基于邻域相关的背景重构的运动目标检测方法

1.一种基于邻域相关的背景重构的运动目标检测方法，其特征在于，包括如下步骤：
步骤1：输入图像序列，并对数据进行排序：
将图像采集设备采集到的图像序列输入计算机，计算机读取图像序列F′＝(f′1，f′2，......，f′N)，对输入的图像中每个像素点p的灰度值F′(p)＝(f′1(p)，f′2(p)，......，f′N(p))排序；
步骤2：划分灰度平稳区间类：
对排序后的数据划分灰度平稳区间：将第一个数据归为初类，且令第一个数据为初类的初值，此时令j＝1，j为灰度平稳区间类的序号；将新数据fi(p)与第j类的初值的差与门限值δ1相比较，若该差小于门限值δ1，将fi(p)归为第j类，并更新第j类的数据数和灰度和；否则，创建一个新类，并令该fi(p)为新类的初值；用p表示像素点， 表示像素点p的第j类的初值， 表示像素点p的第j类的数据数， 表示像素点p的第j类的灰度和；最终得到R个灰度平稳区间类，R≥1；
其中：δ1为判断像素点p是否为新类的门限值，对于256级的灰度图像，δ1取值为
20～40的整数；
步骤3：计算各灰度平稳区间类的出现频率：
利用公式6计算每个灰度平稳区间类的出现频率，第j个灰度平稳区间类的出现频率j
W(p)：
(公式6)；
步骤4：划分背景不确定区域并确定像素点的候选背景：
针对场景中并非所有像素点的背景总是以最大的出现频率出现这一问题，采用候选背景的策略，即首先确定像素点的背景是否唯一确定，若像素点的出现频率最大的灰度平稳区间类的出现频率高于门限值δ2，则认为该像素点的背景唯一确定，并选择出现频率最大的灰度平稳区间类为该像素点的背景值；否则，认为该像素点的背景不唯一确定，则标记该像素点，并选择出现频率最大的2～3个灰度平稳区间类作为该像素点的候选背景；
步骤5：像素点背景的确定：
对于有唯一确定背景的像素点，其背景值即为唯一的候选背景值；对于候选背景不唯一的像素点：首先计算像素点背景选择的优先级；其次确定优先级最高的像素点的背景值；然后更新像素点的背景确定标识；最后循环执行上述步骤直至所有像素点的背景都被确定为止；
步骤6：运动目标检测：
将输入的图像帧fi和背景图像 作比较，若fi和背景图像 的差大于门限值δ3，则为运动目标，否则为背景；其中，i＞N；对于256级的灰度图像，δ3取值为20～40的整数；
结束。
2.如权利要求1所述的基于邻域相关的背景重构的运动目标检测方法，其特征在于，所述上述步骤1中对输入数据F′(p)排序时，选择从小到大排序或从大到小排序。
3.如权利要求1所述的基于邻域相关的背景重构的运动目标检测方法，其特征在于，所述步骤2划分灰度平稳区间类的步骤如下：
(1)输入第一个数据fi(p)，将fi(p)归入初类，并令fi(p)为初类的初值，此时i＝1，j＝1，并初始化初类，初类的初值 初类的数据数 初类的灰度和
其中，j为灰度平稳区间类的序号；
转入(2)；
(2)继续输入新的数据fi(p)，此时i＝i+1，当i＞N时，转入(6)；否则，转入(3)；
(3)比较 和δ1，若 转入(4)；否则转入(5)；
(4)将fi(p)归入第j类，用公式1、公式2更新该类，得到第j类的数据数和灰度和：
(公式1)
(公式2)
转入步(2)；
(5)创建一个新类，并初始化该新类，令j＝j+1，根据公式3、公式4、公式5得到该新类的初值 数据数 和灰度和
(公式3)
(公式4)
(公式5)
转入(2)；
(6)结束；最终得到R个灰度平稳区间类，R≥1。
4.如权利要求1所述的基于邻域相关的背景重构的运动目标检测方法，其特征在于，所述步骤4划分背景不确定区域并确定像素点的候选背景的步骤如下：输入灰度平稳区间类的出现频率Wj(p)，计算满足等式 的各m值，m≤R，δ2为门限值，
δ2取值为0.7～0.95；若m＝1，执行(a)；若m＝2，执行(b)；若m＞2，执行(c)；所有像素点进行完毕，结束；
(a)此时像素点p有唯一确定的背景，令Bb(p)＝1；选择出现频率最大的灰度平稳区间类为候选背景，候选背景数为1；其中，Bb(p)表示背景确定标识；
(b)此时像素点p的背景不唯一确定，令Bb(p)＝0，选择出现频率最大的两个灰度平稳区间类为候选背景，候选背景数为2；
(c)此时像素点p的背景不唯一确定，令Bb(p)＝0，选择出现频率最大的三个灰度平稳区间类为候选背景，候选背景数为3。
5.如权利要求1所述的基于邻域相关的背景重构的运动目标检测方法，其特征在于，所述步骤5像素点背景的确定的步骤如下：
(A)判断是否存在像素点p满足等式Bb(p)＝0，若存在，转入(B)，否则转入(E)；
(B)首先，利用公式7计算所有满足Bb(p)＝0的像素点p的优先级：
(公式7)
其中，Φ(p)以像素点p为中心的7×7的邻域；
转入(C)；
(C)选择优先级最高的像素点背景：选择相似度d(p，q)最大的候选背景作为该优先级最高的像素点的背景值，相似度d(p，q)根据公式8计算得到：
(公式8)
其中，G(p)为像素点p的梯度，G(p)由公式9表示：
G(p)＝GX(p)+GY(p)(公式9)
用(x，y)表示像素点p的坐标，GX(p)和GY(p)分别表示X和Y方向的梯度：
GX(p)＝f(x+1，y)-f(x，y)(公式10)
GY(p)＝f(x，y+1)-f(x，y)(公式11)
转入(D)；
(D)更新像素点p的背景确定标识Bb(p)为：Bb(p)＝1；
转入(A)；
(E)结束。
6.如权利要求5所述的基于邻域相关的背景重构的运动目标检测方法，其特征在于，所述(C)中的像素点p的梯度G(p)还可以采用Sobel算子或Canny算子的梯度公式。

基于邻域相关的背景重构的运动目标检测方法\n技术领域\n[0001] 本发明涉及对运动目标的检测与处理系统，尤其涉及基于邻域相关的背景重构的运动目标检测方法。\n背景技术\n[0002] 在医院、重要交通路口、银行、地铁和重要的军事领域，常常需要对特定的场景进行全程监控，而通过人工来监视这些视频，不仅浪费人力、物力也浪费财力。智能监控系统是在无人干预的情况下，实现对运动目标的自动提取，随后对提取的运动目标进行后续处理，如：定位、识别、跟踪、分析和判断运动目标的行为，还能在异常情况发生时做出及时反应。运动目标的提取是智能监控系统进行后续处理的基础和关键。\n[0003] 智能监控系统中常采用的运动目标检测方法共有三种：光流法、帧差法和背景差分法。光流法因计算量非常大，且对噪声比较敏感，对硬件要求比较高等缺点，几乎很少在智能监控系统中采用；帧差法具有计算量小、能实现实时的运动检测等优点，但分割出的运动目标不完整，检测的运动目标容易出现空洞和拉伸，甚至出现检测不出运动目标的情况，严重影响了后续的应用，因此也不宜在智能监控系统中使用；背景差法通过构建出场景的背景图像帧，将当前帧和背景图像作比较，能得到完整的运动目标，是一种最为简单和有效的方法，完全克服了相邻帧差法的缺点。背景差分法简单有效、易于实现，是实时的智能监控系统的首选。背景提取和背景更新是背景差法的核心，直接影响着运动检测的实时性与准确性。\n[0004] 近年来，国内外的研究人员针对背景重构算法进行了大量的研究。背景重构算法有两类，一类是模型法，另一类是灰度归类法。模型法通过对各个像素点的灰度进行统计建模，并采用自适应的方法通过调整模型参数来更新背景，这种方法只有在场景中不含有运动目标时才能正确地对模型初始化，再加之计算量大，在实际应用中存在一定的困难；灰度归类法是根据一定的假设，利用已观测到的一段连续视频序列选择像素灰度获得当前的背景图像，该类方法计算量小经常在实时的监控系统中采用。灰度归类法最常采用的假设条件为：背景像素总是最大的频率出现，当像素的背景被运动目标长时遮挡，并非总是以最大频率出现时，灰度归类法往往会构建出错误的背景，这样会直接影响到运动目标的检测结果。\n发明内容\n[0005] 针对上述场景中背景像素并非总是以最大频率出现，导致灰度归类法构建出错误的背景，影响运动目标的检测结果这一问题，本发明提出了一种基于邻域相关的背景重构的运动目标检测方法。本发明计算量小，不需要对场景中进行预先的假定，避免了灰度归类法常采用的背景像素总是最大的频率出现作为假设条件，解决了当像素的背景被运动目标长时遮挡，并非总是以最大频率出现时总是构建出错误背景的问题，保证了运动目标的检测结果的准确性，能有效地避免混合现象，能准确进行背景重构，鲁棒性好。\n[0006] 为了达到上述目的，本发明采用如下的技术解决方案：\n[0007] 一种基于邻域相关的背景重构的运动目标检测方法，包括如下步骤：\n[0008] 步骤1：输入图像序列，并对数据进行排序：\n[0009] 将图像采集设备采集到的图像序列输入计算机，计算机读取图像序列F′＝(f′1，f′2，......，f′N)，对输入的图像中某像素点p的灰度值F′(p)＝(f′1(p)，f′2(p)，......，f′N(p))排序；\n[0010] 步骤2：划分灰度平稳区间类：\n[0011] 对排序后的数据划分灰度平稳区间：将第一个数据归为初类，且令第一个数据为初类的初值，此时令j＝1，j为灰度平稳区间类；将新数据fi(p)与第j类的初值的差与门限值δ1相比较，若该差小于门限值δ1，将fi(p)归为第j类，并更新第j类的数据数和灰度和；否则，创建一个新类，并令该fi(p)为新类的初值；用p表示像素点， 表示像素点p的第j类的初值， 表示像素点p的第j类的数据数， 表示像素点p的第j类\n的灰度和；最终得到R个灰度平稳区间类，R≥1；\n[0012] 其中：δ1为判断像素点p是否为新类的门限值，对于256级的灰度图像，δ1取值为20～40的整数；\n[0013] 步骤3：计算各灰度平稳区间类的出现频率：\n[0014] 利用公式6计算每个灰度平稳区间类的出现频率，第j个灰度平稳区间类的出现频率Wj(p)：\n[0015] (公式6)\n[0016] 步骤4：划分背景不确定区域并确定像素点的候选背景：\n[0017] 针对场景中并非所有像素点的背景总是以最大的出现频率出现这一问题，采用候选背景的策略，即首先确定像素点的背景是否唯一确定，若像素点的出现频率最大的灰度平稳区间类的出现频率高于门限值δ2，则认为该像素点的背景唯一确定，并选择出现频率最大的灰度平稳区间类为该像素点的背景值；否则，认为该像素点的背景不唯一确定，则标记该像素点，并选择出现频率最大的2～3个灰度平稳区间类作为该像素点的候选背景；\n[0018] 步骤5：像素点背景的确定：\n[0019] 对于有唯一确定背景的像素点，其背景值即为唯一的候选背景值；对于候选背景不唯一的像素点：首先计算像素点背景选择的优先级；其次确定优先级最高的像素点的背景值；然后更新像素点的背景确定标识；最后循环执行上述步骤直至所有像素点的背景都被确定为止；\n[0020] 步骤6：运动目标检测：\n[0021] 将输入的图像帧fi和背景图像 作比较，若fi和背景图像 的差大于门限值δ3，则为运动目标，否则为背景；其中，i＞N；对于256级的灰度图像，δ3取值为20～40的整数；\n[0022] 结束。\n[0023] 本发明进一步还包括如下技术特征：\n[0024] 所述上述步骤1中对输入数据F′排序时，选择从小到大排序或从大到小排序。\n[0025] 所述步骤2划分灰度平稳区间类的步骤如下：\n[0026] (1)输入第一个数据fi(p)，将fi(p)归入初类，并令fi(p)为初类的初值，此时i＝\n1，j＝1，并初始化初类，初类的初值 初类的数据数 初类的灰度和\n其中，j为类序号；\n[0027] 转入(2)；\n[0028] (2)继续输入新的数据fi(p)，此时i＝i+1，当i＞N时，转入(6)；否则，转入(3)；\n[0029] (3)比较 和δ1，若 转入(4)；否则转入(5)；\n[0030] (4)将fi(p)归入第j类，用公式1、公式2更新该类，得到第j类的数据数和灰度和：\n[0031] (公式1)\n[0032] (公式2)\n[0033] 转入步(2)；\n[0034] (5)创建一个新类，即j＝j+1，并初始化该新类，根据公式3、公式4、公式5得到该新类的初值 数据数 和灰度和\n[0035] (公式3)\n[0036] (公式4)\n[0037] (公式5)\n[0038] 转入(2)；\n[0039] (6)结束；最终得到R个灰度平稳区间类，R≥1。\n[0040] 所述步骤4划分背景不确定区域并确定像素点的候选背景的步骤如下：输入各像素点灰度类的出现频率Wj(p)，计算满足等式 的各m值，m≤R，δ2\n为门限值，δ2取值为0.7～0.95；若m＝1，执行(a)；若m＝2，执行(b)；若m＞2，执行(c)；所有像素点进行完毕，结束；\n[0041] (a)此时像素点p有唯一确定的背景，令Bb(p)＝1；选择出现频率最大的灰度平稳区间类为候选背景，候选背景数为1；其中，Bb(p)表示背景确定标识；\n[0042] (b)此时像素点p的背景不唯一确定，令Bb(p)＝0，选择出现频率最大的两个灰度平稳区间类为候选背景，候选背景数为2；\n[0043] (c)此时像素点的背景不唯一确定，令Bb(p)＝0，选择出现频率最大的三个灰度平稳区间类为候选背景，候选背景数为3；\n[0044] 所述步骤5像素点背景的确定的步骤如下：\n[0045] (A)判断是否存在像素点P满足等式Bb(p)＝0，若存在，转入(B)，否则转入(E)；\n[0046] (B)首先，利用公式7计算所有满足Bb(p)＝0的像素点p的优先级：\n[0047] (公式7)\n[0048] 其中，Φ(p)以像素点p为中心的7×7的邻域；\n[0049] 转入(C)；\n[0050] (C)选择优先级最高的像素点背景：选择相似度d(p，q)最大的候选背景作为该优先级最高的像素点的背景值，相似度d(p，q)根据公式8计算得到：\n[0051] (公式8)\n[0052] 其中，G(p)为像素点p的梯度，G(p)由公式9表示：\n[0053] G(p)＝GX(p)+GY(p) (公式9)\n[0054] 用(x，y)表示像素点p的坐标，GX(p)和GY(p)分别表示X和Y方向的梯度：\n[0055] GX(p)＝f(x+1，y)-f(x，y) (公式10)\n[0056] GY(p)＝f(x，y+1)-f(x，y) (公式11)\n[0057] 转入(D)；\n[0058] (D)更新像素点p的背景确定标识Bb(p)为：Bb(p)＝1；\n[0059] 转入(A)；\n[0060] (E)结束。\n[0061] 所述(B)中的像素P的梯度G(p)还可以采用Sobel算子或Canny算子的梯度公式；\n[0062] 本发明的方法带来的优点如下：\n[0063] 1、计算简单、运行时间短，适合在实时的系统中采用。\n[0064] 2、不需要对场景中的背景和目标建立模型，亦不需要对背景进行条件假设，从而使得本发明能广泛应用于各种实际的监控场合。\n[0065] 3、多数发明要求系统初始化时场景中不含运动目标，而本发明能直接从含有运动前景的场景图像中重构背景，从而可以避免本发明在初始化时清楚运动目标的繁琐工作。\n[0066] 4、在参数变化的很大范围内都能得到满意的运动检测结果，当真实背景未以最大频率出现时，仍能准确进行背景重构，鲁棒性好。\n[0067] 5、应用范围广泛。在机械视觉、视频监控、军事科学、城市交通监控中和居民日常安全监控等实时系统领域有着广泛的应用前景。\n附图说明\n[0068] 图1是本发明的流程图。\n[0069] 图2是输入图像帧fi。\n[0070] 图3是背景图像帧\n[0071] 图4是运动检测结果。\n[0072] 图5是本发明的具体实施过程流程图。\n[0073] 图6是本发明的检测方法中步骤2的流程图。\n[0074] 图7是本发明的检测方法中步骤4的流程图。\n[0075] 图8是本发明的检测方法中步骤5的流程图。\n[0076] 下面结合附图和具体实施方式对本发明作进一步的详细说明。\n具体实施方式\n[0077] 如图1所示，本发明的基于邻域相关的背景重构的运动目标检测方法，包括如下步骤：\n[0078] 步骤1：输入图像序列，并对数据进行排序；\n[0079] 将图像采集设备采集到的图像序列输入计算机，计算机读取图像序列F′＝(f′1，f′2，......，f′N)，以图像任一像素点为例，对输入的图像中某像素点p的灰度值F′(p)＝(f′1(p)，f′2(p)，......，f′N(p))排序；\n[0080] 步骤2：划分灰度平稳区间类；\n[0081] 对排序后的数据划分灰度平稳区间：将第一个数据归为初类，且令第一个数据为初类的初值，此时令j＝1，j为灰度平稳区间类；将新数据fi(p)与第j类的初值的差与门限值δ1相比较，若该差小于门限值δ1，将fi(p)为第j类，并更新第j类的数据数和灰度和；否则，创建一个新类，并令该fi(p)为新类的初值；用p表示像素点， 表示像素点p的第j类的初值， 表示像素点p的第j类的数据数， 表示像素点p的第j类的灰度和；最终得到R个灰度平稳区间类，R≥1；\n[0082] 其中：δ1为判断像素点p是否为新类的门限值，对于256级的灰度图像，δ1取值为20～40的整数；\n[0083] 参见图6，步骤2的具体步骤如下：\n[0084] (1)输入第一个数据fi(p)，将fi(p)归入初类，并令fi(p)为初类的初值，此时i＝\n1，j＝1，并初始化初类，初类的初值 初类的数据数 初类的灰度和\n其中，j为类序号；\n[0085] 转入(2)；\n[0086] (2)继续输入新的数据fi(p)，此时i＝i+1，当i＞N时，转入(6)；否则，转入(3)；\n[0087] (3)比较 和δ1，若 转入(4)；否则转入(5)；\n[0088] (4)将fi(p)归入第j类，用公式1、公式2更新该类，得到第j类的数据数和灰度和：\n[0089] (公式1)\n[0090] (公式2)\n[0091] 转入步(2)；\n[0092] (5)创建一个新类，即j＝j+1，并初始化该新类，根据公式3、公式4、公式5得到该新类的初值 数据数 和灰度和\n[0093] (公式3)\n[0094] (公式4)\n[0095] (公式5)\n[0096] 转入(2)；\n[0097] (6)结束；最终得到R个灰度平稳区间类，R≥1。\n[0098] 执行步骤3；\n[0099] 步骤3：计算各灰度平稳区间类的出现频率：\n[0100] 利用公式6计算每个灰度平稳区间类的出现频率，第j个灰度平稳区间类的出现j\n频率W(p)：\n[0101] (公式6)；\n[0102] 执行步骤4；\n[0103] 步骤4：划分背景不确定区域并确定像素点的候选背景；\n[0104] 针对场景中并非所有像素点的背景总是以最大的出现频率出现这一问题，采用候选背景的策略，即首先确定像素点的背景是否唯一确定，若像素点的出现频率最大的灰度平稳区间类的出现频率高于门限值δ2，则认为该像素点背景唯一确定，并选择出现频率最大的灰度平稳区间类为该像素点的背景值；否则，认为该像素点的背景不唯一确定，则标记该像素点，并选择出现频率最大的2～3个灰度平稳区间类作为该像素点的候选背景；\n[0105] 执行步骤5；\n[0106] 参见图7，步骤4的具体步骤如下：\nj\n[0107] 输入各灰度平稳区间类的出现频率W(p)，计算满足等式\n的各m值，m≤R，δ2为门限值，δ2取值为0.7～0.95；若m＝1，执行(a)；若m＝2，执行(b)；若m＞2，执行(c)；所有像素点进行完毕，结束；\n[0108] (a)此时像素点p有唯一确定的背景，令Bb(p)＝1；选择出现频率最大的灰度平稳区间类为候选背景，候选背景数为1；其中，Bb(p)表示背景确定标识；\n[0109] (b)此时像素点p的背景不唯一确定，令Bb(p)＝0，选择出现频率最大的两个灰度平稳区间类为候选背景，候选背景数为2；\n[0110] (c)此时像素点的背景不唯一确定，令Bb(p)＝0，选择出现频率最大的三个灰度平稳区间类为候选背景，候选背景数为3；\n[0111] 步骤5：像素点背景的确定；\n[0112] 对于有唯一确定背景的像素点，其背景值即为唯一的候选背景值；对于候选背景不唯一的像素点：首先计算像素点背景选择的优先级；其次确定优先级最高的像素点的背景值；然后更新像素点的背景确定标识；最后循环执行上述步骤直至所有像素点的背景都被确定为止；\n[0113] 参见图8，步骤5的具体步骤如下：\n[0114] (A)判断是否存在像素点p满足等式Bb(p)＝0，若存在，转入(B)，否则转入(E)；\n[0115] (B)首先，利用公式7计算所有满足Bb(p)＝0的像素点p的优先级：\n[0116] (公式7)\n[0117] 其中，Φ(p)以像素点为中心的7×7的邻域；\n[0118] 转入(C)；\n[0119] (C)选择优先级最高的像素点背景：选择相似度d(p，q)最大的候选背景作为该优先级最高的像素点的背景值，相似度d(p，q)根据公式8计算得到：\n[0120] (公式8)\n[0121] 其中，G(p)为像素点p的梯度，G(p)由公式9表示：\n[0122] G(p)＝GX(p)+GY(p) (公式9)\n[0123] G(p)还可以采用Sobe1算子或Canny算子的梯度公式；\n[0124] 用(x，y)为像素点p的坐标，GX(p)和GY(p)分别表示X和Y方向的梯度：\n[0125] GX(p)＝f(x+1，y)-f(x，y) (公式10)\n[0126] GY(p)＝f(x，y+1)-f(x，y) (公式11)\n[0127] 转入(D)；\n[0128] (D)更新像素点p的背景确定标识Bb(p)为：Bb(p)＝1；\n[0129] 转入(A)；\n[0130] (E)结束。\n[0131] 执行步骤6；\n[0132] 步骤6：运动目标检测；\n[0133] 将输入的图像帧fi(i＞N)和背景图像 作比较，若fi(i＞N)和背景图像 的差大于门限值δ3，则为运动目标，否则为背景；\n[0134] 其中，对于256级的灰度图像，δ3取值为20～40的整数；\n[0135] 结束。\n[0136] 实施例1：\n[0137] 参见图5，本实施例具体实施过程包括如下步骤：\n[0138] 步骤S0：将图像采集设备采集到的图像序列输入计算机，计算机读取图像序列F′＝(f′1，f′2，......，f′N)；\n[0139] 转入步骤S1；\n[0140] 步骤S1：对输入的图像中某像素点p的灰度值F′(p)＝(f′1(p)，f′2(p)，......，f′N(p))按照从小到大的顺序排序，F(p)＝(f1(p)，f2(p)，......，fN(p))表示排序后的图像数据；\n[0141] 转入步骤S2；\n[0142] 步骤S2：输入第一个数据fi(p)，将fi(p)归入为第一个类，即初类，令fi(p)为初类的初值，此时i＝1，j＝1，并初始化初类，初类的初值 初类的数据数初类的灰度和 其中，j为类序号；\n[0143] 转入步骤S3；\n[0144] 步骤S3：继续输入新的数据fi(p)，此时i＝i+1，当i≤N时，转入步骤S4；否则，转入步骤S7，最终得到R个灰度平稳区间类，R≥1；\n[0145] 步骤S4：比较 和δ1，若 转入步骤S5；\n[0146] 其中：δ1为判断像素点p是否为新类的阈值，对于256级的灰度图像，δ1取值为\n20～40的整数；\n[0147] 若 转入步骤S6；\n[0148] 步骤S5：将fi(p)归入第j类，用公式1、公式2更新该类，得到第j类的数据数和灰度和：\n[0149] (公式1)\n[0150] (公式2)\n[0151] 转入步骤S3；\n[0152] 步骤S6：创建一个新类，即j＝j+1，并初始化该新类，根据公式3、公式4、公式5得到该新类的初值 数据数 和灰度和\n[0153] (公式3)\n[0154] (公式4)\n[0155] (公式5)\n[0156] 转入步骤S3；\n[0157] 步骤S7：利用公式6计算每个灰度平稳区间类的出现频率，第j个灰度平稳区间类的出现频率为Wj(p)：\n[0158] (公式6)\n[0159] 转入步骤S8；\nj\n[0160] 步骤S8：输入 灰度平 稳区 间类的 出现频 率W(p)，计算满 足等 式的m值，m为1～R之间的整数，若m＜2，转入步骤S9；若m＝2，转\n入步骤S10；若m＞2，转入步骤S11；\n[0161] 其中，δ2为判断像素点p是否为新类的阈值，对于256级的灰度图像，δ2取值为\n20～40的整数；\n[0162] 步骤S9：此时像素点p有唯一确定的背景，令Bb(p)＝1，选择出现频率最大的灰度平稳区间类为候选背景，候选背景数为1；其中，Bb(p)表示背景确定标识；执行步骤S12；\n[0163] 步骤S10：此时像素点p的背景不唯一确定，令Bb(p)＝0，选择出现频率最大的两个灰度平稳区间类为候选背景，候选背景数为2；执行步骤S12；\n[0164] 步骤S11：此时像素点p的背景不唯一确定，令Bb(p)＝0选择出现频率最大的三个灰度平稳区间类为候选背景，候选背景数为3；执行步骤S12；\n[0165] 步骤S12：对图像中的所有像素点执行步骤S1～S11；判断是否遍历了所有像素点，如果是，执行步骤13；否则转入步骤S1；\n[0166] 步骤S13：如果存在像素点p满足Bb(p)＝0，转入步骤S14；\n[0167] 否则，转入步骤S17；\n[0168] 步骤S14：用公式7计算所有满足Bb(p)＝0的像素点的优先级，其中，Φ(p)以像素点p为中心的7×7的邻域；\n[0169] (公式7)\n[0170] 转入步骤S15；\n[0171] 步骤S15：选择优先级最大的像素点的背景值，使得相似度d(p，q)为最大的候选背景即为该像素点的背景，相似度d(p，q)用公式8表示：\n[0172] (公式8)\n[0173] 其中，G(p)为像素点p的梯度，用公式9表示：\n[0174] G(p)＝GX(p)+GY(p) (公式9)\n[0175] 用(x，y)为像素点p的坐标，GX(p)和GY(p)分别表示X和Y方向的梯度：\n[0176] GX(p)＝f(x+1，y)-f(x，y) (公式10)\n[0177] GY(p)＝f(x，y+1)-f(x，y) (公式11)\n[0178] 上述G(p)采用简单的梯度算子，G(p)还可以采用Sobel算子和Canny算子的梯度公式；\n[0179] 转入步骤S16；\n[0180] 步骤S16：更新像素点p的背景确定标识Bb(p)为：Bb(p)＝1。\n[0181] 转入步骤S13；\n[0182] 步骤S17：运动目标检测；将输入的图像帧fi(i＞N)和背景图像 作比较，若fi(i＞N)和背景图像 的差大于门限值δ3，则为运动目标，否则为背景；\n[0183] 其中，δ3运动检测门限值，对于256级的灰度图像，δ3取值为20～40的整数；\n[0184] 结束。\n[0185] 上述实施例1是本发明较优的实施例，本发明未涉及部分均与现有技术相同或可采用现有技术加以改造，本发明并不限于上述方式。在不背离本发明精神及其实质的情况下，本领域的技术人员可根据本发明所作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所保护的范围。