1.本发明涉及计算机视觉识别技术领域，尤其涉及一种前背景提取方法、装置、计算机设备和存储介质。
背景技术：2.前背景提取作为运动对象分析的前级任务在计算机视觉领域中一直被广泛研究。随着近年来越来越多研究人员把关注点由传统的静态对象分析转向动态对象分析，前背景提取也被更多人所关注。前背景提取的质量对运动对象的检测、跟踪、目标分类以及行为理解等后期处理起到至关重要的作用。
3.前背景提取主要是用来对动态视频内容中的物体加以区分，前景一般指运动物体，为我们所感兴趣的对象，而背景一般指固定不动的物体或者非感兴趣的对象。目前已有基于点云的背景提取相关研究较少，通常根据实际使用需求而进行特定的点云分割。常见的有设置件过滤掉不感兴趣区域的点、线提取进行区域分割、面提取过滤等。也有一些方法将点云转换成深度图，基于深度图做处理，提取前背景。还有一些方法结合rgb信息进行前背景提取。但是，这些方法存在实用性、可靠性、通用性都不高，且过程较为复杂的问题。
4.目前已有的前背景提取方法基本分为两类，一类是不对背景进行建模，比如帧间差分法，另一类是基于背景建模，运行时进行背景更新。第一类方法提取的背景较为粗糙且易受噪声干扰，稳定性较差；第二类方法需要对背景进行不断更新，背景更新的机制本身就比较难以确定，可靠性较差。
5.为此，本技术人经过有益的探索和研究，找到了解决上述问题的方法，下面将要介绍的技术方案便是在这种背景下产生的。
技术实现要素：6.本发明所要解决的技术问题之一在于：针对现有技术的不足而提供一种提高实时性、稳定性、可靠性的基于点云的前背景提取方法。
7.本发明所要解决的技术问题之二在于：提供一种实现上述前背景提取方法的装置。
8.本发明所要解决的技术问题之三在于：提供一种实现上述前背景提取方法的计算机设备。
9.本发明所要解决的技术问题之四在于：提供一种实现上述前背景提取方法的计算机可读存储介质。
10.作为本发明第一方面的一种前背景提取方法，包括：
11.获取点云数据；
12.对获取到的点云数据进行滤波处理，得到需要处理前背景范围内的点集；
13.对所述点集进行聚类处理；
14.根据聚类处理后的点集进行背景建模，得到背景点云；
15.获取新输入的点云数据，并将获取到的新输入的点云数据与所述背景点云进行差分查找归类处理；以及
16.根据差分查找归类结果对前景和背景进行更新处理。
17.在本发明的一个优选实施例中，所述对获取到的点云数据进行滤波处理，得到需要处理前背景范围内的点集，包括：
18.根据采样要求设置滤波条件；
19.通过所述滤波条件对所述点云数据进行滤波处理；以及
20.对滤波处理后的点云数据进行均匀采样处理，以去除离群点，得到需要处理前背景范围内的点集。
21.在本发明的一个优选实施例中，所述根据聚类处理后的点集进行背景建模，得到背景点云，包括：
22.将聚类处理后的点集按照z值大小进行排序；
23.将排序后的点集按照z值切分成k个高度片段，以将排序后的点集切分为多个子点集；
24.将切分后的多个子点集作为背景的种子点簇，并统计每一个种子点簇中的点数量n；
25.采用二分k-means方法对每一个种子点簇中的点数量n进行聚类处理，使得每一个种子点簇中的点形成n个点簇聚类，并作为所在种子点簇的种子点，则输入点云共有k*n*n个背景种子点；
26.重复上述操作直到满足背景建模所指定的帧数t，至此可得到种子点数为t*k*n*n；
27.对得到的所有种子点中属于同一高度片段内的点按照坐标位置进行归类，并对离群的种子点进行剔除，当某一高度片段内的剩余种子点数量大于阈值时，则把该高度片段内的剩余种子点的集合作为背景种子点集；以及
28.对所述背景种子点集和非背景点集进行合并处理得到包含背景点集和非背景点集的背景点云。
29.在本发明的一个优选实施例中，所述将获取到的新输入的点云数据与所述背景点云进行差分查找归类处理，包括：
30.将获取到的新输入的点云数据与所述背景点云进行差分查找处理；以及
31.根据差分查找处理结果对新输入的点云数据进行归类处理，以将所述点云数据归为两类，一类是与所述背景点云重复的点集，另一类是新出现的点集。
32.在本发明的一个优选实施例中，所述根据差分查找归类结构对前景和背景进行更新处理，包括：
33.对与所述背景点云重复的点集内的每一个点进行逐一判断，若某一点判断为背景点，则利用该点更新背景点，若某一点判断为前景点，则利用该点更新前景点；以及
34.对新出现的点集内的每一个点进行逐一判断，若某一点判断为背景点，则利用该点更新背景点，若某一点判断为前景点，则利用该点更新前景点。
35.在本发明的一个优选实施例中，对与所述背景点云重复的点集的判断规则如下：
36.若与所述背景点云重复的点集中的点与所述背景点云的背景种子点重复，则对该
点按照z值差分处理，若差分值不超过阈值，则利用该点更新背景点，若差分值超过阈值，则将该点记录为标记，并记录该点重复出现且差分值大于阈值的次数，若连续超过次数大于预设次数，则将该点更新背景点，否则将该点记录为前景点，并利用该点更新前景点；
37.若与所述背景点云重复的点集中的点与所述背景点云的背景种子点不重复，则对该点按照z值差分处理，若差分值不超过阈值，则将该点标记为前景点，并利用该点更新前景点，若差分值超过阈值，则记录为标记点，并记录该点重复出现且差分值大于阈值的次数，若连续超过次数大于预设次数，则利用该点更新背景点，否则标记为前景点，并利用该点更新前景点。
38.在本发明的一个优选实施例中，对新出现的点集的判断规则如下：
39.对新出现的点集中的点按照z距离归类到所属的点集，并计算该点与该高度片段内的种子点的距离，若不超过阈值，则归属为同一类点集；若超过阈值且所属点类为背景点类，则对该点进行标记且记录计数，当超过次数大于预设次数时，则利用该点更新背景点，否则将该点标记为前景点，并利用该点更新前景点；若超过阈值且所属点类为非背景点类，则将该点标记为前景点，并利用该点更新前景点。
40.作为本发明第二方面的一种前背景提取装置，包括：
41.点云数据获取模块，所述点云数据模块用于获取点云数据；
42.滤波处理模块，所述滤波处理模块用于对获取到的点云数据进行滤波处理，得到需要处理前背景范围内的点集；
43.聚类处理模块，所述聚类处理模块用于对所述点集进行聚类处理；
44.背景建模模块，所述背景建模模块用于根据聚类处理后的点集进行背景建模，得到背景点云；
45.差分查找归类处理模块，所述差分查找归类处理模块用于获取新输入的点云数据，并将获取到的新输入的点云数据与所述背景点云进行差分查找归类处理；以及
46.前背景更新处理模块，所述前背景更新处理模块用于根据差分查找归类结果对前景和背景进行更新处理。
47.作为本发明第三方面的一种用于实现上述前背景提取方法的计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
48.获取点云数据；
49.对获取到的点云数据进行滤波处理，得到需要处理前背景范围内的点集；
50.对所述点集进行聚类处理；
51.根据聚类处理后的点集进行背景建模，得到背景点云；
52.获取新输入的点云数据，并将获取到的新输入的点云数据与所述背景点云进行差分查找归类处理；以及
53.根据差分查找归类结果对前景和背景进行更新处理。
54.作为本发明第四方面的一种用于实现上述前背景提取方法的计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
55.获取点云数据；
56.对获取到的点云数据进行滤波处理，得到需要处理前背景范围内的点集；
57.对所述点集进行聚类处理；
58.根据聚类处理后的点集进行背景建模，得到背景点云；
59.获取新输入的点云数据，并将获取到的新输入的点云数据与所述背景点云进行差分查找归类处理；以及
60.根据差分查找归类结果对前景和背景进行更新处理。
61.由于采用了如上技术方案，本发明的有益效果在于：本发明结合差分(实时性)机制、历史帧建模(稳定性)以及背景更新(可靠性)可以实现较为快速、稳定且较为准确的背景提取，很好地避免噪声以及场景中物体动态变化频繁导致的背景提取不稳定的问题，实现较为快速且准确的背景更新。
附图说明
62.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
63.图1是本发明的前背景提取方法的流程示意图。
64.图2是本发明实现前背景提取方法的装置的结构示意图。
65.图3是本发明的计算机设备的内部结构图。
具体实施方式
66.为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。
67.参见图1，图中给出的是一种前背景提取方法，包括以下步骤：
68.步骤s10，获取点云数据。点云数据一般从可以获取距离信息的设备中获取，常见如激光雷达、结构光相机、tof相机、双目相机等。
69.步骤s20，对获取到的点云数据进行滤波处理，得到需要处理前背景范围内的点集。
70.步骤s30，对点集进行聚类处理。聚类处理的目的是将一系列的离散的点按照一定的规则聚类成几类，从中选取具有代表性的点。在本实施例中，聚类处理优选地采用二分k-means聚类算法。
71.步骤s40，根据聚类处理后的点集进行背景建模，得到背景点云。
72.步骤s50，获取新输入的点云数据，并将获取到的新输入的点云数据与背景点云进行差分查找归类处理。
73.步骤s60，根据差分查找归类结果对前景和背景进行更新处理。
74.本发明结合差分(实时性)机制、历史帧建模(稳定性)以及背景更新 (可靠性)可以实现较为快速、稳定且较为准确的背景提取，很好地避免噪声以及场景中物体动态变化频繁导致的背景提取不稳定的问题，实现较为快速且准确的背景更新。
75.在步骤s20中，对获取到的点云数据进行滤波处理，得到需要处理前背景范围内的点集，包括以下步骤：
76.步骤s21，根据采样要求设置滤波条件；
77.步骤s22，通过滤波条件对点云数据进行滤波处理；
78.步骤s23，对滤波处理后的点云数据进行均匀采样处理，以去除离群点，得到需要处理前背景范围内的点集。
79.对获取到的点云数据进行滤波处理的目的是为了降低后续的计算量以及提高提取到的背景信息的可靠性。
80.在步骤s40中，根据聚类处理后的点集进行背景建模，得到背景点云，包括以下步骤：
81.步骤s41，将聚类处理后的点集按照z值大小进行排序，z值指的是三维坐标中z轴上的数值；
82.步骤s42，将排序后的点集按照z值切分成k个高度片段，以将排序后的点集切分为多个子点集；其中，高度片段由实际场景确定；
83.步骤s43，将切分后的多个子点集作为背景的种子点簇，并统计每一个种子点簇中的点数量n；
84.步骤s44，采用二分k-means方法对每一个种子点簇中的点数量n进行聚类处理，使得每一个种子点簇中的点形成n个点簇聚类，并作为所在种子点簇的种子点，则输入点云共有k*n*n个背景种子点；
85.步骤s45，重复上述操作直到满足背景建模所指定的帧数t，至此可得到种子点数为t*k*n*n；帧数t指的是视频帧数，t根据经验值确认。
86.步骤s46，对步骤s45得到的所有种子点中属于同一高度片段内的点按照坐标位置(xy位置)进行归类，并对离群的种子点进行剔除，当某一高度片段内的剩余种子点数量大于阈值(根据经验值确认)时，则把该高度片段内的剩余种子点的集合作为背景种子点集，而非背景点集由步骤s45中的种子点集合中去除由步骤s46确认为背景种子点后剩下的点构成；
87.步骤s47，对步骤s46得到的背景种子点集和非背景点集进行合并处理得到包含背景点集和非背景点集的背景点云。
88.在步骤s50中，将获取到的新输入的点云数据与背景点云进行差分查找归类处理，包括以下步骤：
89.步骤s51，将获取到的新输入的点云数据与背景点云进行差分查找处理；
90.步骤s52，根据差分查找处理结果对新输入的点云数据进行归类处理，以将点云数据归为两类，一类是与背景点云重复的点集，另一类是新出现的点集。
91.在步骤s60中，根据差分查找归类结构对前景和背景进行更新处理，包括以下步骤：
92.步骤s61，对与背景点云重复的点集内的每一个点进行逐一判断，若某一点判断为背景点，则利用该点更新背景点，若某一点判断为前景点，则利用该点更新前景点；
93.步骤s62，对新出现的点集内的每一个点进行逐一判断，若某一点判断为背景点，则利用该点更新背景点，若某一点判断为前景点，则利用该点更新前景点。
94.在步骤s61中，对与背景点云重复的点集的判断规则如下：
95.若与背景点云重复的点集中的点与背景点云的背景种子点重复，则对该点按照z
值差分处理，若差分值不超过阈值，则利用该点更新背景点，若差分值超过阈值，则将该点记录为标记，并记录该点重复出现且差分值大于阈值的次数，若连续超过次数大于预设次数，则将该点更新背景点，否则将该点记录为前景点，并利用该点更新前景点；
96.若与背景点云重复的点集中的点与背景点云的背景种子点不重复，则对该点按照z值差分处理，若差分值不超过阈值，则将该点标记为前景点，并利用该点更新前景点，若差分值超过阈值，则记录为标记点，并记录该点重复出现且差分值大于阈值的次数，若连续超过次数大于预设次数，则利用该点更新背景点，否则标记为前景点，并利用该点更新前景点。
97.在步骤s62中，对新出现的点集的判断规则如下：
98.对新出现的点集中的点按照z距离归类到所属的点集，并计算该点与该高度片段内的种子点的距离，若不超过阈值，则归属为同一类点集；若超过阈值且所属点类为背景点类，则对该点进行标记且记录计数，当超过次数大于预设次数时，则利用该点更新背景点，否则将该点标记为前景点，并利用该点更新前景点；若超过阈值且所属点类为非背景点类，则将该点标记为前景点，并利用该点更新前景点。
99.参见图2，图中给出的是一种前背景提取装置，包括点云数据获取模块100、滤波处理模块200、聚类处理模块300、背景建模模块400、差分查找归类处理模块500以及前背景更新处理模块600。
100.点云数据获取模块100用于获取点云数据。滤波处理模块200用于对获取到的点云数据进行滤波处理，得到需要处理前背景范围内的点集。聚类处理模块300用于对点集进行聚类处理。背景建模模块400用于根据聚类处理后的点集进行背景建模，得到背景点云。差分查找归类处理模块500用于获取新输入的点云数据，并将获取到的新输入的点云数据与背景点云进行差分查找归类处理。前背景更新处理模块600用于根据差分查找归类结果对前景和背景进行更新处理。
101.本发明的前背景提取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
102.本发明还提供了一种用于实现上述前背景提取方法的计算机设备，该计算机设备可以是服务器，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储用户信息、记录信息和文件等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种上述的前背景提取方法。
103.本领域技术人员可以理解，图3中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
104.具体地，本发明的计算机设备包括存储器和处理器，该存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
105.步骤s10，获取点云数据；
106.步骤s20，对获取到的点云数据进行滤波处理，得到需要处理前背景范围内的点集；
107.步骤s30，对点集进行聚类处理；
108.步骤s40，根据聚类处理后的点集进行背景建模，得到背景点云；
109.步骤s50，获取新输入的点云数据，并将获取到的新输入的点云数据与背景点云进行差分查找归类处理；
110.步骤s60，根据差分查找归类结果对前景和背景进行更新处理。
111.本发明还提供了一种用于实现上述前背景提取方法的计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：
112.步骤s10，获取点云数据；
113.步骤s20，对获取到的点云数据进行滤波处理，得到需要处理前背景范围内的点集。；
114.步骤s30，对点集进行聚类处理；
115.步骤s40，根据聚类处理后的点集进行背景建模，得到背景点云；
116.步骤s50，获取新输入的点云数据，并将获取到的新输入的点云数据与背景点云进行差分查找归类处理；
117.步骤s60，根据差分查找归类结果对前景和背景进行更新处理。
118.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom (prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态 ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
119.以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
技术特征：1.一种前背景提取方法，其特征在于，包括：获取点云数据；对获取到的点云数据进行滤波处理，得到需要处理前背景范围内的点集；对所述点集进行聚类处理；根据聚类处理后的点集进行背景建模，得到背景点云；获取新输入的点云数据，并将获取到的新输入的点云数据与所述背景点云进行差分查找归类处理；以及根据差分查找归类结果对前景和背景进行更新处理。2.如权利要求1所述的前背景提取方法，其特征在于，所述对获取到的点云数据进行滤波处理，得到需要处理前背景范围内的点集，包括：根据采样要求设置滤波条件；通过所述滤波条件对所述点云数据进行滤波处理；以及对滤波处理后的点云数据进行均匀采样处理，以去除离群点，得到需要处理前背景范围内的点集。3.如权利要求1所述的前背景提取方法，其特征在于，所述根据聚类处理后的点集进行背景建模，得到背景点云，包括：将聚类处理后的点集按照z值大小进行排序；将排序后的点集按照z值切分成k个高度片段，以将排序后的点集切分为多个子点集；将切分后的多个子点集作为背景的种子点簇，并统计每一个种子点簇中的点数量n；采用二分k-means方法对每一个种子点簇中的点数量n进行聚类处理，使得每一个种子点簇中的点形成n个点簇聚类，并作为所在种子点簇的种子点，则输入点云共有k*n*n个背景种子点；重复上述操作直到满足背景建模所指定的帧数t，至此可得到种子点数为t*k*n*n；对得到的所有种子点中属于同一高度片段内的点按照坐标位置进行归类，并对离群的种子点进行剔除，当某一高度片段内的剩余种子点数量大于阈值时，则把该高度片段内的剩余种子点的集合作为背景种子点集；以及对所述背景种子点集和非背景点集进行合并处理得到包含背景点集和非背景点集的背景点云。4.如权利要求3所述的前背景提取方法，其特征在于，所述将获取到的新输入的点云数据与所述背景点云进行差分查找归类处理，包括：将获取到的新输入的点云数据与所述背景点云进行差分查找处理；以及根据差分查找处理结果对新输入的点云数据进行归类处理，以将所述点云数据归为两类，一类是与所述背景点云重复的点集，另一类是新出现的点集。5.如权利要求4所述的前背景提取方法，其特征在于，所述根据差分查找归类结构对前景和背景进行更新处理，包括：对与所述背景点云重复的点集内的每一个点进行逐一判断，若某一点判断为背景点，则利用该点更新背景点，若某一点判断为前景点，则利用该点更新前景点；以及对新出现的点集内的每一个点进行逐一判断，若某一点判断为背景点，则利用该点更新背景点，若某一点判断为前景点，则利用该点更新前景点。
6.如权利要求5所述的前背景提取方法，其特征在于，对与所述背景点云重复的点集的判断规则如下：若与所述背景点云重复的点集中的点与所述背景点云的背景种子点重复，则对该点按照z值差分处理，若差分值不超过阈值，则利用该点更新背景点，若差分值超过阈值，则将该点记录为标记，并记录该点重复出现且差分值大于阈值的次数，若连续超过次数大于预设次数，则将该点更新背景点，否则将该点记录为前景点，并利用该点更新前景点；若与所述背景点云重复的点集中的点与所述背景点云的背景种子点不重复，则对该点按照z值差分处理，若差分值不超过阈值，则将该点标记为前景点，并利用该点更新前景点，若差分值超过阈值，则记录为标记点，并记录该点重复出现且差分值大于阈值的次数，若连续超过次数大于预设次数，则利用该点更新背景点，否则标记为前景点，并利用该点更新前景点。7.如权利要求5所述的前背景提取方法，其特征在于，对新出现的点集的判断规则如下：对新出现的点集中的点按照z距离归类到所属的点集，并计算该点与该高度片段内的种子点的距离，若不超过阈值，则归属为同一类点集；若超过阈值且所属点类为背景点类，则对该点进行标记且记录计数，当超过次数大于预设次数时，则利用该点更新背景点，否则将该点标记为前景点，并利用该点更新前景点；若超过阈值且所属点类为非背景点类，则将该点标记为前景点，并利用该点更新前景点。8.一种前背景提取装置，其特征在于，包括：点云数据获取模块，所述点云数据模块用于获取点云数据；滤波处理模块，所述滤波处理模块用于对获取到的点云数据进行滤波处理，得到需要处理前背景范围内的点集；聚类处理模块，所述聚类处理模块用于对所述点集进行聚类处理；背景建模模块，所述背景建模模块用于根据聚类处理后的点集进行背景建模，得到背景点云；差分查找归类处理模块，所述差分查找归类处理模块用于获取新输入的点云数据，并将获取到的新输入的点云数据与所述背景点云进行差分查找归类处理；以及前背景更新处理模块，所述前背景更新处理模块用于根据差分查找归类结果对前景和背景进行更新处理。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的前背景提取方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的步骤。
技术总结本发明公开的一种前背景提取方法，包括：获取点云数据；对获取到的点云数据进行滤波处理，得到需要处理前背景范围内的点集；对所述点集进行聚类处理；根据聚类处理后的点集进行背景建模，得到背景点云；获取新输入的点云数据，并将获取到的新输入的点云数据与所述背景点云进行差分查找归类处理；以及根据差分查找归类结果对前景和背景进行更新处理。还公开了实现上述前背景提取方法的装置、计算机设备和存储介质。本发明结合差分(实时性)机制、历史帧建模(稳定性)以及背景更新(可靠性)可以实现较为快速、稳定且较为准确的背景提取。稳定且较为准确的背景提取。稳定且较为准确的背景提取。
技术研发人员：邹超 葛昊 任彬 鄢青山
受保护的技术使用者：上海数迹智能科技有限公司
技术研发日：2022.06.29
技术公布日：2022/11/1
