运动目标检测技术作为视频分析领域的重要底层任务,广泛应用在智能视频监控系统、智能交通系统、视频编码等。可靠的运动目标检测技术是后续高层任务顺利实施的基础。论文主要围绕基于背景减除框架的运动目标检测技术,解决背景减除算法在实际应用中的诸多难点问题。论文详细概述了运动目标检测技术的帧差法、光流法及背景减除法。帧差法具备原理简单、实时性高的特点。单纯使用帧差法容易造成检测结果的不完整,因此更多与其他算法配合,以简化算法时间复杂度。光流法有严谨的理论基础,能够适应背景场景变化,但是需要耗费极大的计算代价。研究人员通常将光流和特征点匹配相结合,提出相机运动的解决方案,尤其是处理PTZ相机。折衷考虑时间复杂度和处理精度,背景减除算法受到研究人员的持续关注。基于GMM模型的各类算法,重点考虑自适应地调整高斯分布数目、降低对光照环境的敏感度等。基于码本模型的各类算法,主要考虑多颜色模型、多特征及多层级建模等。基于样本一致性模型的各类算法,多以像素为单位进行建模;独立考虑每个像素,可以使其具备自适应的分割阈值;还尝试控制不同的更新速率,实现抑制邻域扩散。论文根据样本一致性模型的处理框架,提出一种基于样本动态估计和轮廓相似性的背景减除算法。从简单、方便的角度,算法选择单一颜色特征。在初始化阶段,算法不仅建立常规背景样本,同时估计备用的初始参考背景。区域级分割结果细化过程通过参考背景而实现。邻域更新检测间歇物体运动时,该机制具有先天缺陷。算法不选择邻域更新方式,而是利用轮廓相似性区分确定静止或低速前景、鬼影,配合计数器实现不同的更新方式,最终实现分割结果细化。此外,算法将最近观察到的最小距离的标准差作为背景动态指示器,实现像素级自适应反馈机制。算法选取二值结果图像的后处理版本作为更新模板,因为取消邻域更新意味不再考虑像素的空间位置,这进一步抑制了噪声干扰。ChangeDetection数据集评估结果表明,该算法能够适应包含动态背景和间歇运动物体的视频场景,整体评估性能与大多数先进算法相当。论文重新评估了上述算法,发现以下问题:基于单一特征的建模方式是无法平衡对噪声的容忍度和对光照的敏感度之间的矛盾;自适应反馈机制可能会过度调节某一像素的阈值;仅靠加快更新去解决相机运动是不尽合理的。论文又提出了一种具有局部自适应灵敏度和轮廓相似度的背景减除算法。纹理特征和颜色特征的结合使得对伪装前景的检测更为敏感。改进的像素级自适应反馈机制使算法能够自我调节参数。在构建背景样本时,估计了初始化的参考背景。通过判定初始参考背景是否存在前景对象来加速鬼影抑制。取消邻域扩散克服了前景物体被吸收到背景样本的缺陷。此外,论文特别关注了相机运动问题的解决,采用与视频稳态技术类似思路,利用特征点匹配去估计连续帧间的全局偏移距离,抵消相机运动对前景分割的影响。ChangeDetection数据集评估结果表明,算法展现出优越的性能。