从视频序列中提取出背景图像是一项重要的基础性技术。这项技术不仅应用到移动物体的目标检测上,还广泛运用在背景建模、目标跟踪、前景检测、智能相机,人机交互等技术中。工程应用领域涉及到视频监控、交通流量检测、智能机器人、无人机情报获取,相机技术等。人眼在视觉方面具有局限性,包括识别目标不清晰、复杂场景中目标太多太快等因素,这影响到我们观察的结果和对结果做出的判断。人工视频处理消耗时间人力,会造成错误的判断,无法保证监控视频分析所需要的实时性和准确性。目前,动态背景提取存在许多问题,包括目标检测不精确、背景建模的过程中容易受到天气光照影响,很难从复杂变幻的场景中进行背景提取等。由于上述因素,背景提取的结果无法避免模糊、重影和噪点。若背景提取的图像不完整,便无法进行后续的目标运动跟踪,不能应用到背景建模和人机交互中。本文将针对上述对背景提取过程和结果中出现的问题进行分析并解决,提出基于时变滤波器的背景提取方法,来获得较为完整精确的背景模型,以提高背景提取结果的鲁棒性,降低背景模型的信噪比,使得背景模型提取过程更加有效。本文提出了基于时变滤波器的背景提取方法,是在一段时间的动态视频中,将运动的前景检测出来,并将除去前景的背景提取出来。时变滤波器算法主要应用于复杂环境下动态背景提取和更新。此算法首先对视频序列的图像建立原始样本,通过改进的双阈值核密度估计算法,将加权后的样本筛选出来,构成采样样本;其次建立背景空间,将采集到的采集样本投影到背景特征空间中,通过背景空间特征向量提取并降维,得到最终的背景模型图像。在背景更新方面运用短期模型和长期模型结合方法,采用基于改进VIBE的像素点概率型更新算法更新背景。经实验验证,本算法对比混合高斯法等经典算法,在陆地和水面动态环境下查准率分别可达99%和85%,避免了光照和动态因素影响,提取背景模型,并有效更新。