郭治成，党建武*，金 静

(1. 兰州交通大学 电子与信息工程学院，兰州 730070；2. 甘肃省人工智能与图形图像处理工程研究中心，兰州 730070)

运动目标检测通过快速、完整地获取视频序列中的运动物体，为检测目标[1]、跟踪目标[2]和分析理解目标行为[3]等算法提供研究基础，是计算机视觉处理的研究热点和难点之一，在智能监控、智慧城市等诸多场景都有广泛的应用.国内外学者提出了许多目标检测的算法，其中主要有帧间差分法[4]、LK光流法[5]和基于背景差分方法[6-7]等.帧差法通过时间序列上相邻帧或连续几帧之间差分运算获取前景目标，算法运算快、实时性较强，但检测结果容易出现空洞，无法提取目标完整的内部信息.LK光流法源自光流场，通过计算各像素点在不同帧之间位移矢量特征的差异得到前景目标，目标获取较为完整，但计算量大、复杂度较高，无法满足实时性.背景差分法是运动目标检测最为常用的方法，利用已知帧构建和更新稳定的背景模型，将背景模型与检测帧做差分并检测前景目标，算法复杂度较低，能够较为准确提取目标.

背景差分法的检测性能取决于稳健的背景模型，背景模型的初始化和更新算法决定算法性能.国内外很多学者深入研究了如何建立稳健高效的背景模型[8-10]，主要分为以单高斯背景模型SGM(semi-global matching,SGM)、混合高斯背景模型GMM(gaussian mixture model,GMM)[11]等为代表的参数化方法和以码本模型CodeBook[12]、像素自适应分割模型PBAS(pixel-based adaptive segmentervisual,PBAS)[13]、ViBe(visual background extractor)[14]等为代表的非参数化方法.混合高斯……