經過上述幾個步驟，得到能自適應光強度變化的背景模型。但在車輛擁擠、臨時停車或者車輛運動緩慢的情況下，背景模型容易出錯，導致車輛檢測準確性降低。為了在復雜交通狀況下也能得到理想的背景模型，論文在傳統σ-δ背景更新方法基礎上提出了一個是否更新背景模型的判斷尺度。

　　3 運動目標提取

　　在獲得重建的背景之后，可以根據當前圖像和背景圖像的差值求得運動目標。背景差圖像為D（x,y）=I（x,y）-B（x,y）。圖像中所有低于這一閾值的像素集將被定義為背景， 而高于這一閾值的像素集定義為運動目標。采用歸一化的方法，即低于閾值的賦0值， 高于閾值的賦1值。不論以何種方式選取閾值， 取單閾值分割后的圖像可定義為：

　　閾值分割法是一種基于區域的圖像分割技術，其基本原理是：通過設定不同的特征閾值，把圖像象素點分為若干類。常用的特征包括：直接來自原始圖像的灰度或彩色特征；由原始灰度或彩色值變換得到的特征。設原始圖像為f（x，y），按照一定的準則f（x，y）中找到特征值T，將圖像分割為兩個部分，分割后的圖像為：若取：b0=0（黑），b1=1（白），即為我們通常所說的圖像二值化。

　　本文選取基于最大方差理論的大津法作為視頻車輛檢測中閾值分割的處理算法。取閾值將物體從背景中分離出來，實際上就是將圖像中的所有像素分為2組，或屬于物體像素，或屬于背景像素。由概率論中的理論得知，若使待分割的2組數據方差最大，則得到2組數據的錯分概率最小。

　　經過閾值分割已經能夠成功地分割出運動車輛。大津法分割得到的二值圖像仍然在車輛內部存在黑色像素點的問題。為了使檢測到的運動目標完整而連續，對背景幀差法得到的二值圖像進行形態學膨脹與腐蝕。實驗證明，經過三次膨脹與腐蝕之后的圖像，可以基本填補運動目標的空洞。

　　4 實驗結果

　　本文以智能交通中車輛自動監視系統為應用背景，通過實驗證明提出方法的正確性。使用固定在三腳架上的攝像機在室外攝取不同場景的視頻進行實驗。實驗平臺為PC機Matlab7.0仿真。

　　圖3為自適應背景模型的提取。選取特殊的臨時停車情況，本文提出的算法能夠自適應提取出背景模型。本文提出的算法在第621幀時能夠得到理想的背景模型，如圖3所示；而利用高斯分布提取背景模型的方法則在1 460幀時才能獲得如圖所示的理想的背景模型。所以該算法比傳統的算法在計算速度上有所提高，能夠實時性地檢測出運動車輛。

　　圖4為一段城市交通視頻，圖5為城市交通視頻中臨時停車情況，其中左下角為原始視頻，右下角為本文算法提取的背景模型，左上角為檢測出的運動物體，右上角為標定檢測出的運動車輛。圖4分別取了城市交通視頻的第59幀和第114幀，圖5選取了第618幀和第673幀，可以看出在繁忙的城市交通中，本文提出的算法能夠準確地檢測出運動車輛。

　　從圖4中可以看出在城市交通場景中運動車輛能夠實時地提取出理想的背景模型。通過背景差分辦法并結合閾值分割和形態學操作，精確地得到了運動區域。

　　臨時停車時，能夠準確提取出背景模型。當車輛經過短暫的停車又并入車流時，背景中這個車輛慢慢變得模糊，而且在運動目標提取時提取了該車輛。說明該算法能夠在提高計算速度的同時保證檢測精確度。

　　本文以背景模型的建立和選擇性更新為基礎實現車輛檢測。為了適應快速改變的交通環境，本文提出一個自適應的背景模型算法。在建立自適應背景模型后，利用灰度圖像與背景模型差分實現運動目標提取。