背景差分算法

背景差分法亦称背景减法，常用于检测视频图像中的运动目标，是目前运动目标检测的主流方法之一。其基本原理就是将图像序列中的当前帧和已经确定好或实时获取的背景参考模型（背景图像）做减法，找不同，计算出与背景图像像素差异超过一定阀值的区域作为运动区域，从而来确定运动物体位置、轮廓、大小等特征，非常适用于摄像机静止的场景。

既然需要与背景参考模型作比较，那么背景差分法的性能好坏很大程度上取决于背景模型的建模、获取和更新方法，背景图像的建模和模拟的准确程度，将直接影响到检测的效果。那么何为“背景”呢？对于一个稳定的监控场景而言，在没有运动目标，光照没有变化的情况下，视频图像中各个像素点的灰度值是符合随机概率分布的。由于摄像机在采集图像的过程中，会不可避免地引入噪声，这些灰度值以某一个均值为基准线，在附近做一定范围内的随机振荡，这种场景就是所谓的“背景”。

如果有现成的、不变的背景图像当然最好，但是由于场景的复杂性、不可预知性、以及各种环境干扰和噪声的存在，如光照的突然变化、实际背景图像中有些物体的波动、摄像机的抖动、运动物体进出场景对原场景的影响等，背景建模算法通常要求在场景中存在运动目标的情况下获取背景图像,这成为背景建模的难点之一。同时，由于背景图像的动态变化，需要通过视频序列的帧间信息来估计和恢复背景，即背景重建，选择性的更新背景是背景建模的另一难点。

传统的背景建模方法包括中值法背景建模、均值法背景建模、单高斯分布模型、混合高斯分布模型、卡尔曼滤波器模型以及高级背景模型等等，这些方法都是基于像素的亮度值进行数学计算处理，所以我们说运动目标检测是基于统计学原理。

用一个以混合高斯模型为基础的背景分割算法BackgroundSubtractorMOG为例，它使用K（K=3或5）个高斯分布混合对背景像素进行建模。基于时间序列，每一个像素点所在的位置在整个时间序列中会有很多值，从而构成一个分布。使用这些颜色（在整个视频中）存在时间的长短作为混合的权重。背景的颜色一般持续的时间最长，而且更加静止。举一反三的话，我们可以为每一个像素选择一个合适数目的高斯分布进行建模。

混合高斯背景建模法不仅对复杂场景的适应强，而且能通过自动计算的模型参数来对背景模型调整，虽然增加了高斯分布的个数，造成计算量增大，但检测速度很快，且检测准确，容易实现，同时根据新获取的图像，对背景图像参数进行自适应更新。该方法能够可靠处理光照变化、背景混乱运动的干扰以及长时间的场景变化等。因此基于混合高斯模型建模的背景减法已是运动检测的主流之一。

获取到背景图像帧B以后，记当前视频图像帧为fn，背景帧和当前帧对应像素点的灰度值分别记为B(x,y)和fn(x,y)，将两帧图像对应像素点的灰度值进行相减，并取其绝对值，得到差分图像Dn：

设定阈值T，逐个对像素点进行二值化处理，得到二值化图像Rn' 。其中，灰度值为255的点即为前景(运动目标)点，灰度值为0的点即为背景点；对图像 Rn'进行连通性分析，最终可得到含有完整运动目标的图像Rn。

背景差分法计算十分简单，此外该方法还在一定程度上克服了环境光线的影响。其缺点是不能用于运动的摄像头，同时背景图像的实时更新也并非易事。背景差分法实现目标检测的四个环节（背景建模，背景更新，目标检测，后期处理）中，背景建模和背景更新是背景差分法中的核心问题，毕竟在实际情况中，由于光照变化、雨雪天气、目标运动等诸多因素的影响，想获取一张“纯净”的背景图片是很难的。