《一种基于随机策略的运动目标检测方法.pdf》由会员分享，可在线阅读，更多相关《一种基于随机策略的运动目标检测方法.pdf（12页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 102629383 A (43)申请公布日 2012.08.08 CN 102629383 A *CN102629383A* (21)申请号 201210046534.9 (22)申请日 2012.02.28 G06T 7/20(2006.01) (71)申请人 湖南大学 地址 410082 湖南省长沙市岳麓区麓山南路 2 号 (72)发明人 王耀南 胡雄鸽 周金丽 黄高攀 王朝晖 廖文迪 王晓明 龚燕妮 (74)专利代理机构 长沙市融智专利事务所 43114 代理人 黄美成 (54) 发明名称 一种基于随机策略的运动目标检测方法 (57) 摘要 本发明公开了一种基于。
2、随机策略的运动目标 检测方法， 包括以下步骤 ： 步骤 1 ： 利用第一帧视 频完成样本序列的初始化。对每一帧视频上每一 个像素点分别建立一个样本序列， 构成背景模型 ； 步骤 2 ： 对当前像素点进行运动点或背景点的判 断 ； 步骤 3 ： 采用概率均等随机策略， 更新当前像 素点及其任意 8 邻域的样本序列 ； 步骤 4 ： 重复步 骤 2 和步骤 3， 完成当前帧其他所有像素点的处 理， 结束当前帧运动目标的检测 ； 步骤 5 ： 将下一 帧第一个像素点作为初始处理像素点， 重复步骤 2、 步骤 3 和步骤 4， 直至最后一帧处理结束， 完成 视频序列中运动目标的检测。本发明的运动目标 。
3、检测方法检测精度高， 计算复杂度低， 且占用内存 小， 环境适应性强。 (51)Int.Cl. 权利要求书 2 页 说明书 5 页 附图 4 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书 2 页 说明书 5 页 附图 4 页 1/2 页 2 1. 一种基于随机策略的运动目标检测方法， 其特征在于， 包括以下步骤 ： 步骤 1 ： 为视频中每一帧图像的每一个像素点建立一个基于灰度值特征的样本序列 si(a， b)|i 1， .N， 建立视频图像的背景模型 ； 其中， 每一个元素 si(a， b) 用于储存图 像灰度值， N 为整数 ； 背景模型为所有像素点的样本序列。
4、总和， 基于第一帧图像对背景模型进行初始化 ； 从 第二帧图像开始， 执行以下步骤 ； 步骤 2 ： 对当前像素点进行运动点或背景点的判断， xt(a， b) 为像素点 (a， b) 的灰度值 ： (1) 将当前像素点 xt(a， b) 与其对应的样本序列中的 N 个元素 si(a， b) 依次比较， 若两 者差值的绝对值小于灰度值阈值 Tv， 则令 i(a， b， t) 为 1， 否则为 0 ； i(a， b， t) 为 xt(a， b) 与 si(a， b) 差值的绝对值与 Tv的相比较的判断结果值 ； (2) 求若大于或等于设定的阈值 Tn， 则当前像素点判断为背景 点， 否则为运动点 。
5、； (3) 若判断为运动点， 则将其显示， 再进行下一个像素点的检测， 即将下一个像素点置 为当前像素点， 返回步骤 2， 若判断为背景点， 则转至步骤 3 ； 步骤 3 ： 背景模型的更新 ： (1) 随机更新当前像素点的样本序列中的某一元素的存储值 ： 从当前像素点的样本序 列中的随机选择一个元素， 用当前像素点的灰度值替换其所选元素存储的灰度值 ； (2) 随机更新当前像素点的某一个邻域点的样本序列中的某一元素的存储值 ： 随机选 择当前像素点的一个邻域点， 从选中的邻域点的样本序列中随机选择一个元素， 用当前像 素点的灰度值替换其所选元素的灰度值， 随机更新当前像素点的 1 个邻域点的。
6、背景模型 ； 步骤 4 ： 对当前帧的下一个像素点重复步骤 2 与步骤 3， 直到当前帧的所有像素点处理 完毕 ； 完成视频序列中当前帧图像的运动目标检测， 输出当前帧图像对应的运动目标检测 图 ； 步骤 5 ： 将下一帧的第一个像素点作为当前像素点， 重复步骤 2、 步骤 3 和步骤 4， 直到 最后一帧处理完毕， 完成视频序列运动目标的检测。 2. 根据权利要求 1 所述的基于随机策略的运动目标检测方法， 其特征在于， 步骤 1 中 所述的样本序列， 若为第一帧时， 其样本序列的取值范围为当前像素点的灰度值和其 8 邻 域的对应灰度值， 即 xt 1(a+1， b)， xt 1(a-1， 。
7、b)， xt 1(a， b+1)， xt 1(a， b-1)， xt 1(a+1， b+1)， xt 1(a+1， b-1)， xt 1(a-1， b+1)， xt 1(a-1， b-1)， 和 xt 1(a， b)， 若不是第一帧的像 素点， 则样本序列的取值范围为 ： 当前像素点及其 8 邻域像素点在前一帧的灰度值， 即 xt t-1(a+1， b)， xt t-1(a-1， b)， xt t-1(a， b+1)， xt t-1(a， b-1)， xt t-1(a+1， b+1)， xt t-1(a+1， b-1)， xt t-1(a-1， b+1)， xt t-1(a-1， b-1)， 。
8、和 xt t-1(a， b)， 两种情况中样本序列的每一个元 素取值概率均为 1/9。 3.根据权利要求1中所述的基于随机策略的运动目标检测方法， 其特征在于， 步骤3中 所述背景模型的两次更新操作均为随机更新， 预先设定随机取值参数 Ts， 并从 【0， Ts】 中任 意选取两个整数 Ts1和 Ts2； 每一次更新前， 从 【0， Ts】 中随机取一个值 T s， 若 Ts与 Ts1和 Ts2任意一个值相同， 则执行本次更新操作， 否则不进行更新操作 ； Ts与 T s均为整数。 权 利 要 求 书 CN 102629383 A 2 2/2 页 3 4.根据权利要求1中所述的基于随机策略的运。
9、动目标检测方法， 其特征在于， 步骤2中 所述灰度阈值 Tv取值范围为 15 45， 次数 Tn取值为 2。 5.根据权利要求3中所述的基于随机策略的运动目标检测方法， 其特征在于， 步骤3中 随机取值参数Ts取值为10， 对Ts的判断以减缓背景模型的更新速度， 当前像素点背景模 型的更新概率由原来的1/N变为2/(N(Ts+1)， 而当前像素点的8邻域点的背景模型的更 新概率由原来的 1/8N 变为 2/(8N(Ts+1)。 权 利 要 求 书 CN 102629383 A 3 1/5 页 4 一种基于随机策略的运动目标检测方法 技术领域 0001 本发明主要涉及运动目标检测方法领域。 涉及。
10、背景建模， 背景模型初始化， 背景模 型更新三个方面 ； 该方法在智能视频监控、 智能交通控制、 汽车自动驾驶和辅助驾驶等方面 具有一定的应用前景。 背景技术 0002 在智能视频监控、 智能交通控制等项目中， 运动目标检测是其中一项核心技 术。如 1997 年卡梅隆大学、 麻省理工学院等院校参与的视觉监控重大项目 VSAM(Visual Surveillance And Monitoring)， 主要研究用于战场和普通民用环境的自动视频理解技 术 ； 1999 年马里兰大学开发的 W4 系统 ； 2004 年 IBM 开发的 Smart 系统。常见的运动目标 检测方法有 ： (1) 帧差分法。
11、 ： 利用视频序列中连续两帧或几帧图像间的差异进行运动目标 检测， 帧差分法计算简单， 实时性好， 但不能完整提取运动目标信息， 无法得到运动目标轮 廓， 运动目标内部容易产生空洞现象。(2) 背景差分法 ： 利用当前视频帧与已有的背景帧作 比较， 得到的不同部分作为运动目标的信息， 最简单的背景建模方法就是将第一帧空场景 的图像直接作为背景帧， 这种方法不能适应场景的环境变化， 容易导致错误的分割。(3) 中 ( 均 ) 值滤波法 ： 建立一个视频流滑窗来缓存 L 帧视频图像， 然后把缓存中所有视频帧同位 置像素平均值或中值作为背景来该处的值。一种改进的方法就是滑动平均算法 (running。
12、 average)， 其核心想法就是引入一个学习率 a 来体现背景图像对场景变化的响应， a 通常取 值0.0030.05， a越小， 则前景的变化越不会影响背景 ； 其优点是计算量少， 但是不适宜大 且速度慢的运动目标， 易产生空洞现象。(4) 混合高斯法 ： 基本思想是用混合高斯模型描述 像素过程， 根据混合高斯模型的权值和方差， 来决定哪个高斯分布对应背景颜色， 不符合背 景分布的像素被认为是运动目标 ； 当这个像素满足的分布有充足、 连续的证据支持时， 再将 其纳入到背景中去， 它的优点是能够适应环境的变化， 但是只能适应背景的缓慢变化并对 其更新， 当背景发生突然变化时， 该方法不能。
13、及时更新背景， 从而导致检测出现错误。而且 该方法编程较为复杂， 不易实现。 发明内容 0003 本发明所有解决的技术问题是提供一种基于随机策略进行目标检测的方法， 该方 法利用了像素点的灰度信息、 空间及时间信息， 从而能够有效减少计算复杂度及内存消耗， 能够有效提高运动目标检测精度， 对场景中光照变化、 背景变化、 运动目标引起场景变化等 有较强适应性。 0004 本发明的技术构思在于通过视频序列第一帧完成背景模型的建立及快速初始化， 建立特 定的运动点与背景点判定准则 ； 在背景模型更新过程中包括对当前像素点及其邻 域像素点的样本序列的随机更新。 0005 发明的技术方案如下 ： 000。
14、6 一种基于随机策略的运动目标检测方法， 包括以下步骤 ： 说 明 书 CN 102629383 A 4 2/5 页 5 0007 步骤 1 ： 为视频中每一帧图像的每一个像素点 (a， b) 建立一个基于灰度特征的的 样本序列 si(a， b)|i 1， .N， 构建视频图像的背景模型 ； 其中， 每一个元素 si(a， b) 用于储存图像灰度值， N 为整数 ； 0008 背景模型为所有像素点的样本序列总和， 基于第一帧图像对背景模型进行初始 化 ； 从第二帧图像开始， 执行以下步骤 ； 0009 步骤 2 ： 对当前像素点为运动点或背景点的判断， xt(a， b) 为像素点 (a， b)。
15、 的灰度 值 ： 0010 (1) 将当前像素点 xt(a， b) 与其对应的样本序列中的 N 个元素 si(a， b) 依次比较， 若两者差值的绝对值小于灰度值阈值 Tv， 则令 i(a， b， t) 为 1， 否则为 0 ； i(a， b， t) 为 xt(a， b) 与 si(a， b) 差值的绝对值与 Tv的相比较的判断结果值 ； 0011 (2) 求 若 大于或等于设定的阈值 Tn， 则当前像素点判断为 背景点， 否则为运动点 ； 0012 (3) 若判断为运动点， 则将其显示， 再进行下一个像素点的检测， 即将下一个像素 点置为当前像素点， 返回步骤 2， 若判断为背景点， 则转至。
16、步骤 3 ； 0013 步骤 3 ： 背景模型的更新 ： 0014 (1) 随机更新当前像素点的样本序列中的某一元素的存储值 ： 从当前像素点的样 本序列中的随机选择一个元素， 用当前像素点的灰度值替换其所选元素存储的灰度值 ； 0015 随机更新当前像素点的背景模型， 即使当前像素点对应样本序列中得到当前帧上 该像素点的灰度值， 保证当前像素点的背景模型在连续两帧上进行实时更新， 提高判断像 素点是运动点或是背景点的准确度 ； 0016 (2) 随机选择当前像素点的一个邻域点， 从选中的邻域点的样本序列中随机选择 一个元素， 用当前像素点的灰度值替换其所选元素的灰度值， 随机更新当前像素点的。
17、 1 个 邻域点的背景模型 ； 0017 进一步提高判断像素点是运动点或是背景点的准确度 ； 0018 进行两次操作保证当前像素点的样本序列及其领域点所对应的样本序列包含了 当前帧当前像素点的灰度值， 使得当前像素点和其 8 邻域点的样本序列的信息实时、 完整， 确保运动点和背景点的判断准确 ； 0019 步骤 4 ： 对当前帧的下一个像素点重复步骤 2 与步骤 3， 直到当前帧的所有像素点 处理完毕 ； 完成视频序列中当前帧图像的运动目标检测， 输出当前帧图像对应的运动目标 检测图 ； 0020 步骤 5 ： 将下一帧的第一个像素点作为当前像素点， 重复步骤 2、 步骤 3 和步骤 4， 直。
18、到最后一帧处理完毕， 完成视频序列运动目标的检测。 0021 步骤 1 中所述的样本序列， 若为第一帧时， 其样本序列的取值范围为当前像素点 的灰度值和其 8 邻域的对应灰度值， 即 xt 1(a+1， b)， xt 1(a-1， b)， xt 1(a， b+1)， xt 1(a， b-1)， xt 1(a+1， b+1)， xt 1(a+1， b-1)， xt 1(a-1， b+1)， xt 1(a-1， b-1)， 和 xt 1(a， b)， 若 不是第一帧的像素点， 则样本序列的取值范围为 ： 当前像素点及其 8 邻域像素点在前一帧 的灰度值， 即 xt t-1(a+1， b)， xt 。
19、t-1(a-1， b)， xt t-1(a， b+1)， xt t-1(a， b-1)， xt t-1(a+1， b+1)， xt t-1(a+1， b-1)， xt t-1(a-1， b+1)， xt t-1(a-1， b-1)， 和 xt t-1(a， b)， 两种情况中样 说 明 书 CN 102629383 A 5 3/5 页 6 本序列的每一个元素取值概率均为 1/9。 0022 步骤 2 中所述灰度阈值 Tv取值范围为 15 45， 次数 Tn取值为 2。 0023 步骤3中所述背景模型的两次更新操作均为随机更新， 预先设定随机取值参数Ts， 并从 【0， Ts】 中任意选取两个整。
20、数 Ts1和 Ts2； 0024 每一次更新前， 从 【0， Ts】 中随机取一个值 T s， 若 Ts与 Ts1和 Ts2任意一个值 相同， 则执行本次更新操作， 否则不进行更新操作 ； Ts与 T s均为整数。 0025 具体为 ： 设定随机取值参数 Ts， 从 【0， Ts】 中任意选取两个整数 Ts1和 Ts2： 从 【0， Ts】 中随机选择一个数 Ts， 若 Ts与 Ts1或 Ts2相同， 则随机更新当前像素点的样本序列中的 某一元素的存储值 ； 0026 再次从 【0， Ts】 中随机选择一个数 T s， 若 Ts与 Ts1或 Ts2相同， 则随机更新当 前像素点的某一个邻域点的。
21、样本序列中的某一元素的存储值 ： 0027 步骤 3 中随机取值参数 Ts取值为 10， 对 T s的判断以减缓背景模型的更新速度， 当前像素点背景模型的更新概率由原来的1/N变为2/(N(Ts+1)， 而当前像素点的8邻域 点的背 景模型的更新概率由原来的 1/8N 变为 2/(8N(Ts+1)。 0028 更新概率的减小， 表明在没有增加内存消耗的前提下减缓了样本序列更新速度。 0029 有益效果 0030 本发明采用随机策略进行背景模型的初始化和背景模型的更新， 能够较好抑制阴 影、 幻影、 空洞等现象的发生， 能够适应环境的变化， 编程较易实现。 0031 相比于已有技术， 本发明的优。
22、点在于 ： 0032 (1)编程实现相对容易， 计算复杂度低， 内存消耗量低， 运算速度快。 因为本发明没 有使用复杂的公式与定理， 只是使用简单的判断、 循环、 随机取值与赋值， 所以使得本发明 较容易应用于实际项目。 0033 (2) 通常情况下运动目标检测主要存在以下难点 ： 现实情况中， 由于光照条件 的影响， 不可避免的存在阴影的现象， 而阴影与真正运动目标实体之间的区分是一个的难 题。运动目标进入场景后， 经过一段时间停止运动后， 应该逐渐转变为背景。运动目标 从静止变为运动时， 或者以较低速度前行时， 要避免出现幻影现象， 也就是运动目标离开之 处应当迅速融入背景。要能够适应场景。
23、中诸如光照条件逐渐变化， 随风飘动的树叶等情 况变化。 0034 本发明能有效克服上述难点， 从而能有效提高运动目标检测效果 ： 0035 因为阴影区域像素点与周围背景像素点灰度值差异相对较小 ； 在更新过程中， 阴影区域周边的背景像素点灰度值快速融入阴影点的样本点序列， 根据发明内容步骤 2 中 的 (1) 对当前像素点的判断准则， 阴影点被判定为背景点的概率变大， 在被判定为背景点 后， 这个阴影像素点灰度值又不断进入它周围的阴影像素点样本点序列， 通过不断的扩散， 最终阴影区域将快速融入背景。 而运动目标实体边界像素点与周围背景点的灰度值相差较 大， 即使周围背景像素点灰度值扩散运动点样。
24、本序列， 但是根据发明内容步骤2中的(1)对 当前像素点的判断准则， 由于与背景点灰度值差异大， 仍然会被判定为运动点， 这样使得真 正运动目标区域的像素点的样本点序列并未被背景点所侵蚀， 相当于起了一层保护膜的作 用。通过这种机制， 能够对阴影区域进行有效抑制。 0036 运动目标如果在一段时间内的保持静止状态， 应该被处理为背景， 而不再是运 说 明 书 CN 102629383 A 6 4/5 页 7 动点。在本方法中由于运动目标边界区域像素点的样本点序列不断被背景点的灰度值侵 蚀， 当停留时间较长时， 存在运动目标边界像素点被判定为背景点的可能性， 加上运动目标 区域内部不可避免的出现。
25、噪声点， 这些噪声点灰度值也会扩散到运动点的样本点序列， 根 据前述的判断准则， 这些位置的运动点可能会被判定为背景点 ； 这些被判定为背景点的像 素点， 不断向周围进行扩散侵蚀， 长时间停留的运动目标区域可以被完全侵蚀成为背景。 0037 当运动目标离开后， 原来所停留的区域由于灰度值与周围背景点的灰度值近 似， 整个区域都被背景点所环绕， 所以背景点对所留下的幻影区域能够进行快速的侵蚀， 使 得整个区域迅速变为背景 ； 对于低速运动的目标， 通过采用本发明提出的方法， 能够达到抑 制幻影的效果。 0038 对于场景中的光照条件变化、 树叶的摇摆等情况， 处理过程与阴影、 幻影的处理 过程类。
26、似， 也是通过周围背景点灰度值扩散到运动点的样本序列， 从而达到抑制场景变化 对运动目标检测所带来不利影响的效果。 附图说明 0039 图 1 是本发明运动目标检测流程图 0040 图 2 是背景模型初始化情况对比 ( 图 a 为原始视频第 2 帧， 图 b 为采用滑动平均 处理的第 2 帧初始化效果， 图 c 为采用混合高斯处理的第 2 帧初始化效果， 以及图 d 为采用 本发明处理的第 2 帧初始化效果 ) 0041 图 3 是幻影的校正情况对比 ( 图 a 为原始视频第 1601 帧， 图 b 为原始视频第 1890 帧， 图 c 为原始视频第 2006 帧， 图 d 为滑动平均处理第 。
27、1601 帧效果， 图 e 为滑动平均处理 第 1890 帧效果， 图 f 为滑动平均处理第 2006 帧效果， 图 i 为混合高斯处理第 1601 帧效果， 图 j 为混合高斯处理第 1890 帧效果， 图 k 为混合高斯第 2006 帧效果， 图 1 为本发明处理第 1601 帧效果， 图 m 为本发明处理第 1890 帧效果， 图 n 为本发明处理第 2006 帧效果 ) 0042 图 4 是检测精度情况对比 ( 图 a 原始视频第 941 帧， 图 b 为采用滑动平均处理的 第 941 帧效果， 图 c 为采用混合高斯处理的第 941 帧效果以及图 d 为采用本发明处理的第 941 帧。
28、效果 ) 具体实施方式 0043 为了验证本方法的有效性， 实验中选择经典的滑动平均法、 混合高斯法与本发明 进行对比， 为突出效果， 整个实验过程中并没有进行诸如滤波、 膨胀、 腐蚀等辅助性操作。 所 采取的视频为 ICVS-PETS2002 室外视频序列， 大小为 384288， 所用电脑 CPU 为 Intel 的 P7350， 处理速度 2GHz， 内存 2G， 编程环境为 VC+6.0 结合 OpenCV。混合高斯法所采用的是 KaewTraKulPong P， Bowden R 在所提出的改进的混合高斯算法。滑动平均法选用的阈值 为 25， 学习率 a 为 0.003， 改进的混合。
29、高斯模型参数设置为高斯模型个数为 5， 初始权值为 0.05， 初始方差为 30， 背景阈值设置为 0.7。实验结果的对比主要集中在三个方面， 一是初 始化情况， 二是幻影校正情况， 三是检测精度情况。以下结合附图作进一步的详细说明。 0044 图 1 为本发明的运动目标检测方法对应的流程图。 0045 (1) 参数初始化。设置灰度值阈值 Tv为 25， 设置次数阈值 Tn为 2， 设置背景模型 更新第一次随机取值参数 Ts为 10， 每个像素点的样本序列中元素个数 N 为 20。 说 明 书 CN 102629383 A 7 5/5 页 8 0046 (2) 将当前视频帧的第一个像素点灰度值。
30、与其样本序列中 N 个元素灰度值进行比 较， 判断比较差值的绝对值小于 Tv的次数是否大于次数阈值 Tn， 如果是， 则判定当前像素点 为背景点， 否则判定当前像素点为运动点。 0047 (3) 如果当前像素点被判定为背景点， 则进行模型更新的过程 ： 0048 根据随机取值参数 Ts， 进行第一次随机取值， 取值范围为 【0， Ts】 。 0049 当第一次随机取值结果为 0 或 1 时， 则对当前像素点的样本序列中的任意元素 进行随机更新。 0050 根据随机取值参数 Ts， 进行第二次随机取值， 取值范围为 【0， Ts】 。 0051 当第二次随机取值结果为 0 或 1 时， 从当前像。
31、素点的 8 邻域点中随机选取一个， 在确定邻域像素点之后， 从该像素点的样本序列中随机选择一个元素， 用当前像素点灰度 值替换所选元素的灰度值。 0052 (4) 对当前视频帧的下一个像素点进行判定与背景模型的更新， 按照步骤 (2) 和 步骤 (3) 进行循环处理， 直到当前帧的所有像素点处理完毕。 0053 (5) 将下一帧的第一个像素点作为当前像素点， 重复步骤 2、 步骤 3 和步骤 4， 直到 最后一帧处理完毕， 完成视频序列运动目标的检测。 0054 从图 2 中可看出， 第二帧结束后， 滑动平均法并未完成背景模型的初始化， 如图 2b 所示， 改进的混合高斯法背景能够完成初始化，。
32、 但检测结果中有较明显的白色噪声点， 如图 2c 所示。本发明在对第二帧进行检测时， 只有零星的孤立点， 没有成片的斑点， 初始化效果 改善明显， 如图 2d 所示。 0055 在图 3 中， 原始视频从第 1601 帧开始， 图 (a) 右下角小车开始倒车 ( 以矩形框标 注)， 图(b)即第1890帧表示该小车倒车结束， 并短暂停留一段时间， 图(c)即2006帧表示 该小车已经停留足够长的时间， 即将有行人从右下角进入视频场景。从图 (e) 可看出， 在滑 动平均法下， 第 1890 帧检测结果中有着非常明显的幻影， 在图 (f) 中， 小车直到第 2006 帧 结束后， 依然被检测为运。
33、动目标。在混合高斯法下， 从图 (i) 可看出， 停留的小车大部分已 经融入背景， 图 (j) 中显示幻影在 1890 帧以前就已经消失， 图 (k) 显示在第 2006 帧时， 小 车部分 融入背景。在本发明检测结果下， 图 (m) 显示在第 1890 帧时， 小车的幻影已经检测 不到， 并且小车开始部分融入背景。在 2006 帧时， 图 (n) 显示小车已经大部分融入背景。 0056 图 4(a) 第 941 帧中存在的人、 车运动目标相对较多， 便于分析在复杂场景下的运 动目标检测效果， 一个方框标注的小车是一个已经停留了一段时间的静止物体， 另外几个 方框标注正在运动的目标。 从检测结。
34、果来看， 在滑动平均法下， 方框内静止物体即停留较久 的小车依然作为运动目标被检测出来， 由于该车在前几帧是运动的， 在用滑动平均法时， 不 能对从运动到静止的物体进行实时的检测， 对在当前帧上由运动到静止的物体只能检测为 运动物体而非静止物体， 如图 4b 所示 ； 在混合高斯法下， 停留的小车部分溶入背景， 运动目 标的阴影被误检出来， 阴影抑制情况不理想， 导致三个行人互相不分离， 即连成一整片， 如 图 4c 所示。采用本发明， 阴影抑制效果非常明显， 三个行人并未连接起来， 而且停留的小车 能够顺利融入背景， 如图 4d 所示。 说 明 书 CN 102629383 A 8 1/4 页 9 图 1 说 明 书 附 图 CN 102629383 A 9 2/4 页 10 图 2 说 明 书 附 图 CN 102629383 A 10 3/4 页 11 图 3 说 明 书 附 图 CN 102629383 A 11 4/4 页 12 图 4 说 明 书 附 图 CN 102629383 A 12 。