高 慶,崔友昌

1(濰柴動力股份有限公司 企業(yè)管理與信息化部,濰坊 261000)

2(河北工業(yè)大學 經(jīng)濟管理學院,天津 300401)

隨著計算機技術、現(xiàn)場總線技術的發(fā)展,計算機視覺技術的日臻成熟,視頻監(jiān)控已被廣泛應用于機械制造、食品、化工、醫(yī)藥等制造行業(yè).對于制造業(yè)企業(yè)來說,加強對現(xiàn)場生產(chǎn)過程的調(diào)度、質(zhì)量、安全、人力、物資的控制是生產(chǎn)管理的關鍵,視頻監(jiān)控無疑是一種很好的監(jiān)控手段.為能更好的實現(xiàn)生產(chǎn)過程的精細化管理,需要對視頻監(jiān)控數(shù)據(jù)進行處理和利用,運動目標檢測是視頻理解和分析的基礎,可將視頻中運動的人、生產(chǎn)設備等目標檢測出來[1].

由于視頻所包含的數(shù)據(jù)量巨大,而視頻的處理技術如人臉識別的運算復雜度又較高,所以作為視頻處理中減少運算量的一種重要方法,運動目標檢測吸引了大批學者的關注.迄今為此,已經(jīng)涌現(xiàn)出幾十類運動目標檢測算法[2-5].盡管這些算法在保證速度的前提下,對目標檢測的精度相比以往提高了許多,但是依然無法滿足視頻應用的相應精度需求.

根據(jù)CDNet[6]在2012年以及2014年的運動目標檢測算法排名結(jié)果,可知性能突出的算法有PBAS[7],ViBe+[8],PSP-MRF[9],FTSG[10],SuBSENSE[11].這些算法相比排名靠后的基本算法,不僅在單獨的環(huán)境測試中性能更優(yōu),并且在樹木搖晃,雨雪天氣和光照與陰影等多樣的環(huán)境下也能保持對所有基本算法的優(yōu)勢.然而,2014年,Jodoin等人[12]指出,多種算法的組合優(yōu)于任何一種單獨的算法.即使參與組合的算法排名靠后,但只要算法之間相互補充,排名靠后的基本算法組合起來也能擊敗排名靠前的算法.這樣,如何繼續(xù)提高運動目標檢測算法的性能有了一個解決方案：通過組合已有并且相互補充的算法,或者為某一算法設計互補的算法進行組合.

但如何發(fā)現(xiàn)已有的互補算法,或者設計互補的算法? 從本質(zhì)上看,運動目標檢測就是將像素分類為運動目標像素或背景像素的過程.分類算法是通過分類特征對數(shù)據(jù)進行分類,因此運動目標檢測算法是通過背景特征,對像素進行分類.一個算法對應著一種或多種背景特征,而背景特征之間的關系決定著相應算法之間的關系.例如基于紋理特征的算法(LBP[13])與目前已有的多數(shù)基于顏色特征的算法(ViBe[14],CodeBook[15],高斯算法[16])互補.直觀上,紋理特征是多個像素點的區(qū)域特征,而顏色特征為單個像素點的灰度或彩色特征,因此基于這兩種背景特征的算法互補.而基于顏色特征的算法之間的關系,多數(shù)不能從直覺上得到.如果不能得到背景特征之間的關系,那么在進行算法設計時,一旦組合相互重疊的背景特征,就可能導致耗費大量時間,性能卻不能顯著提高的結(jié)果.因為算法要在多個視頻數(shù)據(jù)集上運行,由于視頻數(shù)據(jù)量巨大,因此測試和調(diào)參等算法設計過程會耗費大量時間.同時,依據(jù)Jodoin提出的互補原則,重疊特征無法顯著改善算法的性能.為了加快對算法的設計和顯著提高算法的性能,急需對背景特征進行分析,從而指導算法設計.

然而目前針對背景特征進行分析的文章較少,運動目標檢測領域的主流是直接分析各類算法的特點.以國內(nèi)為例,萬纓等人[17]對當時的運動目標檢測算法進行了分類,并討論了各類方法的主要優(yōu)缺點,但沒有對算法依賴的背景特征進行分析.如幀差法和統(tǒng)計學習法基于同一種背景特征,但在文獻[17]的分類與分析中無法體現(xiàn).史志剛[18]對CodeBook算法進行了重點分析并提出改進,即考慮到不同顏色空間對算法性能的影響,利用YUV空間替換原CodeBook算法的RGB空間,從而改進了CodeBook算法.但史志剛沒有進一步分析不同顏色空間下的背景特征.高美鳳等人[19]提出了一種混合算法,但并沒有進一步分析混合算法所依賴的背景特征關系.王東方[20],宋雪樺[21],魏建猛[22]等人對高斯模型算法提出了改進,但沒有考慮利用算法之間的組合對算法進行改進.Ji等人[23]提出粗糙集的魯棒修正高斯混合模型,在一定程度上提高了圖像分割的準確性,Chen等人[24]使用高斯混合模型解決視頻編碼在硬件實現(xiàn)中的應用問題,但改進的高斯混合模型未在運動目標檢測算法上應用.根據(jù)Huang等人[25]基于視覺感知對運動目標檢測算法的新穎性進行評估,可知已有的運動目標檢測算法的性能存在一定的提升空間.

為完善背景特征分析,本文首先將面向工業(yè)場景的背景數(shù)據(jù)可視化,分析得到背景特征.例如通過將背景像素與運動目標在三維RGB空間展示,得到背景的方向特征和范圍特征.然后,本文再對得到的背景特征進行分析,總結(jié)其特點并用直觀的圖形進行展示.例如對背景的方向特征,本文利用球坐標系直觀地說明利用背景的方向特征進行分類,容易導致正確率高但召回率低的結(jié)果.最后,總結(jié)本文的工作.

1 面向工業(yè)場景顏色特征的可視化與分析

1.1 工業(yè)場景中靜態(tài)背景的灰度特征

在本文中,顏色特征特指單個像素點的灰度或彩色特征,如灰度值的分布特征,灰度值隨時間的變化特征,彩色RGB向量值的分布特征,彩色RGB向量值隨時間的變化特征.這是因為灰度圖像和彩色圖像在處理上的方法類似,用于處理灰度的方法往往適應于彩色.另外,本文中的靜態(tài)背景(Static)特指非陰影的背景,并非表示不運動的背景,因此工業(yè)場景中的傳送帶、機械手等背景依然屬于靜態(tài)背景.同時,靜態(tài)背景特指攝像機鏡頭固定的情形下的背景.最后,這是為了與CDNet[6]中對像素的分類保持一致,因為在CDNet中,像素被分為靜態(tài)(Static)、陰影(Shadow)、運動(Motion)和未知(Unknow),即靜態(tài)背景,陰影背景,運動目標和未知像素類.其中未知像素類常位于運動目標的邊緣,由于像素分辨率的原因,人工無法對處在邊緣的像素進行準確的分類,因此標記為未知.由于未知類像素是人為原因造成的,不在運動目標檢測討論的范圍內(nèi),因此在本文中,也只對靜態(tài)背景、陰影、運動目標進行分析.

圖1 靜態(tài)背景的灰度特征圖

灰度特征是最簡單的背景特征,因此首先對灰度特征進行分析.如圖1,對不同像素值范圍(0～80,81～160,161～255,0～255)的靜態(tài)背景,分別制作散點圖,直方圖以及拆線圖.相比運動目標而言,靜態(tài)背景的灰度特征更容易被發(fā)現(xiàn)和利用.如圖,散點圖顯示了像素的整體信息,如整體變化趨勢,整體范圍.直方圖則可顯示了像素的峰值,峰的數(shù)目,像素的分布信息.折線圖則顯示了像素的連續(xù)性.可以看到,靜態(tài)背景的像素值會隨時間而變化,后方將對這些變化進行分析并得出規(guī)律;像素值分布集中,但多峰的情況需要進一步分析;不同像素值范圍的靜態(tài)背景的直方圖分布特征也各不相同,一方面這是因為像素值的范圍為0～255,超出這個范圍的像素信號將被置為255或0,因而在255附近容易形成高峰,另一方面這是因為背景變化的幅度不同,如室內(nèi)背景變化較小,室外背景變化很大.同時應該注意到,本節(jié)只給出了靜態(tài)背景的整體特征,分布特征和連續(xù)性特征,并沒有與運動目標,陰影進行比較分析,以致無法得到像素的分類特征.因此接下來的章節(jié),將分析靜態(tài)背景與運動目標,陰影之間的關系,并提取背景特征.

1.2 面向工業(yè)場景的單點像素序列的空間分布特征

由于眾多的運動目標檢測算法基于距離(像素值與像素值之間的距離,如亮度差),而只有了解像素在空間的分布,才能選擇合適的距離公式.如果像素在空間中的分布呈球狀,則采用歐式距離公式;如果像素在空間中的分布呈橢球狀,則要先對像素空間進行變換,使像素分布呈球狀,再采用歐式距離公式.而像素空間的選擇有多種,如歸一的RGB,HSV,HSI,YCbCr等像素空間.文獻[12]用實驗證明,RGB顏色空間更好.因此,本文將在RGB像素空間上分析像素的間分布特征.同時,選擇散點圖進行作圖分析,從而結(jié)合像素的分類信息,對各類像素的空間分布特空征進行分析.實驗首先對單個像素點上的像素序列進行三維RGB空間散點作圖.如圖2,其中主要藍色的點為靜態(tài)背景(Static),紅色的點為運動目標(Motion),深綠色的點為未知(Unknow),青色的點為陰影(Shadow).可以看到,靜態(tài)背景(Static)在三維RGB空間的分布相對于運動目標(Motion)而言更加集中,并且靜態(tài)背景像素與運動目標像素在分界面呈柱面狀.由于實驗中采樣得到陰影像素較少,因此散點圖中無法得到關于陰影像素的特征.關于陰影,將在2.4章節(jié)中進行單獨分析.

靜態(tài)背景像素相對集中,即像素值的方差較小,可以利用它對像素進行分類.即將方差小于某一閾值的像素序列分類為靜態(tài)背景,而將方差大于某一閾值的像素序列分類運動目標.該特征在高斯模型算法中得到應用,然而在對高斯模型的研究中發(fā)現(xiàn)了新的問題：不同的像素點其靜態(tài)背景像素的方差也不同,并且靜態(tài)背景像素的方差隨時間而變化.為了更精確地學習靜態(tài)背景像素的方差,從而得到更精確的像素分類閾值,需要對靜態(tài)背景像素的方差進行分析.比如尋找與其相關且更容易得到的特征(背景像素的平均值、最大值、最小值等),再利用這些特征對方差進行修正或更新.然而本文在實驗中發(fā)現(xiàn),靜態(tài)背景像素的方差與這平均值、最大值、最小值的關系較小,但它與像素的極差(極差=最大值-最小值)有較大關系.

對于一個像素序列其平均值特征為：

方差特征值為：

極差特征值為：

其中,pmax,pmin分別為像素序列中的最大值和最小值.

靜態(tài)背景像素相對集中,除了使用方差進行刻畫,還可以可以通過范圍進行刻畫.如果學習到靜態(tài)背景像素值的范圍,那么可以通過比較像素值是否在該范圍而對像素進行分類.但在本質(zhì)上,利用范圍與利用方差,其本質(zhì)是相同的,因此基于范圍特征的算法與基于方差的算法是重疊的,在進行組合時混合算法的性能并不會顯著提高.

而靜態(tài)背景像素與運動目標像素的分界面呈柱面這一特征,則在CodeBook[15]等算法中得到應用.即通過將向量(R,G,B)歸一化,得方向向量,再利用靜態(tài)背景像素之間的方向向量夾角較小,而靜態(tài)背景像素與運動目標像素之間的方向向量夾角較大(方向特征),對像素進行分類.然而由于運動目標像素的方向向量經(jīng)常與背景像素重疊,由于這一特征在三維空間直角坐標系中并不直觀,因此將方向向量映射到球坐標系,在不丟失信息的同時,在維數(shù)從3降到2,從而在二維平面直角坐標系中進行展示.如圖3,靜態(tài)背景與運動目標大量重疊,但從圖2中可以看到,雖然運動目標與靜態(tài)背景距離較大,但方向向量之間的距離很可能較小.因此還要考慮其它的特征,如分界面的上下界,即靜態(tài)背景像素值的上界和下界(上下界特征或范圍特征).在圖2和圖3中可以看到,上下界特征應和方向特征結(jié)合使用.

圖2 單個像素點在三維RGB空間的分布

1.3 面向工業(yè)場景的單點像素序列隨時間的變化

前面分析了單點像素序列在空間中的分布,這并不能得到單個像素隨時間的變化特征,并且由于背景是變化的且存在噪聲,所以只要取樣的時間足夠長,靜態(tài)背景像素會將三維像素空間逐漸填滿.如圖4(a),通過作像素序列R、G+10、B+20與時間的散點圖,在觀察分類的同時,分析各個量隨時間的變化特征.實驗中,由于R、G、B三種像素值非常接近,因此為了防止三條曲線之間的相互覆蓋,對G與B的值進行了修正.這樣,可以觀察到,在多數(shù)情況下,RGB三種像素值同步變化,如在t=1010～1020時,三種像素值同時增加.同時也可以觀察到,三種靜態(tài)背景像素值隨時間的變化幅度大多數(shù)處于-5～5之間,而運動目標的變化幅度則可能達到200以上.

圖3 三維方向向量序列映射到球坐標系

圖4 像素隨時間的變化圖

另外,從圖4(a)中可以觀察到,靜態(tài)背景像素的值基本上穩(wěn)定不變,在t=0～90時,靜態(tài)背景像素值的最大值與最小值之間僅僅差1 0.但換一個像素位置,在圖4(b)可以看到,在t=0～80時,背景像素的最大值與最小值之間相差超過40.同時,圖4(b)圖t=12時,下一時刻的變化幅度接近20,遠遠高于圖4(a)圖的變化幅度.

像素值隨時間的變化幅度可以用幀差衡量,由于背景像素的幀差相對運動目標較小,因此可以利用幀差對像素進行分類.典型的算法即基本算法中的幀差法,然而,進一步實驗發(fā)現(xiàn),有時運動目標也同樣隨時間連續(xù)變化,這對應著現(xiàn)實環(huán)境中運動目標較大且顏色單一的情況,因此為保證正確率,幀差法得到的運動目標往往不完整.對同一幀視頻中所有背景像素,作相應幀差直方圖可以得到圖5(a);同樣,再對運動目標進行實驗可以得到圖5(b).比較可以發(fā)現(xiàn),靜態(tài)背景和運動目標的幀差在0-20時都達到峰值.因此為保證正確率,幀差法會將大量運動目標誤差為背景像素.但注意到幀差在20～255時,主要的像素為運動目標像素,此時由于靜態(tài)背景像素只占10%左右或者更少,因此可以直接將像素判斷為運動目標.如果結(jié)合噪聲過濾等操作,可以進一步提高幀差法的正確率,使之達到90%.而依據(jù)CDNet 2014年的結(jié)果,目前在所有視頻類的測試中,正確率最高的為FTSG,76.96%.然而,幀差法是也是通過計算像素與背景像素之間的距離對像素進行分類,這與之間提到的利用方差,利用范圍對像素進行分類重疊.因此幀差法并不能顯著改善基于方差或范圍特征的算法.

圖5 靜態(tài)背景的幀差與運動目標的幀差

1.4 陰影像素序列在時間上的分布

陰影不同于動態(tài)背景,它伴隨著運動目標而出現(xiàn),因此容易被當成運動目標.由于在整個像素序列中,陰影出現(xiàn)的頻率較低,并且需要將陰影同運動目標以及靜態(tài)背景進行比較,因此采用直方圖的形式來展現(xiàn)陰影的峰值特征,并利用散點圖來分析陰影像素在像素值上的特征.

如圖6所示,取像素中的某一固定位置在某一時間段進行采樣,并將采樣結(jié)果用直方圖的形式顯示出來.圖片GroundTruth及Input中的紅點表示取樣點的位置.GroundTruth為某一幀時的真實背景,Input為視頻某一幀的輸入,Shadow為一段時間內(nèi)陰影分布直方圖,水平軸代表著像素值,豎直軸代表出現(xiàn)該像素值的頻數(shù).同樣,Static與Motion分別為非陰影背景和運動目標的分布直方圖,由于有時取樣點中在采樣時間段中沒有被運動目標經(jīng)過,因此Motion的直方圖可能為空白.綜合多個視頻可以得到,陰影并不服從高斯分布,往往有多個峰值,雖然多數(shù)情況下陰影的灰度值要小于非陰影背景,但如圖7(a)所示,運動目標的灰度值可能與陰影非常接近,因此利用陰影灰度值要小于非陰影背景灰度值的假設可能造成運動目標漏檢.陰影是至今未解決的一大難點[12],從圖7(a)可以看到,陰影與運動目標在像素值上難以區(qū)分.雖然多數(shù)算法中利用閾值對陰影和運動目標進行區(qū)分,但實際情況是,利用閾值可以處理一些簡單的情況 ,如只出現(xiàn)陰影的情況(如圖7(b)),這時不會出現(xiàn)將運動目標分類的為陰影的錯誤.但對于圖7(a),利用閾值則存在理論上的缺陷,或者出現(xiàn)將陰影分類為運動目標的錯誤,或者出現(xiàn)將運動目標分類為陰影的錯誤.

圖6 單個像素的陰影灰度的時間上的分布

圖7 陰影、靜態(tài)背景以及動態(tài)前景的散點圖

2 面向工業(yè)場景紋理特征的可視化與分析

2.1 邊緣特征

雖然多數(shù)算法將邊緣特征與紋理特征單獨進行處理,但本質(zhì)上,邊緣特征屬于紋理特征.邊緣特征可以只利用一幀視頻就得到有關于運動目標的信息,而其它特征往往要利用兩幀或兩幀以上的視頻才能得到有關運動目標的信息.然而邊緣特征存在閾值選取的問題.如果閾值過高,則無法檢測到運動目標的邊緣.如果閾值過低,則會引入背景邊緣.同時,由于邊緣特征只能得到圖像的邊緣,并且往往得不連續(xù)的.如圖8所示,對輸入圖像Input求邊緣,得到的Sobel和Canny邊緣特征如圖所示,可以看到,邊緣特征不僅沒有包含運動目標的完整邊緣,同時還含有大量背景邊緣.同樣,在流水線的傳動帶上的待加工產(chǎn)品的邊緣特征也很難準確界定.在本文的實驗中,即使改變邊緣算子或者閾值,也無法得到理想的邊緣信息(包含運動目標的完整邊緣,同時不含或只含少量背景邊緣).因此,盡管邊緣特征含有運動目標的特征,但由于背景邊緣的影響,邊緣特征很難被利用.

2.2 LBP局部二值模式特征

在運動目標檢測算法中,最常用的紋理特征就是局部二值模式特征,即LBP.雖然單純基于紋理特征的算法在排名上靠后,但在性能較優(yōu)的混合算法中,基于紋理特征的算法相比排名靠前的算法,出現(xiàn)的頻率更高[12].對紋理的詳細分析超過了本文的范疇,本文僅對LBP進行分析.

圖8 Sobel和Canny邊緣特征

通過計算單個像素點p的3×3鄰域的LBP得到圖9,計算公式如下：

其中,pcenter為任意一個像素的位置,pneighbor為與像素p相鄰的像素,在3×3的鄰域中,N=8.

圖9 像素的LBP紋理特征

如圖9所示,雖然Static與Motion的LBP分布不同,但在pLBP=0附近,Static與Motion容易同時出現(xiàn)峰值,從而造成誤檢.同時可以看到Static的主要峰值包含Shadow的主要峰值,因此利用LBP進行運動檢測時可以消除陰影.對于LBP容易為0的問題,有幾種解決方案,一是通過擴大鄰域范圍,如將3×3的鄰域擴大為5×5或者7×7.二是改變二值化函數(shù).然而,目前的紋理特征還是無法準確處理紋理不明顯的情況,即在像素相對平坦的區(qū)域(像素中心點像素值與鄰域的像素值相近的區(qū)域),紋理特征無法很好地區(qū)分背景與運動目標.在像素相對平坦的區(qū)域,靜態(tài)背景的紋理值與運動目標空間的值均接近0,因此容易出現(xiàn)將運動目標分類為背景的錯誤.但在圖中也可以看到,陰影將會被正確地分類為靜態(tài)背景,因為陰影的紋理特征值基本上出現(xiàn)在靜態(tài)背景紋理特征值的值域內(nèi).利用LBP局部二值模式特征,能有效的區(qū)分廠房內(nèi)燈光對待加工產(chǎn)品形成的陰影的識別.

3 總結(jié)

本文從方向、范圍、方差、幀差、邊緣和紋理分析面向工業(yè)場景的背景特征,上述特征可歸為向量特征、標量特征和區(qū)域特征三個維度.其中,向量特征包括方向,標量特征包括幀差、方差、范圍,區(qū)域特征包括邊緣、紋理.維度相同的兩個背景特征重疊,維度不同的兩個背景特征互補.同時,由于互補特征越多,混合算法的性能就越好.因此,為了進一步提高工業(yè)場景中運動目標檢測算法的性能,首先可以通過本文的可視化方法尋找新的背景特征并分析,其次可以從三個維度對背景特征進行選擇,最后組合背景特征并進行實驗得到性能顯著提升的混合算法.本文的分析結(jié)果在算法優(yōu)化方面有很多指導應用的作用.例如,靜態(tài)背景像素相對集中,像素值的方差較小,可以利用它對像素進行分類,將方差小于某一閾值的像素序列分類為靜態(tài)背景,而將方差大于某一閾值的像素序列分類運動目標.該特征在高斯模型算法中得到應用.而靜態(tài)背景像素與運動目標像素的分界面呈柱面這一特征,通過將向量(R,G,B)歸一化,對像素進行分類,在等算法中得到應用等.相比盲目的選擇背景特征進行組合并實驗,利用本文的工作進行面向工業(yè)場景的背景特征選擇可以節(jié)省大量的時間,并顯著提升算法的性能.

1 代科學,李國輝,涂丹,等.監(jiān)控視頻運動目標檢測減背景技術的研究現(xiàn)狀和展望.中國圖象圖形學報,2006,11(7)：919-927.[doi：10.11834/jig.200607158]

2 Benezeth Y,Jodoin PM,Emile B,et al.Comparative study of background subtraction algorithms.Journal of Electronic Imaging,2010,19(3)：033003.[doi：10.1117/1.3456695]

3 Brutzer S,H?ferlin B,Heidemann G.Evaluation of background subtraction techniques for video surveillance.Proceedings of 2011 IEEE Conference on Computer Vision and Pattern Recognition.Colorado Springs,CO,USA.2011.1937-1944.

4 Bouwmans T.Traditional and recent approaches in background modeling for foreground detection：An overview.Computer Science Review,2014,11-12：31-66.[doi：10.1016/j.cosrev.2014.04.001]

5 Sobral A,Vacavant A.A comprehensive review of background subtraction algorithms evaluated with synthetic and real videos.Computer Vision and Image Understanding,2014,122：4-21.[doi：10.1016/j.cviu.2013.12.005]

6 Goyette N,Jodoin PM,Porikli F,et al.Changedetection.net：A new change detection benchmark dataset.Proceedings of 2012 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops (CVPRW).Providence,RI,USA.2012.1-8.

7 Hofmann M,Tiefenbacher P,Rigoll G.Background segmentation with feedback：The pixel-based adaptive segmenter.Proceedings of 2012 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Providence,RI,USA.2012.38-43.

8 Van Droogenbroeck M,Paquot O.Background subtraction：Experiments and improvements for ViBe.Proceedings of 2012 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops.Providence,RI,USA.2012.32-37.

9 Schick A,B?uml M,Stiefelhagen R.Improving foreground segmentations with probabilistic superpixel Markov random fields.Proceedings of 2012 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops.Providence,RI,USA.2012.27-31.

10 Wang R,Bunyak F,Seetharaman G,et al.Static and moving object detection using flux tensor with split Gaussian models.Proceedings of 2014 IEEE Conference on Computer Vision and Pattern Recognition Workshops.Columbus,OH,USA.2014.420-424.

11 St-Charles P,Bilodeau GA,Bergevin R.Flexible background subtraction with self-balanced local sensitivity.Proceedings of 2014 IEEE Conference on Computer Vision and Pattern Recognition Workshops.Columbus,OH,USA.2014.414-419.

12 Jodoin PM,Piérard S,Wang Y,et al.Overview and benchmarking of motion detection methods.In：Bouwmans T,Porikli F,Hoferlin B,et al.,eds.Background Modeling and Foreground Detection for Video Surveillance.New York：CRC Press,2014.

13 Heikkila M,Pietikainen M.A texture-based method for modeling the background and detecting moving objects.IEEE Transactions on Pattern Analysis and Machine Intelligence,2006,28(4)：657-662.[doi：10.1109/TPAMI.2006.68]

14 Barnich O,Van Droogenbroeck M.ViBe：A universal background subtraction algorithm for video sequences.IEEE Transactions on Image Processing,2011,20(6)：1709-1724.[doi：10.1109/TIP.2010.2101613]

15 Kim K,Chalidabhongse TH,Harwood D,et al.Real-time foreground-background segmentation using codebook model.Real-Time Imaging,2005,11(3)：172-185.[doi：10.1016/j.rti.2004.12.004]

16 Bouwmans T,El Baf F,Vachon B.Background modeling using mixture of Gaussians for foreground detection-a survey.Recent Patents on Computer Science,2008,1(3)：219-237.[doi：10.2174/2213275910801030219]

17 萬纓,韓毅,盧漢清.運動目標檢測算法的探討.計算機仿真 ,2006,23(10)：221-226.[doi：10.3969/j.issn.1006-9348.2006.10.056]

18 史志剛.視頻序列中運動目標檢測與跟蹤技術研究[碩士學位論文].西安：西安電子科技大學,2014.

19 高美鳳,劉娣.分塊幀差和背景差相融合的運動目標檢測.計算機應用研究,2013,30(1)：299-302.[doi：10.3969/j.issn.1001-3695.2013.01.077]

20 王東方,王玉德,王景武.基于改進的混合高斯模型的運動目標檢測方法.激光技術,2014,38(6)：776-779.[doi：10.7510/jgjs.issn.1001-3806.2014.06.011]

21 宋雪樺,陳瑜,耿劍鋒,等.基于改進的混合高斯背景模型的運動目標檢測.計算機工程與設計,2010,31(21)：4646-4649.

22 魏建猛,陳松,龐首顏.改進的混合高斯模型視頻運動目標檢測算法.重慶交通大學學報(自然科學版),2013,32(2)：365-368.[doi：10.3969/j.issn.1674-0696.2013.02.41]

23 Ji ZX,Huang YB,Xia Y,et al.A robust modified Gaussian mixture model with rough set for image segmentation.Neurocomputing,2017,266：550-565.[doi：10.1016/j.neucom.2017.05.069]

24 Chen W,Tian YH,Wang YW,et al.Fixed-point Gaussian Mixture Model for analysis-friendly surveillance video coding.Computer Vision and Image Understanding,2016,142：65-79.[doi：10.1016/j.cviu.2015.09.006]

25 Huang W,Liu L,Cui MJ,et al.A novel evaluation metric based on visual perception for moving target detection algorithm.Infrared Physics &Technology,2016,76：285-294.