刘欣页，李文举，高连军，尉秀芹

（辽宁师范大学 计算机与信息技术学院，辽宁 大连 116081）

基于计算机视觉的运动目标检测技术是智能交通领域的重要研究课题，有着广阔的应用前景。目前的运动目标检测方法主要有光流法[1]、帧间差分法[2]和背景差分法[3-6]等。光流法计算复杂、抗噪性能差，需要强大的硬件支持。帧间差分法利用图像视频序列中相邻帧图像之间的差分来提取运动物体。该方法对场景变化不太敏感，稳定性好，有较强的自适应性，但一般不能完全提取出所有相关的特征像素点。背景差分法是目前运动目标检测和分类中应用较普遍的方法，其基本思想是用当前帧与背景图像进行差分来提取运动目标，该方法能得到比较精确的运动目标信息，可保持目标的完整性。但实际场景中的道路背景不是一成不变的，如何有效地实现背景图像的建立与更新是背景差分法的关键问题。

目前的道路背景建立算法主要有多帧平均法[4]、统计直方图法[5]和高斯模型估计法[6]等。在这些方法中，背景初始化与背景更新采用相同的方法，虽然初始背景参考帧不会受到场景中运动目标的影响，但背景更新的速度受到牵制。背景建立过程中运算量较大，占用内存时间长，当环境发生变化时，背景提取和更新达不到实时的理想效果。本文提出了一种将平均法与Surendra背景更新算法[7-8]相结合的背景提取及更新算法，实验表明，该算法能够快速获取并保持较高质量的背景图像，具有较好的鲁棒性和适应性。……