的平均灰度值μ。以及像素灰度的方差:σ02由μ。和:?2组成具有高斯 分布η(χ,μ。，〇。）的初始背景图像B。，鳥= [a;,W]
[0089] 其中
[0090] 然后为每帧图像的每个像素点建立高斯模型η (Xd μuJ;
[0091] 其中，下标i为帧序号，Χι为像素点的当前像素值，μi为当前像素点高斯模型的均 值，σi为当前像素点高斯模型的均方差；若Π(Χι，μd。J<Tp，Tp为概率阈值，则判定该 点为前景点，否则为背景点（这时又称\与η(Χι，μD匹配）；在应用时，可以用等价 的阈值代替概率阈值。记山=IΧι-μiI，在常见的一维情形中，则常根据山/σi的取值来设 置前景检测阈值：若山/σi>T(T值在2到3之间），则该点被判定为前景点，否则为背景点。 [0092] 其他的背景消除方法通过使用其他的背景模型进行背景消除，如基于中值滤波的 背景模型、混合高斯背景模型和基于核密度概率估计的背景模型等。基于中值滤波的背景 模型是通过取N帧图像的中值作为背景，算法较为简单，效果不好；混合高斯背景模型是通 过维护几个高斯模型来模拟动态场景的变化，算法复杂，实时性差；基于核密度概率估计的 背景模型是一种强大的非参数估计的背景模型方法，能够很好地模拟动态场景的分布，适 应一定的光照变化，但是算法很复杂，对内存要求很高，实时性很差。
[0093] 步骤S212、背景模型的更新
[0094]若场景发生变化，则背景模型需要响应这些变化，则对背景模型进行更新，利用摄 像装置拍摄的连续图像提供的实时信息对背景模型进行更新，如下式：
[0095] μ i+1 =(1-α)μ;+aXi
[0096] σ,·I ! =^(\-a)///' +ad；'
[0097] 其中ct为更新率，取值在0~1之间。若该像素为背景，则更新率ct优选取0.05， 若该像素为前景，则ct更新率优选取0.0025。
[0098] 步骤S22、阴影消除，统计通过背景消除提取的前景区域中的灰度值，找出最大灰 度值gmax和最小灰度值gmin，然后在灰度值小于T=gmin+(gmax-gmin)*0· 5的区域进行 阴影消除。
[0099] 在该低灰度区域中，求取每个像素与背景像素之间的灰度比值，优选若这一比值 在0. 3与0. 9之间，则被认为是阴影点。利用数学形态学图像处理，先进行腐蚀在进行膨胀 操作，可以消除其中的小区域。其中数学形态学处理通常是在图像中移动一个结构元素进 行类似于卷积的操作，在每个像素位置，对结构元素与其对应的图像像素实施特定的逻辑 操作，可以除去噪声和杂波干扰，提高图像的信噪比，膨胀、腐蚀是数学形态学处理的基本 操作。所以通过多次形态学腐蚀和膨胀操作除去阴影点中的非阴影区域（小区域）得到检 测的阴影区域并消除，所以最后要通过多次形态学膨胀和腐蚀操作消除需要的目标区域中 的空洞以及把各个区域连通起来。
[0100] 步骤S23、区域分类，建立一个标准正面飞机区域模板，由于飞机区域这种两边窄 中间宽的特性，该模板能够很好地区别飞机与非飞机。经过变化检测提取目标区域并求取 该区域的垂直投影曲线（参见图6,图6为本发明一实施例的飞机正面垂直投影曲线），然 后求取该垂直投影曲线与所述标准正面飞机区域模板的垂直投影曲线的相关系数，若该相 关系数较大，例如大于或等于〇. 9,则该目标为飞机；否则，为非飞机。
[0101] 步骤S24、特征验证，通过检测捕获到的飞机的引擎和前轮来进一步验证该目标是 否为飞机。
[0102] 所述特征验证步骤S24进一步包括：
[0103] 步骤S241、图像极黑区域提取，对图像进行灰度直方图统计，在灰度级中间1%~ 99% (通常也就是2~253的灰度级）范围内获得像素数不为0的最大（gmax)灰度值/ 最小（gmin)灰度值的比值，使用预设的阈值提取图像中最黑的部分，得到一幅极黑区域。
[0104]本实施例中，使用一个预设为0. 05的极黑判定阈值（Blackestjudge)，该极黑判 定阈值意为图像中最黑的5%，应根据实际场景进行调整，直至刚好将两个引擎外轮廓分割 出来。来提取图像中灰度值在gmin到（gmax-gmin)*BlackestJudge+gmin之间的区域，也 就是图像中最黑的部分，得到一幅极黑区域，一幅典型的极黑区域示意图见图7,图7为本 发明一实施例的典型的极黑区域示意图，图中的各个图形内部是极黑区域。
[0105]步骤S242、类圆形检测，提取该极黑区域的所有外层边界，对每一个边界使用边界 的矩计算边界的重心坐标，边界的第ji阶矩定义如下：
[0106]
[0107] 重心坐标(? 50:
[0108]
[0109] 对于当前边界的所有像素点，计算其与该重心的距离，若计算得到的最大距离与 最小距离的比值大于一预设值（例如预设为1.5的圆形判定阈值circlejudge)，则认为该 区域非圆形，进行下一区域的判定，对于判定通过的区域，记录判定的类圆形区域的重心坐 标和半径（边界到重心的平均距离），以进相似度判定。
[0110] 步骤S243、在类圆区域中通过判断相似度检测飞机引擎；
[0111] 参见图8,图8为本发明一实施例的相似度判定的流程图。本实施例中，假设一共 检测到了Μ个类圆形区域，其中第i个和第j个的相似度的计算为：
[0112] Similarity^ = |Heighti-Heights | * |RadiuSi-Radiusj
[0113] 其中，Height为重心高度，Radius为半径（即边界到重心的平均距离），当相似度 Similarity^小于预设为40的阈值similarThresh时，则认为区域i和j为飞机引擎。
[0114] 若没有检测出飞机引擎，则进行迭代检测，将极黑判定阈值（Blackestjudge)、圆 形判定阈值（circlejudge)、相似度阈值（similarThresh)分别增大，本实施例极黑判定阈 值（Blackestjudge)、圆形判定阈值（circlejudge)、相似度阈值（similarThresh)的增加 量分别优选为〇. 05、0. 5、20,再进行步骤S241-243 ;若仍然没有检测出飞机引擎，则对所有 的极黑区域使用7*7的圆形模板进行开操作，再进行步骤S242-243 ;
[0115] 若仍然没有检测出飞机引擎，则再进行2次上述迭代检测；
[0116] 若仍然没有检测出飞机引擎，则判定图像中无引擎存在。在对后续帧进行检测时， 若其前一帧图像使用的迭代步数为n，则直接从第η-I步开始迭代。
[0117] 步骤S244、检测飞机前轮，确认该飞机引擎和前轮则捕获成功。
[0118] 步骤S244中，可将检测到的飞机引擎中间及高度为4个引擎半径的区域作为飞机 前轮的搜索区域，在搜索区域中，将256级的灰度级量化至64级，参见图9及图10,图9为 本发明一实施例的256级灰度的灰度直方图，其中横坐标为灰度级，纵坐标为该灰度级下 点的个数，图10为本发明一实施例的64级灰度的灰度直方图，其中横坐标为灰度级，纵坐 标为该灰度级下点的个数。搜索量化为64级的灰度直方图中的第一个波峰10和第一个波 谷11，设量化后的第一个波峰位置为peak，波谷位置为valley，则原始256级灰度的灰度直 方图中的最优波峰位置BestPeak、最优波谷BestValley位置定义如下：
[0119]
[0120]
[0121] 其中hist256 (i)为256级灰度的灰度直方图中，灰度为i的像素总数；
[0122] 以此最优波谷BestValley对灰度进行分割，对小于最优波谷BestValley的部分， 除去面积较小的杂点，使用一个扁平椭圆型结构元素对图像进行闭操作，效果示例参见图 11，图11为本发明一实施例的闭操作的效果示例图；
[0123] 接着对所有