目錄
檢測方法
背景模型
目標檢測
後處理
檢測方法
基於統計背景模型的運動目標檢測方法
問題：（1） 背景獲取：需要在場景存在運動目標的情況下獲得背景影象
（2） 背景擾動：背景中可以含有輕微擾動的物件，如樹枝、樹葉的搖動，擾動部分不應該被看做是前景運動目標
（3） 外界光照變化：一天中不同時間段光線、天氣等的變化對檢測結果的影響
（4） 背景中固定物件的移動：背景裡的固定物件可能移動，如場景中的一輛車開走、一把椅子移走，物件移走後的區域在一段時間內可能被誤認為是運動目標，但不應該永遠被看做是前景運動目標
（5） 背景的更新：背景中固定物件的移動和外界光照條件的變化會使背景影象發生變化，需要及時對背景模型進行更新，以適應這種變化
（6） 陰影的影響：通常前景目標的陰影也被檢測為運動目標的一部分，這樣將影響對運動目標的進一步處理和分析
首先利用統計的方法得到背景模型，並實時地對背景模型進行更新以適應光線變化和場景本身的變化，用形態學方法和檢測連通域面積進行後處理，消除雜訊和背景擾動帶來的影響，在hsv色度空間下檢測陰影，得到準確的運動目標。
背景模型
背景模型提取
前提假設 在背景模型提取階段，運動目標在場景區域中運動，不會長時間停留在某一位置
目標檢測
運動目標檢測
檢測當前影象和背景影象中對應畫素點的差異，如果差值大於一定閾值，則判定該畫素為前景運動目標
後處理
雜訊的影響，會使檢測結果中出現一些本身背景的區域畫素點被檢測成運動區域，也可能是運動目標內的部分區域被漏檢。另外，背景的擾動，如樹枝、樹葉的輕微搖動，會使這部分也被誤判斷為運動目標，為了消除這些影響，首先對上一步的檢測結果用形態學的方法進行處理，在找出經過形態學處理的後的連通域，計算每個連通域中的面積，對於面積小於一定值的區域，將其拋棄，不看做是前景運動目標。
運動背景下的運動目標檢測
各種目標檢測方法介紹 懶人可以直接略過 目標檢測是乙個老話題了，在很多演算法當中都有它的身影。目標檢測要做的就兩件事 檢測當前中有沒有目標？如果有的話，在哪？按照先驗知識和背景運動來劃分的話，目標檢測方法大概可以分為兩大類 第一，已知目標的先驗知識。在這種情況下檢測目標有兩類方法，第一類方法是用目標...
運動目標檢測 背景減法
一 原理 背景減法 background subtraction 是當前運動目標檢測技術中應用較為廣泛的一類方法，它的基本思想和幀間差分法相類似，都是利用不同影象的差分運算提取目標區域。不過與幀間差分法不同的是，背景減法不是將當前幀影象與相鄰幀影象相減，而是將當前幀影象與乙個不斷更新的背景模型相減，...
運動目標檢測初學習
pi,j refi,j 為參考幀，subi,j 為差分結果，t為差分閾值。x,y pi,j 和樣本集si,j 中每個樣本值 dist i,j 一般設為20 時，認為與指定樣本近似，當近似樣本數量大於 min 取值範圍 2,k 2 一般設為2 時，認為該畫素屬於背景，否則判斷為前景。si,j 中的乙個...