背景减除法

背景消减法_OpenCV_详解

一.基本概念

背景消减法可以看作一种特殊的帧差法。

基本思想：利用当前帧图像与背景图像对应象素点的灰度差值来检测车辆。如果当前图像的象素点和背景图像的象素点灰度值差别很大，就认为此象素点有车通过；相反，如果当前图像的象素点和背景图像的象素点灰度值差别较小，在一定的阈值范围内，我们就认为此象素点为背景象素点。

背景差值法假定图像背景是静止不变的，即图像背景不随图像帧数而变，可表示为

b(x,y)，定义图像序列为f(x,y,i)，其中(x,y)为图像位置坐标，i为图像帧数，将每一帧图像的灰度值减去背景的灰度值可得到一个差值图像：id(x,y,i)=f(x,y,i)-b(x,y)

背景差值法检测运动目标速度快，检测准确，易于实现，其关键是背景图像的获取与背景更新。在实际应用中，静止背景是不易直接获得的，同时，由于背景图像的动态变化，需要通过视频序列的帧间信息来估计和恢复背景，即背景重建，所以要选择性的更新背景。然而它对于动态场景的变化，例如光照的变化和阴影的干扰等特别敏感。因此，选取一个可靠的背景模型进行背景的提取与动态更新以适应环境的变化是必要的。

使用背景差分法进行运动检测通常会遇到如下一些问题：

（1）背景获取：最简单的方法是在场景中没有运动目标的情况下进行，但在现实中肯定是无法满足的，如高速公路和城市交通的监控，需要一种方法能在场景存在运动目标的情况下获得背景图像。

（2）背景的扰动：如树叶、树枝等各种东西的摇动

（3）外界光照条件的变化

（4）背景中固定对象的移动

（5）背景的更新

（6）阴影的影响

背景消减法根据其背景模型的不同又可分为：直方图法、平均值法、单分布高斯背景模型、混合高斯分布背景模型、Kalman滤波器法，HMM模型法。

二.下面分享的是两种背景实现方式：

（1）背景即为第一帧图像，简单的先看看程序的基本步骤和实现方法。这种方法适用于第一帧即为全部背景，如果存在不是背景的物体，将出现误差；同时进行了简单的背景更新；

（2）背景为前50帧的平均值，对于高速的车流量较少的地段，背景提取较理想，车辆缓慢移动时会在背景上留下痕迹。同时也进行了背景的简单更新；

（3）同样的方法可以尝试不同的背景提取模型。

三.程序源代码

[cpp]view plainc opy

1.#include "stdafx.h" //背景为第一帧

2.#include "highgui.h"

3.#include "cv.h"

4.#include "cxcore.h"

5.#include "ml.h"

6.

7.int main(int argc, char* argv[])

8.{

9. CvCapture* pCapture = cvCaptureFromFile("video.avi");

10.if( !pCapture) return -1;

11.

12. IplImage* pImgFrame = NULL;

13. IplImage* pImgProcessed = NULL;

14. IplImage* pImgBackground = NULL;

15. IplImage* pyrImage = NULL;

16.

17. CvMat* pMatFrame = NULL;

18. CvMat* pMatProcessed = NULL;

19. CvMat* pMatBackground = NULL;

20.

21. cvNamedWindow("video", 0);

22. cvNamedWindow("background",0);

23. cvNamedWindow("processed",0);

24.

25. cvResizeWindow("video",300,300); //重新定义窗口的大小

26. cvResizeWindow("background",300,300);

27. cvResizeWindow("processed",300,300);

28.

29. cvMoveWindow("video", 0, 100); //设定窗口的位置

30. cvMoveWindow("background", 350, 100);

31. cvMoveWindow("processed", 700, 100);

32.

33.//int thresh_low = 20;

34.//cvCreateTrackbar("Low","processed",&thresh_low,255,NULL); //创建滚动

条,显示阈值

35.

36. pImgFrame = cvQueryFrame( pCapture ); //取第一帧

37. pImgBackground = cvCreateImage(cvSize(pImgFrame->width, pImgFrame->heigh

t), IPL_DEPTH_8U,1);

38. pImgProcessed = cvCreateImage(cvSize(pImgFrame->width, pImgFrame->height

), IPL_DEPTH_8U,1);

39. pyrImage = cvCreateImage(cvSize(pImgFrame->width/2, pImgFrame->height/2)

, IPL_DEPTH_8U,1);

40.

41. pMatBackground = cvCreateMat(pImgFrame->height, pImgFrame->width, CV_32F

C1);

42. pMatProcessed = cvCreateMat(pImgFrame->height, pImgFrame->width, CV_32FC

1);

43. pMatFrame = cvCreateMat(pImgFrame->height, pImgFrame->width, CV_32FC1);

44.

45. cvSmooth(pImgFrame, pImgFrame, CV_GAUSSIAN, 3, 0, 0); //高斯平滑

46. cvCvtColor(pImgFrame, pImgProcessed, CV_BGR2GRAY);

47. cvCvtColor(pImgFrame, pImgBackground, CV_BGR2GRAY);

48. cvConvert(pImgProcessed, pMatBackground);

49. cvConvert(pImgProcessed, pMatFrame);

50. cvConvert(pImgProcessed, pMatProcessed);

51.

52. cvSmooth(pMatBackground, pMatBackground, CV_GAUSSIAN, 3, 0, 0);

53.

54.while(pImgFrame = cvQueryFrame( pCapture ))

55. {

56. cvShowImage("video", pImgFrame);

57. cvSmooth(pImgFrame, pImgFrame, CV_GAUSSIAN, 3, 0, 0);

58.

59. cvCvtColor(pImgFrame, pImgProcessed, CV_BGR2GRAY);

60. cvConvert(pImgProcessed, pMatFrame);

61.

62. cvSmooth(pMatFrame, pMatFrame, CV_GAUSSIAN, 3, 0, 0);

63. cvAbsDiff(pMatFrame, pMatBackground, pMatProcessed);

64.

65. cvThreshold(pMatProcessed, pImgProcessed, 20, 255.0, CV_THRESH_BINAR

Y);

66.

67.//cvPyrDown(pImgProcessed,pyrImage,CV_GAUSSIAN_5x5); //GAUSSIAN金字

塔向下采样

68.//cvPyrUp(pyrImage,pImgProcessed,CV_GAUSSIAN_5x5);

69.

70. cvErode(pImgProcessed, pImgProcessed, 0, 1); //腐蚀

71. cvDilate(pImgProcessed, pImgProcessed, 0, 1); //膨胀

72.

73. cvRunningAvg(pMatFrame, pMatBackground, 0.0003, 0); //背景更

新

74. cvConvert(pMatBackground, pImgBackground);

75.

76. cvFlip(pImgBackground,NULL,0); //垂直旋转图像

77. cvFlip(pImgProcessed,NULL,0);

78. cvShowImage("background", pImgBackground);

79. cvShowImage("processed", pImgProcessed);

80.

81.if( cvWaitKey(33) == 27 ) //触发Esc键，跳出

82. {

83.break;

84. }

85. }

86.

87. cvDestroyWindow("video");

88. cvDestroyWindow("background");

89. cvDestroyWindow("processed");

90.

91. cvReleaseImage(&pImgProcessed);

92. cvReleaseImage(&pImgBackground);

93.

94. cvReleaseMat(&pMatFrame);

95. cvReleaseMat(&pMatProcessed);

96. cvReleaseMat(&pMatBackground);

97.

98. cvReleaseCapture(&pCapture);

99.

100.return 0;

101.}

[cpp]view plainc opy

1.#include "stdafx.h" //背景为前50帧的平均值

2.#include "highgui.h"

3.#include "cv.h"

4.#include "cxcore.h"

5.#include "ml.h"

6.

7.int main(int argc, char* argv[])

8.{

9. CvCapture* pCapture = cvCaptureFromFile("video.avi");

10.if( !pCapture) return -1;

11.

12. IplImage* pImgFrame = NULL;

13. IplImage* pImgProcessed = NULL;

14. IplImage* pImgBackground = NULL;

15. IplImage* pyrImage = NULL;

16.

17. CvMat* pMatFrame = NULL;

18. CvMat* pMatProcessed = NULL;

19. CvMat* pMatBackground = NULL;

20.

21. cvNamedWindow("video", 0);

22. cvNamedWindow("background",0);

23. cvNamedWindow("processed",0);

24.

25. cvResizeWindow("video",300,300); //重新定义窗口的大小

26. cvResizeWindow("background",300,300);

27. cvResizeWindow("processed",300,300);

28.

29. cvMoveWindow("video", 0, 100); //设定窗口的位置

30. cvMoveWindow("background", 350, 100);

31. cvMoveWindow("processed", 700, 100);

32.

33.//int thresh_low = 20;

34.//cvCreateTrackbar("Low","processed",&thresh_low,255,NULL); //创建滚动

条,显示阈值

35.

36. pImgFrame = cvQueryFrame( pCapture ); //取第一帧

37. pImgBackground = cvCreateImage(cvSize(pImgFrame->width, pImgFrame->heigh

t), IPL_DEPTH_8U,1);

38. pImgProcessed = cvCreateImage(cvSize(pImgFrame->width, pImgFrame->height

), IPL_DEPTH_8U,1);

39. pyrImage = cvCreateImage(cvSize(pImgFrame->width/2, pImgFrame->height/2)

, IPL_DEPTH_8U,1);

40.

41. pMatBackground = cvCreateMat(pImgFrame->height, pImgFrame->width, CV_32F

C1);

42. pMatProcessed = cvCreateMat(pImgFrame->height, pImgFrame->width, CV_32FC

1);

43. pMatFrame = cvCreateMat(pImgFrame->height, pImgFrame->width, CV_32FC1);

44.

45.

46.int i=1;

47. CvMat* pMat = NULL,*pMat1=NULL,*pMatSum=NULL,*pMatAve=NULL;

48. pMat = cvCreateMat(pImgFrame->height, pImgFrame->width, CV_32FC1); //存

放当前帧

49. pMat1 = cvCreateMat(pImgFrame->height, pImgFrame->width, CV_32FC1); //

存放前一帧

50. pMatSum = cvCreateMat(pImgFrame->height, pImgFrame->width, CV_32FC1); /

/所有帧的和

51. pMatAve = cvCreateMat(pImgFrame->height, pImgFrame->width, CV_32FC1); /

/帧的平均

52.while(i<=50)

53. {

54. pImgFrame = cvQueryFrame( pCapture );

55. cvCvtColor(pImgFrame, pImgBackground, CV_BGR2GRAY);

56. cvConvert(pImgBackground, pMat);

57. cvAdd(pMat,pMat1,pMatSum,NULL);

58. pMat1=pMatSum;

59. i++;

60. }

61. cvConvertScale(pMatSum, pMatAve, 0.02, 0 ); //求平均值

62. cvConvert(pMatAve, pMatBackground);

63. cvSmooth(pMatBackground, pMatBackground, CV_GAUSSIAN, 3, 0, 0);

64. cvSetCaptureProperty(pCapture, CV_CAP_PROP_POS_FRAMES, 0. );

65.

66. cvSmooth(pImgFrame, pImgFrame, CV_GAUSSIAN, 3, 0, 0); //高斯平滑

67. cvCvtColor(pImgFrame, pImgProcessed, CV_BGR2GRAY);

68. cvConvert(pImgProcessed, pMatFrame);

69. cvConvert(pImgProcessed, pMatProcessed);

70.

71.while(pImgFrame = cvQueryFrame( pCapture ))

72. {

73. cvShowImage("video", pImgFrame);

74. cvSmooth(pImgFrame, pImgFrame, CV_GAUSSIAN, 3, 0, 0);

75.

76. cvCvtColor(pImgFrame, pImgProcessed, CV_BGR2GRAY);

77. cvConvert(pImgProcessed, pMatFrame);

78.

79. cvSmooth(pMatFrame, pMatFrame, CV_GAUSSIAN, 3, 0, 0);

80. cvAbsDiff(pMatFrame, pMatBackground, pMatProcessed);

81.

82. cvThreshold(pMatProcessed, pImgProcessed, 20, 255.0, CV_THRESH_BINAR

Y);

83.

84.//cvPyrDown(pImgProcessed,pyrImage,CV_GAUSSIAN_5x5); //GAUSSIAN金字

塔向下采样

85.//cvPyrUp(pyrImage,pImgProcessed,CV_GAUSSIAN_5x5);

86.

87. cvErode(pImgProcessed, pImgProcessed, 0, 1); //腐蚀

88. cvDilate(pImgProcessed, pImgProcessed, 0, 1); //膨胀

89.

90. cvRunningAvg(pMatFrame, pMatBackground, 0.0003, 0); //背景更

新

91. cvConvert(pMatBackground, pImgBackground);

92.

93. cvFlip(pImgBackground,NULL,0); //垂直旋转图像

94. cvFlip(pImgProcessed,NULL,0);

95. cvShowImage("background", pImgBackground);

96. cvShowImage("processed", pImgProcessed);

97.

98.if( cvWaitKey(50) == 27 ) //触发Esc键，跳出

99. {

100.break;

101. }

102. }

103.

104. cvDestroyWindow("video");

105. cvDestroyWindow("background");

106. cvDestroyWindow("processed");

107.

108. cvReleaseImage(&pImgProcessed);

109. cvReleaseImage(&pImgBackground);

110.

111. cvReleaseMat(&pMatFrame);

112. cvReleaseMat(&pMatProcessed);

113. cvReleaseMat(&pMatBackground);

114.

115. cvReleaseCapture(&pCapture);

116.

117.return 0;

118.}

背景差分法MATLAB实现

程序1 背景差分法MA TLAB实现 function temp3 d=60; b='d\6\capfile3.avi'; e='.bmp'; for i=0:13 u=d+1; m=int2str(d); n=int2str(u); s=strcat(b,m,e); %连接字符 m=imread(s); m=rgb2gry(m); %灰度值 % imshow(m); if(d>=61) s=strcat(b,n,e); n=imread(s); n=rgb2gry(n); q=im2double(m); figure(18);imshow(q); w=in2double(n); figure(19);imshow(w) c=q-w; %进行差分处理 figure(20);imshow(c) figure(99);imshow(c);%绘制直方图 t=100;%此値可以调节（阈值调整） t=t/255; k=find(abs(c)>=t); c(k)=1; k=find(abs(c)

f0=imread('capfile3.avi61.bmp'); g=rgb2gray(f0);%图像灰度化 imshow(g); g2=imnoise(g,'salt & pepper',0.05);%加淑盐噪声 figure(3);imshow(g2); g3=medfilt2(g2,[3,3],'symmtric');%以3*3窗口中值滤波 figure(4);imshow(g3); g1=im2bw(g);%图像二值化 figure(2);imshow(g1); 程序3 % “高速公路汽车阴影”视屏的阴影去除的方法 clc; clear all; close all; % 打开视频文件对话框 h1=figure('toolbar','name','Shadow Removal'); [FileName.PathName]=uigetfile({'*.avi','avi(*.avi)','*.*', 'All Files(*.*)'},'Open video sequence'); if isequal([FileName,PathName],[0,0]) return else pic_path=fullfile(PathName,FileName); mov=aviread(pic_path); end n=100; % 读取视频帧数 s=1; % 起始为1 e=n; % 结束为n for i=s:e mov_gray(i).image=mov(i).cdate; % mov_gray(i).image 为第i帧图像 end [ih,iw,id]=size(mov_gray(1).image); % 取得视频帧的大小 % 计算1到第n帧的各个像素的均值 for i=s:e u=mov_gray(i).image; h=u(:)'; t(i,:)=h(:); end tmp=median(t); % 对t数组各列取均值 mean=reshape(tmp,ih,iw,id); % 将n帧均值图像恢复成h*w*d的图像矩阵，得到背景 figure,imshow(uint8(mean));title('背景图像');

基于背景建模的动态场景目标检测

2008年12月 December 2008 —203— 计 算 机 工 程Computer Engineering 第34 第24期 Vol 卷.34 No.24 ·人工智能及识别技术·文章编号：1000—3428(2008)24—0203—03 文献标识码：A 中图分类号：TP391.4 基于背景建模的动态场景目标检测 周箴毅，胡福乔 (上海交通大学自动化系模式识别所，上海 200240) 摘 要：背景建模一直是运动目标检测中的一个重要课题。该文提出一个适用于动态背景的基于非参数估计的前景背景对比模型。模型通过核函数估计的方法模拟了像素点五维特征向量(彩色灰度值，图像坐标)的概率分布，并在图像序列中滚动更新。对于每一个新入帧通过马尔可夫随机场最大后验概率判决框架将前景背景全局分割问题转化为最大流最小切求解。实验证明，上述算法能够在一般目标检测，特别是动态场景(摇动树枝等)的检测中取得较好的效果。 关键词：目标检测；核函数估计；最大后验概率-马尔可夫随机场模型 Object Detection in Nonstationary Scenes Based on Background Modeling ZHOU Zhen-yi, HU Fu-qiao (Institute of Pattern Recognition, Shanghai Jiaotong University, Shanghai 200240) 【Abstract 】Background modeling is an important issue in accurate detection of moving objects. This paper presents a novel non-parametric foreground-background model which explores the complex temporal and spatial dependencies in nonstationary scenes. The model estimates the probability of observing pixels’ five-dimensioned feature vector which represents its intensity values and spatial position information. The model is built and rolling-updated by kernel density estimation. And a Maximum A Posteriori-Markov Random Field(MAP-MRF) decision framework is used to segment the foreground and background by solving a graph-cut. Extensive experiments with nonstationary scenes demonstrate the utility and performance of the proposed approach. 【Key words 】object detection; kernel density estimation; Maximum A Posteriori-Markov Random Field (MAP-MRF) 1 概述 在一般的视频监控系统中都使用固定的摄像头对目标区域进行监视。在机器视觉中，摄像头的固定的假设使得目标检测可以在建立静态背景模型的基础上进行。但是在现实场景中，不论室内室外，静态背景的假设都有可能被破坏。动态背景的例子包括一些周期性运动，如吊扇的转动、钟摆、自动扶梯等这些都不是笔者感兴趣的目标，所以被归为背景一类更为合理。而室外自然场景中的一些动态纹理，如喷泉、摇曳的树叶、水波等也会干扰静态背景的目标检测。此外摄像机也可能由于各种原因发生轻微的抖动，基于上述种种原因，本文提出了一种能够在动态背景中鲁棒地进行目标检测的算法。 在当前运用背景建模进行目标检测的工作中，大致可分为2大类：一类是针对每个独立像素的特征信息建模；另一类是根据区域信息建立区域模型。目前大多数的方法都是属于第一类的，其中比较著名的有早期Wren 等人提出的高斯模型，但是高斯模型在大多数的室外场景中遇到了问题，因为一些往复运动、阴影和反射使得产生很多误检漏检。为此在高斯模型的基础上Friedman 和Russell 提出了更能真实反映多峰概率模型的混合高斯模型[1]。混合高斯模型已成为目前背景减除中最为常用的一个标准算法，但高斯混合模型也只是模拟了单个像素点在时间序列上的分布，而没有考虑到在一帧图像中存在的空间上的关联性。另外存在的一个问题是很难确定混合模型中高斯分布的个数。另一类区域模型算法中， 较为有效的有Oliver 等人提出的基于特征空间分解[2]的目标 检测算法，该算法对光线的变化鲁棒。另外Zhong 与Sclaroff 提出了基于自回归移动平均(Autoregressive Moving Average, ARMA)模型[3]来预测状态变化的算法。 本文提出的算法主要有3个特点：(1)考虑了图像空间域上的内在关联性。这种空间域上的关联性使模型在摄像机抖动、动态纹理等场景中更贴近自然。(2)同时建立背景模型和前景模型，前景模型的意义在后文模型建立中有所描述。 (3)由马尔可夫场最大后验概率做全局分割，强调了空间上的关联性，从而得到更完整的分割图像。 2 基于马尔可夫随机场的图像关联性描述 时间序列中的目标检测实际上也可以看作是对每一帧图像做前景和背景二值分割的问题。传统的混合高斯模型针对每一个像素位置的灰度值，建立一个时间域上的背景概率分布模型，并且假设各个像素点的分布是互相独立的。与混合高斯模型不同，本文为整个图像序列建立一个唯一的全局模型，这样做的好处是可以在考虑时间域上的马尔可夫性的同时考虑图像空间域上的马尔可夫性。简单地说，就是认为在 基金项目：国家“863”计划基金资助项目“基于交通流特性的动态交通小区智能划分技术”(2006AA11Z209) 作者简介：周箴毅(1983－)，男，硕士研究生，主研方向：机器视觉，模式识别；胡福乔，副教授 收稿日期：2008-04-15 E-mail ：zhouzhenyi99@https://www.wendangku.net/doc/859672402.html, 万方数据

辩证法的23 个原理

“一个一”是指一个核心——矛盾；“两个二”是指两大总特征：联系与发展；“三个三”是指三大规律：对立统一规律、质量互变规律、否定之否定规律；“四个四”是指四 对范畴：原因与结果、现实与可能、必然与偶然、现象与本质。 1 矛盾的同一性和斗争性的辩证关系原理：同一性和斗争性是矛盾的两种基本属性，是 矛盾双方相互联系的两个方面。同一性是指矛盾双方相互依存、相互贯通的性质和趋势。斗争性是矛盾着的对立面之间相互排斥、相互分离的性质和趋势。矛盾的同一性和斗争性是相互联结、相互制约的。同一性不能脱离斗争性而存在，没有斗争性就没有同一性，因为矛盾的同一性是以差别和对立为前提的，是包含差别和对立的同一；斗争性也不能脱离同一性而存在，斗争性寓于同一性之中。矛盾的同一性和斗争性相互联结、相互制约的原理，要求我们在分析和解决矛盾时，必须从对立中把握同一，从同一中把握对立。这是辩证认识的实质所在。反对只见对立、不见同一或者只见同一、不见对立的这种绝对化和片面化的形而上学的观点。 2 矛盾的普遍性和特殊性的辩证关系原理：矛盾的普遍性是指矛盾存在于一切事物 中，存在于一切事物发展过程的始终，即矛盾无处不处不在，无时不有。但是，不同事物的矛盾又是具体的，特殊的，即矛盾有其特殊性。矛盾的普遍性和矛盾的特殊性是辩证统一的关系。（1）矛盾的普遍性即矛盾的共性，矛盾的特殊性即矛盾的个性。矛盾的共性是无条件的、绝对的，矛盾的个性是有条件的、相对的。（2）任何现实存在的事物都是共性和个性的有机统一。共性寓于个性之中，没有离开个性的共性；个性也不能脱离共性，也没有离开共性的个性；共性不能代替个性，个性具有共性容纳不了的内容；一般和个别、普遍和特殊的区分是相对的，在一定条件下可以相互转化。矛盾的共性和个性相统一的关系，既是客观事物固有的辩证法，也是科学的认识方法。人的认识的一般规律就是由认识个别上升到认识一般，再由一般到个别的辩证发展过程。 3 矛盾的不平衡性原理：事物都是由矛盾群构成的，事物矛盾群中的多个矛盾以及矛 盾的各个方面在事物发展中的地位和作用是不同的，由此区分为根本矛盾和非根本矛盾，主要矛盾和非主要矛盾、矛盾的主要方面和次要方面。根本矛盾贯穿事物发展过程的始终，规定着事物的性质。主要矛盾、矛盾的主要方面处于支配地位，对事物的发展起决定作用，非主要矛盾、矛盾的次要方面处于被支配地位，对事物的发展不起决定性的作用。 4 主要矛盾和次要矛盾的辩证关系原理：唯物辩证法认为，在复杂事物的发展过程中，存在着许多矛盾，其中必有一种矛盾，它的存在和发展，决定或影响着其它矛盾的存在和发

背景差法是 3种

背景差法是3种 方法中最直接、最简单的一种方法．这种方法事先把背景图像存储下来，然后将前景图像与背景图像作差．一般情况下，由于运动物体在灰度上与背景灰度存在着很明显的差异，这样作差过后的差值图像只是在运动物体出有较大的灰度值．选取适当的阈值，差值图像的灰度值大于，视为前景物体，灰度值小于，视为背景点．运用背景差法通常会遇到背景的获取背景的更新和背景的扰动 1 问: Pluto对波长650纳米的激光校准，即上载一幅灰度值在0-255之间的图，施加的相位调制对应在0-2pi之间。如果改用波长532纳米的激光，上载灰度值范围为多少时，可以达到0-2pi之间的相位调制。 答: 若改用532nm激光，相位调制范围比650nm会大些。一般来说,SLM相位调制范围在短波长上会增加。 2 问: LC-R2500等型号对微机系统有什么具体要求？ 答: 目前的PC配置一般都能满足要求. 3 问: 说明书中提到相位校准过程中要加入起偏器和检偏器，请问SLM使用中是否要还要加入起偏器和检偏器？ 答: 正常使用中也需要加入起偏器和检偏器。并且，一般要求起偏器的偏振方向与SLM微显示板的长边方向一致，基本不影响入射偏振态，达到只改变相位的目的。 4 问: 入射光束和SLM法线的夹角有何限制，最大夹角大约为多少？ 答: 入射角度一般控制在6度以内，对相应偏振光的影响较小。 5 问: SLM调制时有时中心光斑仍比较强，导致衍射效果变差，请问何种原因？如何消除？ 答: 一般来说，衍射效果受填充因子和入射偏振态影响。使用中，应通过插入起偏器和检偏器来消除非相干光的影响。 6 问: Holoeye空间光调制器使用中应注意哪些问题？ 答: 一、防静电措施，特别是安装液晶显示面板时，应带防静电手套，防静电手腕；二、液晶显示面板与控制器之间的连线，应避免频繁插拔；三、空间光调制器部件的连接，应在断电状态下进行； 四、使用环境，应避免高温、高湿，并保证一定的洁净度。 7 问: Holoeye空间光调制器能否用于脉冲光？ 答: Holoeye空间光调制器可用于飞秒脉冲整形，具体损伤阈值取决于脉冲能量，重复频率、光斑大小等。一般连续光功率密度为2W/cm2,制冷状态下可承受更高功率。 8 问: Pluto系列的响应时间？ 答: VIS: ~25ms；NIR: ~30ms；TELCO:~ 40ms。 9 问: SLM Pluto和HEO 1080P的区别？ 答: Pluto与1080P采用相同的液晶显示面板，但Pluto的控制器体积小，是厂家改进的型号。而HEO1080P多应用于多通道 1.控制空间光调制器程序

FPGA论文背景差分法论文

FPGA论文背景差分法论文 摘要：视频图像处理对处理器的数据处理能力和实时性要求都非常高。设计基于fpga和背景差分算法的静态背景下运动目标检测系统，并详细介绍了系统的设计过程。采用fpga硬件实现系统设计，极大的提高了系统的实时性，能准确的检测出运动目标。 关键词：fpga；目标检测；视频处理；背景差分法 moving target real-time detection of fpga-based static background chen quanjin,zhang yide (school of optoelectronic information,university of electronic science and technology of china,chengdu610054,china) abstract:a video detection system of moving objects based on fpga and background difference algorithm is designed.and introduces the realization in detail.the system processing speed has been enhanced greatly,and the moving object can be detected in realtime and accurately under the staticbackground. keywords:fpga; object detection;video processing;background differencing

视频背景建模调研报告

视频背景建模调研 报告

视频背景建模调研报告 一、背景与重要意义 运动目标检测是计算机视觉领域的一个重要研究方向，是各种后续高级处理，如目标分类、行为理解等的基础，在安全监控、智能交通等领域都有着广泛的应用。而在计算机视觉以及智能视频监控等领域，背景建模是一项关键技术，是实现运动目标检测及跟踪的基础。因此，对于视频背景建模的研究有着重要的意义。 背景建模是序列图像分析的基础性工作，是当今国内外学者研究的热点问题。建模的结果将对视频图像的运动检测、运动目标分类、跟踪及行为理解等后续处理产生重要影响。可是由于实际应用环境的不同和背景的多样性，难以建立良好的背景样本。因此，在实际应用中需要经过不同的算法来优化设计方案，才能得到较好的成果。 二、国内外研究现状( ~ )： 期刊论文 1.杨敏 杨敏( 1969 － ) ，男，安徽泾县人。南京邮电大学自动化学院副教授。主要研究方向为计算机视觉和图像理解。

[1]杨敏, 安振英. 基于低秩矩阵恢复的视频背景建模[J]. 南京邮电大学学报: 自然科学版, , 33(2): 86-89. [2] 杨敏,安振英. 基于低秩矩阵恢复的视频背景建模 [J]. 南京邮电大学学报(自然科学版). (02) 2.李峰：中国科学技术大学自动化系 [1] 李峰. 智能视频监控系统中的行人运动分析研究 [D]. 中国科学技术大学. 3.龚大墉：重庆理工大学，信号与信息处理，，硕士 [1] 龚大墉. 数字视觉视频运动目标检测及其交通信息获取应用研究 [D]. 重庆理工大学. 4.刘亚利：北方工业大学，控制理论与控制工程，，硕士 [1] 刘亚利. 背景建模技术的研究与实现 [D]. 北方工业大学. 5.孙吉花：国防科学技术大学，控制科学与工程，，硕士 [1]孙吉花,刘肖琳.一种新的基于统计的背景减除方法 [J]. 计算机工程与应用. (22) 6.孙猛：北京交通大学电子信息工程学院 [1] 孙猛,袁小龙,王丽红. 基于FPGA的混合高斯背景建模实现 [J]. 电子技术应用. (09) 7.代科学：国防科技大学信息系统与管理学院系统工程系 [1] 代科学, 李国辉, 涂丹, 等. 监控视频运动目标检测减背景技术的研究现状和展望[J]. 中国图象图形学报, , 11(7): 919-927. 8.林洪文：国防科技大学管理科学与工程系多媒体实验室

《辩证法的要素》读书心得

《辩证法的要素》读书心得 《辩证法的要素》中，作者将辩证法的要素一步一步细分下来，由易到难，让读者能够逐步地理解、体会，这也在该文的一大特征。 这是列宁在研究黑格尔《逻辑学》一书时，以提纲形式写的一篇笔记，是他对黑格尔《逻辑学》的辩证法思想的概括和总结。列宁批判吸取了黑格尔辩证法的合理内核，在唯物主义基础上，系统地指明了唯物辩证法的基本要点和主要内容，第一次明确提出了对立统一规律是辩证法的核心，进一步丰富和发展了唯物辩证法。 主要讲了五方面的问题：（1）唯物辩证法的唯物主义前提；（2）唯物辩证法的基本原则；（3）唯物辩证法的规律和范畴；（4）认识过程中的辩证法；（5）对立统一规律是辩证法的核心。 “考察的客观性”，是指人们在认识事物时，必须从客观事物出发，按照事物的本来面目认识事物；就是要实事求是，从客观事物自身找出它们之间的联系，引出其固有的规律性，而不是从人们头脑里主观臆造出事物之间的联系及其发展的规律性。这是唯物辩证法认识、处理问题的根本出发点，也是唯物辩证法与唯心辩证法对立的根本原则。只有坚持“考察的客观性”，才能把辩证法建立在唯物主义基础上，才能正确认识和改造世界，才能与唯心辩证法划清界限。关于普遍联系的原则，基本思想有三点：第一，一事物与他事物之间存在多种多样的关系。第二，在事物多种多样的关系中存在着一般的、普遍的联系，即本质的必然的内在的联系，这种联系也就是规律。关于辩证法的运动发展的原则，包含两层意思：第一，一切事物都是运动、变化和发展的。第二，事物的运动是自己的运动。 而在要素的第一条中首先作者强调了在看待事物时，必须先要考察事物本身的客观性，也就是说，在我们使用辩证法的时候，必须要对事物本身有一个非常充分的了解，只有这样，才可能对事物有一个根本意义上的把握。 在对事物本身有了一个很好的把握之后，我们就需要考虑该事物与周围其他事物之间具有的某些联系，也就是要抓出它们之间的关系，把它们之间的关系给理清楚，有助于我们对该事物更深一个层次的了解。

基于背景减法和帧差法的运动目标检测算法研究

分类号：密级 硕士学位论 文 论文题 目:基于背景减法和帧差法的运动目标检测算法研 究 研究方向图像处理 专业名称通信与信息系统 研究生姓名余启明 导师姓名、职称任克强教授 2013年6月5日 江西?赣州

运动目标检测是计算机视觉领域的一个重要课题，在航空航天、视频监控以及智能交通等领域有着广泛的应用前景。研究视频图像序列中运动目标检测算法具有重要的理论价值和实践意义。本文在分析几种常见运动目标检测算法的基础上，着重研究了背景减法和帧差法。本文所做的主要工作如下： (1)分析了运动目标检测的应用背景、研究现状和目标检测中要用到的一些视频图像处理理论。对视频序列中常用的光流法、帧差法和背景减法等运动目标检测算法进行研究，分别介绍了它们的基本原理和一些改进算法。特别是针对背景减法，分析了常见的几种背景减法的建模方法。 ⑵在分析现有背景建模方法的基础之上，发现采用传统混合高斯模型建模进行目标检测时，其学习速率不可根据背景的改变而改变，影响了背景的更新效率，本文提出了一种改进的运动目标检测算法。改进的算法把学习速率分成背景建模初期和背景形成以后这两个阶段，在这两个阶段里均采用自适应的学习速率，使得模型可以更即时地更新，从而能够及时更新背景，消除运动目标的残影，提高检测准确率。实验结果表明，本文算法可以更准确地检测出运动目标，较好地消除阴影，并具有较好的自适应性和稳健性。 ⑶在分析传统帧差法进行目标检测的基础之上，针对运动目标颜色与背景灰度值相似情况下出现检测的目标轮廓不完整的问题，本文进行了改进。先用改进的帧差法进行运动目标检测，再将Canny算子作用于此目标，以提取出边缘信息，最后将目标边缘与原目标取“或”操作。此方法能够较好地解决运动目标和背景颜色差别较小时，检测的运动目标轮廓不完整的问题，从而得到更加准确的运动目标。实验结果表明，本文提出的改进的基于边缘检测与帧差法的运动目标检测算法可用于比较复杂的环境，对目标色彩的局限性小，具有较好的实用性。 关键词：目标检测；背景减法；混合高斯模型；边缘检测；帧差法 Abstract The detection of moving targets is an important topic in the field of computer vision, and has a wide range of applications in the aerospace, video surveillance, intelligent transportation and other fields. Studying moving target detection algorithm of video image sequence has important theoretical value and practical significance. This paper focuses on the analysis of several common moving target detection algorithms which based on background subtraction and frame difference. The main work of this paper is as follows: (1)Analyzed the background of moving object detection, the current situation and video image processing theory of target detection. Studied three moving target detection algorithms, which are optical flow method, the frame difference method and background subtraction. The principles of these algorithms and improved algorithms are analyzed. At last, this paper studied the modeling methods of the background subtraction. (2)The fixed learning rate is adopted by traditional Gaussian mixture model, in other words,

目标检测中背景建模方法

目标检测中背景建模方法 2012-11-19 10:29 5451人阅读评论(0) 收藏举报 分类：运动检测（7） 背景建模或前景检测的算法主要有： 1. Single Gaussian (单高斯模型) Real-time tracking of the human body（人体的实时跟踪） 2. 混合高斯模型（Mixture of Gaussian Model） An improved adaptive background mixture model for real-time tracking with shadow detection （一种改进的自适应背景混合模型与阴影实时跟踪检测） 3. 滑动高斯平均（Running Gaussian average）---Single Gaussian Real-time tracking of the human body 对于单高斯和混合高斯估计大家都熟悉，这里不再累述（混合高斯在现有的背景建模算法中应该算是比较好的，很多新的算法或改进的算法都是基于它的一些原理的不同变体，但混合高斯算法的缺点是计算量相对比较大，速度偏慢，对光照敏感）； 4. 码本(CodeBook) Real-time foreground–background segmentation using codebook model Real-time foreground-background segmentation using a modified（改进的）codebook model 对与Codebook算法，曾经做过实验，效果还可以，后来也有多种变体，没有进一步的进行研究，但算法对光照也敏感； 5. 自组织背景检测( SOBS-Self-organization background subtraction) A self-Organizing approach to background subtraction for+visual surveillance（背景减法的自组织方法+视觉监视） 对于自组织背景建模算法即SOBS算法，该算法对光照有一定的鲁棒性，但MAP的模型比输入图片大，计算量比较大，但是可以通过并行处理来解决算法的速度问题，可以进行尝试； 6. 样本一致性背景建模算法(SACON) sample consensus A consensus-based method for tracking A consensus-based method for tracking-Modelling background scenario（背景场景）and foreground appearance SACON-Background subtraction based on a robust consensus method SACON算法是基于统计的知识，代码实现过，并做过实验，效果还可以，但没有进一步的分析； 7. VIBE算法 ViBeA Universal Background Subtraction（一个通用的背景差方法） VIBE算法是B哥的一个大作，网上有现成的算法可用，但已申请了专利，用于做研究还是可以的，该算法速度非常快，计算量比较小，而且对噪声有一定的鲁棒性，检测效果不错；VIBE算法的详细版解释https://www.wendangku.net/doc/859672402.html,/stellar0/article/details/8777283

唯物辩证法的基本原理

唯物辩证法的联系观(6条原理) 原内容（世界观） 理 联联系，就是事物之间以及事物内系部诸要素之间的相互影响、相互的制约和相互作用。世界是一个普普遍联系的有机整体，是一幅由种遍种联系交织起来的丰富多彩的画性面，其中没有一个事物是孤立存在的。 联唯物辩证法认为，联系是客观的。系联系是事物本身所固有的，不以的人的意志为转移。(自在事物和人 客为事物的联系都是客观的) 观 性 联唯物辩证法认为，世界上的事物 系千差万别，事物的联系也是多种 的多样的。 多 样 性 联事物之间都是有条件地联系着系 的，无条件的联系是不存在的。的 任何具体的联系都依赖于一定条条 件，随着条件的改变，事物之间件 及事物内部因素之间的联系的性性 质、方式也要发生变化。 整唯物辩证法认为，(1)整体和部分体是相互区别的：①含义不同。②和整体和部分在事物发展过程中的部地位、作用和功能各不相同。 分⑵整体和部分又是相互联系、密 辩不可分的。①相互依赖。证②相 互影响。 关(具体内容略) 系 方法论 要用联系的观点看问题，反对用 孤立观点看问题。既要看到事物 之间的联系，又要看到事物内部 诸要素之间的联系。 ①要从事物固有的联系中把握 事物，切忌主观随意性。②联系 是客观的，并不意味着人对事物 的联系无能为力，人们可以根据 事物固有的联系，改变事物的状 态，调整原有的联系，建立新的 联系。 要求我们注意分析和把握事物 存在和发展的各种条件。我们在 认识世界和改造世界的过程中， 既要注重客观条件，又要恰当运 用自身的主观条件；既要把握事 物的内部条件，又要关注事物的 外部条件；既要认识事物的有利 条件，又要重视事物的不利条 件。总之。要一切以时间、地点、 条件为转移。 一切以时间地点条件为转移，具 体分析事物之间联系的条件性。 我们应当树立全局观念，立足于 整体，统筹全局，选择最佳方案， 实现整体的最优目标，从而达到 整体功能大于部分功能之和的 理想效果；同时必须重视部分 的作用，搞好局部，用局部的 发展推动整体的发展。 反对 反对割裂事物之 间的联系，用形 而上学孤立的观 点来认识和处理 问题。 反对否定事物的 联系，或主观臆 造联系，把本来 不存在的联系强 加给事物。 反对以一种联系 概括事物之间多 种多样的不同联 系，否认联系的 多样性。 反对忽视联系的 条件性，认为任 何事物之间都存 在着相互联系是 错误的。 既要反对只考虑 整体利益，忽视 局部利益的做法； 又要反对只重视 局部、部分利益 而置整体利益于 不顾，把整体和 部分割裂开来。

背景差分法

背景差分法又称背景减法，背景差分法的原理是将当前帧与背景图像进行差分来得到运动目标区域，这种方法较帧差法能更好的识别和提取运动目标，是目前运动分割中最常用的一种方法。但是需要构建一幅背景图像，这幅背景图像必须不含运动目标，并且应该能不断的更新来适应当前背景的变化，构建背景图像的方法有很多，比较常用的有基于单个高斯模型的背景构建，基于混合高斯模型的背景构建，基于中值滤波器的背景构造，基于卡尔曼滤波器的背景构造，基于核函数密度估计的背景模型构造。 背景差分法法是静止背景下运动目标识别和分割的另一种思路。如不考虑噪音n(x ，y ，t)的影响，视频帧图像I(x ，y ，t)可以看作是由背景图像b(x ，y ，t)和运动目标m(x ，y ，t)组成： (,,)(,,)(,,)I x y t b x y t m x y t =+ （4-14） 由式(4-14)可得运动目标m(x ，y ，t)： (,,)(,,)(,,)m x y t I x y t b x y t =- （4-15） 而在实际中，由于噪音的影响，式(4-15)不能得到真正的运动目标，而是由运动目标区域和噪音组成的差分图像d(x ，y ，t)，即： (,,)(,,)(,,)(,,)d x y t I x y t b x y t n x y t =-+ （4-16） 得到运动目标需要依据某一判断原则进一步处理，最常用的方法为阈值分割的方法： (,,)(,,)(,,)0 (,,)I x y t d x y t T m x y t d x y t T ≥?=?

融合光流速度与背景建模的目标检测方法_张水发

第16卷　第2期2011年2月 中国图象图形学报J o u r n a l o f I m a g e a n d G r a p h i c s V o l .16,N o .2 F e b .,2011 中图法分类号:T P 391.41 文献标志码:A 文章编号:1006-8961(2011)02-0236-08 论文索引信息:张水发,张文生,丁欢,杨柳.融合光流速度与背景建模的目标检测方法[J ].中国图象图形学报,2011,16(2):236-243 收稿日期:2009-09-08;修回日期:2009-12-11 基金项目:国家基础研究发展计划项目(973)(2004C B 318103);国家高技术研究发展计划项目(863)(2007A A 012138578);国家自然科学基金项目(60033020);中国科学院海外杰出人才研究计划项目(06S 3011S 01);软件工程国家重点实验室开放基金支持项目(S K L S E 2008-07-19)。 第一作者简介:张水发(1985—　),男。现为中国科学院自动化研究所复杂系统与智能科学重点实验室模式识别与智能系统专业硕士研究生,主要研究方向为图像处理、行为识别。E -m a i l :z h a n g s f 85@g m a i l .c o m 。 融合光流速度与背景建模的目标检测方法 张水发,张文生,丁欢,杨柳 (中国科学院自动化研究所,北京　100190) 摘　要:为了克服传统基于像素的背景建模方法不能很好地描述背景运动的问题,提出了一种融合光流速度与背景建模的目标检测方法。结合像素的灰度信息、空间信息和时间信息计算出每个像素的光流速度,利用光流速度在时间域上的统计信息为背景建立光流速度场模型。利用建立的背景模型快速、准确地实现运动目标的检测。实验结果表明,融合光流速度的背景建模方法能有效地描述背景的运动,显著降低运动背景产生的噪音,鲁棒地实现运动目标检测。 关键词:背景建模;光流法;目标检测;混合高斯 B a c k g r o u n d m o d e l i n g a n do b j e c t d e t e c t i n g b a s e d o n o p t i c a l f l o wv e l o c i t y f i e l d Z h a n g S h u i f a ,Z h a n g W e n s h e n g ,D i n g H u a n ,Y a n g L i u (I n s t i t u t e o f A u t o m a t i o n ,C h i n e s e A c a d e m y o f S c i e n c e s ,B e i j i n g 100190C h i n a ) A b s t r a c t :T h e t r a d i t i o n a l p i x e l -b a s e d b a c k g r o u n d m o d e l c a n n o t r e p r e s e n t t h e b a c k g r o u n dm o t i o n e f f i c i e n t l y .I n t h i s p a p e r ,an o v e l s t r a t e g y i s p r o p o s e d t o m o d e l b a c k g r o u n da n d t r a c km o v i n g o b j e c t s b a s e d o n o p t i c a l f l o wv e l o c i t y f i e l d .S t a t i s t i c s o n i n t e n s i t y ,s p a t i a l a n dt e m p o r a l i n f o r m a t i o no f p i x e l sa r ee x t r a c t e dt og e n e r a t et h eo p t i c a l f l o wf i e l d ,w h i c hi su s e dt o f o r m u l a t ean o v e lb a c k g r o u n dm o d e l f o rt r a c k i n gm o v i n go b j e c t se f f i c i e n t l ya n d e x a c t l y .T h i so p t i c a l -f l o w -f i e l d -b a s e d s t r a t e g y c a n r e d u c e n o i s e g e n e r a t e db y b a c k g r o u n dm o t i o n s i g n i f i c a n t l y a n d t r a c k m o v i n g o b j e c t s r o b u s t l y ,a s i l l u s t r a t e d i n o u r e x p e r i m e n t s .K e y w o r d s :b a c k g r o u n d m o d e l i n g ;o p t i c a l f l o w ;o b j e c t d e t e c t i n g ;m i x t u r e o f G a u s s 0　引　言 运动目标检测是从图像序列中提取运动目标,有效分割运动目标对目标的分类、跟踪及行为理解等后期处理具有非常重要的意义。由于实际场景中,背景受光照、天气或其他因素影响,并不能保证完全静止,导致背景物体以及前景物体的运动同时 存在于待检测图片中,使运动目标检测成为一项相 当困难的工作,成为目前计算机视觉和图像理解研究的难点和热点问题之一。 背景减除法[1-6] 是目前最常用的运动目标检测 方法,通过对背景的学习得到背景模型,通过当前帧与背景模型比较,将不符合背景模型分布的部分判定为运动目标。理想情况下,背景完全静止,可表示为一帧背景图像;但大多数情况下,由于边缘像素抖

考研政治 辩证法23个原理

辩证法23个原理 “一个一”是指一个核心——矛盾；“两个二”是指两大总特征：联系与发展；“三个三”是指三大规律：对立统一规律、质量互变规律、否定之否定规律；“四个四”是指四对范畴：原因与结果、现实与可能、必然与偶然、现象与本质。 1 矛盾的同一性和斗争性的辩证关系原理：同一性和斗争性是矛盾的两种基本属性，是矛盾双方相互联系的两个方面。同一性是指矛盾双方相互依存、相互贯通的性质和趋势。斗争性是矛盾着的对立面之间相互排斥、相互分离的性质和趋势。矛盾的同一性和斗争性是相互联结、相互制约的。同一性不能脱离斗争性而存在，没有斗争性就没有同一性，因为矛盾的同一性是以差别和对立为前提的，是包含差别和对立的同一；斗争性也不能脱离同一性而存在，斗争性寓于同一性之中。矛盾的同一性和斗争性相互联结、相互制约的原理，要求我们在分析和解决矛盾时，必须从对立中把握同一，从同一中把握对立。这是辩证认识的实质所在。反对只见对立、不见同一或者只见同一、不见对立的这种绝对化和片面化的形而上学的观点。 2 矛盾的普遍性和特殊性的辩证关系原理：矛盾的普遍性是指矛盾存在于一切事物中，存在于一切事物发展过程的始终，即矛盾无处不处不在，无时不有。但是，不同事物的矛盾又是具体的，特殊的，即矛盾有其特殊性。矛盾的普遍性和矛盾的特殊性是辩证统一的关系。（1）矛盾的普遍性即矛盾的共性，矛盾的特殊性即矛盾的个性。矛盾的共性是无条件的、绝对的，矛盾的个性是有条件的、相对的。（2）任何现实存在的事物都是共性和个性的有机统一。共性寓于个性之中，没有离开个性的共性；个性也不能脱离共性，也没有离开共性的个性；共性不能代替个性，个性具有共性容纳不了的内容；一般和个别、普遍和特殊的区分是相对的，在一定条件下可以相互转化。矛盾的共性和个性相统一的关系，既是客观事物固有的辩证法，也是科学的认识方法。人的认识的一般规律就是由认识个别上升到认识一般，再由一般到个别的辩证发展过程。 3 矛盾的不平衡性原理：事物都是由矛盾群构成的，事物矛盾群中的多个矛盾以及矛盾的各个方面在事物发展中的地位和作用是不同的，由此区分为根本矛盾和非根本矛盾，主要矛盾和非主要矛盾、矛盾的主要方面和次要方面。根本矛盾贯穿事物发展过程的始终，规定着事物的性质。主要矛盾、矛盾的主要方面处于支配地位，对事物的发展起决定作用，非主要矛盾、矛盾的次要方面处于被支配地位，对事物的发展不起决定性的作用。 4 主要矛盾和次要矛盾的辩证关系原理：唯物辩证法认为，在复杂事物的发展过程中，

背景减除法

背景消减法_OpenCV_详解 一.基本概念 背景消减法可以看作一种特殊的帧差法。 基本思想：利用当前帧图像与背景图像对应象素点的灰度差值来检测车辆。如果当前图像的象素点和背景图像的象素点灰度值差别很大，就认为此象素点有车通过；相反，如果当前图像的象素点和背景图像的象素点灰度值差别较小，在一定的阈值范围内，我们就认为此象素点为背景象素点。 背景差值法假定图像背景是静止不变的，即图像背景不随图像帧数而变，可表示为 b(x,y)，定义图像序列为f(x,y,i)，其中(x,y)为图像位置坐标，i为图像帧数，将每一帧图像的灰度值减去背景的灰度值可得到一个差值图像：id(x,y,i)=f(x,y,i)-b(x,y) 背景差值法检测运动目标速度快，检测准确，易于实现，其关键是背景图像的获取与背景更新。在实际应用中，静止背景是不易直接获得的，同时，由于背景图像的动态变化，需要通过视频序列的帧间信息来估计和恢复背景，即背景重建，所以要选择性的更新背景。然而它对于动态场景的变化，例如光照的变化和阴影的干扰等特别敏感。因此，选取一个可靠的背景模型进行背景的提取与动态更新以适应环境的变化是必要的。 使用背景差分法进行运动检测通常会遇到如下一些问题： （1）背景获取：最简单的方法是在场景中没有运动目标的情况下进行，但在现实中肯定是无法满足的，如高速公路和城市交通的监控，需要一种方法能在场景存在运动目标的情况下获得背景图像。 （2）背景的扰动：如树叶、树枝等各种东西的摇动 （3）外界光照条件的变化 （4）背景中固定对象的移动 （5）背景的更新 （6）阴影的影响 背景消减法根据其背景模型的不同又可分为：直方图法、平均值法、单分布高斯背景模型、混合高斯分布背景模型、Kalman滤波器法，HMM模型法。