当前位置：文档库 › 运动目标检测与跟踪算法

运动目标检测与跟踪算法

文章编号 2 2 2

一种基于背景模型的运动目标检测与跟踪算法

刘亚艾海舟徐光佑

清华大学计算机科学与技术系北京

摘要本文提出了一种静止摄像机条件下的运动目标检测与跟踪算法它以一种改进的自适应混合高斯模型为背景更新方法用连通区检测算法分割出前景目标以滤波为运动模型实现对运动目标的连续跟踪在目标跟踪时该算法针对目标遮挡引起的各种可能情况进行了分析引入了对运动目标的可靠性度量增强了目标跟踪的稳定性和可靠性在对多个室外视频序列的实验中该算法显示了良好的性能说明它对于各种外部因素的影响如光照变化!阴影!目标遮挡等具有很强的适应能力 Ξ

关键词背景模型混合高斯模型滤波运动目标检测与跟踪

中图分类号 ×° 文献标识码

ΜΟ?ΙΝΓΟΒ?ΕΧΤΔΕΤΕΧΤΙΟΝΑΝΔΤΡΑΧΚΙΝΓΒΑΣΕΔΟΝ

ΒΑΧΚΓΡΟΥΝΔΣΥΒΤΡΑΧΤΙΟΝ

≠ 2 ∏÷ ∏ 2 ∏

ΔεπαρτμεντοφΧομπυτερΣχιενχεανδΤεχηνολογψ ΤσινγηυαΥνι?ερσιτψ

Αβστραχτ √ ? ∏ ∏ ∏ √ ∏ ∏ ? ∏ √ ∏ × ∏ √ ∏ ∏ ∏ √ √ ∞? √ ∏ √ √ √ ∏

Κεψωορδσ ∏ ? ∏ ∏ √

1引言 Ιντροδυχτιον

视觉监视是指在实际环境中对人和车辆等进行实时的观察并给出对它们行为和动作的描述这一技术包括了运动目标的检测!跟踪!目标分类和行为理解等方面涉及到计算机视觉!模式识别和人工智能领域的许多核心课题是一个具有挑战性的困难问题近年来随着视觉监视系统所需的硬件设备成本大大降低它获得了日益广泛的研究与应用许多关于视觉监视的大规模研究项目已经在美国!欧洲和日本展开同时它也成为许多国际学术会议关注的重要主题 ? 等的° 是一个利用颜色和形状特征对大视角范围内的人进行跟踪的实时系统≈ 等介绍了一种更通用的运动物体检测和事件识别系统≈ 它通过检测帧间图象变化来发现运动物体在跟踪中上使用了一阶预测和最近邻匹配技术 ∏等的? 是一个可以在室外对人进行实时检测和跟踪的视觉监视系统≈ 它将外形分析与跟踪技术相结合来跟踪人体各个部分的位置并为人的外形建立模型 ≤ 等介绍了由≤ 和≥ 公司合作研究的一种视觉监视系统≈ 它使用多个相互协作的摄像机在复杂环境里对人和车进行连续的跟踪并对目标类别和行为进行分析

运动目标检测与跟踪处于整个视觉监视系统的最底层是各种后续高级处理如目标分类!行为理解等的基础运动目标检测是指从视频流中实时提取

第卷第期年月

信息与控制

≤

∏

Ξ收稿日期

基金项目国防预研项目资助

目标而运动目标跟踪则指对目标进行连续的跟踪以确定其运动轨迹

针对静止摄像机的情况如图所示我们根据

背景模型来检测前景点背景模型以≥ ∏ 等提出的自适应混合高斯模型≈ 为蓝本并对其作了部分改进以更好地处理实际背景发生变化的情形

图运动目标检测与跟踪处理流程

? × √

2 背景模型 Βαχκγρουνδμοδελ

在静止摄象机条件下运动目标检测的关键是背景图象的描述模型即背景模型它是背景消减法分割前景目标的基础背景模型有单模态和多模态两种前者在每个背景点上的颜色分布比较集中可以用单个概率分布模型来描述后者的分布则比较分散需要多个分布模型来共同描述自然界中的许多景物和很多人造物体如水面的波纹!摇摆的树枝!飘扬的旗帜!监视器荧屏等都呈现出多模态的特性≈ 最常用的描述背景点颜色分布的概率模型是高斯分布正态分布

为叙述方便我们用Γ ξ Λ 2 来表示均值为Λ!协方差矩阵为2的高斯分布的概率密度函数由

于背景模型中对各个图象点的处理是完全独立的所以若不作特殊说明本文所有关于背景模型的描述都是针对同一图象点位置而言的

2 1 单高斯分布背景模型

单高斯分布背景模型≈ 适用于单模态背景情

形它为每个图象点的颜色建立了用单个高斯分布表示的模型Γ ξ Λτ 2τ 其中下标τ表示时间设图象点的当前颜色度量为Ξτ 若Γ Ξτ Λτ 2τ [Τπ 这

里Τπ为概率阈值则该点被判定为前景点否则为背景点这时又称Ξτ与Γ ξ Λτ 2τ 相匹配在实际应用中可以用等价的阈值替代概率阈值如记δτ

Ξτ Λτ 则可以根据δ×τ

δτ的值设置相应的前

景检测阈值在常见的一维情形中以Ρτ表示均方差则常根据δτùΡτ的取值设置前景检测阈值若δτù

Ρτ Τ 则该点被判定为前景点否则为背景点单高斯分布背景模型的更新即指各图象点高斯

分布参数的更新引入表示更新快慢的常数))更新率Α 则该点高斯分布参数的更新可表示为

Λτ Α ?Λτ Α?δτ

Α ?Ε

Α?δτδ×τ

2 2 多高斯分布背景模型

多模态背景的情形则需要用多个分布来共同描

述一个图象点上的颜色分布 ≥ ∏ 等≈ 提出了

一种自适应混合高斯模型对每个图象点采用了多个高斯模型的混合表示设用来描述每个点颜色分布的高斯分布共有Κ个分别记为Γ ξ Λτ ι 2τ ι ι

, Κ 各高斯分布分别具有不同的权值ωτ ? Ει

ωτ ι 和优先级πι ωτ ιTΕ

τ ι

T ù

它

们总是按照优先级从高到低的次序排序取定适当的背景权值部分和阈值只有在此阈值之内的前若干个分布才被认为是背景分布其它则是前景分布在检测前景点时按照优先级次序将Ξτ与各高斯分布逐一匹配若没有表示背景分布的高斯分布与Ξτ匹配则判定该点为前景点否则为背景点

多高斯分布背景模型的更新较为复杂因为它

不但要更新高斯分布自身的参数还要更新各分布的权重!优先级等若检测时没有找到任何高斯分布与Ξτ匹配则将优先级最小的一个高斯分布去除并根据Ξτ引入一个新的高斯分布并赋予较小的权值和较大的方差然后对所有高斯分布重新进行权值归一化处理若第μ个高斯分布与Ξτ匹配则对第ι个高斯分布的权值更新如下

ωτ ι

Β ?ωτ ι Β?ωτ ι ι μ Β ?ωτ ι

其中Β是另一个表示背景更新快慢的常数))权值更新率表明只有与Ξτ相匹配的高斯分布的权值才得到提高其它分布的权值都被降低另外相匹配的高斯分布的参数也按照 ! 被更新在更新完高斯分布的参数和各分布权值后还要对各个分布重新计算优先级和排序并确定背景分布的数目

2 3 背景模型的更新

背景模型的更新策略是背景模型设计中最关键

的技术在模型更新时应当注意如下两条原则

背景模型对背景变化的响应速度要足够

快背景的变化可能是≠由光照变化等因素引起的

信息与控制卷

背景本身颜色的变化也可能是背景区域的变化如前景和背景的相互转化如果背景模型不能迅速跟上实际背景的变化检测结果中就会出现大范围的噪声或不合理的长时间静止前景物体如图 2 中静止的汽车启动后留下的/影子0

背景模型对运动目标要有较强的抗干扰

能力因为在背景模型的更新过程中背景模型的每个点都受到了一个颜色序列的/训练0 不论实际场

景中该点是处于静止背景上还是在运动目标上静止的背景或目标的这种/训练0是我们所希望的而运动目标的/训练0则是不希望看到的特别是当运动物体尺度较大或运动较慢时这种长时间的/训练0可能会引起错误的检测结果如在运动目标的尾部产生/空洞0 特别是两个颜色相近的物体交错而过时更加明显图 2

汽车启动后留下的/影子行人对汽车的影响

图背景模型更新中的一些问题

? ≥ ∏ ∏ ∏

这两个原则是有矛盾的需要折中处理对于单

高斯分布的背景模型我们的方法是将背景模型更新与后面的跟踪结果相结合赋予背景点和静止的前景点静止目标较大的更新率而赋予运动的前景点运动目标较小的更新率这实际上是用运动目标跟踪的结果来指导更新经过这种改进可以在保护背景模型不受运动目标影响的同时迅速响应背景的变化

多高斯分布的背景模型在这些问题上的表现要

比单高斯分布背景模型好得多因为它本身有多个高斯分布判定前景ù背景并不单单依赖于某个高斯分布更依赖于各个分布的权值和优先级对中的情形它可以通过引入新的高斯分布解决对

由于只有相匹配的高斯分布的高斯参数才得到更新所以受运动物体的干扰也不是那么严重但它的不足依然存在因为它并没有对中静止目标的情况作特别处理也没有考虑到中的不同

/训练0之间的区别因而它对背景变化的响应速度

比较慢大而慢的运动目标仍然容易带来/空洞0 我们对它的改进与对单高斯分布背景模型的改进相似仍然是对背景点!静止前景点!运动前景点的更新率区别对待只是作用的参数变成了权值更新率

Β 而不是高斯分布参数的更新率Α

3 运动目标分割 Μο?ινγοβ?εχτσεγμεντα?τιον

前景目标分割的依据通常是目标的空间连续性和颜色一致性由于后者很多时候并不可靠所以一般根据空间连续性采用连通区域检测算法来分割目标≈ 连通区域分割受初始数据中的噪声影响很大一般需要先进行去噪处理这一步可以通过形态学运算实现利用腐蚀和膨胀算子分别去除孤立的噪声前景点和填补目标区域的小孔但这种处理也会影响目标原本的边缘和形状特别是目标本身尺度较小的时候它的边缘细节很容易被去噪处理破坏

从左到右依次为初始前景点集Φ!

扩张集Φε!收缩集Φχ和分割结果

图目标分割示意图

? ∏

为了解决这个问题我们对连通检测算法作了

修正将去噪后连通检测的结果重新返回到初始前

期刘亚等一种基于背景模型的运动目标检测与跟踪算法

景点集上以恢复其固有的边缘记由背景模型消减得到的前景点集为Φ 我们先对Φ分别进行膨胀和

腐蚀处理得到扩张集Φ

ε和收缩集Φ

可以认为扩

张集Φ

ε和收缩集Φ

分别是对初始前景点集Φ进行

填补小孔和去除孤立噪声点的结果所以应有Φ

Φ Φε 然后以收缩集Φχ作为起始点在扩张集Φε

上检测连通区域检测结果记为 Ρ

ει

ι , Ν 最后将检测所得的连通区域重新投影到初始前

景点集Φ上得到最后的连通检测结果 Ρ

ΡειΗΦ ι , Ν 如图所示这种分割算法既保持了目标的完整性避免了噪声前景点的影响又保留了目标的边缘细节部分

在分割出目标区域后可以提取前景目标的静态特征包括外接矩形大小!面积!长宽比!中值点位置!颜色投影直方图等

4运动目标跟踪 Μο?ινγοβ?εχττρχκινγ 运动目标跟踪的目的是确定各运动目标的运动轨迹其关键是在检测所得的静态前景目标和受跟踪的动态运动目标之间建立对应关系≈ 这种对应关系的建立可以通过目标特征匹配来实现常用的匹配特征有目标的位置!大小等以及形状和颜色等我们采用二阶滤波器作为目标的运动模型预测运动目标的位置在对预测后的运动目标和前景目标进行匹配时利用图象块匹配来精确定位目标的位置

运动目标跟踪中的一个难题是对多个目标间相互遮挡关系的处理我们将运动目标和前景目标间的对应关系分为类分别处理

出现到一个新运动目标开始出现初始化一运动目标设定初始目标权值并置合并ù分离计数为

消失到一个运动目标正在消失用其预测目标更新它降低该目标的权值置合并ù分离计数为

理想跟踪到没有发生遮挡的正常跟踪用相应的前景目标更新该运动目标根据其速度判断它是处于运动还是静止状态置合并ù分离计数为

合并 ν到多个目标相互间出现遮挡的情形将各运动目标的合并ù分离计数增若这些目标速度相近且合并ù分离计数足够大则将它们合并成一个大运动目标))由该前景目标初始化一新运动目标并继承原先众运动目标的动态特征否则各目标仍用各自经修正的预测结果进行更新分离到ν 与合并相反的过程将各运动目标的合并ù分离计数减若合并ù分离计数足够小则将该运动目标分为多个小运动目标))由这些前景目标初始化多个运动目标并继承原目标的动态特征否则将这些前景目标合并成一个大前景目标并以之更新该运动目标

复杂遮挡 μ到ν 这种复杂遮挡的情况很难处理我们采取一种简单的处理办法去除原来的μ个运动目标再由这些前景目标各自初始化一新运动目标

这里的目标权值是我们引入的表示运动目标可靠性的度量根据它由高到低的次序运动目标被分为可见可靠的运动目标参加目标匹配 !活动不可靠的运动目标但也参加目标匹配和非活动不参加目标匹配三类只有当某运动目标连续出现足够多次才会被认为是可靠的反之可靠的运动目标也要连续消失多次才会被认为确实消失了这种处理可以减弱前景目标误检测和漏检测的影响使运动目标的跟踪过程更加稳定

5实验结果与分析 Εξπεριμενταλρεσυλτσανδαναλψσισ

我们使用固定在三脚架上的摄像机在室外摄取了若干视频序列进行实验视频图象帧的大小为 ? 真彩色格式在普通°≤机 ° ∏ ≤° 上目标检测与跟踪算法达到了的处理速度

图是对背景模型的更新策略改进前后的实验对比结果其中最顶行为视频图象帧第 !第行分别是单高斯分布背景模型在改进前后的检测结果第 !第行则分别是多高斯分布背景模型在改进前后的检测结果从图中可以看出在对背景!静止目标!运动目标使用不同的更新策略后运动目标/影子0的消失变快了单高斯分布背景模型中从帧之后提前到第帧多高斯分布背景模型也从第帧提前到第帧说明背景模型对背景变化的响应速度有了明显提高

图是对一前景点集进行目标分割的结果可以清楚看出扩张和收缩两个步骤分别对小孔和小噪声前景点的处理效果

图是对一个目标间存在遮挡的视频序列进行目标跟踪的结果图中用不同的颜色标记出被跟踪的汽车和行人的运动情况在遮挡发生时我们依靠

信息与控制卷

运动预测和图象块匹配来估计汽车和行人的准确位置对它们的姿态则仍认为与遮挡前相同

自行车留下/影子0 行人与汽车交错而过自行车/影子0消失

图背景模型改进前后的检测结果第行为视频图象帧第 !第行分别是单高斯分布背景模型在改进

前后的检测结果第 !第行则分别是多高斯分布背景模型在改进前后的检测结果

? ? ∏ ∏ √

待分割前景普通检测收缩扩张扩张收缩

图前景目标分割

? ? ∏

图遮挡条件下的运动目标跟踪

? √ ∏ ∏ ∏

6 结论 Χονχλυσιον

本文提出了一种静止摄像机条件下基于背景模型的运动目标检测和跟踪算法算法中采用的自适应背景模型对背景!静止目标和运动目标三者采取了不同的更新策略既能减弱运动目标对背景模型的影响又可以迅速响应实际背景的变化在目标分

割时对普通的连通区域检测算法作了改进以保护目标的边缘细节部分跟踪中则考虑了目标跟踪中的相互遮挡关系和前景目标检测的可靠性问题实验表明该算法对检测和跟踪过程中的光照变化!各种噪声等都有较强的处理能力和较好的处理效果

下转第页

期刘亚等一种基于背景模型的运动目标检测与跟踪算法

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

目标跟踪算法的分类

主要基于两种思路： a)不依赖于先验知识，直接从图像序列中检测到运动目标，并进行目标识别，最终跟踪感兴趣的运动目标； b)依赖于目标的先验知识，首先为运动目标建模，然后在图像序列中实时找到相匹配的运动目标。一．运动目标检测对于不依赖先验知识的目标跟踪来讲，运动检测是实现跟踪的第一步。运动检测即为从序列图像中将变化区域从背景图像中提取出来。运动目标检测的算法依照目标与摄像机之间的关系可以分为静态背景下运动检测和动态背景下运动检测（一）静态背景 1.背景差 2.帧差 3.GMM 4.光流背景减算法可以对背景的光照变化、噪声干扰以及周期性运动等进行建模，在各种不同情况下它都可以准确地检测出运动目标。因此对于固定

个关键技术： a)匹配法则，如最大相关、最小误差等 b)搜索方法，如三步搜索法、交叉搜索法等。 c) 块大小的确定，如分级、自适应等。光流法光流估计的方法都是基于以下假设：图像灰度分布的变化完全是目标或者场景的运动引起的，也就是说，目标与场景的灰度不随时间变化。这使得光流方法抗噪声能力较差，其应用范围一般局限于目标与场景的灰度保持不变这个假设条件下。另外，大多数的光流计算方法相当复杂，如果没有特别的硬件装置，其处理速度相当慢，达不到实时处理的要求。二．目标跟踪运动目标的跟踪，即通过目标的有效表达，在图像序列中寻找与目标模板最相似候选目标区位置的过程。简单说，就是在序列图像中为目标定位。运动目标的有效表达除了对运动目标建模外，目标跟踪中常用到的目标特性表达主要包括视觉特征 (图像边缘、轮廓、形状、纹理、区域)、统计特征 (直方图、各种矩特征)、变换系数特

基于opencV的动态背景下运动目标检测及跟踪(修改版)

基于openCV的动态背景下的运动目标检测摘要：介绍在动态背景下对视频图像序列进行运动目标的检测，主要包括三个步骤，分别是运动估计，运动补偿和目标检测。在运动估计中采用的主要是基于特征点匹配算法。这种算法与传统的块匹配算法最大的好处在于它的数据量少，计算简单迅速而且图像的匹配可靠性更高。最后用计算机视觉类库openCV进行实现。关键词：运动目标检测；openCV；特征点匹配 Moving Object Detection in the Dynamic Background Based on openCV Abstract：Introducing a moving object detection algorithm of the dynamic background in the video image sequence，which includes three steps. They are motion estimation, motion compensation and object detection. At the motion estimation, we take an algorithm based on the feature points matching. The advantages of this algorithm is that it needs fewer data and indicates faster calculating speed compared to the block matching algorithm. What’s more, the matching of the video image sequence is more reliable. Then used openCV realized the algorithm. Keywords: moving object detection; openCV; feature points matching 引言在生活中摄像头可以说随处可见，我们经常需要对视频中的运动目标进行相关操作，这就设涉及到了对运动目标的检测及跟踪。作为视觉领域的一部分，它不仅对我们的生活，在军事，医学等各种领域里都有着广泛的影响。所谓运动目标的检测就是在一段序列图像中检测出变化区域，并将运动目标从背景图像中提取出来[2]，它是基础，能否正确的检测与分割出运动目标对后续的工作有着巨大的影响。常见的运动目标检测方法有：背景差分法，帧差法，累积差分法，光流法。本文主要介绍的是一种在动态背景下对运动目标进行检测的算法。检测算法介绍检测算法有很多种，不同的算法有他们各自的利与弊。背景差分法：是事先将背景图像存储下来，再与观测图像进行差分运算，实现对运动区域的检测。这种方法能得到较为完整的运动目标信息，但背景图像必须随着外部条件比如光照等的变化而不断更新，所以背景模型的获取和更新比较麻烦。帧差法：直接比较相邻两帧图像对应像点的灰度值的不同，然后通过阈值来提取序列图像中的运动区域[2]。这种方法更新速度快，算法简单易实现，适应性强，不需要获取背景图像。但是背景与运动目标间需要有一定程度的灰度差，否则可能在目标内部产生空洞，不能完整的提取出运动目标。为了改进相邻两帧间的差分效果，人们提出了累积差分法。累积差分法是利用三帧图像计算两个差分图像，再令其对应像素相乘的算法。它通过分析整个图像序列的变化来检测小位移或缓慢运动的物体。光流法是在时间上连续的两幅图想中，用向量来表示移动前后的对应点，在适当平滑性约束的条件下，根据图像序列的时空梯度估计运动场，通过分析运动场的变化对运动目标和场景进行检测和分割。上面的几种算法都是基于静态背景下的方法，下面主要介绍动态背景下运动目标的检测。因为生活中我们在很多情况下背景图像都不是静态的，有时摄像机都是安装在一个运动

运动序列目标检测算法研究及 DSP 实现

运动序列目标检测算法研究及DSP实现李文艳，王月琴，张笑微（西南科技大学信息工程学院四川绵阳621010）摘要：由于实际场景的多样性，目前常用的运动目标检测算法都还存在一定程度的缺陷，因此本文提出了一种将帧差法和背景减法相结合的方法，实现快速精确地检测和提取运动目标。实验结果表明，本方法是比较实用的，能较好满足实时视频监控系统的要求。最后将程序移植到基于DSP的平台上，进行相应的优化后基本满足了实时性的要求。关键词：目标检测；帧差法；背景减法中图分类号：TP751.1 文献标识码：A Algorism Research of Moving Object Detection and DSP Implementation LI Wen-yan，WANG Yue-qin，ZHANG Xiao-wei (Southwest University of Science and Technology Mianyang Sichuan China 621010) Abstract: Because of the environment’s variety, the methods that have been used for moving object detection need to be improved. An algorithm based on two consecutive frames subtraction and background subtraction is presented and it can detect and extract object quickly and accurately. The results show that the proposed method is a practical one. It can meet the need of the real time video surveillance and monitoring system. The coding is transplanted in DSP, and the project is executed successfully on CCS simulator. Keywords: Object detection; Frames subtraction; Background subtraction 引言运动目标的检测在智能监控等领域中得到了广泛的应用。运动目标的检测就是从视频流中去除静止背景提取出运动的目标，运动目标的有效分割对跟踪等后期处理非常关键。本文提出了将帧间差分和背景减法相结合的方法。首先选取一帧作为背景帧, 建立各像素点的高斯模型。再运用帧间差分法对相邻两帧图像进行差分处理, 区分出背景点和变化的区域。然后将变化区域与背景帧的对应区域进行模型拟合区分出显露区和运动物体。 1 运动目标检测算法总体流程采用帧间差分与背景减法相结合的算法进行运动目标检测，包括运动目标的检测和将检测到的运动目标从背景中分割出来两部分，其系统框架流程图如图1所示。图1 运动目标检测流程图这种设计充分利用了被检测区域部分时间静止的特点，具有智能检测的功能，它只在检

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

智能机器人运动控制和目标跟踪

XXXX大学《智能机器人》结课论文移动机器人对运动目标的检测跟踪方法学院（系）：专业班级：学生学号：学生姓名：成绩：

目录摘要 (1) 0、引言 (1) 1、运动目标检测方法 (1) 1．1 运动目标图像HSI差值模型 (1) 1.2 运动目标的自适应分割与提取 (2) 2 运动目标的预测跟踪控制 (3) 2．1 运动目标的定位 (3) 2．2 运动目标的运动轨迹估计 (4) 2．3 移动机器人运动控制策略 (6) 3 结束语 (6) 参考文献 (7)

一种移动机器人对运动目标的检测跟踪方法摘要：从序列图像中有效地自动提取运动目标区域和跟踪运动目标是自主机器人运动控制的研究热点之一。给出了连续图像帧差分和二次帧差分改进的图像HIS 差分模型，采用自适应运动目标区域检测、自适应阴影部分分割和噪声消除算法，对无背景图像条件下自动提取运动目标区域。定义了一些运动目标的特征分析和计算，通过特征匹配识别所需跟踪目标的区域。采用 Kalrnan 预报器对运动目标状态的一步预测估计和两步增量式跟踪算法，能快速平滑地实现移动机器人对运动目标的跟踪驱动控制。实验结果表明该方法有效。关键词：改进的HIS 差分模型；Kahnan 滤波器；增量式跟踪控制策略。 0、引言运动目标检测和跟踪是机器人研究应用及智能视频监控中的重要关键技术，一直是备受关注的研究热点之一。在运动目标检测算法中常用方法有光流场法和图像差分法。由于光流场法的计算量大，不适合于实时性的要求。对背景图像的帧问差分法对环境变化有较强的适应性和运算简单方便的特点，但帧问差分不能提出完整的运动目标，且场景中会出现大量噪声，如光线的强弱、运动目标的阴影等。为此文中对移动机器人的运动目标检测和跟踪中的一些关键技术进行了研究，通过对传统帧间差分的改进，引入 HSI 差值模型、图像序列的连续差分运算、自适应分割算法、自适应阴影部分分割算法和图像形态学方法消除噪声斑点，在无背景图像条件下自动提取运动目标区域。采用 Kalman 滤波器对跟踪目标的运动轨迹进行预测，建立移动机器人跟踪运动目标的两步增量式跟踪控制策略，实现对目标的准确检测和平滑跟踪控制。实验结果表明该算法有效。 1、运动目标检测方法接近人跟对颜色感知的色调、饱和度和亮度属性 (H ，S ，I )模型更适合于图像识别处理。因此，文中引入改进型 HSI 帧差模型。 1．1 运动目标图像HSI 差值模型设移动机器人在某一位置采得的连续三帧图像序列 ()y x k ,f 1-，()y x f k ,，()y x f k ,1+

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。

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，

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

基于opencv的运动目标检测和跟踪

本科毕业论文
(科研训练,毕业设计)
题
目: opencv 的运动目标检测
姓学
名:汤超院:信息科学与技术学院系:电子工程系
专年学
业:电子信息工程级:2005 号:22220055204057 职称:教授
指导教师(校内) :杨涛
2009 年
5 月
25 日

厦门大学电子工程系 2005 级本科毕业论文 -
基于 opencv 的运动目标检测和跟踪
摘要
Opencv(Open Source Computer Vision Library)是一种用于数字图像处理和计算机视觉的函数库,由 Intel 微处理器研究实验室(Intel's MicroprocessorResearch Lab)的视觉交互组(The Visual Interaetivity Group)开发.采用的开发语言是 C++,可以在 window: 系统及 Linux 系统下使用,该函数库是开放源代码的,能够从 Intel 公司的网站免费下载得到.opencv 提供了针对各种形式的图像和视频源文件(如:bitmap 图像,video 文件和实时摄像机)的帧提取函数和很多标准的图像处理算法,这些函数都可以直接用在具体的视频程序开发项目中. 针对在背景中检测出运动目标并实施警戒等特定提示,本文利用 opencv 的运动物体检测的数据结构,函数以及基本框架,建立了一个由人机交互界面模式.实施对物体的检测.该方面在安防方面已经很受重视.相信在不久的将来将会成为一种监督秩序的方式.
关键字视频,运动目标检测,帧差分

基于matlab的运动目标检测

1 绪论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。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。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。

人形目标检测与跟踪

——人形目标检测与跟踪

一、本组研究方案，算法系统框图二、检测算法、原理、程序实现方法、调试过程【视频处理】老师提供的两端视频两段视频并不能直接用来输入OpenCV 所编程序处理，需要将其转化为无压缩的avi 格式。利用软件WinAVI Video Converter ，转换为ZJMedia uncompressed RGB24格式。【背景建模】我们小组利用N 帧图像的平均来求取背景，并实时对背景进行更新。由于考虑到ExhibitionHall.avi 视频中运动物体所占场景比例少，运动轨迹为直线，为了处理的简单，所以在这不刻意区分物体和背景像素点。即(1)(1)()()A A A B k B k I k αα+=-+ ，这里的α 很小（0.003）。【前景提取】灰度图像的处理比彩色图像的处理过程简单。我们小组将读入的彩色图像变成灰度图像，并二值化；同样，背景也进行二值化。两者做差值，得到一些离散的黑白点块。也就

是要识别的目标。但是，这样得到的块是分散开的，程序整的人形被分块识别成多个目标。为此，我们做了一些简单的后处理。先腐蚀元素，去除不必要的杂点，然后进行膨胀块处理，自定义块的大小，使其膨胀成能被识别成一个人形的目标。另外，我们还做个简单的高斯低通滤波，是得到的结果光滑些。其流程图如右。【目标检测】根据前景处理的结果，得到一些连续的块目标。利用帧间差，可以提取出目标的轮廓。根据轮廓的位置分布，计算出检测目标的形心和大小。并予以标记。【目标跟踪】根据目标帧间的位移差值，可以计算出运动目标在x，y方向上的运动速度。可以利用这个关系判断下一帧目标的位置。设置一个合适的阈值，就可以实现目标的跟踪。在此，我们还引入了重叠判断机制。如果目标重叠，即通过遍历，发现块重叠大于一定阈值后，根据前面得到的位置预测判断当前物块位置；如果不重叠，则遍历这幅图像中的所有物块，寻找临近最优物块，以保持编号连续性。在目标跟踪过程中，还进行了Kalman滤波，对目标轨迹进行滤波处理。

基于OpenCV的运动目标检测与跟踪

基于VC的运动图像跟踪算法设计学院自动化学院专业班级学号姓名指导教师负责教师沈阳航空航天大学 2013年6月

沈阳航空航天大学毕业设计（论文）摘要运动目标检测与跟踪作为计算机视觉领域的一个重要分支与基础，在工业、医疗保健、航空航天、军事等各个领域具有广泛的应用前景，一直受到广泛的关注，并成为计算机视觉领域的一个研究热点。但是由于运动目标检测问题本身的复杂性，运动目标的检测与跟踪依然面临着诸多挑战。本文在现有研究成果的基础上，对静态场景下的运动目标检测跟踪进行了深入的讨论。本文首先对运动目标检测的基本方法----帧间差分法与背景差分法进行了深入的学习和探讨，然后，借助于OpenCV技术，在Visual C++ 6.0编程环境下开发了运动目标检测跟踪系统。该系统首先对采集的视频图像序列进行相关的预处理之后，将视频图像序列中的运动目标比较可靠地检测出来。通过系统的测试结果和数据可以得出结论：本文基于OpenCV设计的运动目标检测跟踪系统具有良好的实时性，能够正确地进行运动目标的实时检测与跟踪。关键词：运动目标检测；帧间差分法；视频图像；OpenCV

基于VC的运动图像跟踪算法设计 Algorithm Design of Image Motion Tracking Based on VC Abstract Moving target detection and tracking field of computer vision as an important branch of the foundation, in the industrial, healthcare, aerospace, military and other fields with a wide range of applications, has been widespread concern, and the field of computer vision to become a research hotspot. However, due to moving target detection complexity of the problem itself, moving target detection and tracking is still facing many challenges. In this paper, based on the results of existing research in static scenes of the moving target detection and tracking in-depth discussion. This article first basic method of moving target detection - frame difference method and background subtraction method conducted in-depth study and discussion, and then, by means of OpenCV technology, Visual C 6.0 programming environment developed a moving target detection and tracking system. The system and the collection of the associated video sequence after pretreatment, the video image of the moving target sequence comparison reliably detected. Through systematic test results and data can be concluded: Based on OpenCV design moving target detection and tracking system has good real-time, be able to properly carry out real-time moving target detection and tracking. Keywords: moving target detection; frame difference method; video frame; OpenCV

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。

(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。

第二章运动目标监测和跟踪

第二章运动目标监测和跟踪 2．1运动目标检测运动目标检测（Mot ｉｏｎ Detection ）是指在输入视频图像中判断与背景图像相比是否存在相对运动的前景目标和物体,并根据灰度、边缘、纹理等二维图像特征将运动前景进一步分割为若干独立目标。在实际应用中，一个好的运动目标检测算法，通常应该具有以下几个特征【１2】: ◆不受环境的变化（如天气和光照变化等)而影响结果； ◆不受背景中个别物体的运动（如水波、风吹树动等)而影响结果； ◆不受目标及背景中的阴影而影响结果; ◆对复杂背景和复杂目标仍然有效； ◆检测的结果应满足后续处理（跟踪分析)的精度要求; 图2-1描述了检测算法的一般流程图。常见的运动目标检测算法有:帧间差分法、背景差分法及光流法等，以下将分别进行介绍。 Fig.2—1Flo ｗ char ｔ of detection algorithm 2.1.1帧间差分法帧间差分法［23－24１就是将视频序列中相邻的两帧或几帧做象素域上的减法运算，以得到帧间的不同图像的信息。在摄像头固定的情况下，对连续的图像序列中的相邻两帧图像采用基于像素的帧差法来提取图像中的运动区域，设k 帧和第k+ｌ帧（或者看做21t t 和时刻）采集到同一背景下的两幅运动图像的灰度值为1),(+k k f y x f 和，则差分图像的定义为: ),(),(),(11y x f y x f y x D k k k -=++ （2.1）

对上式的差分结果进行阈值处理，就可以提取出运动物体。对差分图像),(y x f d 二值化，当某一像素的灰度值大于给定阈值Ｔ时，认为该像素为目标像素,即该像素属于运动目标；反之，则属于背景。这一步的目的就是为了区分背景像素和目标像素，得到： T y x D T y x D k k k y x R >≤+++=),(),(1 0111{),( （2.2）其中,ｌ表示前景像素值,0表示背景像素值。然后再对),(1y x R k +进行连通性分析,就可以得到连通区域的面积。当某一连通区域面积大于预定值时，则认为该区域属于同一个运动目标。