图像分割是由图像处理进到图像分析的关键步骤,也是一种基本的计算机视觉技术。这是因为图像的分割、目标的分离、特征的提取和参数的测量将原始图像转化为更抽象更紧凑的形式,使得更高层的分析和理解成为可能。图像分割的质量、区域界线定位的精度将直接影响后续的区域描述,因此多年来图像分割一直得到人们的高度重视。在交通视频图像中,把运动目标从背景中分割出来是图像分割的重要应用之一。为了更准确的获取感兴趣目标,在运动目标检测之前需要进行及时的背景更新,特别是在以图像差分方法对视频图像进行运动目标分割时。近年来,国内外学者对背景更新方法进行了广泛的研究。常用的背景更新方法有:统计学背景模型、混合高斯背景模型和基于卡尔曼滤波器的背景模型等。基于统计学的背景模型适用于目标数量少、连续运动且背景在大部分时间是可见的情况,但对于监测场景中有大量的运动物体,这种方法估计的背景就会有比较大的偏差。基于混合高斯分布的背景模型可以很好的适应光线的变化,缓慢移动的目标等。基于卡尔曼滤波器的背景模型没有考虑到系统噪声是随着照明条件的变化而变化的而使其应用受到了限制。本文在基于移动区域的背景更新算法基础上,提出一种基于图像内容敏感度的交通视频背景提取算法,该算法根据多帧图像具有不同熵能量的特性,对图像内容进行分析。首先,通过混合高斯模型得到移动区域熵能量最小的背景图;然后,利用熵能量动态选取权重因子,更新当前图像各像素点的混合高斯模型;最后,通过加权平均求取背景图中各点的像素值。实验表明,该算法能够很好的延迟以往混合高斯模型算法中静止车辆迅速出现在新背景中的情况、实现简单、鲁棒性强,对于大量车辆快速移入或移出场景的情况,效果更佳。