**：
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的先驗知識訓練一堆弱分類器，然後這些弱分類器一起投票來檢測目標，如boosting, random forest 都是這個思路，大家熟知的adaboost人臉檢測也是如此，這一類方法我會在以後的文章中討論。第二類方法是根據先驗知識找到目標和非目標的最佳劃分線，如svm.這兩類方法各成一家，各有所長，都有著不錯的表現。
第二，未知目標的先驗知識。此時不知道要檢測的目標是什麼，於是什麼是目標就有了不同的定義。一種方法是檢測場景中的顯著目標，如通過一些特徵表達出場景中每個畫素的顯著性概率，然後找到顯著目標。另一種方法就是檢測場景當中的運動目標了，這也是本文下面將要討論的重點內容。
在檢測運動目標時，如果背景是靜止的，so easy,略過。當背景也跟隨一起運動時就比較麻煩了，現如今大概有兩種方法來處理。第一種方法是背景補償，即通過平移，縮放，仿射變換等計算出背景的運動，然後補償背景再做差分。不過這種方法有兩個問題，一是仿射變換運算量巨大，二是即使求出背景補償向量，背景中的遠景和近景的向量也會有相對誤差，所以這種方法幾乎不可行。第二種方法就是傳說中的optical flow（光流）了，下面進入正文。
正文
光流法的大致流程如下：
1.在一幀影象中選取大量的光流點（具體選取方法可以不同，如fast角點，隨機選，等間隔選...)。
2.計算所有光流點的運動向量(常用方法有lk光流，hs光流等）。
3.根據這些向量和其它一些特徵檢測運動目標。
下面以乙個具體例子進行分析
1.首先在一幀影象內隨機均勻選取k個點，並濾除那些鄰域紋理太光滑的點，因為這些點不利於計算光流
2.計算這些點與上一幀影象的光流向量，如上右圖，此時已經可以看出背景運動的大概方向了
3.接下來的這一步方法因人而異了。
2023年cvpr的一篇文章detection and segmentation of moving objects in highly dynamic scenes的方法是把這些光流點的（x, y, dx, dy, y, u, v)7個特徵通過meanshift聚類來聚合到一起，最後形成運動目標輪廓。
而我的方法很簡單，只用到了(dx, dy)兩個特徵，如上左圖，首先把所有光流點投射到直角座標，圖中的座標軸是(dx,dy), 然後通過meanshift找到密度最大的(dx, dy)座標點,也就是背景向量最集中的位置（圖中點的亮度越大代表該位置向量的密度越大），如紅圈所示,紅圈外面的向量就可以認為是運動目標了，如上右圖所示。
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
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...
運動目標檢測OpenCV背景減除法
背景減除法 1.gmm mog2演算法，高斯混合模型分離演算法，它為每個畫素選擇適當數量的高斯分布 函式 cv2.createbackgroundsubtractormog2 int history 500,double varthread 16,bool detectshadows true 2....