息，G和K分別表示色度信息，因此，LUV特征比RGB特征 在像素值差別度量方面更準(zhǔn)確。
[0041] 所述紋理特征值可以是采用Haar型局部二值模式（HLBP)特征也可以是多尺度 塊狀LBP (MBLBP)特征，還可以是上述HLBP和MBLBP特征的組合。所述HLBP編碼繼承了 Haar特征和LBP編碼的優(yōu)點，該編碼特征對紋理的描述簡單有效，適用于圖像檢測、分類、 匹配和查找等方面。圖3為Haar-LBP算子圖的一例。如圖3所示，設(shè)計了 8個對稱形式的 編碼模型，其以PO為中心形成了 5 X 5大小的區(qū)域窗口，除中心點p0外，鄰域內(nèi)有24個點， 其中權(quán)重設(shè)為1的區(qū)域與權(quán)重設(shè)為-1的區(qū)域均順時針旋轉(zhuǎn)了 8個方向后又回到了初始狀 態(tài)。而且，權(quán)重設(shè)為1的區(qū)域與權(quán)重設(shè)為-1的區(qū)域之間的差值能有效地反映紋理變化的信 息，并且設(shè)定一個閾值來記錄差值對中心點的影響，而將這些變化都記錄到中心點的HLBP 值中。其中，中心點P〇被用來記錄紋理變化信息。
[0042] 圖4為塊大小為2x3的多尺度塊狀LBP (MBLBP)特征計算方式示例。先對每一個 2X3的塊計算平均值，然后每個中心塊的均值跟它相鄰的8個塊的均值做比較，如果相鄰 塊的均值小于中心塊，則在該相鄰塊的位置置為〇,反之則置為1。在圖4中，對中心塊的最 終MBLBP編碼是00111100 (從左上角的數(shù)字順時針數(shù)一圈）。在這里取2X3的塊是為了降 低計算量，還可以是其他大小的塊。如果計算能力足夠，也可不分塊而對原始圖像直接處理 來獲取MBLBP的編碼。
[0043] 另外，用像素點i (X，/)的位置特征值表示圖像位置特征，其中原點從圖像左上角 開始，4由正向為從左到右，正向為從上到下，該像素點的位置被用于當(dāng)做位置特征，能 夠增強(qiáng)像素顏色特征與位置特征的相關(guān)性，對于極短時間內(nèi)位置不變但顏色特征突變現(xiàn)象 具有一定的抑制作用，適用于相機(jī)抖動的條件。
[0044] 在視頻序列中的背景、前景目標(biāo)的像素點i (X，/)在過去的一段時間中的特征矢 量X,能夠用混合高斯函數(shù)模型描述。例如，在時刻?，像素點i的特征矢量Xy對應(yīng)的概率 密度函數(shù)可以表示為：
其中，廣示時刻?像素點i位置的第々個高斯模型的權(quán)重；A為混合高斯函數(shù)模 型中高斯函數(shù)的個數(shù)，可以根據(jù)計算機(jī)的內(nèi)存和計算能力決定，優(yōu)選地A設(shè)定在3到5之 間
是像素點i在ifl寸刻第A個高斯分布的概率密度函數(shù)，即為 描述像素特征的混合高斯函數(shù)々的計算公式（3)為：
是該高斯分布的平均值；Σ ,為該高斯分布的相關(guān)矩陣(協(xié)方差矩陣)，可近似為
(公式4)，其中σλ為該高斯分布的方差，/為三維單位矩陣。
[0045] 然后，背景模型更新模塊5將接收到的特征矢量生成模塊4生成的區(qū)域特征矢量 X,(即為觀測特征矢量）依次與背景模型更新模塊5內(nèi)部存儲單元存儲的混合高斯模型中 的各高斯函數(shù)進(jìn)行匹配，并判斷觀測特征矢量是否與所述背景模型更新模塊5的存儲單元 中存儲的高斯函數(shù)匹配(步驟S5)。具體地，背景模型更新模塊5將接收到的特征矢量生成 模塊4生成的區(qū)域特征矢量X,依次與背景模型更新模塊5內(nèi)部存儲單元存儲的若干個高斯 函數(shù)(設(shè)為K個高斯函數(shù)）進(jìn)行匹配。判斷觀測特征矢量X,是否與背景模型更新模塊5內(nèi) 部存儲單元存儲的第々個高斯函數(shù)匹配的條件為（以LUV顏色空間和HLBP編碼為例):是否 滿足下式(公式5) CN 105184771 A 說明書 7/8 頁
其中4表示LUV顏色空間的顏色特征值分量的匹配閾值，4表示像素點i (尤乃的位 置特征值分量的匹配閾值，4表示HLBP編碼特征值分量的匹配閾值。上述各閾值可以分別 根據(jù)之前所有已處理幀特征的變換情況進(jìn)行統(tǒng)計學(xué)習(xí)和自動更新。
[0046] 如果步驟S5的觀測特征矢量X,與混合高斯模型中的K個高斯函數(shù)都不符合時， 則將混合高斯模型中權(quán)重最小的高斯函數(shù)的參數(shù)重置，將該權(quán)重最小的高斯函數(shù)的均值重 置為觀測特征矢量X,的特征值，并重新設(shè)定一個較大的方差和較小的權(quán)值(方差增大、權(quán)值 減?。?如果所述的觀測特征矢量X,與混合高斯模型中的一個高斯函數(shù)匹配時，則對該混合 高斯模型參數(shù)和權(quán)值做更新處理(步驟S6)。具體的，混合高斯模型的參數(shù)和權(quán)值更新的公 式如下（公式6):
其中，《為用戶自定義的學(xué)習(xí)速率，P為參數(shù)學(xué)習(xí)速率。當(dāng)高斯模型與觀測特征矢量 匹配時，將慫t設(shè)置為1;若不匹配時將慫t設(shè)置為〇。
[0047] 接下來是背景模型的確定，當(dāng)保持靜止的背景突然出現(xiàn)新物體時，對于該區(qū)域的 某一像素要么會導(dǎo)致新的但是權(quán)值低的高斯分布的產(chǎn)生，要么會導(dǎo)致已存在的分布的方差 的變化；應(yīng)保持移動物體的像素的方差會比背景像素的方差大，直到移動停止?；诖耍?景模型更新模塊5將更新后的每個混合高斯模型的權(quán)值進(jìn)行歸一化處理，并且根據(jù)/ t值的遞減順序調(diào)整對應(yīng)高斯模型的4直(步驟S7 )。
[0048] 根據(jù)背景模型更新模塊5得到的權(quán)值歸一化且按照％，/、，t的值遞減順序調(diào)整 的混合高斯模型中的高斯函數(shù)，并選擇萬個高斯函數(shù)作為背景模型；并將確定的背景模型 存入存儲單元中（步驟S8)。雄]確定公式為(公式7):
[0049] 其中，為確定背景分布模型的經(jīng)驗閾值，表示背景應(yīng)該占用的比重；當(dāng)泣交小的 時候，實際上近似于單一高斯模型，而當(dāng)交大時每個像素都可以接受多個區(qū)間的像素值。 將像素對應(yīng)的特征矢量值變化小卻出現(xiàn)次數(shù)多的，即將對應(yīng)方差小、權(quán)值大的模型確定為 背景模型。
[0050] 利用上述步驟Sl~S8的處理過程即可得到ifl寸刻視頻圖像的背景模型，即所述 的視頻圖像在甜寸刻之前的背景模型都已獲得。運(yùn)用馬氏測量法得到特征矢量的距離，再 運(yùn)用獲取的ifl寸刻視頻圖像的背景模型和減背景方法即可檢測到?+l時刻視頻圖像中的運(yùn) 動目標(biāo)(步驟S9)。具體的?+l時刻視頻圖像中的運(yùn)動目標(biāo)的獲取過程如下所述：對于視頻 圖像中的/ (尤/)，根據(jù)塒刻的背景模型(直接在存儲單元中調(diào)取)，然后運(yùn)用馬氏測量法 (Mahalanobis 測量方法）
得到?+l時刻的觀測特征矢量X,與ifl寸刻背景特征矢量的距離/)，比較測量距 離J (Z /)與門限值7；大??；所述的觀測特征矢量X,和背景特征矢量分別為?+l時刻和? 時刻獲取的圖像上同一位置處的特征矢量；當(dāng)測量距離J (X，/)比門限值7；大，則認(rèn)為該 像素點在?+i時刻為前景的運(yùn)動目標(biāo)；當(dāng)測量距離比門限值r/J、，則在?+i時刻該 像素點為背景部分。
[0051] 當(dāng)系統(tǒng)初始化時，背景模型更新模塊5內(nèi)部存儲單元存儲的混合高斯模型的高斯 函數(shù)的均值、方差和權(quán)值等參數(shù)可由操作人員賦值：都設(shè)置為較大的方差、較小的權(quán)值和觀 測值的均值；或者由系統(tǒng)隨機(jī)賦值。
[0052] 圖5為要檢測的有目標(biāo)的圖像以及理想減背景圖和本發(fā)明所涉及的檢測方法的 減背景圖。圖5a為要檢測的有目標(biāo)的圖像，圖5b為理想的減背景圖，圖5c為使用本發(fā)明 檢測方法得出的減背景圖。由圖5b和5c可以看出，本發(fā)明檢測方法能夠較好的檢測出目 標(biāo)。
[0053] 圖6為要檢測的無目標(biāo)的圖像以及分別利用一般減背景方法和本發(fā)明所涉及的 檢測方法獲取的減背景圖。圖6a為要檢測的無目標(biāo)的圖像，圖6b為將背景圖分割成小目 標(biāo)后的減背景圖(一般減背景方法的減背景