1.融合超像素与三维自组织背景减除法的前景提取方法，其特征在于，包括以下步骤：步骤1：利用超像素算法，对图像帧进行区域分割；

步骤2：通过三维自组织背景减除算法，对每个分割区域进行背景建模；

步骤3：使用最佳权重策略，准确提取前景目标。

2.根据权利要求1所述的融合超像素与三维自组织背景减除法的前景提取方法，其特征在于，所述步骤1超像素算法的超像素分割算子包括：超像素对图像进行分割时，在既定的区域周围，将同质像素归为一类，即为一超像素，简单线性迭代聚类算法是依据颜色、位置信息，实现聚类的超像素分割，利用Lab空间信息及像素的x、y坐标信息构造相似性度量，实现图像局部聚类，形成超像素区域；然后，利用GPU、NVIDIA、CUDA等硬件加快处理速度，将简单线性迭代聚类算法速度提高10～20倍，促使简单线性迭代聚类算法应用到实时性要求比较高的系统中。

3.根据权利要求1所述的融合超像素与三维自组织背景减除法的前景提取方法，其特征在于，所述步骤1包括：初始化种子点；

假设将含有N×N个像素点的图像分割为K×K个超像素，则每个超像素大小接近N2/K2，且每个种子点的间距近似为S＝N/K；为避免种子点位于图像边缘，以对后续聚类处理造成干扰，需将种子点从以它为中心的3×3窗口内，移到梯度值最小的位置，同时为每个种子分配一个标签；

相似度度量；

SLIC算法的相似度度量公式为：

快速K均值聚类方法更迭种子点，假定在X-Y平面上聚类中心的像素点位于2S×2S区域内，所有像素点关联到最近的种子点后，将新种子点更新为同类别中所有像素点特征的平均值；反复此过程，直到收敛，停止迭代；形成超像素。

4.根据权利要求2所述的融合超像素与三维自组织背景减除法的前景提取方法，其特征在于，所述的超像素分割算子包括：采用自适应的K值调整方法：为了更好的降低算法的复杂度，对色差和空间距离进行简化，使用绝对值的方法进行计算，虽然在一定程度上引入了误差，但是这种误差是允许范围内的，即：dlab＝|lk-li|+|ak-ai|+|bk-bi|dxy＝|xk-xi|+|yk-yi|。

5.根据权利要求1-4任一项所述的融合超像素与三维自组织背景减除法的前景提取方法，其特征在于，所述方法采用神经网络模型：首先，构建一个n层神经网络模型；然后，计算当前帧与背景模型的最佳权重，从而判断每个像素是否为背景像素，所述算法包括模型初始化、前景检测、模型更新。

6.根据权利要求1所述的融合超像素与三维自组织背景减除法的前景提取方法，其特征在于，所述步骤2包括如下步骤：步骤1：背景模型的构建；

在3DSOBS算法中，背景初始模型的构建过程就是将第一帧图像的所有像素x扩展为n层的神经网络模型Bt过程：步骤2：背景模型的初始化；

初始背景模型B0中每个像素x的权重，为每个像素的亮度值：步骤3：背景模型的更新；

背景模型的更新是通过将t时刻图像It的像素x与背景模型Mt‐1(x)的像素x进行比较，以确定是否存在一个最佳的权重mb t‐1(x)：如果存在一个可接受的匹配权重，则将图像It的像素x视为背景像素；如果不存在一个可接受的匹配权重，则可将图像It的像素x视为前景像素。

7.根据权利要求1所述融合超像素与三维自组织背景减除法的前景提取方法，其特征在于，所述步骤3包括：1)背景模型的权重更新；2)背景区域的占有率更新；3)前景目标阴影区域识别。

8.根据权利要求6所述融合超像素与三维自组织背景减除法的前景提取方法，其特征在于，所述3DSOBS算法的模型，包括：3DSOBS的学习因子是恒定不变的，且运动区域的权重也是恒定不变的，当前景像素发生较小更新时，背景模型则会发生较大的更新，即：α(x,y)＝γ·G2D(y-x)

δ(x)＝v·G1D(x)

。