近些年来,背景建模算法在计算机视觉领域得到了广泛的应用,如视频监控、目标跟踪、人体行为识别、车牌检测等。与此同时,背景建模算法的应用环境也发生了较大变化,从静止的室内场景转移到含有强烈扰动的复杂室外场景。由于复杂场景中包含较多的动态变化因素,如风吹草动、相机抖动、光照变化、运动前景等,如何在确保前景检测精确度的前提下进一步提升算法的速度、降低内存消耗一直是算法所面临的难题。从处理单元上划分,背景建模算法可以分为基于区块的算法和基于像素的算法。基于区块的算法主要特点为建模速度快、内存消耗小、抗噪声能力较强、前景检测结果带有明显的锯齿状轮廓,适用于对内存、速度要求严格的计算机视觉应用如智能监控系统中。而基于像素的算法主要特点为前景检测结果轮廓清晰、检测精度高、速度较慢、内存消耗较大的特点,可以为应用的后续操作提供精准的前景检测结果。两类算法各有各的优势,于是本文针对复杂场景,着重于按处理单元划分对背景建模算法进行深入研究。以区块为处理单元,本文提出了基于ViBe算法与模型最大化策略的背景建模算法。在ViBe算法框架下,将图像划分成固定大小的区块,统计区块直方图来描述区块,使用当前区块直方图与邻域区块直方图为每个区块建立背景模型,使用MDPA距离作为区块直方图的距离度量,利用模型最大化策略对背景库单元进行更新。通过使用12R数据集中的三组帧序列与GMM、ViBe算法进行对比实验,结果表明,本文所提方法在应对含有强烈扰动的复杂场景时速度更快、检测精度更高。以像素为处理单元,本文提出了基于SLIC超像素的背景建模算法。将图像通过SLIC超像素进行分割,为每个超像素建立高斯模型并设立最小标准差,使用当前超像素和邻域超像素进行前景检测,结合保守更新策略和高斯模型传递策略更新背景模型。选取公共数据集三组以复杂场景为背景的帧序列将本文方法与GMM、ViBe算法进行对比实验,结果表明,本文所提出的方法在应对含有强烈扰动的复杂场景时表现更加优秀。