視頻圖像運動目標提取應(yīng)用非常廣泛。目前運動目標提取的方法大致可分為：光流法、幀差法、背景差分法［1］等。近年來，為了有效提取視頻圖像運動目標，學者們又提出了許多可行方法，這些方法主要分為兩大類：

（1）建立背景模型［2-3］，并采用自適應(yīng)方法對模型參數(shù)進行調(diào)整，從而獲得新的背景圖像；

（2）重構(gòu)背景圖像，包括典型的像素聚類法［4］、時間平均法等。參考文獻［5］假設(shè)背景在圖像序列中總是被經(jīng)常觀察到，提出把出現(xiàn)頻率最高的亮度值作為背景亮度值。在此基礎(chǔ)上，參考文獻［6］給出基于在線聚類的背景重構(gòu)算法。參考文獻［7］針對聚類中需要人工設(shè)定閾值的缺點， 提出一種自適應(yīng)在線聚類的背景提取方法。

參考文獻［8］針對參考文獻［7］中設(shè)置的自適應(yīng)閾值α存在隨著聚類過程會越來越大的問題，通過比例系數(shù)β對閾值α進行修正。本文通過對參考文獻［7］和參考文獻［8］中閾值α設(shè)置方法的進一步分析，針對其存在的問題做了有效改進，提高了背景重構(gòu)算法的效率。針對彩色視頻圖像，結(jié)合HSI色彩空間加權(quán)歐氏距離和背景減除法，提出一種彩色視頻運動目標自適應(yīng)在線聚類提取算法。

1 數(shù)據(jù)預(yù)處理

通過離散小波變換（DWT）對數(shù)據(jù)進行預(yù)處理，以提高算法效率。輸入圖像數(shù)據(jù)經(jīng)過一級二維離散小波變換后被分解成近似分量LL（低頻部分）、水平方向細節(jié)分量HL（次低頻部分）、垂直方向細節(jié)分量LH（次高頻部分）、對角方向細節(jié)分量HH（高頻部分）。圖像的主要信息大多集中在低頻部分，而高頻部分的有用信息較弱，對人眼視覺影響較小，且噪聲也大多集中在高頻部分。因此，通過數(shù)據(jù)量只有總量1/4的低頻分量LL來提取目標，不但提高了處理速度，而且抑制了噪聲。

2 基于色差聚類的背景重構(gòu)

2.1 灰度圖像背景重構(gòu)及閾值設(shè)置［6-9］

灰度圖像聚類法背景重構(gòu)思想為： 首先將輸入的第一幀中的像素灰度值作為第一個類，當新的數(shù)據(jù)到來時與該類中的首元素相比較，如果該數(shù)據(jù)與首元素灰度差的絕對值≤α，則將元素放入該類; 否則，把該元素放入新類中。為了使基于色差聚類中的參數(shù)α具有自適應(yīng)性，參考文獻［7］將閾值設(shè)置為：

4 實驗結(jié)果及分析

實驗是在Matlab R2010a開發(fā)環(huán)境下進行測試。本文實驗中的理想目標提取圖像均是用Photoshop CS5軟件手動提取的。

視頻1為PETS2000測試視頻，實驗結(jié)果如圖1和表1所示，本文從視頻的1 300幀開始，以3幀為周期抽取100幀作為訓練序，手動提取第2 580幀作為理想背景。本文所選取的訓練序列中包含了兩輛汽車倒車時的迂回運動和多目標運動的情況。

視頻2為高速公路隧道監(jiān)控視頻，實驗結(jié)果如圖2和表2所示，本文從視頻的10幀開始，以3幀為周期抽取60幀作為訓練序，手動提取第10幀作為理想背景。本視頻中由于汽車的燈光對路面的照射引起了環(huán)境變化。但由實驗結(jié)果可見，本文算法還是能比較準確地重構(gòu)背景。

視頻3為Hall（CIF）視頻，實驗結(jié)果如圖3和表3所示，本文從視頻的第1幀開始，以3幀為周期抽取100幀作為訓練序列，手動提取第3幀作為理想背景。原視頻前130幀箱子在手上隨運動目標移動，從第130幀開始，箱子被放下。參考文獻［8］算法將箱子處理成了背景，本文算法僅將箱子的小部分處理成了背景。

本文3組實驗分別考慮了目標迂回運動、多目標運動、環(huán)境變化以及不滿足背景在視頻序列中以較高頻率出現(xiàn)假設(shè)等情況下，分別用本文算法和參考文獻［8］算法進行了仿真。

參考文獻

［1］ BARNICH O， Van DROOGENBROECK M.ViBe： a universal background subtraction algorithm for video sequence［J］.IEEE Trans. on Image Processing， 2011，20（6）：1709-1724．

［2］ HASSANPOUR H， SEDIGHI M. MANASHTY A R. Video frame′s background modeling： reviewing the techniques［J］。 Journal of Signal and Information Processing， 2011，2（2）：72-78．

［3］ 潘欣艷， 徐榮青， 崔媛媛，等。 邊緣檢測與混合高斯模型相融合的運動目標檢測算法［J］。微型機與應(yīng)用，2011，30（23）：43-50.

［4］ 鄭錦， 李波。 面向室外視頻監(jiān)控的背景重構(gòu)算法［J］。電子學報，2009，37（8）：1854-1859.

［5］ 侯志強， 韓崇昭。基于像素灰度歸類的背景重構(gòu)算法［J］。軟件學報，2005，16（9）：1568-1576.

［6］ 肖梅， 韓崇昭。 基于在線聚類的背景減法［J］。模式識別與人工智能， 2007，20（1）：35-41.

［7］ 夏潔，吳健，陳建明。基于自適應(yīng)在線聚類的背景提取［J］。計算機工程，2011，37（3）：169-171.

［8］ 任應(yīng)軍，范九倫。基于 DWT 的自適應(yīng)在線聚類運動目標提取方法［J］。計算機應(yīng)用研究， 2012，29（9）：3561-3564.

［9］ 任應(yīng)軍， 范九倫。 一種DWT與背景重構(gòu)相結(jié)合的運動目分割方法［J］。計算機科學， 2012，39（10）：290-293.

［10］ GONZALEZ R C，WOODS R E. Digital image processing［M］。 MATLAB Edition， Chinese， Beijing： Publishing House of Electronics Industry， 2005.

編輯：jq