关于运动目标检测的发展现状研究
前沿技术
1 引言
随着人工智能的发展和智能机器人的产生，人们将依赖机器去完成大量复杂繁琐的工作。信息技术发展面临的难题之一是对海量数据的处理，而相当一部分数据是多媒体数据，图像数据在其中占有很大部分，自然成了信息处理的主要对象。运动目标检测（Moving Object Detecting）是图像处理、计算机视觉学科的重要分支，又是近年的理论和应用的研究热点。运动目标检测是指在视频或图像序列中把感兴趣的并且运动着的目标与背景或其他不感兴趣的运动目标进行区分。传统的图像分割（Image Segmentation）与这部分工作相似，就是从静止图像中抽取感兴趣的目标，把图像分为若干部分，每部分具有同质性（Homogenization）的过程。因此，图像分割是运动目标检测的基础。
关于运动目标检测的发展现状研究*
许志良 深圳信息职业技术学院周智恒 曹英烈 华南理工大学电子与信息学院彭革新
中国电子科技集团第七研究所
收稿日期：2008年4月23日
十多年来，基于图像分割产生了许多运动目标检测算法，包括阈值分割、统计检验和检测滤波器三大类，它们的主要缺点在于：分割效果对噪声敏感；运算复杂、处理速度慢；算法不灵活，只能处理某一类图像，阈值只能根据具体图像而定。最近几年，基于几何曲线、曲面演化的运动目标检测算法逐渐取代了传统算法，其思想是把检测问题转化为能量泛函的建立和优化，并通过求解偏微分方程在视频或图像序列中分割出运动目标。
运动目标检测已得到广泛应用。首先，新一代基于内容的多媒体数据压缩编码国际标准MPEG-4第一次提出了基于对象的视频编码新概念。为了实现基于内容的交互，MPEG-4的首要任务就是把视频图像分割成不同目标或者把运动目标从背景中分离出来，然后针对不同对象采用相应编码方法，以实现高效压缩。其次，在视频智能交通网络系
统中，自动实时的视频目标分割和跟踪使交通管理更高效可靠。再次，若把二维的曲线演化推广到三维的曲面演化，还能实现图像的三维重构。
＊本文得到国家自然科学基金重点项目（U0635001），中国博士后科学基金（20060390728），广东省自然科学基金（07006490），深圳市科技计划项目（szkj0604）的资助。
前沿技术
2 国内外研究现状及分析
运动目标检测追踪是图像处理和计算机视觉学科的一个分支，在理论和实践上都有重大意义，长久以来一直被国内外学者关注。
运动目标检测追踪包含观测者静止（Static Observer）和观测者移动（Mobile Observer）两种情况。在观测者静止的情况中，需要分辨出环境中的静止目标（一般作为背景）和运动目标，还要跟踪目标运动。区分静止与运动目标：主要有两种途径对序列图像前后连续两帧的研究；利用无运动目标的环境的先验知识。而在观测者移动的情况中，需要对目标与观测者间的相对运动和观测者运动的几何特性进行分析。
2.1 运动目标检测
早期的运动目标检测算法都是基于时间域变化的检测。最初提出的是基于帧间差异（Inter-frame Difference）的阈值算法[1]，该算法考虑像素级的差异或者为了增强鲁棒性而考虑图像块的差异，一般适用于观测者静止的情形。若要把它推广到观测者移动的情况，则需考虑通过建立补偿序列（Compensated Sequence）来实现。为适应图像特征的变化，还出现了对某些参照帧使用Kalman滤波器的算法。在阈值方法的基础上，进一步假设基于时间域变化的检测与运动检测是等价的，同此可以得到统计检验算法（Statistical Tests），这种算法可以对位移量较大或投影纹理化信息比较充足的目标进行处理。
另一方面，许多研究工作用“时间域变化检测模板”（Temporal Change Detection Masks）[3]提高变化检测（Change Detection）算法的效率，特别在已知运动目标大小先验信息的情况下。但是，因为受目标的大小和亮度的影响很大，且需要具备前后环境（Context-based）的先验知识，这种算法难以建立通用性好的模型，所以应用面较窄。后来，为了利用空间域的信息，使用了基于MAP （最大后验概率）的MRF模型来解决模型通用性的问题[2]。N.Paragios[3]等把在图像分割中有重要应用的活动轮廓方法（Active Contours）、测地活动区域方法（Geodesic Active Contours）引入到这个问题上来，更好地解决了非刚性运动目标的检测追踪。
从图像分割的角度，可以把运动目标检测的算法按以下方法进行分类：
（1）基于区域演化的分类
首先是基于“马尔可夫随机场-最大后验估计”框架的算法。其思想是在最大后验（MAP， Maximum A Posterior）准则下，通过使用马尔可夫随机场（MRF，Markov Random Field）建立目标函数进行图像分割。它把图像分割看成一个动态规划问题，对处理带噪图像有比较好的鲁棒性。
为了解决MAP难以估计的问题，Bouman[4]提出了序列MAP的多尺度贝叶斯算法，这种算法对MRF的无监督参数估计（Unsupervised Parameter Estimation）也十分有效。MRF-MAP方法虽然具有较好的鲁棒性，但由于解空间很大，导致运算量也相当可观。另一种基于区域的算法是各向异性扩散（Anisotropic Diffusion），而最近的研究工作是把偏微分方程和水平集方法与区域增长的分水岭（Watershed）算法相结合的分割算法[5]；还有基于神经网络和聚类方法彩色图像的监督和无监督分割算法。
（2）基于曲线演化的分类
早期用到的曲线都是些比较简单的几何曲线，如直线、圆、椭圆等，通过改变它们的参数，让它们拼接起来，可以逼近目标边界。这种方法应用起来简单，鲁棒性好，但应用面窄，而且事实上很大部分形状难以用刚性曲线拼接形成。
在这方面有开创意义的是M.K a s s提出的活动轮廓（Snakes: Active contour models）模型方法[6]。它通过优化一个由内部和外部能量组成的能量泛函，得到一个曲线演化方程（Curve Evolution Equation），再利用曲线演化方程确定的正则曲线流去逼近目标真实边界。这类算法计算量相对少，能有效地提供算法的实时性。为了进一步减少计算量，更有研究将活动轮廓模型与B-样条逼近和Fourier展开结合，控制基函数的参数，以逼近目标边界。
传统活动轮廓模型有两个缺点：其一，模型是非本征的（Non-intrinsic），即曲线的参数化不与目标的几何属性直接相关；其二，曲线演化时是拓扑不变的，不适于对图像中
关于运动目标检测的发展现状研究
前沿技术
多个目标进行检测。
许多研究工作对它进行了改进。首先Caselles[7]通过引进测地活动轮廓（Geodesic Active Contour）的方法，建立了一个本征的（Intrinsic）（也称为Non-parametric），基于黎曼（Riemann）度量的能量泛函。测地活动轮廓模型曲线演化如图1所示：
图1 测地活动轮廓模型曲线演化
其次是使用启发式（Heuristic）算法，令曲线产生分裂（Splitting）和合并（Merging）。另一个具有划时代意义的是S.Osher和J.Sethian提出了水平集方法（Level Set Method）[8]。他们给出了隐式表示的曲线/面演化计算的一般框架，用更高一维的函数零水平集来表示演化着的曲线/曲面。水平集方法完美地解决拓扑不变性的问题，即允许曲线演化的发生拓扑变化，实现了对多个目标的同时分割，如图2所示：
图2 水平集方法和曲线演化
后来，Malladi结合水平集方法，利用能量泛函对应的欧拉-拉格朗日（Euler-Lagrange）方程，得到水平集演化方程。N.Paragios[3]提出了由粗到细（Coarse-to-fine）的多尺度（Multi-Scale）算法，使泛函的优化更容易达到全局最优。然而，水平集方法的主要缺陷是使能量泛函维数上升，造成计算量骤增。为此，产生了快速行进（Fast Marching）、窄带（Narrowband）、重初始化（Re-initialization）等算法。另一方面，为了更有效地得到泛函的全局最优解，还可以用到基于积分几何学（Integral geometry）的Graph cuts方法。
传统的活动轮廓模型被认为曲线演化至对象边界时，梯度会达到无穷大。实际上，当曲线演化至对象边界时，梯度仍然是一个有限的数而非趋于无穷大，演化的速度不能降至0，这就会导致曲线穿越对象。Tony Chan等人[9]提出了基于Mumford-Shah泛函不再依赖于梯度信息的C-V模型，它不但有效地解决了曲线穿越对象问题，更重要的是它对噪声图像的处理效果比较好，如图3所示：
图3 C-V模型用于带噪声图像的分割
2.2 存在的问题
运动目标检测的研究在过去几年进展很快，但还有很多理论和应用问题没有解决；在新方法提出的同时又引发了新问题，而且实际应用又不断给研究提出难题。因此，该领域的研究远未成熟，存在的问题可以概括为以下两点：（1）理论方面
水平集方法固然能够很好地解决拓扑变化的问题，但基于水平集函数能量泛函的优化问题还未能严格化，例如水平集演化方程的适定性（Well-posedness）、水平集的正则
性以及收敛性。关于运动目标检测的发展现状研究
前沿技术
（2）数值计算方面
◆曲线、曲面演化时，需要对水平集函数进行重初始化（Reinitialization），尽管传统算法为此引入大量计算，但效果并不理想，并会导致曲线、曲面的信息逐渐丢失。
◆活动轮廓模型中的参数自适应性和初始曲线的选取是直接影响计算结果的问题。
◆随着图像分辨率增大，计算活动轮廓模型所需的存储量和运算时间要求比较高，暂无有效的快速数值算法。
3 结论
运动目标的检测在理论都得到了广泛应用。在图像处理理论上，它能用作图像编码、机器人视觉，以及高级的视频分析和理解，如三维重建和表示等领域。在军事上，需要在大量红外、合成孔径雷达（SAR）等图像中用它来检测和定位移动目标，以完成精确和快速的定位、监测与追踪。在影视技术上，需要将其运用到电脑特技中，以处理大量的图像
和视频。在医学中处理计算机断层扫描（CT）和核磁共振图像（MRI）都十分有效。
另外，它在遥感（包含天气预报）、工业自动化（产品检验）、控制自动化（交通控制）、文档图像处理、农业等方面都有重要用途。
因此，对运动目标检测技术进行研究，不但紧跟国际前沿学科发展，还可满足国民经济和社会发展需要，具有十分重要的意义。
参考文献
[1]N DIEHL. Object-oriented Motion Estimation and
Segmentation in Image Sequences[C]. IEEE Trans.
Image Processing,Vol 3, Feb. 1990:1901-1904.
[2]N PARAGIOS,G TZIRITAS. Adaptive Detection
and Localization of Moving Objects in Image Sequences[C]. Signal Processing:Image Comm.,Vol 14,1999:277-296.
[3]N PARAGIOS,R DERICHE. Geodesic Active Contours
and Level Sets for the Detection and Tracking of Moving Objects[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,Mar 2000,22(3):266-280.
【作者简介】
许志良：工学博士，现任职于深圳
信息职业技术学院软件工程系，讲
师，主要研究领域为图像处理与图
像无线传输。
周智恒：工学博士，任职于华南理
工大学电子与信息学院，主要研究
领域为图像处理、视频编码、模式
识别等。
曹英烈：毕业于华南理工大学，工
学博士，主要从事无线网络方面的
研究。
[4]C BOUMAN,M SHAPIRO. A Multiscale Random Field
Model for Bayesian Image Segmentation[J]. IEEE Transactions on Image Processing,1994,3(2):162-1
77.
[5]M C DE ANDRADE. An Interactive Algorithm for
Image Smoothing and Segmentation[J]. Electronic Letters on Computer Vision and Image Analysis, 2004,4(1):32-48.
[6]M KASS,A WITKIN,D TERZOPOULOS. Snakes:Active
Contour Models[C]. IEEE International Conference on Computer Vision,1987.
[7]V CASELLES,R KIMMEL,G SAPIRO. Geodesic Active
Contours[J]. International Journal of Computer Vision, 1997(22):61-79.
[8]S J OSHER,J A SETHIAN. Fronts Propagating with
Curvature-dependent Speed: a Lgorithms Based on Hamilton-Jacobi Formulations[J]. J Comp. Phys., 1988(79):12-49.
[9]TONY F CHAN,LUMINITA A VESE. Active Contours
Without Edges[J]. IEEE Transactions on Image
Processing, Vol 10, No 2,2001:266-277. ★
关于运动目标检测的发展现状研究
运动目标检测光流法
摘要 运动目标检测方法是研究如何完成对视频图像序列中感兴趣的运动目标区域的“准确定位”问题。光流场指图像灰度模式的表面运动，它可以反映视频相邻帧之间的运动信息，因而可以用于运动目标的检测。MATLAB这种语言可移植性好、可扩展性强，再加上其中有丰富的图像处理函数，所以利用MATLAB 软件来用光流法对运动目标的检测中具有很大的优势。本设计主要可以借助matlab软件编写程序，运用Horn-Schunck算法对图像前后两帧进行处理，画出图像的光流场。而图像的光流场每个像素都有一个运动矢量，因此可以反映相邻帧之间的运动，分析图像的光流场就可以得出图像中的运动目标的运动情况。 关键字：光流法；Horn-Schunck算法；matlab
目录 1光流法的设计目的 (1) 2光流法的原理 (1) 2.1光流法的介绍 (1) 2.1.1光流与光流场的概念 (1) 2.1光流法检测运动目标的原理 (2) 2.1.1光流场计算的基本原理 (2) 2.2.2基于梯度的光流场算法 (2) 2.2.3Horn-Schunck算法 (3) 2.2.4光流法检测运动目标物体的基本原理概述 (5) 3光流法的程序具体实现 (6) 3.1源代码 (6) 3.1.1求解光流场函数 (6) 3.1.2求导函数 (9) 3.1.3高斯滤波函数 (9) 3.1.4平滑性约束条件函数 (10) 3.1.5画图函数 (10) 4仿真图及分析 (12) 结论 (13) 参考文献 (14)
1 光流法的设计目的 数字图像处理，就是用数字计算机及其他有关数字技术，对图像进行处理，以达到预期的目的。随着计算机的发展，图像处理技术在许多领域得到了广泛应用，数字图像处理已成为电子信息、通信、计算机、自动化、信号处理等专业的重要课程。 数字图像处理课程设计是在学习完数字图像处理的相关理论后，进行的综合性训练课程，其目的是：使学生进一步巩固数字图像处理的基本概念、理论、分析方法和实现方法；增强学生应用Matlab编写数字图像处理的应用程序及分析、解决实际问题的能力；尝试所学的内容解决实际工程问题，培养学生的工程实践能力。 运动目标检测是数字图像处理技术的一个主要部分，近些年来，随着多媒体技术的迅猛发展和计算机性能的不断提高，动态图像处理技术日益受到人们的青睞，并且取得了丰硕的成果，广泛应用于交通管理、军事目标跟踪、生物医学等领域。 因此，基于光流法，实现运动目标的检测是本文的研究对象。结合图书馆书籍、网上资料以及现有期刊杂志，初步建立起运动目标检测的整体思路和方法。 2 光流法的原理 2.1 光流法的介绍 2.1.1 光流与光流场的概念 光流是指空间运动物体在观测成像面上的像素运动的瞬时速度，它利用图像序列像素强度数据的时域变化和相关性来确定各自像素位置的“运动”，即反映图像灰度在时间上的变化与景物中物体结构及其运动的关系。将二维图像平面特定坐标点上的灰度瞬时变化率定义为光流矢量。视觉心理学认为人与被观察物体
运动目标检测方法总结报告
摘要 由于计算机技术的迅猛发展，使得基于内容的视频信息的存取、操作和检索不仅成为一种可能，更成为一种需要。同时，基于内容的视频编码标准MPEG-4和基于内容的视频描述标准MPEG-7正在发展和完善。因此提取和视频中具有语义的运动目标是一个急需解决的问题。运动目标提取和检测作为视频和图像处理领域的重要研究领域，有很强的研究和应用价值。运动检测就是将运动目标从含有背景的图像中分离出来，如果仅仅依靠一种检测算法，难以从复杂的自然图像序列中完整地检测出运动的目标。较高的检测精度和效率十分重要，因此融合多种检测方法的研究越来越受到重视。本文介绍了几种国内外文献中的经典的视频运动目标的检测和提取算法，并对各种方法进行了评价和总结。首先介绍了基本的运动目标检测的基本知识和理论，然后介绍了基本的几种目标检测方法及其各种改进方法。对今后的运动目标检测提取的相关研究提供一定的参考。 关键词：运动目标检测光流法帧差法背景建模方法
ABSTRACT Because of the rapid development of computer technology, it is possible to access, operate and retrieve the video information based on the content of the video. At the same time, based on the content of the video coding standard MPEG-4 and content-based video description standard MPEG-7 is developing and improving. Therefore, it is an urgent problem to be solved in the extraction and video. Moving object extraction and detection is a very important field of video and image processing, and has a strong research and application value. Motion detection is to separate moving objects from the image containing background, if only rely on a detection algorithm, it is difficult to from a complex natural image sequences to detect moving target. Higher detection accuracy and efficiency are very important, so the study of the fusion of multiple detection methods is becoming more and more important. In this paper, the detection and extraction algorithms of the classical video moving objects in the domestic and foreign literatures are introduced, and the methods are evaluated and summarized. Firstly, the basic knowledge and theory of basic moving target detection is introduced, and then the basic method of target detection is introduced. To provide a reference for the research on the extraction of moving target detection in the future. Keywords: Visual tracking Optical flow method Frame Difference Background modeling method
目标检测与识别
采用视频图像的运动目标检测与识别 相关调研 目标检测是计算机视觉的一个重要组成部分,在军事及工业等领域有着重要的应用前景。运动目标的检测方法主要有光流法,差值法。光流法的计算量很大,实时性和应用性较差。而图像差值法比较简单,实时性较好,是目前应用最广泛,最成功的运动目标检测的方法。图像差值法可分为两类,一类是用序列图像的每一帧与一个固定的静止的参考帧做图像差分,但自然场景不是静止不变的,因而必须不断的更新背景。另一类是用序列图像的两帧进行差分,这种方法无法检测出两帧图像中重合的部分,只能检测出目标的一部分信息。在绝大多数视频监控图像应用中,每一个像素都可以用一个或多个高斯模型近似,因此,高斯背景模型是绝大多数目标检测方法常用的基本模型。 智能视频服务器是飞瑞斯在多年视频分析技术优势的基础上，推出的一系列具有智能视频分析功能的DVS 视频编码设备。智能视频服务器基于DSP、ARM等核心平台，完成前端标准的H.264高压缩率编码，同时完成智能分析功能。 智能视频服务器的最大的创新点在于，这一系列DVS不仅仅提供视频监控的功能，能通过飞瑞斯核心的智能视频分析技术，来感知视频场景内的环境、人和物，并挖掘其中的人(物)行为、状态、身份信息、数量、轨迹等更深层次的元数据信息。 智能视频服务器赋予了视频监控系统智慧的大脑，从此视频监控不仅仅是能看得到，而且还能自己思考，提供更为智能的应用。
https://www.sodocs.net/doc/4415936053.html,/products_20_26.html?bdclkid=BztEJhpzcR34JE_Ft948PGoNuxuK0gsc zre7HPa3EhvUMBqk3J
基于速度特征矢量提取运动目标的图像分割方法
第20卷 第3期2000年6月北京理工大学学报 J o urnal of Beijing Institute o f Technolog y V o 20 No.3Jun.2000 文章编号:1001-0645(2000)03-0347-05 基于速度特征矢量提取运动目标的 图像分割方法 李冬霞, 曾禹村 (北京理工大学电子工程系,北京 100081) 摘 要:研究基于速度特征矢量提取运动目标的图像分割方法.根据目标图像像素移动的一致性,在序列图像中利用块匹配法进行帧间图像配准,得到目标图像块的速度估计,将具有相同速度矢量的目标图像块聚类,即可分割出运动目标.仿真实验结果表明,该方法能有效地对复杂背景下的运动目标图像进行分割,并具有较好的抗噪能力.关键词:运动目标检测;图像分割;块匹配;速度特征矢量中图分类号: TN 957.53 文献标识码:A 收稿日期:19991005 作者简介:李冬霞,女,1971年生,博士生. 理想情况下,具有运动目标的图像序列相邻图像帧间背景几乎不动,目标像素是作为一个整体相对于背景平移运动的,因此可以利用目标的速度特征将其从背景中提取出来.一般以二维位移偏移量(d x ,d y )作为目标运动速度的描述,常用的运动估计算法有像素递归法 (recursive algo rithm )和块匹配算法(block -ma tching alg orithm )[1,2].像素递归法计算量大,计算过程复杂,不易达到实时分割的要求.作者采纳块匹配算法,证实了该算法的有效性. 1 运动目标的速度估计 块匹配方法是一种相关分析方法,它是把一帧实时图像分为若干个大小相等的子图像块,将每一子图像块作为模板在相邻参考帧图像中一定搜索范围内进行相关计算,根据匹配准则,找出最优匹配位置.该位置对应的二维位移偏移量(d x ,d y )即可作为模板子图像块运动速度矢量的估计值 [3] . 1.1 匹配准则 匹配准则是衡量帧与帧之间两个子图像块相似程度的准则函数.可以用子图像块之间的二维互相关函数N (D )作为准则函数,其定义为 N (D )=R S K S K -1(D ) R S K S K (0)R S K S K -1(D ), (1) 其中 R S K S K -1(D )=E [S K (x ,y )S K -1(x -d x ,y -d y )]. 为减少计算量而又保持一定的匹配精度,也可采用子图像块间对应像素绝对差值即均值
检测交通视频中运动目标的程序设计
专业综合实践任务书 学生姓名:________专业班级: 指导教师: 工作单位: 信息工程学院 题目:检测交通视频中运动目标的程序设计 初始条件: （1）提供实验室机房及其matlab软件； （2）数字图像处理的基本理论学习。 要求完成的主要任务:(包括课程设计工作量及其技术要求,以及说明书撰写等具体 要求): （1）学习运动目标检测的原理及方法，并利用matlab设计程序完成以下功能；（2）读取交通视频文件； （3）运用一种背景建模方法，提取背景图像； （4）读取一帧有运动目标的图像，利用背景差分法，得到差分区域； （5）对差分区域进行数学形态学处理，得到完整的运动目标区域，并显示运动目标检测结果图； （6）对检测的结果进行分析比较； （7）要求阅读相关参考文献不少于5篇； （8）根据课程设计有关规范，按时、独立完成课程设计说明书。 时间安排: (1) 布置课程设计任务，查阅资料，确定方案 1.5天； (2) 进行编程设计、调试2天； (3) 完成课程设计报告书、答辩 1.5天； 指导教师签名: 年月日系主任(或责任教师)签名: 年月日
目录 摘要 (1) 1.概述 (2) 2.设计原理 (3) 2.1 背景提取与更新算法 (3) 2.1.1 手动背景法 (4) 2.1.2 统计中值法 (4) 2.1.3 算术平均法 (4) 2.1.4 Surendra算法 (5) 2.2 背景差分法运动目标检测 (6) 2.3 形态学滤波 (7) 2.4总体方案设定 (9) 2.4.1 算术平均法与Surendra算法相结合的背景建模 (9) 2.4.2 总体程序框图 (10) 3.软件编程实现 (11) 4.结果及分析 (13) 5.心得体会 (17) 参考文献 (18)
运动目标图像的识别与跟踪
运动目标图像的识别与跟踪 本文主要目的是将视频摄像头中的运动目标从背景中提取出来，并加以跟踪。首先考虑的是常见的目标检测的算法，其次考虑对于噪声的滤除，最后是对运动目标的跟踪。 一、基本目标检测算法 我们主要考虑的目标检测的算法主要有三种，光流场法、背景模型法以及时域差分法。 1.1光流场法 光流主要是图像亮度模式的表现运动。而光流场则是指灰度模式的表面运动。一般条件下，我们可以根据图像的运动，进行估算相对运动。 光流场法的基本理论是光流场基本方程： 0=++t y x I vI uI (1.1) 式中我们根据亮度守恒，利用泰勒公式展开，忽略高阶项与二次项。其中x I 、y I 和t I 是图像在对数轴x 、y 两个方向和t 的的导数，()v u ,就是这个点的光流坐标。 光流场法的目标检测，在摄像机运动时候也可以做出判断，但是图像的噪声太过明显，使得计算数据庞杂，计算的公式更加复杂，这样并不适合我们的对于目标跟踪的高精度的摄像系统。 1.2背景模型法 背景模型法，也被称为背景差法，主要利用当前的图像和背景的图像的二值化做差，然后取阈值，分割运动目标。 首先根据： ()()()y x b y x f y x D t t t ,,,-= (1.2) 我们可以得到当前的图像帧数()y x f t ,和背景图像的帧数),(y x b t 做差，然后以公式对图像进行二值化的处理。 ???≤>=)(,0)(,1),(BackGround T D ForeGround T D y x P t t t (1.3) 上面),(y x P t 是二值化模板图。假设某一区域大于一个给定的面积的时候，该区域就是我们要找的目标区域。 背景模型法的算法简单，可以快速反应，并且可以提供运动目标的大略特征等数据。但是对于复杂背景下，比如人流较大的公共场所，或者有光照等干扰时，就需以其他的算法以不断更新背景信息来进行弥补。
(完整版)视频目标检测与跟踪算法综述
视频目标检测与跟踪算法综述 1、引言 运动目标的检测与跟踪是机器视觉领域的核心课题之一，目前被广泛应用在视频编码、智能交通、监控、图像检测等众多领域中。本文针对视频监控图像的运动目标检测与跟踪方法，分析了近些年来国内外的研究工作及最新进展。 2、视频监控图像的运动目标检测方法 运动目标检测的目的是把运动目标从背景图像中分割出来。运动目标的有效分割对于目标分类、跟踪和行为理解等后期处理非常重要。目前运动目标检测算法的难点主要体现在背景的复杂性和目标的复杂性两方面。背景的复杂性主要体现在背景中一些噪声对目标的干扰，目标的复杂性主要体现在目标的运动性、突变性以及所提取目标的非单一性等等。所有这些特点使得运动目标的检测成为一项相当困难的事情。目前常用的运动目标检测算法主要有光流法、帧差法、背景相减法，其中背景减除法是目前最常用的方法。 2.1帧差法 帧差法主要是利用视频序列中连续两帧间的变化来检测静态场景下的运动目标，假设f k（x, y）和f（k i）（x, y）分别为图像序列中的第k帧和第k+1帧中象素点（x，y）的象素值,则这两帧图像的差值图像就如公式2-1所示： Diff ki f k（x, y） f（k 1）（x, y）（2-1）2-1式中差值不为0的图像区域代表了由运动目标的运动所经过的区域（背景象素值不变），又因为相邻视频帧间时间间隔很小，目标位置变化也很小，所以运动目标的运动所经过的区域也就代表了当前帧中运动目标所在的区域。利用此原理便可以提取出目标。下图给出了帧差法的基本流程：1、首先利用2-1式得到第k帧和第k+1帧的差值图像Diff k 1；2、对所得到的差值图像Diff k 1二值化（如 式子2-2示）得到Qk+1 ；3、为消除微小噪声的干扰，使得到的运动目标更准 确，对Q k 1进行必要的滤波和去噪处理，后处理结果为M k 1。 1
(完整word版)基于图像处理的运动物体的跟踪与检测开题报告
1、课题来源 随着计算机技术的高速发展，运动物体的检测和跟踪在图像处理、计算机视觉、模式识别、人工智能、多媒体技术等领域越来越受到人们的关注。运动跟踪和检测的应用广泛，在智能监控和人机交互中，如：银行、交通、超市等场合常常使用运动跟踪分析技术，通过定位物体并对其行为进行分析，一旦发现物体有异常行为，监控系统就发出警报，提醒人们注意并即时的处理，改善了人工监督注意力分散、反应时间较慢、人力资源浪费等问题。运动目标的跟踪在虚拟现实、工业控制、军事设备、医学研究、视频监控、交通流量观测监控等很多领域也有重要的实用价值。特别在军事上，先进的武器导航、军事侦察和监控中都成功运用了自动跟踪技术。而跟踪的难点在于如何快速而准确的在每一帧图像中实现目标定位。正因如此，对运动目标的跟踪和检测的研究很有价值。 2、研究目的和意义 运动目标检测是图像处理与计算机视觉的一个分支，在理论和实践上都有重大意义，长久以来一直被国内外学者所关注。在实际中，视频监控利用摄像机对某一特定区域进行监视，是一个细致和连续的过程，它可以由人来完成，但是人执行这种长期枯燥的例行监测是不可靠，而且费用也很高，因此引入运动监测非常有必要。它可以减轻人的负担，并且提高了可靠性。概括起来运动监测主要包括三个内容：运动目标检测，方向判断和图像跟踪。运动目标检测是整个监测过程的基础，运动目标的提取准确与否，直接关系到后续高级过程的完成质量。3、国内外研究现状和发展趋势及综述 运动目标检测在国外已经取得了一些的研究成果，许多相关技术已经开始应用到实际系统中，但是国内研究相对落后,与国外还有较大差距。传统的视频目标提取大致可以分两类,一类以空间同性为准则,先用形态学滤波器或其他滤波器对图像作预处理;然后对该图像的亮度、色度或其他信息作空间上的分割以对区域作边缘检测;之后作运动估计,并合并相似的运动区域以得到最终的提取结果。如光流算法、主动轮廓模型算法。此类方法结果较为准确但是运算量相对较大。另一类算法主要以时间变化检测作为准则,这类算法主要通过帧差检测图像上的变化区域和不变区域,将运动物体与静止背景进行分割。此类方法运算量小,提取结果不如前类方法准确。此外,还有时空结合方法、时空亮度梯度信息结合的方法等等。 4、研究方法
静止背景运动目标识别
Moving Object Detection in Stationary Scene 摘要：随着计算机技术的不断提高，智能视频监控技术得到了很好的发展, 过去依靠人力监控视频中出现的人或汽车等既浪费人力物力，又不够准确，很容易发生遗漏，而智能监控就不存在这种问题，只需在程序中设定报警条件即可，能够准确地达到实时监控的目的。现在智能视频监控逐渐应用于城市道路、小区、银行等重要场所及对场景中的异常事件或人的异常行为的监控中, 应用前景广泛，正在逐步取代靠人力来观察视频信息。智能视频监控相比过去常用的靠人来监测的最重要的不同就是识别出需要监控的对象，通常是运动目标的提取。在本文中利用matlab视频处理功能，通过matlab程序来获取视频，使用背景减差法来检测出运动目标提取静止背景中的运动目标，并将结果显示出来，以进行进一步的分析处理。 关键字：视频监控；目标提取；静止背景；matlab；目标识别；背景减差法
基于视频的运动目标主要提取方法 目标检测是计算机视觉的一个重要组成部分，在军事及工业等领域有着重要的应用前景。运动目标的检测方法主要有光流法，差值法。光流法的计算量很大，实时性和应用性较差。而图像差值法比较简单，实时性较好，是目前应用最广泛，最成功的运动目标检测的方法。图像差值法可分为两类，一类是用序列图像的每一帧与一个固定的静止的参考帧做图像差分，但自然场景不是静止不变的，因而必须不断的更新背景。另一类是用序列图像的两帧进行差分，这种方法无法检测出两帧图像中重合的部分，只能检测出目标的一部分信息。在绝大多数视频监控图像应用中，每一个像素都可以用一个或多个高斯模型近似，因此，高斯背景模型是绝大多数目标检测方法常用的基本模型。许多学者对基于高斯混合背景模型的背景消除法作了改进并取得了较好的效果。Stauffer 等人提出了采用自适应混合高斯模型，作为背景统计模型的算法；Power 等人详细的讨论了混合高斯模型，并对模型中的参数选择及更新提出了很好的建议。Monnet 等人在文献[3]中对摆动的树叶，水纹的波动等动态纹理干扰作了深入研究，提出了在线的自动聚类模型来获得并预测场景中的这些变化以减少干扰。然而，由于光照条件的影响，大多数图像都存在阴影，阴影的存在干扰了目标的检测，使检测到的目标与真实的目标形状相差很大，这对后续处理如目标识别、行为判断等会产生很大的影响。混合高斯模型无法消除阴影的干扰，因此找到阴影消除的方法变得非常重要。近年来，提出了很多阴影消除方法，毛晓波提出了基于最大色度差分的阴影检测方法，A. Leone提出了基于纹理分析的阴影消除方法，通过分析纹理信息获取前景目标并消除阴影，取得了较好的效果。 运动目标检测常用的方法一般分为两大类，一种是基于特征的方法，另一种是基于灰度的方法。基于特征的方法是依据图像的特征来检测运动目标，它多用于目标较大、特征容易提取的场合。基于灰度的方法一般是依据图像中灰度的变化来检测运动目标。目前基于视频的检测方法主要有: 基于帧间差分的方法、基于光流场的方法、基于背景差的方法等。帧间差分法是基于运动图像序列中相邻两帧图像间具有强相关性而提出的检测方法, 具有很强的自适应性。但如果物体内部灰度分布均匀这种方法会造成目标重叠部分形成较大空洞，严重时造成目标分割不连通，从而检测不到目标。 光流场法是基于对光流的估算进行检测分割的方法。光流中既包括被观察物体的运动信息, 也包括有关的结构信息。光流场的不连续性可以用来将图像分割
(完整word版)基于matlab的运动目标检测
1 绪论 1.1 课题研究背景及意义 运动目标检测是图像处理与计算机视觉的一个分支，在理论和实践上都有重大意义，长久以来一直被国内外学者所关注。在实际中，视频监控利用摄像机对某一特定区域进行监视，是一个细致和连续的过程，它可以由人来完成，但是人执行这种长期枯燥的例行监测是不可靠，而且费用也很高，因此引入运动监测非常有必要[1]。它可以减轻人的负担，并且提高了可靠性。概括起来运动监测主要包括三个内容[2]：运动目标检测，方向判断和图像跟踪。运动目标检测是整个监测过程的基础，运动目标的提取准确与否，直接关系到后续高级过程的完成质量。 1.2 国内外研究现状 运动目标检测在国外已经取得了一些的研究成果[3]，许多相关技术已经开始应用到实际系统中，但是国内研究相对落后,与国外还有较大差距。传统的视频目标提取大致可以分两类,一类以空间同性为准则,先用形态学滤波器或其他滤波器对图像作预处理;然后对该图像的亮度、色度或其他信息作空间上的分割以对区域作边缘检测;之后作运动估计,并合并相似的运动区域以得到最终的提取结果。如光流算法、主动轮廓模型算法。此类方法结果较为准确但是运算量相对较大。另一类算法主要以时间变化检测作为准则,这类算法主要通过帧差检测图像上的变化区域和不变区域,将运动物体与静止背景进行分割。此类方法运算量小,提取结果不如前类方法准确。此外,还有时空结合方法、时空亮度梯度信息结合的方法等等[4]。本文将围绕以时间变化监测为基础的方法展开分析和讨论。 1.3 本文结构 第1章介绍了本文的研究意义及国内外发展状况；第2章分为四个部分详细讲述了运动目标检测的方法，介绍了背景提取与更新算法，检测算法，阈值选取，形态学滤波等；第三章对全文作出了总结。
目标检测综述
一、传统目标检测方法 如上图所示，传统目标检测的方法一般分为三个阶段：首先在给定的图像上选择一些候选的区域，然后对这些区域提取特征，最后使用训练的分类器进行分类。下面我们对这三个阶段分别进行介绍。 (1) 区域选择这一步是为了对目标的位置进行定位。由于目标可能出现在图像的任何位置，而且目标的大小、长宽比例也不确定，所以最初采用滑动窗口的策略对整幅图像进行遍历，而且需要设置不同的尺度，不同的长宽比。这种穷举的策略虽然包含了目标所有可能出现的位置，但是缺点也是显而易见的：时间复杂度太高，产生冗余窗口太多，这也严重影响后续特征提取和分类的速度和性能。（实际上由于受到时间复杂度的问题，滑动窗口的长宽比一般都是固定的设置几个，所以对于长宽比浮动较大的多类别目标检测，即便是滑动窗口遍历也不能得到很好的区域） (2) 特征提取由于目标的形态多样性，光照变化多样性，背景多样性等因素使得设计一个鲁棒的特征并不是那么容易。然而提取特征的好坏直接影响到分类的准确性。（这个阶段常用的特征有SIFT、HOG等） (3) 分类器主要有SVM, Adaboost等。 总结：传统目标检测存在的两个主要问题： 一是基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余； 二是手工设计的特征对于多样性的变化并没有很好的鲁棒性。
二、基于Region Proposal的深度学习目标检测算法 对于传统目标检测任务存在的两个主要问题，我们该如何解决呢？ 对于滑动窗口存在的问题，region proposal提供了很好的解决方案。region proposal（候选区域）是预先找出图中目标可能出现的位置。但由于region proposal 利用了图像中的纹理、边缘、颜色等信息，可以保证在选取较少窗口（几千个甚至几百个）的情况下保持较高的召回率。这大大降低了后续操作的时间复杂度，并且获取的候选窗口要比滑动窗口的质量更高（滑动窗口固定长宽比）。比较常用的region proposal算法有selective Search和edge Boxes，如果想具体了解region proposal可以看一下PAMI2015的“What makes for effective detection proposals？” 有了候选区域，剩下的工作实际就是对候选区域进行图像分类的工作（特征提取+分类）。对于图像分类，不得不提的是2012年ImageNet大规模视觉识别挑战赛（ILSVRC）上，机器学习泰斗Geoffrey Hinton教授带领学生Krizhevsky使用卷积神经网络将ILSVRC分类任务的Top-5 error降低到了15.3%，而使用传统方法的第二名top-5 error高达26.2%。此后，卷积神经网络占据了图像分类任务的绝对统治地位，微软最新的ResNet和谷歌的Inception V4模型的top-5 error降到了4%以内多，这已经超越人在这个特定任务上的能力。所以目标检测得到候选区域后使用CNN对其进行图像分类是一个不错的选择。 2014年，RBG（Ross B. Girshick）大神使用region proposal+CNN代替传统目标检测使用的滑动窗口+手工设计特征，设计了R-CNN框架，使得目标检测取得巨大突破，并开启了基
运动目标检测原理
运动检测（移动侦测）原理 一、引言 随着技术的飞速发展，人们对闭路电视监控系统的要求越来越高，智能化在监控领域也得到越来越多的应用。在某些监控的场所对安全性要求比较高，需要对运动的物体进行及时的检测和跟踪，因此我们需要一些精确的图像检测技术来提供自动报警和目标检测。运动检测作为在安防智能化应用最早的领域，它的技术发展和应用前景都受到关注。 运动检测是指在指定区域能识别图像的变化，检测运动物体的存在并避免由光线变化带来的干扰。但是如何从实时的序列图像中将变化区域从背景图像中提取出来，还要考虑运动区域的有效分割对于目标分类、跟踪等后期处理是非常重要的，因为以后的处理过程仅仅考虑图像中对应于运动区域的像素。然而，由于背景图像的动态变化，如天气、光照、影子及混乱干扰等的影响，使得运动检测成为一项相当困难的工作。 二、运动检测（移动侦测）原理 早期的运动检测如MPEG1是对编码后产生的I帧进行比较分析，通过视频帧的比较来检测图像变化是一种可行的途径。原理如下：MPEG1视频流由三类编码帧组成，它们分别是：关键帧（I 帧），预测帧（P帧）和内插双向帧（B帧）。I帧按JPEG标准编码，独立于其他编码帧，它是MPEG1视频流中唯一可存取的帧，每12帧出现一次。截取连续的I帧，经过解码运算，以帧为单位连续存放在内存的缓冲区中，再利用函数在缓冲区中将连续的两帧转化为位图形式，存放在另外的内存空间以作比较之用，至
于比较的方法有多种。此方法是对编码后的数据进行处理，而目前的MPEG1/MPEG4编码都是有损压缩，对比原有的图像肯定存在误报和不准确的现象。 目前几种常用的方法： 1.背景减除（Background Subtraction ） 背景减除方法是目前运动检测中最常用的一种方法，它是利用当前图像与背景图像的差分来检测出运动区域的一种技术。它一般能够提供最完全的特征数据，但对于动态场景的变化，如光照和外来无关事件的干扰等特别敏感。最简单的背景模型是时间平均图像，大部分的研究人员目前都致力于开发不同的背景模型，以期减少动态场景变化对于运动分割的影响。 2.时间差分（Temporal Difference ） 时间差分（又称相邻帧差）方法是在连续的图像序列中两个或三个相邻帧间采用基于像素的时间差分并且阈值化来提取出图像中的运动区域。时间差分运动检测方法对于动态环境具有较强的自适应性，但一般不能完全提取出所有相关的特征像素点，在运动实体内部容易产生空洞现象。 3.光流（Optical Flow） 基于光流方法的运动检测采用了运动目标随时间变化的光流特性，如Meyer[2] 等通过计算位移向量光流场来初始化基于轮廓的跟踪算法，从而有效地提取和跟踪运动目标。该方法的优点是在摄像机运动存在的前提下也能检测出独立的运动目标。然而，
对空高速目标检测和跟踪方法解释
对空高速目标信号处理 对于常规慢速目标，在相参处理时间内该走动量通常不会超过一个距离单元。而对于高速目标，它可能跨越多个距离单元，而必须加以处理才能实现相参处理时间内多次回波的相参积累。尤其HSV载体运动速度很高且机动能力很强，雷达目标间的高速高机动特性更加明显，雷达目标回波会出现跨距离单元、跨多普勒单元问题，加剧了目标回波相参积累的难度。为了提高雷达的探测性能，需要补偿后才能达到好的积累增益。 雷达目标间的相对速度最高可达15马赫以上，加速度最高可达20g。以速度每秒5000米为例，如果雷达相参处理时间为50ms，其运动距离可达250米，对窄带雷达来讲需要考虑回波包络的补偿。此外，速度在相参时间里变化10m/s，对X波段雷达来说，多普勒扩展为667Hz，而多普勒分辨率为20Hz。所以为了获得高的处理增益，提高探测距离，回波多普勒扩散需要补偿。 （1）高重频信号处理 高脉冲重复频率的相参脉冲串信号的频谱如图3.5所示。除了载频上的中央谱线之外，在载频PRF的整数倍处还有其它一些谱线，谱线间隔为脉冲重复频率。发射频谱的包络取决于脉冲形状，例如，矩形脉冲时为sin/x x形。运动目标回波的频谱是发射频谱偏移后的复制品，也含有一些间隔为PRF的谱线。
f 0r f f +0r f f -02r f f -02r f f + 图3.8 PD 雷达发射信号的频谱 高占空比高重频的信号没有距离门的概念，可以只考虑多普勒扩展的影响。由于加速度的存在对回波信号补偿后其多普勒仍不为常数而是时变的，故需要进一步获取目标的精确运动参数。解线性调频法是一种简单而且易于实现的运动补偿法。 可用一个调频因子2 j ut e π-（λ/2a u =）与信号相乘，即 2 (,){()}j ut d D f u FFT r t e π-= （3.1） 当u ＝02/a λ （其中 0a 为目标的加速度真值）、式（3.1）出现峰值。因而速度、加速度的精确估计问题转化为寻找最优的u 即a 的问题。 利用解线性调频法精确估计速度、加速度，关键是对式（3.1）中的u 进行最优搜索，搜索步长的选取十分重要，如果步长选得过大，就不能满足估计精度要求；如果搜索步长选得过小，则运算量剧增，不利于算法的实时处理和工程实现。 由于u 需要遍历搜索，为减少运算量以及提高估计精度，可以采用“逐次逼近法”来估计目标的速度、加速度。对u 遍历搜索时，为满足精度要求搜索步长必须选得很小，我们要计算的FFT 次数太多，运算量相当的大，“逐次逼近法”在保证估计精度的前提下，有效的解
交通场景中运动目标的检测文献综述
交通场景中运动目标的检测文献综述 摘要:运动目标检测是数字图像处理技术的一个主要部分,是一种基于视频监控系统的运动目标检测方法。这种算法主要包括：图像预处理、运动目标的检测、运动速度的求取。运动目标分割是实现交通场景下车辆检测的前提。常用的分割方法可以分为背景差分法、帧间差分法和基于光流的分割方法等。 关键词:数字图像处理;运动目标;检测方法 1 前言 运动目标检测是数字图像处理技术的一个主要部分，近些年来，随着多媒体技术的迅猛发展和计算机性能的不断提高，动态图像处理技术日益受到人们的青睐，并且取得了丰硕的成果，广泛英语与交通管理、军事目标跟踪、生物医学等领域。 目前,以数字图像处理技术为核心的视频监视系统越来越广泛地应用到交通监管中,它利用摄像机来获取图像,由计算机完成对运动目标的自动检测,如果车辆交通违规时,自动发出预警,记录全程违章视频,这在很大程度上减轻了监控人员的劳动强度,克服可能的人为失误,而且节省大量存储空间,使存储的数据更为有效,为交通违规的后续处理提供了客观依据。 交通场景中运动目标的检测是本文的研究对象。结合图书馆书籍、网上资料以及现有期刊杂志的相关信息，初步建立起交通场景中运动目标检测课题研究的整体思路和方法。 2 正文 2.1运动目标 运动目标是常生活中常见的．如活动的动物、行驶的运载工具等。在现实生活中，尽管人类的视觉既能看见运动又能看见静止的物体，但是在交通这样的复杂场景中大量有意义的视觉信息都包含在这些运动之中，人们往往只对运动的
物体或目标感兴趣。因此，研究运动目标的检测问题，有着很大的现实意义和应用价值。 2.2运动目标检测的基本概念 目前我们主要是通过对动态图像进行分析处理来获取运动目标信息，从而实现对运动目标的检测，它是图像处理与计算机视觉应用研究领域的一个重要课题。，所谓动态图像是由一序列图像组成的，即图像序列。图像序列是用一个传感器(如摄像机、数码相机)采集的一组随时间变化的图像，不同时刻采集的二帧图像或多帧图像中包含了存在于相机与景物之间的相对运动信息。还有景物本身发生变化的运动信息等等，这些信息表现为图像帧之间的灰度变化或诸如点、线、区域等记号的位置和运动方向速度等属性的变化。 运动目标检测的目的就是从序列图像中将变化区域从背景图像中提取出来。我们首先用摄像机获取运动目标的视频影像，经视频采集卡将视频信号传输到计算机，利用计算机对其进行相关处理，从视频图像中按一定时间间隔获取序列图像，然后通过对这些序列图像进行特定的处理，就可以检测出我们感兴趣的运动目标。 运动目标检测和分析是一种基于视频监控系统的运动目标检测方法。这种算法主要包括：图像预处理、运动目标的检测、运动速度的求取。这种算法在帧差法的基础之上，提取出运动目标，并对其求取运动速度。这种技术可以用于各类图像监控系统，用来检测运动目标，对于现实应用有重要意义。 2.3运动目标检测的基本方法 由运动目标所形成的图像序列可分为两种情况：一种是静止背景，一种是运动背景。前一种情况通常发生在摄像机相对静止状态(如监视某一路口车流量的固定摄像机)，后一种情况通常发生在摄像机也在相对运动状态(如装在卫星或飞机上的监视系统)。从处理方法上看，对前一种情况可采用消除背景的方法检测运动目标，处理起来比较简单，如简单的帧间差分或自适应背景对消方法。对后一种情况．处理起来比较复杂，一般是采用突出目标或消除背景的思想检测运动目标。若采用消除背景的方法，则通常需要先进行帧间稳像及配准；若采用突出
运动目标检测研究意义及国内外现状
运动目标检测研究意义及国内外现状运动目标检测研究意义及国内外现状 1研究意义...................................................................... (1) 2国内外研究现 状 ..................................................................... . (1) 1研究意义 众所周知，当前是信息时代，信息的获得、加工、处理以及应用都有了飞跃发展。人们认识世界的重要知识来源就是图像信息，在很多场合，图像所传送的信息比其他形式的信息更丰富、真切和具体。人眼与大脑的协作使得人们可以获取、处理以及理解视觉信息，人类利用视觉感知外界环境信息的效率很高。事实上，据一些国外学者所做的统计，人类所获得外界信息有80%左右是来自眼睛摄取的图像。由此可见，视觉作为人类获取外界信息的主要载体，计算机要实现智能化，就必须能够处理图像信息。尤其是近年来，以图形、图像、视频等大容量为特征的图像数据处理广泛应用于医学、交通、工业自动化等领域。 自然界的一切图像都是连续变化的模拟图像，在日常生活中，这些图像中的运动目标往往是我们比较关心的，如:行人、行驶的交通工具以及其他的运动物体。运动目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域。因此，运动目标检测也就成为了近年来理论和应用的研究热点，它是图像处理和计算机视觉学科的重要分支，也是智能监控系统的核心部分。它的目的就是如何快速、准确地检测出监控视频中的运动目标，即从序列图像中将运动目标提取出来。
视频图像中运动目标检测
视频图像中运动目标检测
毕业论文 题目视频图像中运动目标检测 方法研究 专业电气工程及其自动化 班级电气1003 学生曹文 学号20113024543 指导教师赵哥君 二〇一二年六月八日
摘要 在很多现代化领域，运动目标检测都显示出了其重要的作用。尤其是近二十年的社会经济的飞速发展，运动目标检测都彰显了其重要性，在航空、通信、航海等各个方面都有关键性的作用，从而使运动目标检测方法的研究成为各国的研究热门课题。 通过阅读大量的相关论文、期刊及其网络资源，了解了高斯背景建模及背景更新的基本原理及思想。在本文中，首先介绍了运动目标检测方法的相关基础知识，如图像的二值化、图像的形态学处理、颜色空间模型。然后重点说明了三种常用的运动目标检测方法的研究，简要阐述了三种研究方法的基本思想。在老师的帮助下进行了相应的实验，最终得出了三种运动目标检测方法的优点和缺点，着重探究了高斯背景建模及其背景更新基本原理及思想。 最后，通过相关的程序及软件对混合高斯背景模型进行了相关的实验，进而发现了混合高斯背景建模算法存在的不足之处，如：高斯背景建模的计算量大、运动目标较大时检测效果差等问题，并对对这些问题提出了相关设想及改进。 关键词：运动目标检测；二值化；图像的形态学处理；高斯背景建模；背景更新 I
ABSTRACT In many modern fields, moving target detection are showing its important role. Especially nearly twenty years of rapid development of social economy, the moving target detection has shown its importance, in various aviation, communication, navigation and so on have a key role, so the study of moving target detection method has become a research hot topic in countries. By reading relevant papers, a large number of journals and cyber source, understand the basic principle and thought of Gauss background modeling and updating the background. In this paper, firstly introduces the basic knowledge of moving target detection method, such as the two values image, morphological image processing, color space model. Then focus on the study of three methods used for moving object detection, a brief description of the basic ideas of the three kinds of research methods. By the experiment, the results of three kinds of method of moving target detection has advantages and disadvantages, this paper emphatically explores Gauss background modeling and background updating basic principle and thought. Finally, through the program and software related to mixed Gauss background model for the relevant experiments, and found the shortcomings, the presence of mixed Gauss background modeling algorithm such as: the problem of computing Gauss background modeling, moving target volume larger detection effect is poor, and on these problems put forward relevant ideas and improvement. Keywords: moving object detection; two values; I I