1、 視頻中復(fù)雜環(huán)境下的前景目標(biāo)檢測(cè)李麗媛黃偉民IreneY.H.GuQiTian通信研究院信號(hào)與系統(tǒng)學(xué)院通信研究院摘要：本文提出了一個(gè)新穎的方法用以檢測(cè)和分割一個(gè)視頻的前景目標(biāo)，該視頻既包含固定和移動(dòng)背景目標(biāo)，而且還經(jīng)歷經(jīng)過(guò)循序漸進(jìn)和突如其來(lái)的“一次性”的變化。制定了一個(gè)貝葉斯決策規(guī)則從選定的特征向量中為前景和背景分類。根據(jù)這一規(guī)則，通過(guò)選擇一個(gè)適當(dāng)?shù)奶卣飨蛄浚煌N類的背景目標(biāo)從前景目標(biāo)中分離出來(lái)。靜止的背景對(duì)象用顏色特征來(lái)表述，運(yùn)動(dòng)的背景對(duì)象則用顏色公升功能來(lái)描述。前景對(duì)象的提取是通過(guò)融合靜止和運(yùn)動(dòng)像素的分類結(jié)果。循序漸進(jìn)和突如其來(lái)的一次性的背景變化的學(xué)習(xí)策略，是為了適應(yīng)視頻中背景的各種的改

2、變而提出來(lái)的。學(xué)習(xí)過(guò)程的收斂性得到證明，也得出一個(gè)公式來(lái)選擇合適的學(xué)習(xí)速度。在許多復(fù)雜的背景中提取前景目標(biāo)的實(shí)驗(yàn)已經(jīng)的到滿意的效果，其中復(fù)雜的背景包括搖擺的樹枝、閃爍的屏幕、水面、移動(dòng)的自動(dòng)扶梯、開門和關(guān)門，開燈關(guān)燈和移動(dòng)物體的陰影等。分類和主題描述1.4圖像處理和計(jì)算機(jī)視覺：分割像素分類概述算法視頻處理、背景建模、前景分割、視頻監(jiān)控、貝葉斯模型、顏色同現(xiàn)（共生）引言對(duì)一個(gè)視頻流進(jìn)行前景目標(biāo)的檢測(cè)和分割是視頻處理、理解和基于對(duì)象的視頻編碼（例如：MPEG4）的基本任務(wù)之一，從圖像序列中提取前景背景的一個(gè)常用方法是通過(guò)背景抑制或背景減法和它的變體3,11,12.當(dāng)從固定式攝影機(jī)獲取視頻時(shí)，這些技

3、術(shù)已經(jīng)被廣泛的用于實(shí)時(shí)視頻處理中。然而，這項(xiàng)任務(wù)就變得很困難當(dāng)背景中包含陰影和移動(dòng)對(duì)象時(shí)，例如：搖擺的樹枝、移動(dòng)的自動(dòng)扶梯和經(jīng)歷不同的變化，如光照變化和移動(dòng)對(duì)象。已經(jīng)提出許多方法用于從視頻序列中的實(shí)時(shí)前景目標(biāo)檢測(cè)。然而這些方法中的大多數(shù)都是在假設(shè)的前提下提出來(lái)的，這其中假設(shè)背景中是由顏色或者強(qiáng)度隨著時(shí)間推移改變的靜止對(duì)象組成的。最簡(jiǎn)單的方法是通過(guò)實(shí)時(shí)視頻用一個(gè)無(wú)限脈沖響應(yīng)（IIR）或者一個(gè)卡爾曼濾波器5,6平滑背景像素的顏色。一個(gè)更好的方法來(lái)容忍視頻中的背景變化是采用一個(gè)高斯函數(shù)-描述屬于一個(gè)穩(wěn)定的背景目標(biāo)中的每個(gè)像素的顏色分布，高斯模型的參數(shù)遞歸更新，以跟蹤視頻中的逐漸變化的背景。最近，適用

4、于各種背景情況下的其他幾種方法已經(jīng)被提出。其中，混合高斯模型11，9被認(rèn)為是一種有前途的方法。在混合高斯模型中，來(lái)自一個(gè)背景目標(biāo)的像素的顏色由多個(gè)高斯分布描述。良好的前景目標(biāo)檢測(cè)結(jié)果通過(guò)將MOG應(yīng)用到室外場(chǎng)景得到報(bào)道，擁有兩個(gè)以上高斯函數(shù)的MOG可以降低前景目標(biāo)檢測(cè)1,2的性能。3中的背景變化模型是一個(gè)廣義的高斯模型。在12中，Toyama等人采用線性威納濾波器學(xué)習(xí)和預(yù)測(cè)視頻中每一個(gè)背景像素中的顏色變化，線性預(yù)測(cè)值可以模擬固定和移動(dòng)的背景目標(biāo)。這種方法的缺點(diǎn)是很難模擬非周期性的背景變化。這些方法可以用于含各種背景變化的實(shí)時(shí)視頻，然后，他們?nèi)匀缓茈y處理運(yùn)動(dòng)背景目標(biāo)的一系列變化，例如：移動(dòng)的背景對(duì)

5、象和不同的陰影。從運(yùn)動(dòng)的背景目標(biāo)中分離前景目標(biāo)的另一種方法是早短時(shí)間內(nèi)利用光流的一致性13,4。據(jù)報(bào)道，這些方法可以檢測(cè)包含非平穩(wěn)植被的戶外場(chǎng)景的前景目標(biāo)。這種技術(shù)的難點(diǎn)是在較少紋理特征的區(qū)域和圖像邊界的不連續(xù)處13計(jì)算光流場(chǎng)是一個(gè)不適定問題。在我們以前的研究7中，一種方法已經(jīng)被提出，它采用顏色共生描述運(yùn)動(dòng)的背景。初步研究結(jié)果表明，與采用之前的方法相比，特征能夠更有效的模擬背景中的動(dòng)態(tài)部分。然而，他不能從視頻中突如其來(lái)的一次性環(huán)境變化中恢復(fù)背景。因此，一個(gè)通用背景模型,可以把不同的功能結(jié)合起來(lái)以滿足復(fù)雜的環(huán)境需求。在本文中，我們提出了一種新穎的方法，在貝葉斯決策規(guī)則的框架下，從一個(gè)復(fù)雜的實(shí)時(shí)視

6、頻中提取前景目標(biāo)。闡述了從一班特征向量中為前景和背景分類的貝葉斯決策規(guī)則。同時(shí)，建立一個(gè)有效的學(xué)習(xí)和維護(hù)不同的特征向量的統(tǒng)計(jì)信息的數(shù)據(jù)結(jié)構(gòu)。在此基礎(chǔ)上，兩種特征類型被用于模擬包含固定和移動(dòng)物體的復(fù)雜背景。統(tǒng)計(jì)數(shù)據(jù)中最重要的顏色用來(lái)描述背景中的靜止部分，與最重要的顏色共生的顏色描述背景中的移動(dòng)目標(biāo)。前景目標(biāo)是通過(guò)融合對(duì)靜止點(diǎn)和運(yùn)動(dòng)點(diǎn)的檢測(cè)結(jié)果提取的.與此同時(shí)，提出了用于循序漸進(jìn)和一次性背景變化的學(xué)習(xí)策略。與我們之前在7中的研究相比，介紹了幾種新的擴(kuò)展。首先，貝葉斯決策規(guī)則已經(jīng)擴(kuò)展到一般特征.在此框架下，可以集成多個(gè)特性對(duì)背景和前景分類。因此，該方法不僅可以模擬運(yùn)動(dòng)的背景對(duì)象，還可以應(yīng)對(duì)突然地“一

7、次性”變化和固定背景下的多種狀態(tài)。其次，給出了學(xué)習(xí)過(guò)程收斂性的數(shù)學(xué)證明。最后，記錄了復(fù)雜情況下的廣泛的實(shí)驗(yàn)和一些定量評(píng)估的報(bào)告。測(cè)試了許多包含復(fù)雜背景目標(biāo)的視頻，而就我們的知識(shí)而言，在這項(xiàng)工作之前,現(xiàn)有方法還不能在這樣復(fù)雜的情況下完成測(cè)試。o論文的其他部分組織如下：在第2節(jié)中，我們首先給出一個(gè)視頻中背景場(chǎng)景和背景變化的一個(gè)說(shuō)名；然后，我們利用基于貝葉斯理論的一個(gè)一般特征向量制定背景和前景的分類問題。建立一個(gè)學(xué)習(xí)和維護(hù)不同背景的特征向量的統(tǒng)計(jì)信息的數(shù)據(jù)結(jié)構(gòu)，它還描述了如何為一個(gè)復(fù)雜的背景選擇特性。第3節(jié)描述了基于背景建模和貝葉斯分類的前景目標(biāo)分割算法，它包含四部分：變化檢測(cè)、背景和前景分類、前景

8、目標(biāo)分割和背景學(xué)習(xí)和維持。在各種復(fù)雜視頻上的實(shí)驗(yàn)結(jié)果和定量評(píng)價(jià)在第4節(jié)中呈現(xiàn)，本文在的結(jié)論在第5節(jié)。2背景和前景的貝葉斯分類問題說(shuō)明用于視頻處理的一般目的，背景通常被認(rèn)為是場(chǎng)景中存在的人們不感興趣的對(duì)象，如人物對(duì)象和行駛中的車輛。背景通常由場(chǎng)景中保持被動(dòng)的非生命對(duì)象組成。在一個(gè)關(guān)于一般環(huán)境的視頻中，背景可以同時(shí)包括固定和移動(dòng)的對(duì)象。靜止的背景目標(biāo)可以是室內(nèi)場(chǎng)景中的墻壁、門、家具和室外場(chǎng)景中的建筑物、植被和地面。運(yùn)動(dòng)的背景目標(biāo)可以使搖曳的樹枝、閃爍的水面、電腦屏幕、擺動(dòng)的窗簾、運(yùn)行的自動(dòng)扶梯和其他的許多。與此同時(shí)，隨著時(shí)間的變化，背景可能會(huì)發(fā)生兩種類型的變化，一種是由自然光照變化引起的漸進(jìn)變化，

9、比如，從白天到黑夜光照的變化；另一種是突然“一次性”的轉(zhuǎn)變。這種全局的一次性變化可能是由開/關(guān)一些燈、一個(gè)攝像機(jī)視角的變化、或者局部的一次性變化引起；也可能由刪除或者沉積背景目標(biāo)引起的，例如：移動(dòng)椅子到一個(gè)不同的位置。除此之外，前景目標(biāo)可能轉(zhuǎn)化為一個(gè)背景目標(biāo)，如汽車進(jìn)入停車場(chǎng)。在某些情況下，一個(gè)背景像素可能有多種狀態(tài)，如晴天和陰天的場(chǎng)景。因此，對(duì)于一個(gè)復(fù)雜的環(huán)境，背景的不同部分應(yīng)該用不同類型的特性來(lái)描述。然而，幾乎所有現(xiàn)有的方法都只是用了一種特性，如顏色或光流來(lái)，模擬背景中的靜態(tài)和動(dòng)態(tài)部分。在本文中，我們提出了一種通用的貝葉斯框架，它可以集成多種特性用于前景目標(biāo)檢測(cè)中的背景建模。分類規(guī)則的制定

10、對(duì)一種類型的背景目標(biāo)，存在一個(gè)重要的特性可以被用來(lái)有效地從前景目標(biāo)出分離處背景。設(shè)V是一個(gè)離散值特征向量，從圖像序列中像素點(diǎn)S=(x,y),時(shí)間t提取。利用貝葉斯準(zhǔn)則，于是出現(xiàn)了在背景b或者前景f的后驗(yàn)概率Vt的結(jié)果是使用貝葉斯決策規(guī)則，如果特征向量滿足J?(b|vtrs)該像素就被分類為背景。與可能來(lái)自背景或者前景目標(biāo)的像素S的特征向量無(wú)關(guān)。它的結(jié)果是P&b)=譯)-9閭+P他比町P(fk).將(1)和(3)代入(2)，得到2P(b.s)-P(bs)尸他|呂)(4)這表明通過(guò)事先學(xué)習(xí)一個(gè)先驗(yàn)概率Jh、，概率八.、.：和條件概率我們可以把特性W分為與前景相關(guān)或者與背景相關(guān)。特征統(tǒng)計(jì)的表示一般情

11、況下，(4)中的Vf和廠V,這種數(shù)學(xué)形式是未知的。他們可以用整個(gè)特征空間的特征向量直方圖表示。對(duì)于一個(gè)擁有L個(gè)量化級(jí)別的n維特征向量,，%；或者/iVj0,.的聯(lián)合直方圖包含丿箱，如果L和N很大，無(wú)論是計(jì)算還是存儲(chǔ)，聯(lián)合直方圖的操作都很昂貴。因此需要一個(gè)令人比較滿意的的近似。背景被認(rèn)為是包含經(jīng)常在場(chǎng)景中的同一個(gè)地方的非生命對(duì)象,而人們感興趣的目標(biāo)經(jīng)常在場(chǎng)景中移動(dòng)。因此，如果選定的特性能夠有效的代表背景，在像素點(diǎn)S,背景中的特征向量將會(huì)集中在特征直方圖中的一個(gè)很小的字空間；而前景目標(biāo)的特征向量將在特征空間廣泛的分布。這意味著，一個(gè)好的特征選擇，通過(guò)使用直方圖中少量的箱數(shù)就可以覆蓋很大百分比（例如

12、：超過(guò)90%）的與背景相關(guān)的特征向量。與此同時(shí)，前景目標(biāo)的特征向量也將在這幾個(gè)箱中分布。根據(jù)了工仝廠-胚land二P（；對(duì)Ahi=L=1當(dāng)然，Nl的值也依賴于所選擇的特性和所使用特性的量變的數(shù)量。對(duì)于每個(gè)類型的特征向量（不管來(lái)自前景還是背景），一個(gè)被定義為；L的特征統(tǒng)計(jì)表，保持在像素點(diǎn)s和時(shí)間t從而記錄統(tǒng)計(jì)N2最要的值。表中的每個(gè)元素由三部分組成,例如，憂=P（v：技）血川=成：=班陸町Ivtrtlr*_此廣在此列表中的元素根據(jù)匯的降序序列排列，與此同時(shí)，卩嚴(yán)二Pb也維持在每個(gè)時(shí)間t以便適應(yīng)不同時(shí)間間隔內(nèi)場(chǎng)景中的頻繁變化。列表中形成了特征向量的直方圖的最顯著的部分。對(duì)許多視頻處理的應(yīng)用程序來(lái)說(shuō)

13、，在一個(gè)像素點(diǎn)背景曝光的持續(xù)時(shí)間要遠(yuǎn)遠(yuǎn)長(zhǎng)于被前景目標(biāo)覆蓋的時(shí)間。列表中前上I個(gè)元素已經(jīng)足夠覆蓋背景中大部分的特征向量。因此，表中前X個(gè)元素連同匕一起被用于背景和前景變化的分類。在表中前上I個(gè)元素當(dāng)中，存在川亠上:用于背景特征，否則，如果心，二，列表中從到N2的元素被用作一個(gè)緩沖區(qū)，學(xué)習(xí)通過(guò)背景更新得到的新的顯著特征。N1和N2的值是憑經(jīng)驗(yàn)選取的，對(duì)于背景中穩(wěn)定的特性，小值已經(jīng)足夠，而對(duì)于變化的特性，需要稍微大點(diǎn)的數(shù)值。特征向量的選擇當(dāng)一個(gè)像素與一個(gè)穩(wěn)定的背景目標(biāo)相關(guān)時(shí)，它的顏色自然地被選擇為特征向量，例如，（1）到（6）中的廠被替換為G二沁）。當(dāng)一個(gè)像素與一個(gè)移動(dòng)的背景目標(biāo)相關(guān)時(shí)，像素幀間變化

14、出現(xiàn)共生的顏色，被選作特征向量，例如，（1）到（6）中的被替換為2-I口丨6丨：。顏色共生的選擇基于以下的觀察。對(duì)于一個(gè)移動(dòng)的背景目標(biāo)，即使來(lái)自一個(gè)像素的顏色和與之關(guān)聯(lián)的的顏色，變化也很大，因?yàn)橄嗨频淖兓?jīng)常發(fā)生在一個(gè)圖像中相同的地方，由此幀間變化的顏色共生也非常重要。為了表現(xiàn)在一個(gè)像素點(diǎn)的多種狀態(tài)，比如移動(dòng)的樹枝和曝光的天空，咗r和工在每個(gè)像素點(diǎn)保持不變。為了使計(jì)算和存儲(chǔ)更高效，每個(gè)顏色成分中的L=64量化等級(jí)被用作顏色矢量。與此同時(shí)，Nl=30和N2=50被選定，L=32,Nl=50和N2=80被當(dāng)做顏色共生的特征向量。在此調(diào)查中發(fā)現(xiàn)依據(jù)這種參數(shù)選擇，（5）適用于大多數(shù)像素，這些像素不論是

15、和靜止的還是移動(dòng)的背景目標(biāo)都相關(guān)。明顯地，在三原色和顏色共生向量的聯(lián)合直方圖中各有J廣和；L個(gè)箱子。其中Nl=30代表顏色特征，Nl=50代表顏色共生特征，靜止和移動(dòng)背景目標(biāo)的比較好的背景代表已經(jīng)實(shí)現(xiàn)。這就意味著所選擇的特想非常有效。3.算法描述隨著基于貝葉斯決策理論的背景和前景的分類的制定，建立了一種包含復(fù)雜背景的實(shí)時(shí)視頻的前景目標(biāo)檢測(cè)算法。它包含四個(gè)部分：變化檢測(cè)，變化分類，前景目標(biāo)分割，背景更新。該算法的程序框圖如圖1所示，白色方塊從左到右對(duì)應(yīng)于前三個(gè)步驟，灰色方塊對(duì)應(yīng)自適應(yīng)背景建模的步驟。第一步，在圖像流中可通過(guò)使用簡(jiǎn)單的背景和時(shí)間上的差異篩選出無(wú)變化的像素。由于根據(jù)幀間的變化像素可分

16、為固定的和移動(dòng)的目標(biāo)，因此可以區(qū)分檢測(cè)到的變化。第二步，對(duì)基于顏色統(tǒng)計(jì)學(xué)習(xí)和顏色共生的背景和前景可分別通過(guò)運(yùn)用貝葉斯決策規(guī)則，進(jìn)一步將與靜止和移動(dòng)的目標(biāo)相關(guān)聯(lián)的像素分類。第三步，前景目標(biāo)由于結(jié)合了靜止和移動(dòng)部分的分類結(jié)果而得到分割。第四步，背景模型的更新。運(yùn)用漸進(jìn)性的和一次性的學(xué)習(xí)策略，去學(xué)習(xí)特征向量的統(tǒng)計(jì)。同時(shí)，維持一張背景參考圖像，它可使背景差精確而且能適應(yīng)背景的不斷變化。在下面的子章節(jié)中將對(duì)這四個(gè)步驟進(jìn)行詳細(xì)的描述。圖1該算法的程序框圖變化檢測(cè)在第一步，通過(guò)簡(jiǎn)單的背景和時(shí)間差異可篩選出有細(xì)微變化的像素。令I(lǐng)(s,t)=Ic(s,t)是:輸入的彩色圖像,B(s,t)=Bc(s,t)是系統(tǒng)在

17、t時(shí)刻的參考背景圖像，cer,g,b代表一種彩色成分。背景和時(shí)間上的差異表現(xiàn)如下。首先，運(yùn)用在文獻(xiàn)10中描述的方法，一張簡(jiǎn)單圖像差分通過(guò)每種顏色成分都帶有的自適應(yīng)閾值得到實(shí)現(xiàn)。三個(gè)組件結(jié)合而產(chǎn)生的結(jié)果相結(jié)合從而產(chǎn)生背景的差異血丁;電:和時(shí)間的差異圖像差分用于成像的去噪。其余的變化可根據(jù)背景特征進(jìn)行分類。用自適應(yīng)全局閾值可準(zhǔn)確實(shí)現(xiàn)這個(gè)目標(biāo)。變化分類時(shí)間上的差異將變化的像素分為兩種類型。如果檢測(cè)到-I,像素被劃分為屬于一個(gè)運(yùn)動(dòng)目標(biāo)的移動(dòng)像素。否則，它就是一個(gè)與靜止目標(biāo)相關(guān)聯(lián)的靜止像素。由于背景和前景的分離它們被進(jìn)一步劃分。對(duì)一個(gè)站像素S,顏色特征矢量:加、由顏色成分生成，每種顏色的成分又有64種不

18、同的等級(jí)。對(duì)于一個(gè)移動(dòng)像素，顏色同現(xiàn)的特征向量fg二|/.|的顏色成分有32種等級(jí)。然后把這個(gè)特征向量vt與第一個(gè)N1相比較，N1是從相應(yīng)的背景特征統(tǒng)計(jì)表中得到的特征向量，從而檢索出相似特征的概率重新得到的。令,其中廠來(lái)自于表?xiàng)l件概率p（bs）=璋：!尺心）=嚴(yán)伽曲：有下列公式獲得：、其中在兀中的匹配特征集被定義為：，這里使這樣如果相似的特性被量化為相鄰向量，統(tǒng)計(jì)數(shù)值仍然可以重新獲取。如果在表“中沒有與匹配的元素，那么和均賦值為0.將（7）中得到的概率代入到（4），這點(diǎn)被分為背景或前景前景目標(biāo)分割由觀察可知，背景和前景分類后，僅有小部分的背景點(diǎn)錯(cuò)標(biāo)記為前景的。更多的是殘余的（像素）變成了孤立的

19、點(diǎn)。運(yùn)用形態(tài)學(xué)操作消除分散的錯(cuò)誤點(diǎn)并且連接前景點(diǎn)。隨著小部分點(diǎn)的移除提取出剩下的區(qū)域。分離出的前景目標(biāo)構(gòu)成一個(gè)二進(jìn)制的輸出圖像:。背景更新背景更新使背景模型隨著時(shí)間的推移能適應(yīng)不同的背景變化。在提出的方法中，背景更新包括兩個(gè)部分，特征統(tǒng)計(jì)表的更新和一個(gè)參考背景圖像。3.4.1更新特征統(tǒng)計(jì)表假設(shè)特征向量vt用于區(qū)分在時(shí)刻t像素景還是背景像素，相應(yīng)的特征統(tǒng)計(jì)（色彩或色彩同現(xiàn)）也逐漸的由TOC o 1-5 h z血+“=（l-a2）p：M十蝕財(cái)；ZIP：f二（m）P爐+就嚴(yán)）更新。其中i=l,N2,這里是于控制特征學(xué)習(xí)的速度的學(xué)習(xí)率。學(xué)習(xí)率的選擇之后將在本節(jié)陳述。匹配標(biāo)簽的布爾值產(chǎn)生如下，當(dāng)在時(shí)刻t

20、,由最終分割得出的反饋知s代表背景像素時(shí)，否則。當(dāng)公式（6）中的譏與Vt可以得到最好的匹配，而時(shí)=D時(shí)可與其余的像素得到最好的匹配。上面更新方程式的描述如下：如果像素S在時(shí)刻t被標(biāo)記為背景點(diǎn)，由于，從略微提升。進(jìn)一步地，由于，特性匹配的概率也隨之增加。如果，那么對(duì)那些不匹配的特性的統(tǒng)計(jì)就略微下降了。如果Vt和表中的元素中都沒有匹配的，那么表中第N2個(gè)元素將被一個(gè)新的特征向量所取代，素S在時(shí)刻t代表前景點(diǎn)，由于.，和均略微下降。然而，在-中匹配的元素，是上升的。在表中更新的元素可對(duì)按照一個(gè)降序的規(guī)則再分類，這樣這張表就可能使-V.成為對(duì)相應(yīng)的狀態(tài)來(lái)說(shuō)是最頻繁的模式。“一次性“背景變化的更新當(dāng)發(fā)生

21、了“一次性”背景變化，在變化之后，新背景出現(xiàn)的特性立即占據(jù)主導(dǎo)地位。從（5）到（3），在像素s處可檢測(cè)到新背景Al的特性，如果-，這其中T是一i=l個(gè)百分值，它可以確定當(dāng)新背景出現(xiàn)時(shí)新的特性可以被識(shí)別出來(lái)。如果T的值很大，系統(tǒng)會(huì)很穩(wěn)定但是對(duì)“一次性”變化的響應(yīng)會(huì)慢。然而，如果T很小，系統(tǒng)會(huì)在新背景出現(xiàn)時(shí)很容易地獲取頻繁的前景特性。在我們的測(cè)試中，T一般賦值為90%。因數(shù)會(huì)阻止少部分特性的更新。從（3）到（6），（11）變?yōu)镹iNiH卅“-時(shí)工応捫A于（12）注釋：“工_一迅九對(duì)應(yīng)于任何類型的特征向量，一旦新背景特性在S處被識(shí)別，對(duì)特性的統(tǒng)計(jì)調(diào)整如下,t期這里i=1,N1經(jīng)過(guò)“一次性”操作，觀察

22、到的占據(jù)主導(dǎo)地位的特性被轉(zhuǎn)換為學(xué)術(shù)上的背景特性。學(xué)習(xí)過(guò)程的收斂如果一些最重要的特征向量表示這個(gè)背景很好,那么工二爐。另外，如果背景特性變得重要，那么隨著更新的進(jìn)化需要滿足趨近于1。更新公式（9）滿足這樣的要求。假設(shè)在時(shí)刻t,-，而且在時(shí)刻t+1,中第j-r個(gè)元素與背景圖像的點(diǎn)中的、相匹配。于是有叭匸臨皿=1-3工p爐+8（恣泌A屁小）=1（14）這就意味著通過(guò)更新方程（9），背景特性的概率和保持為1。假設(shè)在時(shí)刻t由于一些原因如初始化或“一次性”學(xué)習(xí)的操作使工芻就訐廠，而且炙尸中第一個(gè)N1元素的訐與以以+耳中的VM匹配，那么我們有（b=（1-a2）工卩話亠+2=JM%陰從（15）可得果，將有。背

23、景特性aaa的概率和將略微增大。另一方面，如果，將有二.二|;.，背景特性的概率和將略微下降。從這兩種情況可得出結(jié)論：只要背景特性是有效的且是最頻繁的，背景特性的概率和就會(huì)趨近于1。3.414學(xué)習(xí)中的參數(shù)選擇另外一個(gè)有關(guān)學(xué)習(xí)策略的有趣的問題是學(xué)習(xí)率的選擇。為了使逐步的背景更新操作能夠適應(yīng)背景的不斷的平穩(wěn)的變化，并且不被噪聲和前景目標(biāo)干擾過(guò)多，應(yīng)該選擇為一個(gè)較小的數(shù)。另一方面,如果過(guò)小，系統(tǒng)就會(huì)對(duì)“一次性”背景變化的響應(yīng)較慢。這里，我們根據(jù)系統(tǒng)對(duì)“一次性”背景變化作出響應(yīng)所要求的時(shí)間給出了一個(gè)選擇的公式。讓我們來(lái)研究一下“一次性”背景變化的學(xué)習(xí)策略的響應(yīng)。個(gè)理想的在時(shí)刻to的“一次性”背景變化可

24、看作一個(gè)階躍函數(shù)。在to時(shí)刻前的特性落入中的第一個(gè)kl元素中，to后的特性落入、緊接著的下一個(gè)k2元素中。這樣，在時(shí)刻t0,有t0之后，因?yàn)樵谙袼豷新出現(xiàn)的背景被分為前景。=.I=r匕篤必逐漸減小，然而，二露曲“逐漸增大，而且將經(jīng)過(guò)每一個(gè)時(shí)間點(diǎn)的重排操作后移動(dòng)到-中第一個(gè)位置。一旦（12）中的條件在時(shí)刻得以滿足，就會(huì)得到新的背景狀態(tài)。為了使表達(dá)簡(jiǎn)單，清晰，我們假設(shè)在每一時(shí)間步中沒有重排操作。這樣公式（12），從（9）和的條件變?yōu)椋?7），在t0后的時(shí)刻tn有1+2Ti1L燈曲=肉曲+(1創(chuàng)卩通過(guò)將（18）中的項(xiàng)用（19-21）中的項(xiàng)取代，i=Kj+l1-(1-8廣（絢并且做一些簡(jiǎn)單的重這意味著

25、，如果排，我們可以獲得我們認(rèn)為具有n框架的系統(tǒng)對(duì)“一次性”背景變化的響應(yīng)已足夠快速,那么我們就從（22）中選擇學(xué)習(xí)率。例如：如果我們希望系統(tǒng)能在20s后以25fps幀的速率和T=90%來(lái)對(duì)“一次性”背景變化作出響應(yīng),應(yīng)該大于00046,但是也不能大到使系統(tǒng)對(duì)噪音和前景對(duì)象敏感。3.4.2更新參考背景圖像一張參考背景圖像代表最近出現(xiàn)的背景外觀，它維持在每一個(gè)時(shí)間步以使背景的差異精確。通過(guò)使用一個(gè)無(wú)限脈沖響應(yīng)濾波器(IIR)對(duì)靜止背景對(duì)象的漸變進(jìn)行更新。在一個(gè)變化檢測(cè)中，如果s被檢測(cè)到是一個(gè)沒有明顯變化的點(diǎn)，那么參照背景圖像以J:沁:進(jìn)行更新。這里，汽*J：!,是脈沖響應(yīng)濾波器的參數(shù)。因?yàn)橄乱粋€(gè)操作能適應(yīng)“一次性”變化，那么就可以選擇