目標(biāo)檢測(cè)已有大量研究工作，但由于場(chǎng)景復(fù)雜多變，沒(méi)有一種對(duì)所有場(chǎng)景都適用的檢測(cè)方法。

傳統(tǒng)的運(yùn)動(dòng)目標(biāo)檢測(cè)方法主要包括：幀差法[2]、光流法[3]和背景差分法[3-5]。相對(duì)于幀差法和光流法而言，背景差分法準(zhǔn)確度高且強(qiáng)魯棒，成為研究的焦點(diǎn)。常用的背景差分法有混合高斯模型[4](Gaussian Mixture Model，GMM)和碼本模型[5](Code-book)。GMM可用于復(fù)雜場(chǎng)景的建模，但計(jì)算復(fù)雜度高，實(shí)時(shí)性不好。Code-book通過(guò)統(tǒng)計(jì)和聚類(lèi)像素點(diǎn)信息實(shí)現(xiàn)背景建模，但由于其學(xué)習(xí)閾值固定，會(huì)導(dǎo)致碼本無(wú)限膨脹。2009年，Olivier Barnich等人提出Vibe[6]算法，該算法適用于多種不同場(chǎng)景且實(shí)時(shí)性良好，但對(duì)鬼影抑制和陰影去除等效果不佳。為此，文獻(xiàn)[7]在預(yù)處理階段通過(guò)三幀差法重建了真實(shí)背景，可消除鬼影干擾。文獻(xiàn)[8]為了避免重復(fù)選取樣本，擴(kuò)大了初始化樣本的選取區(qū)域，鄰域更新采用隔行更新的方式，并用小目標(biāo)丟棄和空洞填充策略消除噪聲干擾，同時(shí)去除部分陰影。

受以上工作啟發(fā)，本文提出一種基于雙背景模型的改進(jìn)Vibe算法，稱為DMVibe(Double Model Vibe)。該算法對(duì)監(jiān)控環(huán)境有更好的適用性，能很好地解決鬼影和陰影問(wèn)題，提升檢測(cè)效果。

1Vibe介紹

Vibe是一種基于樣本隨機(jī)聚類(lèi)技術(shù)的背景建模算法，由于其良好的魯棒性和實(shí)時(shí)性，在智能監(jiān)控系統(tǒng)中得到廣泛運(yùn)用。算法主要包括：

1)背景建模

(1)

2)前景檢測(cè)

(2)

式中：R=20，#min=2。

圖1　歐氏空間中像素分類(lèi)

3)模型更新

設(shè)時(shí)間二次抽樣因子δ=16，像素被檢測(cè)為背景時(shí)，以1/16的概率用當(dāng)前像素值隨機(jī)替換其背景模型中的一個(gè)樣本；并以1/16的概率用當(dāng)前像素值替換其八鄰域中隨機(jī)選取的某背景模型的一個(gè)樣本，以保持空間一致性，克服“死鎖”問(wèn)題。

Vibe存在以下問(wèn)題：1)當(dāng)?shù)谝粠杏羞\(yùn)動(dòng)目標(biāo)時(shí)，運(yùn)動(dòng)目標(biāo)位置處的背景模型由運(yùn)動(dòng)目標(biāo)像素填充。目標(biāo)離開(kāi)后，真實(shí)背景像素與該背景模型無(wú)法匹配，導(dǎo)致出現(xiàn)不對(duì)應(yīng)任何前景目標(biāo)的檢測(cè)結(jié)果，即鬼影，而模型更新需較長(zhǎng)時(shí)間才能將鬼影消除。2)Vibe沒(méi)有考慮消除陰影的干擾，且檢測(cè)結(jié)果中存在大量閃爍噪聲。這些都嚴(yán)重影響檢測(cè)結(jié)果的真實(shí)性。

2DMVibe算法

本文首先利用視頻前K幀圖像建立兩個(gè)背景模型：前景檢測(cè)背景模型和陰影檢測(cè)背景模型。然后從第K+1幀起開(kāi)始前景檢測(cè)，能有效抑制鬼影和噪聲，并去除運(yùn)動(dòng)陰影。最后根據(jù)前景檢測(cè)結(jié)果更新這兩個(gè)模型。

2.1初始化前景檢測(cè)背景模型

(3)

該背景模型初始化過(guò)程考慮了時(shí)域信息，使模型中包含更多背景像素灰度值，模型可靠度大幅提高，能有效克服鬼影和噪聲干擾。

2.2前景檢測(cè)

從第K+1幀起，對(duì)任一待分類(lèi)像素點(diǎn)P(x，y)，計(jì)算其與M*(x，y)中樣本的歐氏距離。為了加快檢測(cè)速度，當(dāng)已存在歐氏距離小于R的個(gè)數(shù)#等于分類(lèi)閾值#min*時(shí)，便停止后續(xù)計(jì)算，該點(diǎn)即可判斷為背景。否則，繼續(xù)計(jì)算至結(jié)束，完成前景檢測(cè)。

2.3前景檢測(cè)背景模型更新

M*(x，y)中難免會(huì)抽到噪聲和運(yùn)動(dòng)目標(biāo)的灰度值，造成前景檢測(cè)背景模型中存在兩類(lèi)樣本。一類(lèi)稱為虛假樣本(噪聲和運(yùn)動(dòng)目標(biāo)的灰度值)，另一類(lèi)稱為真實(shí)樣本(真實(shí)背景像素的灰度值)。當(dāng)模型中存在多個(gè)虛假樣本時(shí)，易引起鬼影和空洞等現(xiàn)象，故模型更新時(shí)應(yīng)盡快將虛假樣本去除。若繼續(xù)采用Vibe隨機(jī)替換樣本的策略更新前景檢測(cè)背景模型，非但不能有效去除虛假樣本，且前景像素被誤判為背景時(shí)，該策略還可能將原模型中的真實(shí)樣本替換掉，使更新后的背景模型可靠度更低。因此，本文提出一種替換虛假樣本的更新機(jī)制。

虛假樣本與真實(shí)樣本的灰度值有較大差別，可用以下方法判定虛假樣本：首先，計(jì)算前景檢測(cè)背景模型中所有樣本的灰度平均值；然后，計(jì)算每個(gè)樣本灰度值與平均值的差值；最后，差值最大的樣本視為該背景模型的虛假樣本。

前景檢測(cè)背景模型的更新方法：設(shè)時(shí)間二次抽樣因子δ*=16，當(dāng)像素被分類(lèi)成背景時(shí)，以1/δ*的概率用該像素灰度值替換其背景模型中的虛假樣本，以提高模型可靠度；并用該像素灰度值以1/δ*的概率替換其八鄰域中隨機(jī)選取的一像素背景模型的虛假樣本，以保持空間一致性。

2.4陰影消除

Vibe沒(méi)有考慮陰影對(duì)檢測(cè)結(jié)果的影響，直接把陰影作為運(yùn)動(dòng)目標(biāo)的一部分。而陰影的存在嚴(yán)重影響了對(duì)運(yùn)動(dòng)目標(biāo)的后續(xù)理解。為提升Vibe的檢測(cè)效果，本文增加了陰影消除環(huán)節(jié)。

常用的陰影檢測(cè)的方法有基于灰度信息的方法[10]和基于紋理特征的方法[11]。如文獻(xiàn)[10]通過(guò)快速歸一化互相關(guān)函數(shù)(Fast Normalized Cross-Correlation，F(xiàn)NCC)利用像素灰度的線性關(guān)系，檢測(cè)運(yùn)動(dòng)陰影。文獻(xiàn)[11]根據(jù)陰影區(qū)域與對(duì)應(yīng)的背景區(qū)域紋理相似，而前景區(qū)域的紋理變化較大的特點(diǎn)，用LBP紋理特征檢測(cè)運(yùn)動(dòng)陰影。而單一方法檢測(cè)陰影效果不佳。所以本文先用FNCC在前景檢測(cè)所得感興趣區(qū)域中，得到盡可能多的初步陰影區(qū)域，再對(duì)初步陰影區(qū)域進(jìn)行LBP紋理特征分析，獲最終陰影并去除。

下文將介紹如何建立并更新陰影檢測(cè)背景模型，簡(jiǎn)介FNCC以及如何結(jié)合灰度和紋理信息消除運(yùn)動(dòng)陰影。

2.4.1改進(jìn)均值法背景建模

傳統(tǒng)均值法背景建模的主要思想：緩存M幀視頻序列，計(jì)算相同像素位置前M幀的灰度平均值，作為該像素的背景值，從而建立整幅背景。它的缺陷是：M取值較大，且前M幀中不能出現(xiàn)運(yùn)動(dòng)目標(biāo)，否則不能獲得滿意的背景。

對(duì)于視頻圖像中大多數(shù)像素點(diǎn)而言，其灰度值一段時(shí)間內(nèi)通常在一個(gè)較小的范圍浮動(dòng)，只有當(dāng)運(yùn)動(dòng)目標(biāo)經(jīng)過(guò)或噪聲干擾時(shí)才會(huì)大幅跳變，如圖2所示。

圖2　像素灰度值在時(shí)間軸的分布

因此本文對(duì)均值法進(jìn)行改進(jìn)。統(tǒng)計(jì)每個(gè)像素位置前K幀中各灰度值出現(xiàn)的次數(shù)，選擇出現(xiàn)最多的前n個(gè)灰度值，求其平均并取整，可用該值作為像素的背景值

(4)

式中：Ii(x,y)為點(diǎn)(x，y)處出現(xiàn)次數(shù)最多的前n個(gè)灰度值中的第i個(gè)。

多次實(shí)驗(yàn)表明，改進(jìn)均值法能去除灰度跳變的影響，受前K幀中有無(wú)運(yùn)動(dòng)目標(biāo)的干擾較小。當(dāng)K取50，n取2時(shí)，能獲取純凈的背景，如圖3所示。

a　原始背景　　　　　　　b　改進(jìn)均值法所得背景圖3　背景圖像

2.4.2陰影檢測(cè)背景模型

要利用灰度和紋理信息檢測(cè)陰影，就必須有一個(gè)確定的背景灰度值與當(dāng)前幀灰度值做比較。而Vibe的背景模型是一個(gè)樣本集，無(wú)法確定用哪個(gè)樣本灰度值來(lái)比較。為解決這個(gè)矛盾，用視頻前K=50幀圖像構(gòu)造一個(gè)基于像素灰度的陰影檢測(cè)背景模型(Background Model Based on Pixel Gray，Bp)，專門(mén)用于檢測(cè)陰影，Bp所有像素位置有且只有一個(gè)灰度值。

1) 初始化Bp：緩存視頻前50幀圖像，利用改進(jìn)均值法建立一副純凈背景，用該背景的灰度值初始化Bp。

2) 更新Bp：當(dāng)?shù)赯幀某點(diǎn)(x，y)經(jīng)過(guò)2.2節(jié)判斷，被分類(lèi)為背景點(diǎn)時(shí)，更新Bp

BpZ(x,y)=(1-φ)BpZ-1(x,y)+φIZ(x,y)

(5)

被分類(lèi)為前景時(shí)，Bp保持不變

BpZ(x,y)=BpZ-1(x,y)

(6)

式中：Bpz(x，y)和Bpz-1(x，y)分別是第Z和Z-1幀中點(diǎn)(x，y)的陰影檢測(cè)背景模型；IZ(x，y)是第Z幀中點(diǎn)(x，y)的灰度值；φ是Bp的更新率。

2.4.3FNCC簡(jiǎn)介

設(shè)每幀圖像大小為M×N，C(x,y)是當(dāng)前幀圖像，B(x,y)是背景圖像。定義以點(diǎn)(x,y)為中心、大小為(2L+1)(2L+1)的模板Tx,y

Tx,y=C(x+m,y+n),-L≤m(或n)≤L

(7)

式中：Csquare(x,y)和Bsquare(x,y)分別是當(dāng)前幀和背景幀在點(diǎn)(x,y)處灰度值的平方；BCdata(x,y)是當(dāng)前幀和背景幀在點(diǎn)(x,y)處灰度值之積。點(diǎn)(x,y)處的快速歸一化互相關(guān)函數(shù)為

(8)

其中，

ER(x,y)=BCdata(x+L,y+L)-BCdata(x-L-

1,y+L)+BCdata(x-L-1,y-L-1)-

BCdata(x+L,y-L-1)

y+L)+Bsquare(x-L-1,y-L-1)-

Bsquare(x+L,y-L-1)

L)+Csquare(x-L-1,y-L-1)-Csquare(x+

L,y-L-1)

2.4.4陰影檢測(cè)與去除

具體步驟如下：

1)當(dāng)前幀經(jīng)2.2節(jié)前景檢測(cè)后，得前景區(qū)域記為ROIA。對(duì)ROIA中的每個(gè)像素及其模板范圍內(nèi)的點(diǎn)，在Bp中找到對(duì)應(yīng)的背景灰度值。據(jù)文獻(xiàn)[10]可知，若ROIA中某點(diǎn)(x，y)的灰度值低于對(duì)應(yīng)背景灰度值，且FNCC接近1，即滿足式(9)時(shí)，可判斷該像素點(diǎn)為陰影點(diǎn)。所有陰影點(diǎn)組成初步陰影區(qū)域ROIB

(9)

式中：TFNCC是一個(gè)接近1的常數(shù)；EB(x,y)是背景圖像能量函數(shù)；ETx,y是模板能量函數(shù)。

2)對(duì)ROIB中任一點(diǎn)及其八鄰域點(diǎn)，在Bp中找到對(duì)應(yīng)背景灰度值，計(jì)算ROIB中的點(diǎn)與對(duì)應(yīng)背景點(diǎn)的LBP(8，1)二進(jìn)制字符串的編輯距離。若編輯距離小于d，則該點(diǎn)為陰影點(diǎn)，得最終陰影區(qū)域ROIC。

3)真實(shí)前景區(qū)域?yàn)門(mén)F，則有

TF=ROIA/ROIC

(10)

經(jīng)過(guò)以上步驟，可消除陰影干擾。最后顯示檢測(cè)結(jié)果。

3實(shí)驗(yàn)結(jié)果與分析

3.1實(shí)驗(yàn)結(jié)果定性分析

圖4是HighwayI視頻序列中第53幀的實(shí)驗(yàn)結(jié)果。圖4b可以看出，Vibe檢測(cè)結(jié)果中存在大量鬼影。這是因?yàn)樵撘曨l第一幀中就有前景目標(biāo)，用第一幀初始化背景模型，前景位置處的模型由前景像素填充。前景離開(kāi)后，真實(shí)背景像素與該模型無(wú)法匹配，從而產(chǎn)生鬼影。而其更新機(jī)制直到360幀仍未能將鬼影完全去除。同時(shí)，車(chē)輛的陰影也被誤判成前景顯示。鬼影和陰影嚴(yán)重影響檢測(cè)的真實(shí)性。由圖4c可知文獻(xiàn)[8]算法消除了部分陰影，但依舊存在鬼影干擾。這是因?yàn)镋Vibe擴(kuò)大了采樣區(qū)域，雖避免了樣本的重復(fù)選取，但模型初始化階段依然抽取了大量車(chē)輛像素，鬼影依然存在。而圖4d可知，本文算法在前景檢測(cè)背景模型初始化完成后，能立馬克服鬼影并消除大部分陰影和噪聲干擾，檢測(cè)結(jié)果更真實(shí)。

為了進(jìn)一步對(duì)比算法的性能，對(duì)intelligentroom視頻序列進(jìn)行實(shí)驗(yàn)。該視頻序列雖第一幀中沒(méi)有運(yùn)動(dòng)物體，但依然存在噪聲和陰影干擾。實(shí)驗(yàn)結(jié)果如圖5所示。

圖5b可以看出Vibe將大量陰影誤判為前景，且背景區(qū)域有大量噪聲。圖5c可以看出，EVibe消除了部分陰影。圖5d所示，DMVibe能有效去除陰影，幾乎無(wú)噪聲干擾。能消除噪聲是因?yàn)榍熬皺z測(cè)背景模型初始化過(guò)程考慮了時(shí)域信息，使模型可靠度大大提高。

3.2實(shí)驗(yàn)結(jié)果定量比較

為了定量比較3種算法的性能，采用PCC(PercentageofCorrectClassification)參數(shù)作為量化指標(biāo)。PCC代表在一幀圖像中被正確識(shí)別的像素點(diǎn)的比例

(11)

式中：TP為正確檢測(cè)為前景像素的數(shù)量；TN為正確檢

a　第53幀圖像　　　　　　　　　b　Vibe結(jié)果　　　　　　　　　c　EVibe結(jié)果　　　　　　　　　d　DMVibe結(jié)果圖4　HighwayI實(shí)驗(yàn)結(jié)果

a　輸入圖像　　 　　　　b　Vibe結(jié)果　　　 　　　c　EVibe結(jié)果　　　　　 　d　DMVibe結(jié)果圖5　intelligentroom實(shí)驗(yàn)結(jié)果

測(cè)為背景像素的數(shù)量；FN為誤判成背景的前景像素的數(shù)量；FP為誤判成前景的背景像素的數(shù)量。

表1和表2分別為HighwayI序列和intelligentroom序列在3種算法中的平均PCC和平均每幀處理時(shí)間。從中可以看出，DMVibe檢測(cè)率最高，時(shí)間介于其他兩種算法之間。比Vibe耗時(shí)是因?yàn)镈MVibe用前50幀建立了兩個(gè)背景模型，且在后處理中增加了陰影去除環(huán)節(jié)，算法復(fù)雜度比Vibe有所增加。綜合考慮，本文算法提升了檢測(cè)效果，且依然能滿足實(shí)時(shí)要求。

表1平均PCC %

序列VibeEVibeDMVibeHighwayI89.1891.6896.26intelligentroom93.6295.7997.33

表2平均每幀處理時(shí)間s

序列VibeEVibeDMVibeHighwayI0.0210.0360.030intelligentroom0.0150.0290.021

4結(jié)語(yǔ)

本文提出一種基于雙背景模型的改進(jìn)Vibe運(yùn)動(dòng)目標(biāo)檢測(cè)算法。針對(duì)Vibe不能有效抑制鬼影和去除陰影干擾的問(wèn)題，提出用前K幀建立兩種背景模型：一種用于前景檢測(cè)，通過(guò)擴(kuò)大取樣范圍抑制鬼影產(chǎn)生，消除噪聲干擾，并通過(guò)替換虛假樣本更新該模型；另一種結(jié)合灰度和紋理信息去除陰影。實(shí)驗(yàn)結(jié)果表明，改進(jìn)算法有更好的檢測(cè)效果且滿足實(shí)時(shí)要求。

參考文獻(xiàn)：

[1]JOSHIKA，THAKOREDG.Asurveyonmovingobjectdetectionandtrackinginvideosurveillancesystem[J].Internationaljournalofsoftcomputing&engineering， 2012，2(3)：44-48.

[2]丁磊，宮寧生.基于改進(jìn)的三幀差分法運(yùn)動(dòng)目標(biāo)檢測(cè)[J].電視技術(shù)，2013，37(1)：151-153.

[3]GOYETTEN，JODOINPM，PORIKLIF，etal.Changedetection.net：anewchangedetectionbenchmarkdataset[C]//IEEEComputerSocietyConferenceonComputerVision&PatternRecognitionWorkshops.Providence：IEEE，2012：1-8.

[4]ZIVKOVICZ.Improvedadaptivegaussianmixturemodelforbackgroundsubtraction[C]//Proc. 17thInternationalConferenceonPatternRecognition.[S.l.]：IEEE，2004：28-31.

[5]KIMK，CHALIDABHONGSETH，HARWOODD，etal.Real-timeforeground-backgroundsegmentationusingcode-bookmodel[J].Real-timeimaging， 2005，11(3)：172-185.

[6]BARNICHO，DROOGENBROECKMV.ViBe：auniversalbackgroundsubtractionalgorithmforvideosequences[J].IEEEtransactionsonimageprocessing，2011，20(6)：1709-1724.

[7]胡小冉， 孫涵.一種新的基于ViBe的運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J].計(jì)算機(jī)科學(xué)，2014，41(2)：149-152.

[8]余燁，曹明偉，岳峰.EVibe：一種改進(jìn)的Vibe運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J].儀器儀表學(xué)報(bào)，2014，35(4)：924-931.

[9]JODOINPM，MIGNOTTEM，KONRADJ.Statisticalbackgroundsubtractionusingspatialcues[J].IEEEtransactionsoncircuits&systemsforvideotechnology，2007，17(12)：1758-1763.

[10]王曉冬，霍宏，方濤.基于快速歸一化互相關(guān)函數(shù)的運(yùn)動(dòng)車(chē)輛陰影檢測(cè)算法[J].計(jì)算機(jī)應(yīng)用，2006，26(9)：2065-2067.

[11]LEONEA，DISTANTEC.Shadowdetectionformovingobjectsbasedontextureanalysis[J].Patternrecognition，2007，40(4)：1222-1233.

周超康(1992— )，碩士生，研究方向?yàn)闄C(jī)器視覺(jué)、視頻分析；

戰(zhàn)蔭偉(1966— )，碩士生導(dǎo)師，研究方向?yàn)閴嚎s感知、小波分析等；

馮開(kāi)平(1963— )，碩士生導(dǎo)師，研究方向?yàn)閿?shù)字媒體、虛擬現(xiàn)實(shí)等。

責(zé)任編輯：時(shí)雯

Improved Vibe algorithm for moving target detection based on double background model

ZHOU Chaokanga， ZHAN Yinweib， FENG Kaipina

(a.SchoolofElectro-mechanicalEngineering；b.SchoolofComputerScienceandTechnology，GuangdongUniversityofTechnology，Guangzhou510006，China)

Abstract:Aiming at the problem that traditional Vibe can′t restrain ghost and remove shadow interference，an improved method is proposed. Cache pre-K-frame image information of video，the method of random sampling and improved average is used to build two background model for foreground detection and shadow removal respectivel. Expand the range of sample extraction in foreground detection phase to improve the model’s reliability， then ghost is restrained. Foreground detection model is updated by replacing the false sample. To the interested foreground region obtained before， combine gray with LBP texture feature information to eliminate shadow. Experimental results demonstrate that the improved algorithm can effectively restrain ghost， remove shadow interference，and make the test results more accurately.

Key words:moving target detection；Ghost； shadow remover； Vibe； LBP

中圖分類(lèi)號(hào)：TP391.4

文獻(xiàn)標(biāo)志碼:A

DOI：10.16280/j.videoe.2016.04.006

基金項(xiàng)目：廣東省科技計(jì)劃項(xiàng)目(2014B040401012；2014J4100204)；高等院校學(xué)科建設(shè)專項(xiàng)(12ZK0362)

作者簡(jiǎn)介：

收稿日期：2015-11-10

文獻(xiàn)引用格式： 周超康，戰(zhàn)蔭偉，馮開(kāi)平.基于雙背景模型的改進(jìn)Vibe運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J].電視技術(shù)，2016，40(4)：27-31.

ZHOU C K， ZHAN Y W， FENG K P. Improved Vibe algorithm for moving target detection based on double background model [J].Video engineering，2016，40(4)：27-31.