技术领域

本发明涉及图像处理技术领域， 尤其涉及一种图像检测方法及装置。

背景技术

图像运动目标检测是智能视频监控领域的重要 研究方向， 而背景建模作 为运动检测中应用最广的一种方法， 是计算机视觉中十分关键的部分， 背景 与前景的有效分割对后续的目标跟踪、 物体识别、 行为分类等高层处理起着 决定性的影响。 然而， 背景建模方法对场景光照变化较为敏感， 包括长时有 规律的变化， 如树叶摇晃、 早晚更替等， 和短时随机变化， 诸如天气、 运动 物体等。

目前， 背景建模的研究主要从像素时域统计和空域紋 理分析两个方面展 开， 基于像素时域分布统计的方法， 诸如混合高斯模型及其改进方法， 能够 较好地适应长时有规律的光照变化， 但由于该模型假设观测的时间序列中每 一像素点相互独立， 对细微的光照或短时光照的变化艮敏感， 检测效果不够 理想。 基于空域的背景模型， 如局部二元图 (LBP), Radial Reach滤波器， 由 于使用了局部区域内不变的空间域紋理特征， 在短时光照变化下鲁棒性较好， 但如果只是局部区域内部分像素点发生改变时 ， 这时提取的特征便不能满足 空域不变性， 检测的效果会受到较大影响， 而这种情况在室外视频中往往比 较常见。

相关技术中的中心对称局部二值模式（CSLBP ) 紋理模型， 在应用于背 景建模时， CSLBP相比 LBP特征维数更低，抗噪声能力更强，便于实时 运算。 但 CSLBP局限于考虑对短时光照变化的鲁棒性，未� ��考虑紋理的时域分布特 性对背景建模的重要影响， 且当长时光照变化导致局部区域内部分像素点 发 生改变时， CSLBP不能满足空域不变性， 故在复杂光照变化场景下， 尤其是 短时光照变化与长时光照变化并存的时候， CSLBP不能满足背景建模的需要。 发明内容 本发明实施例提供了一种图像检测方法及装置 ， 可以提高图像运动目标 检测的检测率和准确率， 使得在复杂光照变化场景下， 同样可以很准确地检 测到运动目标。

本发明实施例提供的一种图像检测方法包括：

根据图像的灰度变化趋势建模得到混合时空背 景模型；

釆集图像， 利用所述混合时空背景模型， 对图像进行运动目标检测， 确 定目标图像。

本发明实施例提供的一种图像检测装置包括：

图像获取单元， 设置为获取图像；

运动目标检测单元， 设置为利用预先设置的混合时空背景模型， 对图像 进行运动目标检测， 确定目标图像； 其中， 所述混合时空背景模型， 是预先 根据图像的灰度变化趋势建模得到的。

本发明实施例， 根据图像的灰度变化趋势建模得到混合时空背 景模型； 釆集图像， 利用所述混合时空背景模型， 对图像进行运动目标检测， 确定目 标图像， 从而提高图像运动目标检测的检测率和准确率 ， 使得在复杂光照变 化场景下， 同样可以很准确地检测到图像中的运动目标。 附图概述

图 1为本发明实施例提供的图像检测方法的流程� �意图；

图 2 为本发明实施例提供的混合时空背景模型的建 模方法的流程示意 图；

图 3为本发明实施例提供的 ST-CSLBP算子描述图；

图 4-a为当前帧输入图像，图 4-b为基于颜色的混合高斯模型的检测结果， 图 4-c为基于空间模型的检测结果，图 4-d为通过本发明实施例提供的混合时 空背景建模方法得到的检测结果；

图 5为本发明实施例提供的混合时空背景建模方� �与其他方法的准确率 与检索率的比较示意图； 图 6-a至图 6-f为本发明实施例提供的测试结果示意图；

图 7为本发明实施例提供的图像检测装置的结构� �意图。 本发明的较佳实施方式

本发明实施例提供了一种图像检测方法及装置 ， 用以提高图像运动目标 检测的检测率和准确率， 使得在复杂光照变化场景下， 同样可以很准确地检 测到运动目标。

为了解决复杂光照变化场景下的运动目标检测 的准确性问题， 本发明实 施例提供了一种基于时空一中心对称局部二值 模式 （ST-CSLBP)的混合时空 背景模型及其建模方法， 通过釆用混合时空背景模型对图像进行运动目 标检 测，可以在长时光照变化与短时光照变化的场 景下均能准确分割出运动物体。

参见图 1 , 本发明实施例提供的一种图像检测方法， 包括步骤：

5101、 釆集图像;

5102、 利用预先设置的混合时空背景模型， 对图像进行运动目标检测， 确定目标图像；

其中， 所述混合时空背景模型， 是预先根据图像的灰度变化趋势建模得 到的。

较佳地， 参见图 2 , 本发明实施例提供的预先设置混合时空背景模 型的 步骤包括：

S201、 确定基于指数平滑和光照变化的像素预测值；

5202、 将像素预测值和 CSLBP算子融合， 得到 ST-CSLBP算子；

5203、 计算基于 ST-CSLBP算子的每一像素点对应的直方图；

5204、 构建基于 ST-CSLBP算子的每一像素点对应的直方图的混合� ��空 背景模型。

较佳的， 利用如下公式确定所述像素预测值：

r _t = {x _t - x _t _ _x ) + {\ - )r _t _ _x 其中， 表示 t时刻像素点的像素预测值， ^表示 t时刻像素点的状态估 计值， β表示平滑系数， ^表示 t-1时刻像素点的灰度变化趋势， 表示 t时 刻像素点的灰度变化趋势， X,表示 t 时刻像素点的像素观测值， x _M 表示 t-1 时刻像素点的像素观测值。

较佳的，利用如下公式将像素预测值和 CSLBP算子融合，得到 ST-CSLBP 算子：

/2-1

ST - CSLBP _{P R} = ∑ {s(g _p , g _p+P/2 )2 ^p + s(g _zp , g _z(p+P/2 )2 ^p+p ' ² - ¹ }

其中， w— CSLBP _{P R} 表示 ST-CSLBP算子， R表示以当前像素点为中心的 圓形区域的半径， P表示该圓形区域内等间距的像素点的个数， g表示像素点 的灰度值， , _+m )2 表示像素 与像素 p 的灰度的相似度， ^g^ g^P ^ ¹² - ¹ 表示像素 与像素 P的像素预测值之间的灰度的相似度； sfe.A)表示像素 i和像素 j之间的灰度的相似度， absi^ 表示像素 j 的灰度 与像素 i的灰度 &的绝对值， 表示预设阔值。

较佳的， 构建基于 ST-CSLBP算子的每一像素点对应的直方图的混合� �� 空背景模型， 包括：

确定基于所述 ST-CSLBP算子的每一像素点对应的直方图的相似� ��； 根据所述相似度， 判断基于所述 ST-CSLBP算子的每一像素点对应的直 方图与背景模型中的直方图是否匹配， 如果是， 该像素点作为背景像素， 如 果否， 则将该像素点作为前景像素。 本发明实施例提供的一种基于 ST-CSLBP的混合时空背景建模方法， 设 计了一种全新的时空对称 ST-CSLBP算子， 以同时融合时间预测和空域紋理 信息； 然后， 构建基于 ST-CSLBP直方图， 得到基于 ST-CSLBP直方图的混 合时空背景模型， 以融合时域分布统计法和空域背景各自的优势 。 具体包括： 建立基于指数平滑和光照变化的像素值预测， 给出像素亮度值在时域上 的分布趋势， 且在考虑像素的空域紋理信息的同时， 融入紋理的时域分布特 性， 设计包含空域和时域信息的紋理描述算子 ST-CSLBP, 能够很好地适应 短时光照变化， 包括区域内只有部分像素点发生变化的情况， 同时兼备了 CSLBP良好的抗噪能力；

以上述得到的 ST-CSLBP算子作为输入数据， 计算基于 ST-CSLBP直方 图分布， 用 Kunback-Leible (简称 KL)散度来度量不同直方图之间在统计上的 相似程度， 通过预设阔值判定是否匹配， 并构建基于 ST-CSLBP直方图的混 合时空背景模型， 融合时域分布统计法和空域背景各自的优势， 以同时适应 长时光照以及短时光照的变化。

下面对上述混合时空背景模型的建模步骤分别 展开说明。

步骤 S201 : 考虑到光照变化是逐步按比例增加的， 在预测更新时考虑比 例变化趋势分量， 并结合指数预测， 得到当前图像的像素预测值；

对于每一样本图像的每一像素点， 执行下列操作： 指数预测， 用于对时序数据进行平滑或预测， 最基本的形式如公式 (1)所 示：

其中， ^表示 t时刻图像 (当前样本图像） 的当前像素点的状态估计值 (可以看作是一个中间变量） ， "表示 t-1时刻图像（前一样本图像） 的该 像素点的状态估计值， ^表示 t时刻图像的该像素点的像素观测值， β表示平 滑系数，其取值可以为 0.1或 0.2等， β值越大，则说明 ^与 ^的相关性越大， β值越小， 则说明 ^与^ "的相关性越大。

公式 (1)仅仅适用于没有变化趋势的时序图像数据。 考虑到光照变化是逐 步按比例增加的， 在预测更新时考虑光照按照比例变化的趋势， 则像素预测 值的计算如公式 (2)所示：

\-β

' ⁽ β ^Μ (2)

其中， 表示 t时刻图像的当前像素点的像素预测值， ^表示该像素点的 灰度变化趋势， ^表示 t-1时刻图像的该像素点的灰度变化趋势， 表示 t-1 时刻图像的该像素点的像素观测值。

步骤 S202: 将步骤 S201得到的像素预测值 ^z '与 CSLBP算子融合， 得到 本发明实施例的 ST-CSLBP算子， 其包含了任一像素点的时间域和空间域信 息， 能够很好地适应短时光照变化， 包括区域内只有部分像素点发生变化的 情况， 同时兼备了 CSLBP良好的抗噪能力。 ST-CSLBP算子如下：

ST - CSLBP _{P R} = ∑ {s(g _p ,g _p+PI2 )2 ^p +s(g _zp ,g _z(p+P/2) )2 ^p+pl2 - ¹ } (3) s(gi gj) = （ ⁴ )

其中， -CS^^表示本发明实施例给出的 ST-CSLBP算子， R表示以 当前像素点为中心的圓形区域的半径， P表示该圓形区域内等间距的像素点 的个数， g表示像素点的灰度值， '^ ^P/2 ) ^2P 表示像素 ^p/2 与像素 p的灰度 的相似度， 由 ⁵ (g gw ₂ )乘以 得到； 表示像素 与像 素 p的像素预测值之间的灰度的相似度， 由 ， ⁽ ^ ^/2) )乘以 ^{2 1} 得到。

表示将两个像素 i和 j的灰度值进行比较的结果， 即像素 i和像素 j之间的灰度的相似度， i和 j分别表示所选像素的编号， ^afc 表示 与 &的绝对值， 表示预设阁值， 一般可以取 4或 5。 即 ⁵ ( '^ ^p/2 )表示将像素 P和像素 ^p/2 的灰度值进行比较的结果， p=0，

1， 2,3..., ^{Ρ / 2} , 如图 2所示， 当 Ρ=8时， ρ=0, 1,2, 3， 并且根据公式（ 4 ) 有：

表示像素点 p 的像素预测值 的灰度 ^与像素点 p+P/2 的 像素预测值 ^ζ (.Ρ ^{+ρ ι ΐ)} 的 灰度 之 间 的相似度

0 abs(g _z(p+p/2) - g _zp )≤T

1 其它 公式 (3)为本发明实施例所设计的 ST-CSLBPP, R算子， P和 R是预先设 置的参数值， 以当前像素点为中心， 半径为 R的圓形邻域内等间距的 P个像 素点， 例如， 当 R=3时， 即半径为 3个像素的时候， P=8 (包括 8个像素点）。

釆用双线性插值算法计算没有完全落在像素位 置的点 (即以 R为半径的 圓， 被 P等分后得到的等分点)的灰度值。

ζρ(ρ=0,1, ... ,Ρ-1)为像素预测值， 如式 (2)所示， 根据该位置的历史像素值 序列预测得到。 如式 (4)所示， s(gi, gj)表示 i和 j像素点之间的灰度值关系， 通过圓周上位置相关的像素做二值化处理得到 ， i和 j满足 j=i+P/2。

在 ST-CSLBP算子中， ⁵ ( '^^ ^/2 )项保持了 CSLBP对短时光照具有鲁棒 性和抗噪声强的优点， 而 ' 0^/2 项所引入的时间域信息使算子同时兼备 了对长时光照变化的鲁棒性。

图 3是当 R=3 , P=8时 ST-CSLBP算子描述图， 可见由于 ST-CSLBP算 子同时包含了时间域和空间域信息， 能够 4艮好地适应短时光照变化与长时光 照变化， 包括算子所包含的图像区域内只有部分像素点 发生变化的情况， 同 时兼备了 CSLBP良好的抗噪能力。

步骤 S203 : 以步骤 S202中所得到的 ST-CSLBP算子作为输入数据， 构 建基于 ST-CSLBP的直方图， 得到背景建模的对象。

对于图像中每一像素点， N表示以该点为中心的 n*n的矩形区域， 计算 t 时刻的直方图 Ht如式 (5)所示：

「1,若为真 ( ⁵ )

I(x) =

，其它 其中， Ht,i是直方图 Ht中第 i个直方图横坐标 （bin), i=0,l, ...， 2P-1。 表示在像素点 C的灰度值， ^表示数值变量， ST - CSLBP _PJ M = )表示 工是否等于 如果相等， ^ST— CSLBP g^为 ，如果不等， 则为 0, w分别表示像素坐标， ( ^x )是一个中间变量， 用来计算 ( )的值。

步骤 S204: 使用 Kunback-Leible散度来度量不同直方图 （即每一像素点 对应的直方图）之间在统计上的相似程度， 通过设定阔值判定每两个直方图 是否匹配， 并构建基于 ST-CSLBP直方图的混合时空背景模型， 并对该混合 时空背景模型， 利用下述步骤三及其以后的操作， 进行在线更新， 融合时域 分布统计法和空域背景各自的优势， 以同时适应长时光照以及短时光照的变 化。

图像中每个像素点由 K 个带权重的直方图 当前的背景模型 (mt,0, ... ... ,mt,k-l)建模（K一般取值在 3~5之间） ， 其中， 背景模型中的每 一个模态即为公式（5 )所示的直方图， 由下述步骤三及其以后的操作， 可以 得到 K个直方图， 以及利用这 K个直方图进行建模。

背景模型的单像素的更新步骤如下：

步骤一： 针对每一像素点， 利用式 (6)将由当前图像得到的新的直方图 Ht 与已存在的 K个直方图比较， 釆用 Kunback-Leible散度计算新的直方图 Ht 与已存在的 K个直方图的相似度。 Kunback-Leible散度是用类似于距离的标 准来衡量两个直方图在统计上的相似程度， 相比于基于分散样本的相似度衡 量， 基于统计的相似度衡量能够更为真实反映两个 直方图属性的本质关系， "距离" 越小， 则相似程度越大， 当 "距离" 足够小时， 则认为两个直方图 匹配， 使用 TH作为阔值判断是否匹配， 定义直方图 A和直方图 B的相似度 为： Α， ^Β )表示直方图 Α和直方图 B的相似度， (0表示直方图 A中第 i个 bin的值， O表示直方图 B中第 i个 bin的值， ^d 表示直方图横坐标的取值 范围。

步骤二： 若像素点的新的直方图与某一背景模型中的直 方图匹配， 同时 所匹配的背景模型满足步骤七中式 (10),则该像素点为背景像素，若像素点的 新的直方图与某一背景模型中的直方图不匹配 ， 或者所匹配的背景模型满足 步骤七中式 (10), 则该像素点为前景像素。

步骤三： 当前 t时刻的背景模型中第 k个直方图在 t时刻的权重 '更新 公式如下：

^ =^-α _ω )ω _ί _ +α _ω Μ _ί (7) 其中， 表示自定义的学习速率， 其取值可以为 0.05, ¹ 表示 t-1时刻 的权重， 当像素点的新的直方图与某一背景模型中的直 方图相匹配时， ^M 为 1, 不匹配时， 则为 0。

更新之后， 权重要重新归一化， 使得一个各个模态权重的和值为 1。 步骤四： 若背景模型中某一直方图 mi与新直方图匹配， 背景模型中与当 前直方图匹配的那个直方图更新如式 (8):

其中， 表示 t时刻背景模型中第 1个直方图， 表示更新系数， 一般 为 0.05, "表示 t-1时刻背景模型中第 i个直方图， 表示 _t 时刻当前图像 的直方图。

步骤五： 若无背景直方图匹配， 增加新的背景直方图 mk,t, 其权重为初 始值 ωθ, 然后， 釆用式 (9)对权重进行归一化：

其中， 表示在 t时刻背景模型中第 k+1个直方图， ⁺ "表示背景模 型中第 k+1个直方图在 t时刻的权重。

步骤六： 当超过 K个模型 （即 K个直方图）时， 权重最小的直方图被删 除， 之后权重归一化， 使得各个权重的总和为 1。

步骤七： 将所有的背景直方图按照权重值进行降序排序 ， 并在 K个降序 排列好的直方图中选取满足式 (10)的最少的前 b个直方图来表征背景 (b<K), 其中 TB是自定义的阔值， 例如可以取值为 0.7:

b

B _H =argmm(^ _kt >T _B )

b ^ (10) 其中， 表示背景模型中第 k个直方图在 t时刻的权重， 像素各个直方 图的权值排序后， 选取最小的 b个直方图， 使得权重的和大于阔值， 由选取 的 b个直方图分布构建多模态的背景 ^B H。

为了便于本发明实施例与其他方法的性能评价 和比较， 引入基于 "准确 率、 索引率" 的评价指数， 分别如式 (11)所示：

TP

准确率(％) = -xlOO

TP + FP

(11)

TP

索引率(％) = ~ - ^ xlOO

TP + FN

其中 TP、 TN、 FP、 FN如表 1所示:

表 1每像素点 利用本发明实施例提出的混合时空背景建模方 法， 选取参数 β =0.9, Ν 为 3*3 , R=2, P=4, 检测 PETS2001标准视频 (分辨率降为 320*240), 其中一 帧的检测结果如图 4-a至图 4-d所示，其中， 图 4-a为当前帧输入图像， 图 4-b 为基于颜色的混合高斯模型的检测结果， 图 4-c为基于空间模型的检测结果， 图 4-d为基于本发明实施例提出的混合时空背景建 模方法得到的检测结果。

由图 4-a至图 4-d可以看出正确检测的前景点 (TP)、 正确检测的背景点 (ΤΝ)、误检为前景的像素点 (FP)以及误检为背景的像素点 (FN)。 由图 4-b可以 看出， 基于混合高斯的方法不但检测出了前景物体， 同时会将部分受到短时 光照变化的背景点误检为前景像素； 由图 4-c 可以看出， 基于紋理模型的方 法能较好地适应短时光照变化， 但由于釆用的是直方图建模方式， 在前景物 体附近的像素点容易误检； 通过本发明实施例对时间和空间信息进行融合 之 后， 得到图 4-b, 取得了较为理想的结果。

调整参数 R和 N, 将检测结果与标准二值化检测结果比较， 按式 (9)得到 检测的准确率和检索率如下面的表 2所示： 准确率(％) 84.5 86.4 84.6 86.2

检索率(％) 72.3 63.7 71.1 62.1

不同参数下的检测结果比较 目前常见的背景建模方法如下：

混合高斯模型；

自适应混合高斯模型；

基于径向滤波（RRF)的空域模型；

基于 LBP的空域模型；

针对 PETS2001 标准视频检测后， 上述已有背景建模方法与本发明实施 例提供的混合时空背景模型 (取 N为 3x3,R=2时)的性能比较如图 5所示， 从 图 5可以看出， 与已有方法相比较， 本发明实施例提供的混合时空背景模型 能够适应复杂场景中多种光照变化的情况， 取得了较高的检测准确率与检索 率。

利用本发明实施例提供的混合时空背景模型， 对标准序列的部分的测试 结果如图 6-a至图 6-f所示， 其中图 6-a和图 6-d为当前帧输入图像， 图 6-b 和图 6-e为利用本发明实施例提供的混合时空背景模 型得到的检测结果， 图 6-c和图 6-f为该序列标准测试结果 (即 Ground Truth)。

参见图 7 , 本发明实施例提供的一种图像检测装置， 包括：

图像获取单元 11 , 设置为获取图像；

运动目标检测单元 12, 设置为利用预先设置的混合时空背景模型， 对图 像进行运动目标检测， 确定目标图像； 其中， 所述混合时空背景模型， 是预 先根据图像的灰度变化趋势建模得到的。

较佳地， 所述运动目标检测单元 12, 包括：

混合时空背景模型单元 121 , 设置为确定基于指数平滑和光照变化的像 素预测值； 将像素预测值和 CSLBP算子融合， 得到 ST-CSLBP算子； 计算基 于 ST-CSLBP算子的每一像素点对应的直方图； 构建基于 ST-CSLBP算子的 每一像素点对应的直方图的混合时空背景模型 ； 检测单元 122, 设置为利用混合时空背景模型， 对图像进行运动目标检 测， 确定目标图像。

较佳地， 所述混合时空背景模型单元 121, 利用如下公式确定所述像素 预测值：

\-β r _t = {x _t -x _t _ _x ) + {\- )r _t _ _x 其中， 表示 t时刻像素点的像素预测值， ^表示 t时刻像素点的状态估 计值， β表示平滑系数， ^表示 t-1时刻像素点的灰度变化趋势， ^表示 t时 刻像素点的灰度变化趋势， 表示 t 时刻像素点的像素观测值， 表示 t-1 时刻像素点的像素观测值。

较佳地， 所述混合时空背景模型单元 121, 利用如下公式将像素预测值 和 CSLBP算子融合， 得到 ST-CSLBP算子：

/2-1

ST-CSLBP _{P R} = ∑ {s(g _p , g _p+P/2 )2 ^ρ + s(g _zp , g _z(p+P/2 )2 ^p+p ' ² - ¹ } 其中， ^— 表示 ST-CSLBP算子， R表示以当前像素点为中心的 圓形区域的半径， P表示该圓形区域内等间距的像素点的个数， g表示像素点 的灰度值， ' ^+p/2 ) ² 表示像素 ^m 与像素 p 的灰度的相似度，

^S _zp ,g 表示像素 ™与像素 p的像素预测值之间的灰度的相似度； 表示像素 1和像素 j之间的灰度的相似度， ^abs —&)表示像素 J 的灰度 与像素 i的灰度&的绝对值， 表示预设阔值。

较佳地， 所述混合时空背景模型单元 121, 确定基于 ST-CSLBP算子的 每一像素点对应的直方图的相似度； 根据相似度， 判断基于 ST-CSLBP算子 的每一像素点对应的直方图与背景模型中的直 方图是否匹配， 如果是， 该像 素点作为背景像素， 如果否， 则将该像素点作为前景像素。 综上所述， 本发明实施例在深入研究背景建模技术的基础 上， 提出了基 于 ST-CSLBP的混合时空背景建模方法， 充分利用了时域与空间域信息， 设 计了混合方法的融合准则， 从而使混合时空背景模型能够同时适应长时光 照 以及短时的光照变化， 从试验结果可以看出， 通过本发明实施例提供的混合 时空背景模型对图像进行运动目标检测， 更能够适应复杂场景中多种光照变 化的情况， 具有较高的检测准确率与检索率。

本领域内的技术人员应明白， 本发明的实施例可提供为方法、 系统、 或 计算机程序产品。 因此， 本发明可釆用完全硬件实施例、 完全软件实施例、 或结合软件和硬件方面的实施例的形式。 而且， 本发明可釆用在一个或多个 其中包含有计算机可用程序代码的计算机可用 存储介质 (包括但不限于磁盘 存储器和光学存储器等 )上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、 设备（系统） 、 和计算机程序 产品的流程图和 /或方框图来描述的。 应理解可由计算机程序指令实现流程 图和 /或方框图中的每一流程和 /或方框、 以及流程图和 /或方框图中的流 程和 /或方框的结合。 可提供这些计算机程序指令到通用计算机、 专用计算 机、 嵌入式处理机或其他可编程数据处理设备的处 理器以产生一个机器， 使 得通过计算机或其他可编程数据处理设备的处 理器执行的指令产生用于实现 在流程图一个流程或多个流程和 /或方框图一个方框或多个方框中指定的功 能的装置。

这些计算机程序指令也可存储在能引导计算机 或其他可编程数据处理设 备以特定方式工作的计算机可读存储器中， 使得存储在该计算机可读存储器 中的指令产生包括指令装置的制造品， 该指令装置实现在流程图一个流程或 多个流程和 /或方框图一个方框或多个方框中指定的功能� �

这些计算机程序指令也可装载到计算机或其他 可编程数据处理设备上， 使得在计算机或其他可编程设备上执行一系列 操作步骤以产生计算机实现的 处理， 从而在计算机或其他可编程设备上执行的指令 提供用于实现在流程图 一个流程或多个流程和 /或方框图一个方框或多个方框中指定的功能� �步 骤。 发明的精神和范围。 这样， 倘若本发明的这些修改和变型属于本发明权利 要 求及其等同技术的范围之内， 则本发明也意图包含这些改动和变型在内。

工业实用性 本发明实施例， 根据图像的灰度变化趋势建模得到混合时空背 景模型； 釆集图像， 利用所述混合时空背景模型， 对图像进行运动目标检测， 确定目 标图像， 从而提高图像运动目标检测的检测率和准确率 ， 使得在复杂光照变 化场景下， 同样可以很准确地检测到图像中的运动目标。