本发明涉及领域，具体涉及一种多层背景模型的运动目标检测方法。
背景技术：
智能视频监控为当今社会的治安管理和维护社会稳定起到了重要作用，被广泛应用于民用和军工业中。在复杂背景下运动目标检测算法仍存在如下不足：
（1）背景模型初始化时间过长；
（2）背景模型的更新系数设定不具有通用性；
（3）单层背景模型难以处理复杂背景干扰问题。
技术实现要素：
本发明要解决的技术问题是提供一种多层背景模型的运动目标检测方法。
一种多层背景模型的运动目标检测方法，包括以下步骤：
s1：采集运动目标视频图像，并对视频图像进行预处理；
s2：从视频序列的第一帧中提取每个像素的邻域样本，用于初始化背景模型，只需一帧图像即可完成背景模型的初始化；
s3：引入随机采样技术，随机选取一个不匹配的码字，采用新的背景像素取而代之，避免错误分类的码字长时间驻留在背景模型中；
s4：采用多层背景模型策略，每个像素经过多层背景模型的逐层验证，保证了背景模型的精确性。
进一步的，多层背景模型的创建和更新过程如下：
1）基于邻域初始化方法创建主模型m(x)，同时，分别创建空的一级缓存h(x)和二级缓存模型u(x)；
2）对于t时刻给定的输入像素
3）如果没有找到匹配的码字，按以下步骤进行处理：
a）将像素
b）在一级缓存模型h(x)中查找匹配码字
c）在二级缓存模型u(x)中寻找与
4）采用像素分类器2，将漏检的真实背景码字提升到主模型m(x)中，过程如下所示：
a）移除二级缓存模型u(x)中码字的最长时间间隔
b）移除一级缓存模型h(x)中码字的最长时间间隔
5）对于新的像素
本发明的有益效果是：
本发明采用从第一帧图像每个像素的邻域中选取样本，对背景模型进行初始化的方案，算法的初始化过程得到了简化和加速；通过采用epam背景模型更新策略，避免了被错误分类的像素长期保留在背景模型中；由于多层背景模型方法的使用，即在初始化阶段创建一个主模型，在检测阶段创建两个缓存模型，通过缓存模型的逐层验证，将漏检的背景像素提升到主模型，增强了主模型的精确性，提高了算法在复杂背景下的鲁棒性。
具体实施方式
以下具体实施例对本发明作进一步阐述，但不作为对本发明的限定。
一种多层背景模型的运动目标检测方法，包括以下步骤：
s1：采集运动目标视频图像，并对视频图像进行预处理；
s2：从视频序列的第一帧中提取每个像素的邻域样本，用于初始化背景模型，只需一帧图像即可完成背景模型的初始化；
s3：引入随机采样技术，随机选取一个不匹配的码字，采用新的背景像素取而代之，避免错误分类的码字长时间驻留在背景模型中；
s4：采用多层背景模型策略，每个像素经过多层背景模型的逐层验证，保证了背景模型的精确性。
多层背景模型的创建和更新过程如下：
1）基于邻域初始化方法创建主模型m(x)，同时，分别创建空的一级缓存h(x)和二级缓存模型u(x)；
2）对于t时刻给定的输入像素
3）如果没有找到匹配的码字，按以下步骤进行处理：
a）将像素
b）在一级缓存模型h(x)中查找匹配码字
c）在二级缓存模型u(x)中寻找与
4）采用像素分类器2，将漏检的真实背景码字提升到主模型m(x)中，过程如下所示：
a）移除二级缓存模型u(x)中码字的最长时间间隔
b）移除一级缓存模型h(x)中码字的最长时间间隔
5）对于新的像素