2 基本演算法
3 改進演算法
4 工程應用存在的問題
按不同標準將運動目標檢測方法分類
攝像機數目：單攝像機、多攝像機
攝像機是否運動：攝像機靜止、攝像機運動
場景中運動目標數目：單目標、多目標
工業方面：具備視覺、聽覺和觸覺功能的智慧型機械人的成功應用。
生物醫學工程方面的應用：各種細胞的運動分析檢測和判別
智慧型交通方面：通過對交通情況的實時監控，利用影象處理技術對各種情況做出準確的判斷。
車輛檢測方法
（1）幀間差分法（temporal difference）
通過比較相鄰的2或3幀影象差異實現，實現場景變換檢測，對動態環境有較強適應性，單檢測精度不高，難獲得目標精確描述。
（2）背景減除法（background subtraction）
適用於攝像機靜止情形，其關鍵是背景建模，效能與監控場景複雜情況和系統要求有關，典型演算法有中值模型、自適應模型、高斯模型、多模態均值模型。
（3）光流法（optical flow）
可用於攝像機運動情形，提取目標完整資訊（包括運動資訊），計算複雜度高，抗噪效能差。在攝像機固定的情況下應用較少。
通過比較相鄰的2或3幀影象差異實現，實現場景變換檢測，對動態環境有較強適應性，單檢測精度不高，難獲得目標精確描述。
d t(
x,y)
=1, & |i_t(x,y)-i_(x,y)|>t \\ 0, & otherwise \end ,t=60
dt(x,
y)=\sum_^i_j(x,y)
bt(x,
y)=k
1j=
t−k∑
t−1
ij(
x,y)
d t(
x,y)
=1,& |i_t(x,y)-b_t(x,y)|>t\\ 0,& otherwise \end
dt(x,
y)=(x,y)
bt(x,
y)=α
it(
x,y)
+(1−
α)bt
−1(
x,y)
d t(
x,y)
=1,&|i_t(x,y)-b_t(x,y)|>t\\ 0,&otherwise \end
dt(x,
y)= 1,&dif_b(x,y)>t_b\\ 0,&otherwise \end
mb(x,
y)= 1,&dif_t(x,y)>t_t\\ 0,&otherwise \end
mt(x,
y)= 1,&|n_t(x,y)-i_t(x,y)|\lor|m_t(x,y)-i_t(x,y)|>md_t(x,y)\\ 0,&otherwise \end
dt(x,
y)={
1,0,
∣nt
(x,
y)−i
t(x
,y)∣
∨∣mt
(x,
y)−i
t(x
,y)∣
>md
t(x
,y)o
ther
wisent
:最小灰
度值，m
t:最大
灰度值，
md:最
大幀間差
n_t:最小灰度值，m_t:最大灰度值，md:最大幀間差
nt:最小
灰度值，
mt:
最大灰度
值，md
:最大幀
間差將幀間差分得到灰度圖dt(
x,y)
d_t(x,y)
dt(x,
y)分成不重複的i個子塊，對於每個子塊中的每個畫素點的灰度值和閾值t比較。若滿足大於t，則認為是前景畫素點，該子塊的前景畫素點個數加1，若達到設定的前景畫素個數閾值th，則認為該子塊為前景目標。
場景光照的變化
運動陰影的干擾
動態背景的影響
機器學習 異常檢測演算法
異常檢測應用在工業檢測 賬戶行為監測等領域。問題特點 異常檢測問題，往往更多使用無監督的演算法建模，再結合標定的驗證集用於切閾值。異常檢測的兩類常用方法 本文案例 資料集 電腦開機引數，包含兩個特徵 訓練集和驗證集的圖示如 演算法教程參見吳恩達 機器學習 異常檢測。基本的假定是 資料中的每個特徵數值...
機器學習之異常檢測演算法
下面來說下解釋下tp,fp,tn和fn tp true positive 真正例，即將乙個實際為正例的樣本正確的判斷為正例 fp false positive 假正例，即將乙個實際為負例的樣本錯誤的判斷為正例 tn true negtive 真負例，即將乙個實際為負例的樣本正確的判斷為負例 fn f...
基於深度學習的目標檢測演算法 SSD
ssd single shot multibox detector 問題引入 目前，常見的目標檢測演算法，如faster r cnn，存在著速度慢的缺點。該 提出的ssd方法，不僅提高了速度，而且提高了準確度。ssd 該 的核心思想 該 的主要貢獻 1.提出了ssd目標檢測方法，在速度上，比之前最快...