基于时间窗的自适应核密度估计运动检测方法

第32卷第3期通信学报V ol.32No.3 2011年3月Journal on Communications March 2011 基于时间窗的自适应核密度估计运动检测方法

周恩策，刘纯平，张玲燕，龚声蓉，刘全

（苏州大学计算机科学与技术学院，江苏苏州 215006）

摘 要：在对非参数核密度估计算法改进的基础上，针对远程视频监控中存在前景检测不够精确、实时性低等问题，提出了用于自适应背景更新的基于像素时间信息窗的核密度估计（TIW-KDE）算法，该算法充分利用时间轴上的前景帧的信息，自适应地将背景划分为动态背景区域和非动态背景区域，对动态背景区域用改进的非参数核密度估计算法进行更新，对非动态背景区域采用渐进式算法更新，有效解决了非参数核密度估计算法在背景更新时引起的背景污染和计算量大问题。实验结果表明，该算法在提高前景检测精确性的前提下，在处理实时性方面得到很大提高。

关键词：核密度估计；时间信息窗；前景检测；自适应背景更新

中图分类号：TP391.4 文献标识码：B 文章编号：1000-436X(2011)03-0106-09 Foreground object detection based on time information

window adaptive kernel density estimation

ZHOU En-ce, LIU Chun-ping, ZHANG Ling-yan, GONG Sheng-rong, LIU Quan

(Department of Computer Science and Technology, Soochow University, Suzhou 215006, China)

Abstract: There exist some problems, such as imprecise foreground object detection and lower real-time in remote video monitoring. Based modified non-parametric kernel density estimation, a new algorithm using time information win-dow-kernel density estimation (TIW-KDE) was proposed for adaptive background updating. The algorithm, which took full advantage of the information on the foreground frames along the time line, divided the background into dynamic background region and non-dynamic background region. For the dynamic background region, the algorithm used non-parametric kernel density estimation algorithm to update it, otherwise, the percent of background and current frame was used to progressively update the non-dynamic background region. This effectively settled the problems of back-ground dirt and decreases the complexity of computation in the background updating phase of the non-parametric kernel density estimation. The experimental results show that the algorithm improved the accuracy of the foreground object de-tection. Moreover, the algorithm also greatly improved the speed of the detection processing.

Key words: kernel density estimation; time information window; foreground object detection; adaptive background up-dating

收稿日期：2010-01-03；修回日期：2010-07-07

基金项目：国家自然科学基金资助项目（60873116, 61070223）；江苏省自然科学基金资助项目（BK2008161, BK2009593, BK2009116）

Foundation Items: The National Natural Science Foundation of China (60873116, 61070223); The Natural Science Foundation of Jiangsu Province (BK2008161, BK2009593, BK2009116)

第3期 周恩策等：基于时间窗的自适应核密度估计运动检测方法 ·107·

1 引言

近年来，随着数字化处理、网络传输等网络通信技术的不断发展，远程网络视频监控系统势必将逐渐取代传统的监控系统而成为视频监控系统的主流。

从视频序列中分离出前景目标，是计算机视觉中的重要研究内容，在交通监测、人机交互、视频会议领域有着广泛的应用。背景减法是在摄像机静止条件下广泛应用的一种前景目标检测技术，具有概念清晰，不需要费时的光流场计算，速度比较快等优点，是当前计算机视觉领域的研究热点之一。

但随着研究不断的深入，对算法的要求也在不断的提高，特别是对较复杂场景情况下的前景检测。为此，研究人员提出了许多不同的方法。Colombari 等人把像素分布看作高斯分布，对背景

进行建模[1]，

Stauffer 等人提出了基于混合高斯模型的背景差方法[2~4]，针对高噪声的复杂背景，采用多个高斯分布描述像素过程，这类方法需要事先假定背景分布模型及进行模型参数估计和优化；Velastin 等人利用最近n 帧的中值作为背景模型[5]，该方法在场景中存在多个运动目标或目标运动缓慢时，前景会污染背景；Oliver 等人提出背景特征化建模的方法[6]，对较长时间内的背景图像数据进行主分量分析，利用主特征矢量张成的子空间描述背景，用当前图像与子空间的距离作为判决前景的

依据，取得了较好的效果，但需耗费大量内存，且检测精度低于混合高斯模型。对于复杂背景下运动弱小目标的检测，王博等人提出了根据不同像素点的时域起伏特性建立一个统一的模型来实现静态背景的移除[7]，不过该方法在处理实时性上依赖于背景所占比例的大小，背景区域占的比例越小，则处理速度越慢；Elgammal 等人提出了基于核密度估计的非参数背景模型[8, 9]，即对视频样本数据用核函数进行估计，选出概率密度最大的样本数据作为背景，该方法能够适应不同的场景，不同于GMM ，它充分利用最近的历史帧信息来表示背景模型，能够适应复杂的像素分布密度，克服像素值在短时间内频繁变化，因此能得到较准确的估计。不过由于采样样本中包含噪声且对图像非典型运动像素也进行了核密度估计，由此不可避免地造成计算量大，产生估计错误噪声等问题。

本文在Elgammal 等人[8, 9]的基础上，提出了一种基于像素时间信息窗的核密度估计前景检测算法。该方法利用分割出的前景帧信息，对每个像素维持一个时间信息窗，利用像素的时间信息窗中的信息有效的将所要更新的背景区域划分为动态背景区域和非动态背景区域，对满足条件的动态背景区域采用非参数核密度估计算法进行更新，在更新过程中引入假设检验判断样本分布，自适应的选取

核宽，有效地解决了估计的密度分布有毛刺出现或

图1 系统框架图

·108· 通 信 学 报 第32卷

过于平滑等现象；对满足非动态背景区域更新条件的背景区域采用渐进式方式进行更新，有效地去除了因光照变化引起的前景误判问题。同时对分割出的前景帧进行背景突变判断，若背景发生突变，则重新初始化背景。整个系统框架如图1所示。该方法保留了非参数核密度估计[8,9]能处理复杂背景及敏感度强的优点，且充分利用沿时间轴前景帧中的信息，自适应地对背景的不同区域采用不同的更新策略，有效解决了非参数核密度估计算法在背景更新时引起的背景污染和计算量大问题，并使核密度估计简单有效。

2 非参数核密度估计检测方法

视频序列中的每一像素取值可视为一个随机过程。由于场景的复杂性，背景密度分布不能简单的由一个单模态模型来完全描述，而且背景分布形式通常无法事先假设。因此，采用完全由视频数据来得到背景模型的核估计方法[8]非常适用于密度分布未知的计算机视觉问题分析。

设视频帧中有M 个像素点，每个像素点有N 个背景样本，则在时刻t ，视频帧中第i 个像素的像素值为()i x t ,该像素对应的第j 个背景样本的像素值

为,()i j x t ，则时刻t 像素i 的概率(())i P x t 可以通过

下式进行估计

,1

1(())(()())N

i i i j j P x t K x t x t N ==?∑ (1) 其中，K 为核估计子，假设K 服从正态分布，对于RGB 图像可以取R 、G 、B 分量做为特征值，如果它们相互独立，则N 个样本的概率之和为

2

(,)(,),,(()())211(())e i m i m j i m

x t x t d

N i j m P x t N

σ??

===

(2)

其中，d 为像素的特征维数，(,)()i m x t 为第i 个像素的第m 个特征值，,i m σ为第m 个特征的核宽。采用式(2)得到的概率如果满足

(())i f P x t T <

(3) 则

()i x t 为前景，其中T f 为整幅图像下的全局阈值。

3 自适应核密度估计运动检测

3.1 自适应核宽选取

核函数的核宽反映了单个样本对总体密度分布所做“贡献”的影响范围。在一定时间内采样的样本变化范围是有限的，且每个值都有成为背景的可能。样本值的变化范围越大说明每个样本应该在更大的范围内对总体密度分布有贡献，这时，核函数应该有较大的核宽；相反，样本值的变化范围越小，说明每个样本对总体密度分布的贡献相对集中，核函数应该具有较小的核宽。因此，用核密度估计算法进行背景更新时，选择合适的核宽[10,11]是非常重要的。

Ahmed Elgammal 、David Harwood [8]提出了一种用相邻样本的绝对差中位数m (MAD)来计算核宽的方法。其计算公式如下：

σ=

(4)

在动态背景区域，当背景像素沿时间轴的分布不是正态分布时，采用式(4)作为核宽估计顽健性更强。但是，在大多数情况下，非动态背景区域的背景像素沿时间轴呈现正态分布，此时，用样本方差来估计核函数核宽是最优估计。样本方差2σ可以由以下公式求得：

2

21

1()1N

i i x x N σ==??∑ (5) 图2(a)给出的是PETS2001上camera 视频序列

第900帧，像素点（169、148）位于图中白色圆点中，在895~910帧和975~1015帧期间，该像素点

对应样本集平稳波动，符合正态分本，此时用式(5)

能得到较小的核宽，如图2(b)所示；在910~975帧

(a) camera 序列第900帧

(b) 核宽选取比较

图2 本文算法与文献[8]算法核宽比较

第3期 周恩策等：基于时间窗的自适应核密度估计运动检测方法 ·109·

期间，由于静止的汽车开始移动，导致样本集波动幅度较大，不符合正态分布，此时用式（4）作为核宽更具合理性。

因此，若对背景像素沿时间轴的分布进行正态分布检验，区别分布形式，采用最合适的核宽估计公式，就可以获得更好的背景分割结果。本文对将要进行更新的背景像素点沿时间轴所获取的背景样本，进行数理统计上的偏度、峰度检验，以此判断所取样本是否近似拟合正态分布，若近似为正态分布，则选取式(5)来计算σ，否则选用式(4)来计算。

3.2 自适应背景更新策略

在室内或室外，图像序列内的场景会随着时间的推移发生许多变化。其中，比较明显的是光照亮度变化和背景物体移动。对于前者，背景图像会随光线而变化，与新引进的前景物体相混淆。对于后者，当物体移入或移出场景中，或者背景中的物体发生变化，如果变化持续很长时间，就需要修改背景模型。

为了更新背景模型，本文提出的策略是为图像中每一个像素点设置一个时间信息窗口，用于记录如下信息：最近N 个采样值、前景点比率f F 、像素点处于观察状态的持续时间f T 、像素未发生变化的持续时间g T 、像素点处于观察状态不需要更新的时间间隔u T 。其中，前景点比率是指N 个采样值中被判定为前景点的次数所占的比例。时间信息窗中各参数大小依据具体实验环境而定，若对于运动物体具有快速移动速度的高速公路等环境，处于观察状态像素点的持续时间f T 和像素点不需要更新的时间间隔u T 应较小，相对而言，若在运动物体缓慢移动的社区等环境，观察状态持续时间f T 和像素点不需要更新的时间间隔u T 应设的相对大些。 3.2.1 非动态背景区域自适应更新策略

设C ()I i 、B ()I i 分别为像素i 的当前帧和背景帧

的像素值，利用当前帧和背景帧之间的信息，采用

如下公式来统计像素未发生变化的连续帧数

g C B g ()1,()()()0, T i I i I i T T i ?+?

(6) 其中，g ()T i 为第i 个像素没有发生变化的帧数，阈

值T 由图像的噪声决定，当帧计数g ()T i 满足式(7)，

就认为背景未发生大的变化，只需要渐进地来更新对应位置的背景像素值，其中α为更新速率。

B C g g B B (1)()(), ()()(), I i I i T i T I i I i αα?+=??=?

??其他

(7)

由于只是对非动态背景区域的像素进行渐进

更新，有效的解决了光照亮度变化引起的全局噪声以及物体移入或移出场景时造成的拖影和背景局部污染问题；同时避免背景快速更新时将前景轮廓更新到背景中的问题。

3.2.2 基于时间信息窗的动态背景区域自适应更新

策略 非参数核密度估计[8]虽然可以解决背景物体变前景和前景物体变背景等问题，但是其在学习阶段直接将视频序列像素值作为样本，而在实际应用中，学习时视频序列包含运动物体，这种做法势必将前景物体的取值也作为背景点计算进去，使得前景点包含在背景样本中导致误检，同时其对每个像素都进行了核密度估计计算，使得估计阶段计算量大，实时性不好，还容易导致对有些非典型运动像素估计错误，产生了大量的噪声。

不同于文献[8]，本文利用像素的时间信息窗来对动态背景区域进行实时有效的更新。当f F A >时，像素点处于观察状态v S ，

此时像素点取值呈现较大波动，需要进一步观察，模型停止更新。如果该状

态持续时间f T 大于设定的间隔u T ，

就可以判定发生了光照亮度变化或移入移出新的物体等情况，背景

发生了变化，则自动根据最近的N 个采样值1X ,2X ,3X ,…,n X 利用式(1)进行背景模型更新。其中阈值A 根据图像分割的虚警率来设定。

由此可以看出，自适应背景模型更新算法能够根据像素点沿时间轴的动态信息决定背景模型是否需要更新。利用自适应背景模型就可以将运动物体从背景中分割出来。 3.2.3 突变背景的检测

利用3.2.1节和3.2.2节的方法虽然能更新背景模型，但是当发生因外界因素导致摄像头抖动偏移而导致背景突变时，需要快速地响应这种变化。本文通过对每幅新进图像中被检测为前景的像素个数进行累积，来统计背景中发生变化的范围，当它的个数超过整幅图像像素总数70%时，则立即用当前帧开始后的N 帧图像来更新背景模型中的样本，

保证背景模型得到及时的更新，否则仍采用上述方

法来更新背景。

3.2.4 算法步骤 1) 读入N 帧图像，对每个样本用式(1)进行非

·110·通信学报第32卷

参数核密度估计，取最大值用于背景建模，得到参考背景图像。

2) 读入视频帧，与参考图像进行背景差分，分割出前景图像。

3) 根据分割出的前景判断背景是否发生突变，若是，返回第1)步，若没有，进行第4)步。

4) 根据分割出的前景，依次更新像素的时间信息窗，若该像素点信息满足式(7)，则对该像素点背景区域进行渐进式更新；若该像素点信息满足3.2.2节所示的非动态背景更新条件，则对该像素点背景区域用式(1)进行更新；若都不满足，则不更新背景。

5) 返回第2)步，直至处理完所有的视频帧。4实验结果及分析

本文算法对选取的停车场、商场、小区监控等具有复杂环境的视频进行实验，实验环境为CPU/P4 3.0GHz，内存为512MB的PC机器。文中给出将本文算法与文献[8, 9]提出的非参数核密度估计算法在PETS(performance evaluation of tracking and sur-veillance) 2001的视频序列camera、由宁波高新区东方瑞华信息技术有限公司提供的小区监控视频和商场的Pedestrian sequences视频序列上进行的实验比较。所有实验训练阶段采样50帧，为了更好地更新背景来进行前景分割，背景差分时全局阈值T 取50，非动态背景区域更新率α取0.1，由于camera 序列为停车场环境，前景目标停留时间较短，所以像素点处于观察状态不需要更新的时间间隔

u

T设为200，而对于小区视频序列和Pedestrian sequences视频序列，目标可能停留时间较长，像素点处于观察状态不需要更新的时间间隔

u

T设为400。

4.1实验结果比较

4.1.1与文献[8]的非参数核密度估计算法比较

图3给出了TIW-KDE运动目标检测方法和参考文献[8]中的方法的结果对比，其中图3(b)和图3(e)的是由参考文献[8]中的方法得出的检测结果，图3(c)和图3(f)是本文所提出的TIW-KDE方法的检测结果。

从图3(b)可以看出，在PETS 2001的视频序列camera上的第161帧中，非参数核密度估计算法[8]在前景检测时使用固定阈值，且在学习阶段直接将视频序列作为样本，将前景点像素也作为背景样本计算进去，导致了大量的噪声；图3(d)给出的是该视频序列上的第257帧，该帧是在光照缓慢变化的情况下，由于非参数核密度估计算法需要一段时间才能将光照变化更新到背景中去，因此在没有将光照变化更新到背景中之前，背景就很容易被误检为前景，如图3(e)所示。而本文提出的方法首先使用背景差分，有效滤除了大部分非典型运动像素产生的噪声，如图3(c)所示，同时对非动态背景区域进行渐进式更新，有效地避免了光照变化产生的前景误检情况，如图3(f)所示。

4.1.2与文献[9]算法比较

非参数核密度估计对每一帧的每一个像素进行核密度估计进行分割，同时对背景样本中的每一个像素用核密度估计算法进行估计来更新背景，不

可避免地产生计算量大、实时性差等问题。在此，

(a) 第161帧(b) 文献[8]结果(第161帧) (c) TIW-KDE结果(第161帧

)

(d) 第257帧(e) 文献[8]结果(第257帧) (f) TIW-KDE结果(第257帧)

图3 TIW-KDE算法与非参数核密度估计算法比较

第3期 周恩策等：基于时间窗的自适应核密度估计运动检测方法 ·111·

将本文算法与非参数核密度估计的改进算法（文献[9]）通过2组实验进行比较。第1组实验主要验证本文算法对背景存在拖影等背景污染问题的改进。第2组实验借助实际监控视频验证算法在实际智能监控中对前景运动目标提取的顽健性。

第1组实验利用PETS 2001的视频序列camera 进行实验验证。区别于本文对非动态背景区域进行渐进式更新，文献[9]对非动态背景区域像素进行一定时间的观察，在确定像素值波动幅度较小或没有

变化的情况下，用当前帧像素全值来更新背景像素，由此不可避免地会将运动物体轮廓更新到背景中去，造成背景污染，如图4(b)中第200帧和第1 139帧中小椭圆标记所示；文献[9]虽然也只对动态背景区域核密度估计进行更新，但对动态背景进行实时更新，当背景样本集中包含前景物体时，会很容易

将前景物体更新到背景中去，造成背景中留有运动

第200帧 (非刚性前景) 第803帧 (刚性前景) 第1 139帧 (复杂环境)

(a) 原始视频典型帧

(b) 文献[9]算法背景更新效果

(c) TIW-KDE 算法背景更新效果

(d) 文献[9]算法前景提取效果

(e) TIW-KDE 算法前景提取效果

图4 TIW-KDE 算法与文献[9]算法的比较

·112· 通 信 学 报 第32卷

物体的拖影，干扰前景的检测，如图4(b)和图4(d)中803帧和1 139帧所示。本文对动态背景区域利用像素的时间信息窗对背景是否更新进行判断，确保了更新时背景样本值的有效性，背景更新结果如图4(c)所示，有效地去除了运动物体运动造成的拖影问题，更有利于前景的检测，如图4(e)所示，同时在算法实时性上得到了更大的提高。

为测试算法在实际智能监控中对前景目标提取的效果，第2组实验采用了实际监控序列——宁波高新区东方瑞华信息技术有限公司提供的小区监控视频（图5）。图5(a)第236帧为单个缓慢运动的行人，图5(a)第1 851

帧为轿车路过时行人放慢

第236帧 第1 851帧 第2 587帧

(a) 原始视频典型帧

(b) 文献[9]算法背景更新效果

(c) TIW-KDE 算法背景更新效果

(d) 文献[9]算法前景提取效果

(e) TIW-KDE 算法前景提取效果

图5 TIW-KDE 算法与文献[9]算法的比较

第3期 周恩策等：基于时间窗的自适应核密度估计运动检测方法 ·113·

速度或停留时的情景，图5(a)第2 587帧为面包车缓慢的行驶过路障时的情况。当前景运动较为缓慢或者前景较大且运动较为缓慢时，文献[9]算法因对前景区域用核密度算法实时更新极易污染样本，将前景更新到背景中去，如图5(b)所示，从而影响前景的检测，如图5(d)所示，本文提出的算法依据设定的时间信息窗的大小，有效地避免了背景的污染，如图5(c)所示，使得分割出来的前景更为清晰，如图5(e)所示。有利于后期的多目标跟踪和识别精

度的提高。

此外，为了验证本文算法在不均匀光照下前景检测的顽健性，本文选取商场的Pedestrian se-quences 视频序列做实验比较。如图6(a)第1 657帧和2 151帧所示，当目标靠近或远离地面反射光源时，造成目标周围亮度发生变化，文献[9]算法对非动态

背景区域以当前帧像素全值来更新背景像素，使得

第1 657帧 第1 952帧 第2 151帧

(a) 原始视频典型帧

(b) 文献[9]算法背景更新效果

(c) TIW-KDE 算法背景更新效果

(d) 文献[9]算法前景提取效果

(e) TIW-KDE 算法前景提取效果

图6 TIW-KDE 算法与文献[9]算法的比较

目标身上亮度与地面亮度差异较小，导致检测出的目标轮廓不完整，如图6(d)第1 657帧和2 151帧所示。而本文算法实时的以渐进式方式更新背景区域，有效避免了光照变化产生的影响，使得目标轮廓更为完整清晰，如图6(e)所示，有利于后期的目标跟踪和行为识别研究。

不同的多个视频序列实验结果表明本文提出的算法TIW-KDE具有较好的顽健性。该算法能够将前景和背景很好的分离，并能够对前景运动目标提取清晰的轮廓，能有效地减轻拖影，为后期的目标跟踪和识别提供良好的前景分割图像。

4.2时间对比

在视频处理中，实时性是制约智能视频监控应用的一个重要因素，因此在实际应用中，算法的速度是一个关键。文献[9]算法由于每帧都依据前景对背景进行核密度更新，所以对于每帧的处理时间取决于该帧中运动前景所占的比例，前景比例越大，处理时间越长，且在每个更新点位置用非参数核密度估计更新背景的时间复杂度为2

()

O n。本文由于依据像素时间信息窗中的像素

点处于观察状态不需要更新的时间间隔

u

T对背景

进行不定时的动态更新，由于在实验中

u

T大于样本集数目n，因此每个更新点位置用非参数核密度估计更新背景的平均时间复杂度为()

O n。图7给出了本文算法与文献[9]算法在视频序列camera上的时间对比。在50~650帧期间，每帧中检测出的前景占较小比例，处理时间较快，在650~1250帧期间，前景中运动物体所占比例增大，每帧平均处理时间大幅增加。

图7 TIW-KDE算法与文献[9]算法的时间对比

总体上来说，文献[9]算法对每帧的处理速度依赖于每帧中前景目标所占比例的大小，波动幅度较大；而本文算法在降低无效计算的同时，在处理速度上具有均匀性。为了进一步验证本文所提出算法在前景检测中的实时性，还将本文算法和文献[9]算法在其他视频上做了时间比较分析，本文算法在处理速度上能提高50%左右。大量实验结果表明，以时间信息窗中的信息为判断依据来进行背景更新，在很大程度上减少了核密度估计的无效计算次数，使处理更加迅速，提高了算法的实时性。

5结束语

本文引进假设检验，提出了一种自适应核宽选取的核密度估计运动检测方法。该方法能够得到更为合理的背景模型，有利于运动目标的检测。同时充分利用前景帧的信息，提出时间信息窗的概念，利用像素的时间信息窗自适应地更新背景，有效地解决了光照变化造成的前景混淆、物体的移入移出造成的背景污染问题。由于只对运动区域背景间歇性地采用核密度估计进行更新，在前景检测实时性上得到了很大的提升。从实际监控视频中对前景目标的分割和算法时间复杂度2个方面的实验可以看出，该算法可以较好地应用于目前基于网络传输的远程智能实时监控系统。

参考文献：

[1] COLOMBARI A, FUSIELLO A, MURINO V. Segmentation and

tracking of multiple video objects[J]. Pattern Recognition, 2007, 40(4): 1307-1317.

[2] STAUFFER C, GRIMSON E. learning patterns of activity using

real-time tracking[J]. IEEE Transactions on Pattern Recognition Ma-chine Intelligence, 2000, 22(8): 747-757.

[3] ZIVKOVIC Z. Improved adaptive Gaussian mixture model for back-

ground subtraction[A]. Proceedings of the 17th International Confe-rence on Pattern Recognition[C]. Cambridge, United Kingdom, 2004.28-31.

[4] SONG X H, CHEN Y, GENG J F. A robust moving objects detection

algorithm based on gaussian mixture model[A]. International Confe-rence on Information Technology and Computer Science[C]. 2009.

566-569.

[5] LO B P L, VELASTIN S A. Automatic congestion detection system

for underground platforms[A]. Proceedings of International Sympo-sium on Intelligent Multimedia, Video and Speech Processing[C].

Hong Kong, China, 2001. 158-161.

[6] OLIVER N M, ROSARIO, PENTLAND A P. A Bayesian computer

vision system for modeling human interactions[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000, 22(8): 831-843.

（下转第124页）

周恩策（1985-），男，江苏盐城人，苏州大学硕士生，主要研究方向为图像处理、模式识别。

严芬（1978-），女，江苏靖江人，博士，扬州大学讲师、硕士生导师，主要研究方向为网络与信息安全。

YUAN Y, WANG Y J, XUE Z. Coordinated attack modeling based on attack tree[J]. Information Security and Communications Privacy, 2006,(3): 55-57.

[8] SEYIT A C, BULENT Y. Modeling and detection of complex at-tacks[A]. 3th International Conference on Security and Privacy in Communication Networks[C]. Nice, France, 2007. 234-243.

[9] 李跃志, 崔金生, 刘晓然. 基于攻击树的自动攻击模型研究[J]. 中

国新通信, 2009, (19): 62-64.

LI Y Z, CUI J S, LIU X R. Study on active attack model based on at-tack tree[J]. CHINA New Telecommunications, 2009, (19): 62-64. [10] EVANS S, WALLER J. Risk-based security engineering through the

eyes of the adversary[A]. Proceedings of the 6th IEEE Systems, Man and Cybernetics Information Assurance Workshop[C]. New York, 2005. 158-165.

[11] 甘早斌, 吴平, 路松峰等. 基于扩展攻击树的信息系统安全风险评

估[J]. 计算机应用研究, 2007,24(11):153-156,160.

GAN Z B, WU P, LU S F, et al . Information system security risk evaluation based on attack tree[J]. Application Research of Computers, 2007,24(11):153-156,160.

[12] 陈莉, 方勇, 刘亮等. 基于扩展攻击树的文件安全度评估研究[J].

信息网络安全, 2010,(2): 67-69.

CHEN L, FANG Y , LIU L, et al . Reseraches of file security risk eval-uation based on attack tree[J]. Netinfo Security, 2010,(2):67-69. [13] SCHNEIER B. Secrets and Lies: Digital Security in a Networked

World[M] . New York : John Wiley and Sons, 2000.

[14] CNCERT/CC. CNCERT/CC 2008年网络安全工作报告[EB/OL].

https://www.360docs.net/doc/808717203.html,/stats/cert_stats.html, Seq, 2008.

CNCERT/CC. CNERT/CC notes the report of 2008 networks' security work[EB/OL]. https://www.360docs.net/doc/808717203.html,/stats/cert_stats.html, Seq, 2008. [15] EV ANS S, HEINBUCH D, WALLNER J, et al . Risk-based systems

security engineering stopp ing attacks with intention[J]. IEEE Security & Privacy, 2004, 2 (6) : 59-62.

作者简介：

殷新春（1962-），男，江苏姜堰人，博士，扬州大学教授、博士生导师，主要研究方向为密码学与信息安全。

黄皓（1957-），男，江苏南京人，博士，南京大学教授、博士生导师，主要研究方向为计算机信息系统安全和网络安全。

（上接第114页）

[7] 王博, 刘德连, 张建奇. 基于背景移除的时域目标检测[J]. 通信学

报, 2009,30(7):67-72.

WANG B, LIU D L, ZHANG J Q. Temporal filtering for target detec-tion algorithm based on static background elimination[J]. Journal on Communications, 2009, 30(7): 67-72.

[8] ELGAMMAL A, DURAISWAMI R, HARWOOD D. Background and

foreground modeling using nonparametric kernel density estimation for visual surveillance [J]. Proceedings of the IEEE, 2002, 90(7): 1151-1163.

[9] 徐东彬,黄磊,刘昌平.自适应核密度估计运动检测方法[J].自动化学

报, 2009,35(4):379-385.

XU D B, HUANG L, LIU C P. Adaptive kernel density estimation for motion detection[J]. Acta Automatical Sinica, 2009, 35(4): 379-385. [10] KATKOVNIK V, SHMULEVICH I. Nonparametric density esti-mation with adaptive varying window size[A]. Image and Signal Processing for Remote Sensing VI [C]. Barcelona, Spain, 2001. 141-150.

[11] BIN L, YING Y , GEOFFREY I. A comparative study of bandwidth

choice in kernel density estimation for na?ve bayesian classification[A]. Advances in Knowledge Discovery and Data Mining[C]. Springer Berlin/Heidelberg, 2009.302-313.

作者简介：

刘纯平（1971-），女，重庆人，博士，苏州大学副教授、硕士生导师，主要研究方向为图像处理与分析、模式识别与计算机视觉、信息融合等。

张玲燕（1986-），女，山东泰安人，苏州大学硕士生，主要研究方向为图像处理、模式识别。

龚声蓉（1966-），男，湖北天门人，博士，苏州大学教授、硕士生导师，主要研究方向为多媒体通信、模式识别与机器视觉等。

刘全（1969-），男，内蒙古牙克石人，博士后，苏州大学教授、博士生导师，主要研究方向为软件系统分析与设计、网络信息安全与处理、机器学习及自动推理等。