自適應復雜背景干擾的運動目標檢測算法

王東京，張寶輝，陳弘原，王潤宇，吳 杰，吳旭東

?

自適應復雜背景干擾的運動目標檢測算法

王東京1，張寶輝2，陳弘原1，王潤宇2，吳 杰2，吳旭東2

（1. 南京理工大學 電子工程與光電技術學院，江蘇 南京 210094；2. 北方夜視科技集團有限公司南京研發(fā)中心，江蘇 南京 211106）

基于視頻圖像的運動目標檢測，是根據目標的像素特征來判別出相對于背景運動的目標，當圖像背景動態(tài)變化時，將難以區(qū)分背景和運動目標的像素特征，易造成檢測錯誤。復雜背景下的運動目標檢測是一大難點，目前主流的運動目標檢測算法在背景灰暗、水面波動、氣流顫動等復雜背景干擾下，難以準確地檢測出運動目標。針對上述問題，提出一種自適應復雜背景干擾的運動目標檢測算法，采用新的前景判斷和背景模型更新方法，同時設計了一種創(chuàng)新型自適應閾值更新方法，當視頻背景變化時，自動更新閾值。該算法增強了對復雜背景、鏡頭抖動的抗干擾能力，通過各種視頻測試，背景點檢測正確率達到0.9958，前景點檢測正確率達到0.8012，極大提高了前景檢測率，而且該算法滿足高實時性要求，對復雜背景下的運動目標檢測有顯著效果。

運動目標檢測；復雜背景；模型更新；自適應閾值

0 引言

在數字圖像處理和計算機視覺領域中，運動目標檢測是目標分類、識別、跟蹤[1]等后期視頻圖像處理的基礎和關鍵。運動目標檢測主要分為光流法[2]、幀差法和背景差分法。相對于光流法和幀差法，背景差分法具有檢測連續(xù)性強、準確度高、對背景變化魯棒性[3]強等優(yōu)點，因此，基于背景差分法下的各種運動目標檢測算法成為研究的焦點。

傳統(tǒng)算法中，基于混合高斯模型（Gaussian Mixture Model，GMM）[4-5]的運動目標檢測算法是應用最為廣泛的算法，GMM對每個像素點建立多個高斯模型作為背景模型，適用于復雜背景的建模。由Martin Hofmann等人在2012年提出一種引入控制論思想的檢測算法（Pixel-Based Adaptive Segmenter，PBAS）[6]，采用與SACON[7]算法相似的背景建模方法，收集前幀像素以及梯度幅值作為背景模型，該算法檢測準確度高，對緩慢的光照變化具有較好的魯棒性。但是，這兩種算法的計算復雜度高，實時性不好，背景建模速度慢。

Olivier Barnich等人提出的一種快速運動目標檢測算法（Visual Background Extraction，ViBe）[8]，具有算法復雜度低、實時性高、建模速度快等優(yōu)點，但是會產生鬼影問題（鬼影是指靜止的物體離開后，原來它靜止的位置被誤檢為前景點），并且易受到復雜背景變化的干擾。

本文在ViBe算法的基礎上提出一種新的運動目標檢測算法（Adaptive Complex Background Segmentation，ACBS），能更好地克服背景灰暗、水面波動、氣流顫動等復雜背景的干擾，同時能夠更好地消除視頻鏡頭抖動的影響。ACBS算法完整的檢測流程如圖1所示，主要分為3個步驟：背景點建模、前景點分割、背景模型更新。ACBS采用了ViBe的背景建模方式，在前景點分割、背景模型更新和閾值更新方面提出了新的方法。

圖1 ACBS算法框圖

1 ACBS算法介紹

1.1 背景點建模及前景檢測

基于背景差分法[9]的運動目標檢測算法是將視頻序列中每一幀圖像像素點的顏色信息與建立好的背景模型相比較，檢測出與背景模型顏色信息不匹配的像素點，即為前景點。背景模型的建立是實現算法的第一步，ACBS采用像素級建模方式，對任一像素點X，建立它的背景模型為：

(X)集合中的個樣值在|(X)±10|范圍內隨機抽取，其中(X)為第一幀圖像像素點X的像素值，通過隨機抽取的樣值來模擬檢測過程中隨機噪聲對像素點的影響。相比其它算法需要多幀圖像初始化背景模型，ACBS僅用一幀圖像初始化背景模型更加簡單高效。

視頻圖像經過檢測后輸出結果為二值化圖像，黑色為背景點，白色為前景點。在前景檢測方面，通用的方法如下：首先將像素點X所有的通道像素值相加求和為，再將背景模型中單個樣值M(X)所有的通道像素值相加求和為b，最后根據兩值之差的絕對值|－b|是否在設定的閾值范圍之內來判斷像素點X是否和樣值M(X)匹配，如果像素點X與背景模型中樣值匹配的數目超過設定的值，則判斷該點為背景點，否則為前景點。這種檢測方法雖然計算簡單，但是檢測不精確，因為當像素點X和樣值M(X)的顏色信息不同時，它們所有的通道像素值之和仍然可能相近，所以該像素點可能被誤判為與樣值M(X)匹配，從而被判斷為背景點。

如果某像素點X的顏色信息與背景模型樣值M(X)不同時，它們的所有通道值像素必然會有部分不相等，本文提出的前景點檢測方法正是基于這個特征，將每個像素點所有的通道像素值分解為獨立的單通道值，然后分別和背景模型樣值M(X)的單通道值相比較，以此來判斷該點顏色信息是否和M(X)匹配。設像素點X有個通道值（如RGB顏色空間中，每個像素點有R、G、B三個通道值），表示為：

則像素點X背景模型中每一個樣值M(X)也有個通道值，表示為：

將像素點X的單個通道值分別與背景模型樣值的單個通道值相比較：

式中：d為設定的匹配閾值，通道值之差在閾值范圍內時，認為該點的通道值與M(X)的通道值匹配，相反，則判斷為不匹配。像素點X通道值匹配的數目決定了該像素點是否匹配背景模型樣值M(X)：

式中：D(X)為1時，表示像素點X與該點背景模型樣值M(X)匹配，將像素點X的像素值(X)按照式(4)、(5)和背景模型(X)中的樣值逐一比較，當與背景樣值匹配數目達到設定的閾值r時，像素點X則為背景點，否則判斷為前景點：

式中：(X)為輸出的二值化像素值，背景點像素值為0，前景點像素值為255。此方法檢測更加精確，特別是當運動目標和背景顏色相接近時，能更加完整地檢測出運動目標。

1.2 背景模型更新

在整個視頻序列檢測過程中，視頻背景會受外界影響發(fā)生變化，所以背景模型需要不斷更新，背景模型更新是將(X)中的樣值按照某種規(guī)律更新為新值，從而適應新的背景。傳統(tǒng)的背景模型更新方法分為保守更新和自由更新，保守更新只更新背景點的背景模型，不更新前景點的背景模型，這樣會使被誤檢為前景點的像素點一直保持為前景點，造成死鎖現象；自由更新對背景點和前景點的背景模型同時更新，如果前景點背景模型更新速率太快，會使移動緩慢的前景目標融入背景，而且短暫停留的前景目標也會被立即融入背景，造成目標檢測的不連續(xù)性。

為了避免死鎖現象，同時保證目標檢測的連續(xù)性，本文算法采用保守更新和前景點梯度概率更新相結合的方式來更新背景模型。視頻序列剛開始檢測時，前景點模型更新概率較大，更新速率快，有利于快速消除初始鬼影，隨著檢測幀數的增加，前景點模型更新概率呈梯度式減小，更新速率變慢，所以被檢測為前景的目標在短時間內不會被融入背景，保證了目標檢測的連續(xù)性。

在目標檢測過程中，將背景模型(X)中匹配頻率較高的樣值排列在模型的前半部分，匹配頻率低的樣值排列在后半部分，匹配頻率低的樣值將被優(yōu)先更新。某像素點X被判斷為背景點時，從該點背景模型(X)后半部分樣值中隨機抽取一個樣值M(X)，該樣值被當前像素值(X)替換的概率為b，背景點模型更新概率b取值越大，模型更新速率越快；當像素點X被判斷為前景點時，采用梯度概率更新的方式更新前景點模型，從該點背景模型(X)中隨機抽取一個樣值M(Xi)，該樣值被前景點像素值(X)更替的概率為f，更新概率f隨視頻序列的幀數呈梯度式減小。設g為設定的梯度因子，為當前檢測的幀數，g的值更新為：

f的值隨g更新為：

式中：max用來設定前景點模型最小更新概率。

1.3 匹配閾值的自適應更新

在視頻檢測過程中，當視頻背景發(fā)生突變時，背景模型更新機制來不及反應，無法及時更新背景模型，導致變化后的背景點像素值(X)與背景模型樣值M(X)之差超出固定閾值d的范圍，從而判定該背景點不再匹配背景模型，被誤檢為前景點。

為了提高算法對復雜背景的抗干擾能力，本文設計了一種新型自適應閾值更新方法，閾值d隨視頻背景變化自適應更新，使變化的背景點像素值與背景模型樣值之差在新的閾值范圍之內，從而變化的背景點仍然匹配背景模型，被檢測為背景點，消除了背景變化的干擾。

當視頻背景變化時，檢測到的前景點數目必然會改變，本文提出的閾值自適應更新正是基于前景點數目變化來自動調整匹配閾值d，d隨前景點數量增加線性遞增，使背景點的變化在更大閾值范圍內，反之，d隨前景點數量減少線性遞減，使被融入背景的前景點與背景模型樣值之差超出閾值范圍，從而被重新檢測為前景點。在檢測過程中，相隔幀統(tǒng)計一次檢測到的前景點數目r，當檢測到的前景點數目與上次統(tǒng)計值之差超過設置的門限h時，對匹配閾值d進行更新：

式中：(X)表示前景點像素值；M(Xi)是該前景點背景模型中隨機抽取的一個樣值；min是d的最小值，a為閾值系數。的取值與背景點更新概率b和閾值r相關：

＝(r＋1)/b(10)

在前景點變化數目超過門限h的情況下，相隔幀，對匹配閾值d更新一次，d的更新使誤檢的前景點被重新檢測為背景點，之后每一幀，該背景點模型中的某個樣值M(X)被變化后的像素值(X)更新的概率為b，幀過后，理論上該背景點模型中有b×個樣值被(X)替代，被替代的樣值個數大于閾值r，所以只要該背景點像素值(X)不變化，下一次匹配閾值d的更新不再影響該點被檢測為背景點。

2 ACBS算法檢測復雜背景視頻

本部分展示了ACBS算法在各種復雜背景下的檢測效果，體現本文算法對復雜背景的抗干擾能力，并與其它算法檢測結果進行比較分析，實驗中選取了幾類典型的視頻進行測試。

第一類視頻背景中存在動態(tài)背景的干擾，實驗結果如圖2和圖3所示。圖2(a)為視頻中的原始圖像，噴泉作為動態(tài)背景對運動目標的檢測帶來干擾，圖2(b)、(c)、(d)分別為GMM-Zivkovic[10]、ViBe和ACBS三種算法的檢測結果，其中GMM-Zivkovic采用高斯混合模型建立背景模型，而ViBe和ACBS利用第一幀原始圖像來建立背景模型，所以動態(tài)噴泉在建模的時候，已經被當作背景?？梢钥闯鰣D2(b)中除了運動的汽車之外，還存在很多誤檢的前景點，圖2(c)、(d)中除了運動的汽車之外，幾乎沒有其它誤檢的前景點，表明ViBe和ACBS的背景建模方式對噴泉干擾的壓制效果非常好，同時ACBS對汽車輪廓的檢測相比ViBe更加完整；圖3(a)為帶有波動湖面為背景的原始圖像，相比圖2的噴泉干擾更加復雜，干擾面積更大，(b)、(c)、(d)分別為GMM-Zivkovic、ViBe和ACBS對湖面運動目標檢測的結果，明顯可以看出，ACBS的檢測結果中誤檢前景點最少，相比另外兩種算法，ACBS隨湖面背景的變化，能夠自適應調整匹配閾值，提高了對湖面變化的抗干擾能力。

第二類視頻選取兩組雨雪天氣下的監(jiān)控視頻，實驗結果如圖4和圖5所示。圖4(a)為原始視頻圖像，雨雪天氣的原因使視頻背景整體偏暗，由于檢測是基于目標和背景模型的顏色信息進行的，灰暗背景嚴重影響運動目標的檢測。ACBS將像素點所有單通道像素值分別和背景模型樣值的單通道像素值進行單一比較，這種前景檢測方法能夠很好地克服灰暗背景下對目標檢測不完整的問題。圖4(b)、(c)、(d)分別為GMM-Zivkovic、ViBe和ACBS在灰暗背景下對移動汽車的檢測結果，ACBS對汽車檢測的完整性遠高于另外兩種算法；圖5實驗對原始圖像(a)中的兩個運動目標進行檢測，兩個目標分別標注為1、2，其中1號目標距離鏡頭較近，體積相對較大，2號目標距離鏡頭較遠，體積相對較小。從圖5(b)、(c)可以看出，GMM-Zivkovic、ViBe對1號目標的檢測結果非常不完整，而且?guī)缀鯔z測不到2號目標，圖(d)為ACBS的檢測結果，對兩個目標的檢測都非常完整清晰。

圖2 噴泉視頻檢測結果

圖3 湖面視頻檢測結果

第三類視頻選取帶有氣流顫動干擾的遠景視頻，實驗結果如圖6所示。原始圖像(a)中有三個運動的目標，同時整個視頻背景受到氣流顫動干擾造成圖像畫面模糊。圖(b)、(c)、(d)分別為GMM-Zivkovic、ViBe和ACBS的檢測結果，三種算法都精確檢測出了遠處的運動目標，但是很明顯(b)、(c)的檢測結果出現很多誤檢的前景點，由于ACBS采用前景點梯度概率更新方法，對前景點的背景模型進行更新，所以被誤檢的前景點會被融入背景，從圖(d)可以看出ACBS檢測結果中沒有誤檢的前景點。

第四類視頻選取鏡頭移動情況下實時采集的紅外視頻[11]，視頻背景隨鏡頭移動而變化，導致變化的背景點不再匹配原來的背景模型，從而被檢測為前景點。當背景變化時，ACBS通過自適應調整匹配閾值，使背景點變化在新的閾值范圍內，仍然匹配原來的背景模型，并且被誤檢的前景點可以通過前景點背景模型更新，再次融背景，這提高了ACBS抑制鏡頭移動干擾的能力。實驗中，通過選取背景變化幅度不同的兩幀圖像來測試算法抵抗鏡頭移動干擾的能力，實驗結果如圖7所示。圖(a)和(e)為紅外視頻序列中的原始圖像，分別取自鏡頭移動幅度較小和移動幅度較大的時候，(b)、(c)、(d)分別為GMM-Zivkovic、ViBe和ACBS對圖(a)的檢測結果，(f)、(g)、(h)分別為GMM-Zivkovic、ViBe和ACBS對圖(e)的檢測結果。當鏡頭移動幅度較小時，(b)中出現的誤檢前景點相比(c)、(d)是最多的，而(d)中沒有誤檢的前景點；當鏡頭移動幅度較大時，(f)、(g)中出現大量誤檢的前景點，而(h)中只出現少量誤檢的前景點，幾乎可以忽略。檢測結果表明，ACBS算法抵抗鏡頭移動干擾的能力遠優(yōu)于GMM-Zivkovic和ViBe。

圖4 雨雪天氣視頻1檢測結果

圖5 雨雪天氣視頻2檢測結果

圖6 氣流顫動視頻檢測結果

圖7 紅外視頻檢測結果

3 ACBS算法性能評估

為了進一步驗證本文算法的有效性，給出本文算法對Change Detection.net[12]視頻庫中六類視頻的測試結果，并和同類算法相比較，這六類視頻分別為Baseline、Dynamic background、Camera jitter、Intermittent object motion、Shadows、Thermal，這些視頻包含了生活中常見的復雜場景。

3.1 算法參數設置

ACBS涉及多個參數設置，合理的參數設置才能發(fā)揮算法的最優(yōu)性能。在測試算法參數的實驗中，選取ChangeDetection.net視頻庫中的視頻為測試對象，統(tǒng)計每次改變參數后的前景檢測準確率Precision，該值由下式計算：

Precision＝P/(P＋P) (11)

式中：P為檢測正確的前景點數；P為檢測錯誤的前景點數。參數測試結果如圖8所示，圖中(a)～(h)分別描述了8個參數對ACBS前景檢測準確率的影響。

根據圖8測試結果，ACBS參數設置如下：＝20，背景模型樣值個數取決于視頻背景的復雜度，背景變化越復雜，背景模型需要記憶的背景樣值越多，的值相應增大，反之，背景簡單，的值相應減小，當取20時，能滿足各種復雜背景的建模；d＝20，初始化匹配閾值d的設置要保證運動目標不在背景模型的匹配范圍內，通過統(tǒng)計不同顏色特征運動目標像素值與背景點像素值的絕對差，取其最小值賦給d；min＝10，d隨背景變化自適應更新，為了防止d無限制減小，min用來限定d的最小值；b＝0.1，b決定了背景點模型更新速率，b越大，算法適應新背景越快，但是背景模型的記憶能力下降，降低了算法對復雜背景的抗干擾能力；r＝2或4時，如圖8(e)所示，算法檢測準確率較高，但是r＝2時，所需匹配背景模型的樣值更少，算法運行速度更快；g＝32，梯度因子g決定了f值遞減速度，g越大，初始鬼影消除速度越快，但是前景目標也更容易融入背景；max＝200，前景點模型更新概率f最小值取決于max，該值越大，前景點融入背景越慢，反之該值越小，前景點融入背景越快；a＝0.125，a為匹配閾值自適應更新系數，由圖8(h)可知，a取0.125時，檢測效果最佳；＝30，b和r已知，參數由公式(10)計算得到；ACBS參數設置在小范圍內浮動時，對算法的綜合性能影響較小。

圖8 ACBS參數設置

3.2 算法檢測效果評估

ChangeDetection.net提供了多項參數標準來評估運動目標檢測算法，其中包含參數Specificity（SP，指定區(qū)域背景點檢測正確率）、False Negative Rate（FNR，背景點檢測錯誤率）、Precision（前景點檢測正確率）、False Positive Rate（FPR，前景點檢測錯誤率）、Percentage of Wrong Classification（PWC，錯誤檢測比例），這5項參數從不同方面評估了算法的檢測效果。

ACBS對6類視頻的測試結果如表1所示，表中列出了各類視頻檢測結果的評估參數，并且計算了每項參數的平均值，根據表1中數據顯示，紅外視頻的前景檢測正確率Precision為0.9299，在6類視頻中最高，而最低的是動態(tài)背景視頻，檢測正確率為0.6574。

ACBS與其它算法性能參數對比如表2所示，其中每種算法的各項參數取自該算法對6類視頻檢測評估參數的平均值。從表2中數據可以看出ACBS前兩項參數SP、FPR優(yōu)于列出的所有算法，分別為0.9958、0.0048，前景點檢測正確率Precision為0.8012，僅比PBAS低0.0148。ACBS的FNR參數表示的背景點檢測錯誤率比較高，原因在于ChangeDetection.net提供的評估標準中將已經停止的運動目標一直分類為前景點，這不符合運動目標檢測的含義，完全停止運動的目標最后應該融入背景，不再被檢測為前景點。綜合分析表2中的數據，ACBS算法的綜合性能明顯優(yōu)于其它算法，其它八種算法背景點檢測正確率SP的平均值為0.9819，ACBS相比平均值提高了1.39%，前景點檢測正確率Precision的平均值為0.7267，ACBS相比平均值提高了7.45%。

表1 ACBS對六類視頻測試結果

表2 ACBS與其它算法評估參數對比

3.3 算法實時性比較

ACBS不僅提高了對復雜背景的抗干擾能力，而且能夠高速運行，滿足高實時性要求。為了對比各種算法的實時性，在相同的運行環(huán)境下，統(tǒng)計不同算法處理相同視頻圖像所耗費的時間和計算機資源，從時間和空間上分析算法的復雜度。所有算法均在CPU型號為i5-2450M，2.5GHz的計算機上單線程運行，視頻圖像大小為768×576，每種算法的統(tǒng)計結果如表3所示。

表3中列出的3個參數反應了算法的時間和空間復雜度，分析表中數據可知，ACBS和ViBe對CPU的占用率較小，檢測速率快，內存占用小，無論在時間和空間復雜度上都遠小于其它兩種算法，其中ACBS內存占用最小，在運行速率上比ViBe慢一點。由于ACBS較高的運行速度和較小的內存占用，使ACBS更加容易移植到嵌入式平臺上工作，滿足各種特殊場合下的實時性要求。

表3 算法實時性對比

4 結論

本文提出一種自適應復雜背景干擾的運動目標檢測算法，前景檢測采取多通道像素分離比較的方法，能更精確檢測出與背景顏色信息相近的運動目標；背景模型更新方面，更新背景點模型的同時，結合前景點梯度概率更新方法，提高了算法對背景變化的魯棒性；最后設計了一種新型的閾值自適應更新方法，通過統(tǒng)計前景點數目變化，自動更新閾值，提高了算法對復雜背景的抗干擾能力。通過實驗測試，ACBS算法對運動目標的檢測正確率相比同類算法平均值提高7.45%，背景檢測正確率提高1.39%，是一種實時性好、檢測準確率高的運動目標檢測算法。

[1] 楊智雄,余春超,嚴敏, 等.基于特征融合的粒子濾波紅外目標跟蹤算法[J].紅外技術,2016,38(3):211-217.

YANG Zhixiong, YU Chunchao, YAN Min, et al. Particle Filter Infrared Target Tracking Algorithm Based on Feature Fusion[J]., 2016, 38(3): 211-217.

[2] 李倩倩, 劉彥隆. 先驗信息光流法在運動目標檢測中的應用[J].火力與指揮控制, 2015(10):156-160.

LI Qianqian, LIU Yanlong. Based on Optical Flow Method with Priori Information in the Application of Detecting Moving Target Tracking[J]., 2015(10):156-160.

[3] Shen Y, Hu W, Yang M, et al. Real-time and Robust Compressive Background Subtraction for Embedded Camera Networks[J]., 2016, 15(2): 406-418.

[4] Hu X, Zheng J. An Improved Moving Object Detection Algorithm Based on Gaussian Mixture Models[J]., 2016, 6(7): 449-456.

[5] Zeng Z. Moving Object Extraction Using the Improved Adaptive Gaussian Mixture Model and Shadow Detection Model[J]., 2015, 12(14): 5515-5522.

[6] Hofmann M, Tiefenbacher P, Rigoll G. Background segmentation with feedback: The Pixel-Based Adaptive Segmenter[C]//, 2012: 38-43.

[7] Wang H, Suter D. Background Subtraction Based on a Robust Consensus Method[C]//, 2006: 223-226.

[8] Barnich O, Van D M. ViBe: a universal background subtraction algorithm for video sequences[J]., 2011, 20(6): 1709-1724.

[9] 孫豐, 秦開懷, 孫偉, 等. 一種針對移動相機的實時視頻背景減除算法[J].計算機輔助設計與圖形學學報, 2016,28(4):572-578.

Sun Feng, Qin Kaihuai, Sun Wei, et al. A Real-Time Background Subtraction Algorithm for Freely Moving Cameras[J]., 2016, 28(4): 572-578.

[10] Zivkovic Z, Heijden F V D. Efficient adaptive density estimation per image pixel for the task of background subtraction[J]., 2006, 27(7): 773-780.

[11] 解婷,陳忠,馬榮毅. 一種基于PGF、BEMD和局部逆熵的新型紅外小目標檢測方法[J].紅外與毫米波學報,2017,36(1):92-101.

Xie Ting, Chen Zhong, Ma Rongyi. A novel method for infrared small target detection based on PGF, BEMD and LIE[J]., 2017, 36(1): 92-101.

[12] N. Goyette, P.-M. Jodoin, F. Porikli, et al. Change detection.net: A new change detection benchmark dataset[C]//(-2012)-2012, 2012: 16-21.

Moving-target Detection Algorithm Adapting Complex Background Interference

WANG Dongjing1，ZHANG Baohui2，CHEN Hongyuan1，WANG Runyu2，WU Jie2，WU Xudong2

(1.,,210094,; 2.,,,211106,)

Video-based moving-object detection is according to the pixel characteristics of the target to determine the target that is moving relative to the background. When the background of the image changes dynamically, it will be difficult to distinguish the pixel characteristics between the background and the moving target, which is prone to detection error. Moving target detection in a complex background has been a challenging problem until now. The mainstream algorithm of moving target detection still cannot accurately detect moving targets under complex backgrounds such as dark background, water surface fluctuation, and airflow quiver. Aiming at the above problems, a novel moving-target detection algorithm was proposed for adapting to complex background interference. The algorithm adopted a new standard of classifying the foreground and a new method of updating the background model. At the same time, a creative method was put forward to update the threshold, which would automatically adjust the size of the threshold according to the change of background. The algorithm enhanced the ability to resist the interference of the complex background and camera shake. According to various video tests, the accuracy rate of background detection reached 0.9958.On the other hand, the accuracy rate of foreground detection reached 0.8012. Obviously, it is a great progress on foreground detection. Besides, the novel algorithm has high work-efficiency and has a significant effect on the extraction of moving objects in a complex background.

moving target detection，complex background，updating model，adaptive threshold

TP391

A

1001-8891(2017)11-1024-08

2017-06-28；

2017-11-02.

王東京（1992-），男，碩士，主要從事紅外圖像處理方面的研究。

云南省科技廳院士自由探索項目專項科研資助（2016HA009）。