柯尊海 刘 勇 徐义春 雷帮军

（三峡大学 智能视觉与图像信息研究所，湖北 宜昌 443002）

前景提取是计算机视觉应用的重要环节，是目标跟踪、目标识别、场景分析与理解等高级处理的基础，在行人检测与跟踪、智能交通、社会安防等领域得到了高度的重视.如何针对当前的场景建立一个尽可能完善的背景模型，并进行前景信息的提取是计算机视觉领域的研究热点和难点.

近年来，国内外大量学者对其进行了深入的研究，并取得了大量的成果.目前，背景建模算法已有十几种，如Kim等提出的Codebook背景建模算法，许雪梅等在Kim的基础上提出了局部更新的分层码本目标检测算法［1－2］，P.KadewTraKuPong等人提出的高斯混合模型背景建模算法，黄鑫娟等在其基础上提出了自适应混合高斯背景模型的运动目标检测方法［3－5］等，背景建模算法的综述性论文也频频见刊［6－8］.除此以外，新的背景建模算法也不断地被提出，如Hanzi Wang和David Suter提出的SACON算法［9］、Olivier Barnich和 Marc Van Droogenbroeck提出的 VIBE算法［10］以及Lucia Maddalena和 Al－fredo Petrosino提出的SOBS自组织背景建模方法［11］等.K均值聚类算法是一种基于样本间某种距离或相似性来定义的一种间接聚类方法，由于实际场景是动态变化（如摇曳的树叶等），能够很好地用K均值聚类来分析，因此K均值聚类算法在目标检测中的研究引起了一些学者的注意.杨会锋，曹洁等人提出了一种基于改进K－均值聚类的背景建模方法，通过比较任意样本与像素位置处子类中心的距离，对各个像素的观察值进行聚类.经过一段……