动态背景下自适应LOBSTER算法的前景检测

目的 前景检测是视频监控领域的研究重点之一。LOBSTER(local binary similarity segmenter)算法把ViBe(visual background extractor)算法和LBSP(local binary similarity patterns)特征结合起来，在一般场景下取的了优良的检测性能，但是LOBSTER算法在动态背景下适应性差、检测噪声多。针对上述问题，提出一种改进的LOBSTER算法。方法 在模型初始化阶段，计算各像素的LBSP特征值，并分别把像素的灰度值和LBSP特征值添加到各像素的颜色背景模型与LBSP背景模型中，增强了背景模型的描述能力；在像素分类阶段，根据背景复杂度自适应调整每个像素在颜色背景模型和LBSP背景模型中的分类阈值，降低了前景中的噪声；在模型更新阶段，根据背景复杂度自适应调整每个像素背景模型的更新策略，提高背景模型对动态背景的适应能力。结果 本文算法与ViBe算法和LOBSTER算法进行了对比实验，本文算法的前景图像比ViBe算法和LOBSTER算法的噪声点大幅较低，本文算法的PCC指标在不同视频库中比ViBe算法提高0.736%7.56%，比LOBSTER算法提高0.77% 12.47%，FPR指标不到ViBe算法和LOBSTER算法的1%。结论 实验仿真结果表明，在动态背景的场景下，本文算法比ViBe算法和LOBSTER算法检测到的噪声少，具有较高的准确率和鲁棒性。

Foreground detection of the adaptive LOBSTER algorithm in a dynamic background