红外小目标的检测与跟踪
基于图像处理技术的红外小目标的检测与跟踪
王琛廖庆王亚慧
（电子科技大学，光电信息学院学院）
摘要：验证了一种基于红外小目标视频图像序列的跟踪算法，主要研究了基于形心计算的跟踪方法和基于kalman滤波器多帧数据关联方法的跟踪法。分别仿真验证，并从实现结果出发得出了两种算法的适用范围和各自存在的不足。
关键字：远红外小目标检测与跟踪
Detection and Tracking of Far - infrared Small Target
Wang Chen Liao Qing Wang Yahui
(University of Electronic Science and Technology of China)
Abstract: Verify that a tracking Algorithm for Infrared small target based on video image sequence, the main study on tracking method based on centroid computation and multi - frame data association based on Kalman Filter Method for tracing method.Simulation, respectively, and proceeding from the implementation of the results reached the scope of the two algorithms and their insufficient.
Key words: Far-infrared;Small targets; Detection and Tracking
0 引言
随着近十几年信息技术的飞速发展，计算机硬件的处理能力不断提高，存储成本大幅下跌，一些研究人员开始重点研究计算机视觉中有关运动的问题。与处理单幅图像相比，图像序列引入了新的时间维以及时间相关性约束，这一额外的约束激发了人们对视频理解的研究.视频序列目标跟踪是指对传感器摄取到的图像序列进行处理与分析，一旦目标被确定，就可获得目标的特征参数选择。
。
由于视频跟踪具有广泛的应用范围，因而引起了世界范围内广大研究者的兴趣。
在1996年至1999年间，美国国防高级研究项目署（DARPA）资助卡内基梅隆大学、戴维SARNOFF研究中心等著名大学和公司合作，联合研制视频监视与监控系统VSAM，主要研究目的是开发用于战场及普通民用场景的自动视频理解技术。DARPA在2000年又资助了重大项目HID计划，其任务是开发多模式的监控技术以实现远距离情况下人的检测、分类
和识别，以增强国防、民用等场合免受恐怖袭击的保护能力。在2008年，DARPA资助了一项研究实时流视频监视的技术。
国内许多研究所和大学也投入了大量的精力致力于图像跟踪的研究。如清华大学人机交互与媒体集成研究所在人脸跟踪、视觉监控、等方面取得了许多科研成果；北京自动化研究所模式识别国家重点实验室在交通场景监控、人体跟踪、智能轮椅手势导航等领域进行了深入研究。
1 设计背景
视频序列目标跟踪是指对传感器摄取到的图像序列进行处理与分析，充分利用传感器采集得到信息来对目标进行稳定跟踪的过程。一旦目标被确定，就可获得目标的位置、速度、加速度等运动参数，进而获得目标的特征参数。
运动分析的目的是根据运动线索揭示关于环境有价值的信息，这些信息可以用来执行更高级的视觉任务，如活动识别、视觉检索等。由于采集到的图像序列通常是二维图像，许多研究者开始使用简单的二维表示处理运动分析问题，避免了恢复三维世界的结构、属性等信息。
通过视频目标跟踪系统通过对图像的去噪、对图像进行灰度变换、图像融合、图像增强等处理，可以快速的筛选并提取有用的信息。
在军事上，视频序列目标跟踪技术广泛应用于精确制导、战场机器人自主导航、无人机助降，靶场光电跟踪等领域。在民用上，该技术主要应用在智能视频监控、智能交通管制、医疗影像诊断等方面。
2 总体方案
2.1 常用的跟踪算法
2.1.1基于特征的目标跟踪方法
基于特征的方法利用了特征位置的变化信息,首先从图像序列中抽取显著特征,然后在序列图像上寻找特征点的对应关系,特征匹配算法大都引入了刚体约束条件,已有的技术包括结构匹配、树匹配等。之后利用序列帧图像中目标特征点的对应关系,解算当前帧图像中目标位置。
2.1.2基于相关的目标跟踪方法
基于相关的目标跟踪方法是把一个预先存储的目标样板作为识别和确定目标位置的依据,然后用目标样板与实时图像中的各个子区域图像进行比较,找出和目标模板最相似的一个子图像位置,作为当前目标的位置,这就是相关跟踪的基本思想,这种方法也叫做图像匹配。
2.1.3基于对比度的目标跟踪方法
基于对比度的目标跟踪方法又称波门跟踪方法,该方法适用于目标和背景具有明显对比度的目标跟踪。该方法需设计一个波门,波门的尺寸略大于目标尺寸,使目标不受波门外的背景和噪声干扰的影响。跟踪波门可分为固定式和自适应式两种。前者在跟踪过程中波门的大小始终不变;后者则是在跟踪目标的过程中波门随目标的大小变化而变化。波门跟踪算法可分为矩心跟踪算法、边缘跟踪算法、双边缘跟踪算法和区域平衡跟踪算法等。
2.2 本方案实现的技术难点
要解决图像序列的去除噪声问题，由于目标过小故要选择适当的去除噪声方法，对融合了多种噪声的图像要选用综合的去除噪声方法。最终的跟踪系统要实现自适应滤波。要解决小目标丢失或被遮挡后再次出现的问题，要保证目标再次出现后的准确识别和跟踪。
3 原理描述
3.1 形心跟踪
图(1) 形心跟踪系统流程图
如图（1）所示，形心跟踪首先要对图像进行灰度化处理，使彩色图像转换为8位灰度图像以方便以后的运输和处理过程。
3.1.1滤波去噪
本次所用图像序列的噪声课近似认为是椒盐噪声，在去噪声时可以用中值滤波法，本方法可以有效的消除椒盐噪声并保持图像中的边缘和细节。中值滤波法是把领域内的所有像素按顺序排列，然后用中间值代替中心元素的灰度值作为输出。
二维中值滤波定义为：
A},(k,l)l k,y x {f g(x,y)Median A
∈--=)( （1）
其中；f(x,y) 为原始图像阵列； g(x,y) 为中值滤波后图像阵列；Median 为中值滤波算子，取中值；A 为滤波窗口，大小为k×l 。中值滤波的缺点在于运算速度随窗口的扩大而变慢，故为了提高检测速度本次验证时采用的滤波窗口为33?窗口。
3.1.2二值化处理
二值化处理是利用同一区域具有某种共同的灰度特性进行图像的分割，其
基本原理就是选取一个适当的灰度阈值设置一个阈值，然后对每个像素进行检测，当检测的像素的灰度值小于或等于阈值时，将此像素的灰度值变为0，当检测的像素的灰度值大于阈值时，将此像素灰度值变为255。
{),(,),(,),(T y x f T y x f y x f T ≤>=0255 （2）
其中
T 是设定的阈值；),(y x f 是像素原有的灰度值；),(y x f T 是处理后的灰度
值。
本次设计我们所读取的目标跟踪序列，其背景与目标的灰度基本保持不变。对此类视频序列图像的阈值确定可以采用直方图分布的办法。即初步了解到所要跟踪的目标区域和目标所在的背景区域各自处在一个灰度值的范围，在直方图的表现上为具有双峰分布，通过选取波分之间的低谷所对应的灰度值作为分割阈值就可以将目标区域的背景区域分割开来。 3.1.3形心计算
对于二值化图像在假设物体的面密度均匀分布的境况下，形心就是要探测物体的几何中心。同过形心的计算可以快速的判断目标物体的具体位置。当目标姿态改变时，形心的位置
变动较小。因此形心跟踪比较平稳，同时由于系统效应，算法的抗干扰能力也较强。
对于离散的数字图像，其形心公式可以定义为：
∑∑∑∑=====d c y b a x d c y b a x c y x f y x xf x )
,(),(
∑∑∑∑=====d c y b a
x d c y b a x c y x f y x yf y ),(),( （3） 其中，
x c 、y c 是目标形心坐标；),(y x f 是图像函数（即图像上y x ,处像素点的灰度）；()b a ,是横坐标范围；()d c ,是纵坐标范围。
3.1.4添加波门算法
在计算出目标形心的基础上，以形心为对称中心分别在上下，左右画线，连接在一起形成一个矩形框，即跟踪波门。波门的大小有目标大小而定，主要目的是可以标出目标的位置。过大的波门有较高的容错性，可以减小跟踪算法的精度不够而产生的跟踪偏差，但由于波门较大所以跟踪精度随之降低。
3.2 基于kalman 滤波器多帧数据关联方法
图(2) kalman 滤波流程图
Kalman 滤波器是一个线性递归滤波器,用于对动态系统的状态序列进行线性最小方差误差估计，从而对下一个状态的运动做最优估计。预测时具有无偏、稳定和最优的特点。
3.2 .1kalman滤波
首先要引入一个离散控制过程的系统。该系统可用一个线性随机微分方程来描述： X(k)=A X(k-1)+B U(k)+W(k) （4）再加上系统的测量值：
Z(k)=H X(k)+V(k) （5）上两式子中，X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。A和B是系统参数，对于多模型系统，他们为矩阵。Z(k)是k时刻的测量值，H是测量系统的参数，对于多测量系统，H为矩阵。W(k)和V(k)分别表示过程和测量的噪声。他们被假设成高斯白噪声，他们的协方差分别是Q，R。
之后来用他们结合他们的协方差来估算系统的最优化输出。
利用系统的过程模型，来预测下一状态的系统。假设现在的系统状态是k，根据系统的模型，可以基于系统的上一状态而预测出现在状态：
X(k|k-1)=A X(k-1|k-1)+B U(k) (6) 其中，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为现在状态的控制量，如果没有控制量，它可以为0。
P(k|k-1)=A P(k-1|k-1) A’+Q (7) 其中，P表示协方差，P(k|k-1)是X(k|k-1)对应的协方差，P(k-1|k-1)是X(k-1|k-1)对应的协方差，A’表示A的转置矩阵，Q是系统过程的协方差。式子1，2就是卡尔曼滤波器5个公式当中的前两个，也就是对系统的预测。
结合预测值和测量值，可以得到现在状态(k)的最优化估算值X(k|k)：
X(k|k)= X(k|k-1)+Kg(k) (Z(k)-H X(k|k-1) (8) 其中Kg为卡尔曼增益：
Kg(k)= P(k|k-1) H’ / (H P(k|k-1) H’ + R) (9) 为了要另卡尔曼滤波器不断的运行下去直到系统过程结束，还要更新k状态下X(k|k)的c 协方差：
P(k|k)=（I-Kg(k) H）P(k|k-1) (10) 其中I为1的矩阵，对于单模型单测量，I=1。当系统进入k+1状态时，P(k|k)就是式子(2)的P(k-1|k-1)。
3.2 .1联合数据关联
在第1次到第k次扫描所获得的全部有效测量已知的情况下，第k次扫描时，第i
（）个观测时间点内均为正确的测量的概率，称之为正确关联概率用
表示。
（11）公式（4）中，第k次扫描第i个测量为正确测量的事件；第1次到第k次扫描所获得的全部有效测量的集合；第k次测量所获得的测量数目。
（12）
公式（5）中，，是有效测量皆来自目标的条件下的目标状态估计值。
3.2 .1确认矩阵
引入了确认（聚）矩阵，用来反映聚集内扫描的所有目标和测量的关系，设m和n为某一具体聚集内点迹（测量）和目标数，则m×（n+1）聚矩阵定义
（13）
其中是是、一个二值变量（取0或1），用以表示量测j是否落入目标t的确认门之内。t=0表示没有目标，测量源于杂波或虚警，。
图（3）两目标示意图
如图（3）2个目标（t1、t2）和3个测量（z1、z2、z3），其确认矩阵为：
4 仿真结果与分析
4.1 .仿真
为了便于结果分析，用MATLBA仿真出含小目标的图像序列，随机生成100帧背景平均灰度为120，目标灰度为160的图像，用已有的红外图像作背景加入2*2的点目标，如下图：
图（4）在145*142红外图像中加两个入2*2点目标
图（5）在噪声干扰下1个目标kalman跟踪结果
图（6）两个目标kalman跟踪结果
4.2 .结果分析
1 对比度矩心跟踪法通过对原图像进行图像阈值分割、形心计算，最终实现目标的跟踪。此种算法具有简单、快速和实时性高的特点。但是，此种算法的实用性范围极其有限，一般来说只适用于目标图像与背景图像的灰度值相差较大的情形下才能实现，否则将得不到目标
的形心。除此之外，该算法受图像成像过程中引入的噪声的影响比较大，在环境较为恶劣的
情况下将会失去对目标的有效跟踪。因而，对比度矩心跟踪法面临背景环境的限制以及成像系统噪声的限制。
2基于kalman滤波器多帧数据关联方法不必对原图像进行预处理，基本保留了图像的全部信息，这对于目标所在的背景区域的了解至关重要；其次，此跟踪算法非常适合于在环境复杂多变的情况下进行目标的跟踪。但不足之处是由于在相关匹配的过程中涉及到大量的数学运算，因而系统跟踪的实时性将大大降低，为进一步提高系统的实时响应，相应的处理器、存储器等硬件设备的性能要求较高。即使在匹配的过程中进一步降低搜索区域，但那样有可能得到的是局部最优值，其最终结果是真正的目标没有被跟踪到。因而，基于kalman 滤波器多帧数据关联方法面临实时性的提高以及快速搜索区域算法的进一步优化。
主要参考文献
[1] 张然，吕高杰，张国华光电目标图像自动跟踪技术研究[J]，电光与控制, 2008,15(9)：65-68
[2] 王唯合，王宏志，赵兰英．运动目标检测跟踪方法研究，长春工业大学学报, 2007,28(4)：411-414
[3] 张岩; 崔智社; 龙腾; 图象序列中机动目标的形心跟踪，航空学报,2001，
22(4):312-316
[4] 李季,王春平,朱元昌. 电视跟踪系统视景仿真方法研究[J]，计算机仿真, 2003,20(8)：85-87
[5] 光电图像处理及应用，电子科技大学出版社
红外跟踪系统
第五章红外跟踪系统 1．红外跟踪系统的基本原理： 如图5-1所示，由无穷远目标辐射来的红外辐射能量透过整流罩照射到主反射镜上，经聚焦并反射到次反射镜子上，由次反射镜反射后，再经校正透镜进一步聚焦，最后成像于调制盘上，红外福射经调制盘调制后成为调制信号，目标像点在调制盘上所处的位置与目标在空间相对光轴的位置是一一对应的，因此，通过光学系统聚焦以及调制盘制后的信号，可以确定目标偏离光轴的大小和方位。 非制冷红外焦平面 VO X（如VO2等） 图5-1 光学系统结构示意图 2．红外跟踪系统的组成 如图5-1所示，红外跟踪系统由整流罩，主反射镜，次反射镜，校正透镜，调制盘，浸没透镜，光敏电阻和伞型光栏等元件组成，其各元件的主要功能如下：
1）、整流罩：是一个半球形同心透镜，作为导弹头部的外壳。它是一块负透镜，其作用为校正主反射镜的球差及作导引头的密封。整流罩在导引头工件波段内有高的透过性能，亦即吸收、反射作用很小。这种导弹的整流罩采用氟化镁多晶制成。耐高温、机械强度高。 2）、主反射镜：起聚焦作用，它给整个光学系统带来正球差。焦距f＇=41.18mm，直径47.2mm，材料为K8玻璃，凹面上真空镀铝以减少入射辐射能损失。 3）次反射镜：用来折叠光路，同样为K8玻璃，表面镀铝。 4）校正透镜：用来把伞形光阑、平面反射镜等零件与镜筒连接在一起，起支撑作用。另一方面因消除像差的需要而在次镜之后加入这样一个凸透镜，可以进一步消除剩余像差。支撑透镜材料为氟化镁多晶。 5）伞形光阑：限制目标以外的杂散光线直射入系统光敏元件上的辅助光阑。为了更有效地消除杂散光，伞形光阑上设有消光槽，各元件不通光部分都进行黑化处理。 6）场镜：可把通过调制盘的辐射能会聚到探测器光敏层上；另一方面，加入场镜后原来经物镜聚焦的照度不均匀的目标像斑，经焦面后发散的光线折向光轴，使光能均匀地分布在探测器的光敏层上。场镜采用平凸透镜。场镜材料为氟化镁单晶，在工作波段内有良好的透过率（一般紧贴调制盘后面）。 7）滤光镜：从目标和背景辐射光谱中过滤出所需要的辐射波段。采用氟化镁单晶作为基片，作成 2.5μm为起始波长的干涉滤光片（图中未画出）。 8）浸没透镜：使探测器光敏层和超半球透镜的底面形成光学接触，会聚光束，提高光敏元件的接收立体角，减少光敏元件的面积从而降低噪声。这种导弹采用钛酸锶单晶作为浸没透镜材料。 9）调制盘：把经过光学系统聚焦后的目标红外辐射能量汇聚成一个足够小的像点，落在光学系统的焦平面上，即调制盘上。通过调制盘的旋转，将连续的红外辐射调制成一组一组的光脉冲，以其幅值和相位提供目标偏离导弹光轴的大小和方位信息，并抑制由背景来的干扰信号。
动态视频目标检测和跟踪技术(入门)
动态视频目标检测和跟踪技术 传统电视监控技术只能达到“千里眼”的作用，把远程的目标图像（原始数据）传送到监控中心，由监控人员根据目视到的视频图像对现场情况做出判断。智能化视频监控的目的是将视频原始数据转化为足够量的可供监控人员决策的“有用信息”，让监控人员及时全面地了解所发生的事件：“什么地方”，“什么时间”，“什么人”，“在做什么”。将“原始数据”转化为“有用信息”的技术中，目标检测与跟踪技术的目的是要解决“什么地方”和“什么时间”的问题。目标识别主要解决“什么人”或“什么东西”的问题。行为模式分析主要解决“在做什么”的问题。动态视频目标检测技术是智能化视频分析的基础。 本文将目前几种常用的动态视频目标检测方法简介如下： 背景减除背景减除（Background Subtraction）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目标的一种技术。它一般能够提供相对来说比较全面的运动目标的特征数据，但对于动态场景的变化，如光线照射情况和外来无关事件的干扰等也特别敏感。实际上，背景的建模是背景减除方法的技术关键。最简单的背景模型是时间平均图像，即利用同一场景在一个时段的平均图像作为该场景的背景模型。由于该模型是固定的，一旦建立之后，对于该场景图像所发生的任何变化都比较敏感，比如阳光照射方向，影子，树叶随风摇动等。大部分的研究人员目前都致力于开发更加实用的背景模型，以期减少动态场景变化对于运动目标检测效果的影响。 时间差分时间差分（Temporal Difference 又称相邻帧差）方法充分利用了视频图像的特征，从连续得到的视频流中提取所需要的动态目标信息。在一般情况下采集的视频图像，若仔细对比相邻两帧，可以发现其中大部分的背景像素均保持不变。只有在有前景移动目标的部分相邻帧的像素差异比较大。时间差分方法就是利用相邻帧图像的相减来提取出前景移动目标的信息的。让我们来考虑安装固定摄像头所获取的视频。我们介绍利用连续的图像序列中两个或三个相邻帧之间的时间差分，并且用阈值来提取出视频图像中的运动目标的方法。我们采用三帧差分的方法，即当某一个像素在连续三帧视频图像上均有相
红外小目标的检测与跟踪
基于图像处理技术的红外小目标的检测与跟踪 王琛廖庆王亚慧 （电子科技大学，光电信息学院学院） 摘要：验证了一种基于红外小目标视频图像序列的跟踪算法，主要研究了基于形心计算的跟踪方法和基于kalman滤波器多帧数据关联方法的跟踪法。分别仿真验证，并从实现结果出发得出了两种算法的适用范围和各自存在的不足。 关键字：远红外小目标检测与跟踪 Detection and Tracking of Far - infrared Small Target Wang Chen Liao Qing Wang Yahui (University of Electronic Science and Technology of China) Abstract: Verify that a tracking Algorithm for Infrared small target based on video image sequence, the main study on tracking method based on centroid computation and multi - frame data association based on Kalman Filter Method for tracing method.Simulation, respectively, and proceeding from the implementation of the results reached the scope of the two algorithms and their insufficient. Key words: Far-infrared;Small targets; Detection and Tracking 0 引言 随着近十几年信息技术的飞速发展，计算机硬件的处理能力不断提高，存储成本大幅下跌，一些研究人员开始重点研究计算机视觉中有关运动的问题。与处理单幅图像相比，图像序列引入了新的时间维以及时间相关性约束，这一额外的约束激发了人们对视频理解的研究.视频序列目标跟踪是指对传感器摄取到的图像序列进行处理与分析，一旦目标被确定，就可获得目标的特征参数选择。 。 由于视频跟踪具有广泛的应用范围，因而引起了世界范围内广大研究者的兴趣。 在1996年至1999年间，美国国防高级研究项目署（DARPA）资助卡内基梅隆大学、戴维SARNOFF研究中心等著名大学和公司合作，联合研制视频监视与监控系统VSAM，主要研究目的是开发用于战场及普通民用场景的自动视频理解技术。DARPA在2000年又资助了重大项目HID计划，其任务是开发多模式的监控技术以实现远距离情况下人的检测、分类
复杂背景下的红外目标自动跟踪算法
第37卷第6期 光电工程V ol.37, No.6 2010年6月Opto-Electronic Engineering June, 2010 文章编号：1003-501X(2010)06-0078-06 复杂背景下的红外目标自动跟踪算法 高国旺1, 2，刘上乾1，秦翰林1，张峰1 ( 1. 西安电子科技大学技术物理学院，西安 710071； 2. 西安石油大学光电油气测井与检测教育部重点实验室，西安 710065 ) 摘要：提出了一种非线性边缘检测和Mean Shift方法相结合的红外目标检测与跟踪算法。采用双窗口算子的非线性边缘检测算法具有计算量小、速度快、图像质量好等优点。在边缘检测后的二值图像基础上，利用改进的Mean Shift跟踪算法实施目标跟踪。该跟踪算法融合了计算目标区域局部标准差的信息；利用灰度值和局部标准差的概率密度函数来描述目标；同时选择核函数级联方式进行目标密度估计，从而弥补了仅用灰度信息描述目标特征的不足。实验结果表明，该跟踪算法检测出的复杂背景下红外目标边缘清晰，并且能够准确地对目标实施自动跟踪。 关键词：红外目标；边缘检测；Mean Shift方法；自动跟踪 中图分类号：TP391.4 文献标志码：A doi：10.3969/j.issn.1003-501X.2010.06.014 Auto-tracking Algorithm of Infrared Target under Complex Background GAO Guo-wang1, 2，LIU Shang-qian1，QIN Han-lin1，ZHANG Feng1 ( 1. School of Technical Physics, Xidian University, Xi’an 710071, China; 2. Key Laboratory of Photoelectric Logging and Detecting of Oil and Gas, Ministry of Education, Xi’an Shiyou University, Xi’an 710065, China ) Abstract: A tracking algorithm of infrared target is proposed by combining non-linear edge detection and Mean Shift method. The non-linear edge detection algorithm employs dual-window arithmetic operators that have the advantage of few calculation amount, high speed and good image quality and so on. The result of edge detection is binary images. Based on this information, the Mean Shift method is improved to implement target tracking. The tracking algorithm of improved Mean Shift combines the information of the local standard deviation calculation of the target area, describes the target based on the probability density function about gray value and the local standard deviation and selects cascade kernel function to calculate the target density that make up the shortage only using gray to describe the target features. Experimental results show that the edge of infrared target under complex background is detected clearly and infrared target is auto-tracked accurately. Key words: infrared target; edge detection; Mean Shift method; auto tracking 0 引言 红外热成像目标的跟踪是红外告警系统、空载下视系统对低空及地面目标的监视和红外寻的制导等军事领域中的关键技术。但是，红外热成像多为背景噪声干扰大，分辨率低的图像序列，尤其远距离检测时目标成为点源，缺少细节和形状等信息，加上在拍摄过程中目标相对于背景高速运动，使得红外目标的跟踪成为技术难题。 Mean Shift算法是目标跟踪广泛应用的一种方法，它是一种以目标区域像素值的概率分布为特征，搜 收稿日期：2009-12-25；收到修改稿日期：2010-02-04 基金项目：“十一五”国防预研基金项目 作者简介：高国旺(1977-)，男(汉族)，山东莘县人。讲师，博士研究生，研究方向为光电检测、图像处理等。E-mail: wwgao1205@https://www.360docs.net/doc/815588420.html,。
红外小目标检测 报告
红外小目标检测方法概述 1110540103 李方舟 1.什么是红外小目标？ 关于小目标”的定义，目前没有统一的定论。一般认为，当红外成像的距离较远时，在成像平面上只占几个或几十个像素的面积，表现为点状或斑点状，对比度和信噪比较低的目标，即可称之为小目标。 2.为什么要进行红外小目标检测？ 红外成像具有距离远，隐蔽性高，抗干扰能力强，穿透烟尘，雾以及阴霾的能力强，可全天候，全时间工作等优点。因此被广泛应用于监视侦察以及导航等军事领域，成为现代精确制导武器的主要技术之一。 在尽可能远的距离上检测并跟踪到敌方目标，以争取在有利的时机发动攻击。是决定现代战争胜负的重要因素。 距离越远，目标成像面积越小，图象质量越差，对目标的检测和跟踪越困难。 因此，研究小目标的检测和跟踪方法，对提高红外成像系统的作用距离，有着非常重要的意义。 目标检测作为寻的制导系统中的前端处理环节，是精确制导中最为关键和核心的组成部分。只有及时检测到目标，才能保证如目标的如目标跟踪等后续工作的正常进行。基于此原因，在红外凝视成像的图像序列中进行目标检测具有相当的难度，几乎所有的小目标检测法都致力于增强图像的信噪比，积累目标能量，以提高目标检测能力。 3.红外小目标检测方法分析 对于红外目标的检测问题，目标的一些先验信息，如目标的形状、大小，目标灰度变化在时间上的连续性，以及目标运动轨迹的连续性等是有效分割目标和噪声的关键。目标检测方法根据这些特性的使用顺序不同，可分为两大类： 先检测后跟踪( D e t e c t B e f o r e T r a c k ，D B T )方法 和先跟踪后检测( T r a c k B e f o r e D e t e c t ，T B D )方法。 3.1 DBT检测方法 基于先检测后跟踪的目标检测技术属于一类经典的红外目标检测。该类方法分为两步:首先根据目标形状，强度等特性，在单帧图像中检测出候选目标，然后根据实际需要，在分割后的二值化图形序列中，通过序列图像投影到目标轨迹。DBT检测方法主要分以下几种：1）阈值检测方法 所谓阈值检测方法，是基于目标在图像中主要为高频分量，而背景对应低频部分这一事实，对淹没在近似正态分布杂波中的已知其响应分布的小目标，寻求其最佳信噪比。 2）小波分析方法
人体目标检测与跟踪算法研究
人体目标检测与跟踪算法研究 摘要：近些年以来，基于视频中人体目标的检测与跟踪技术研究越来越被重视。然而，由于受到目标自身特征多样性和目标所处环境的复杂性和不确定性的影响，现存算法的性能受到很大的限制。本文对目前所存在的问题进行了分析，并提出了三帧差分法和改进阈值分割法相结合的运动目标检测算法和多特征融合的改进运动目标跟踪算法。这两种算法不仅可以准确有效的检测出运动目标而且能够满足实时性的要求，有效的解决了因光照变化和目标遮挡等情况造成的运动目标跟踪准确度下降或跟踪目标丢失等问题。 关键词：三帧差分，Camshift，阈值分割 Research Based on Human Target Detectionand Tracking Algorithm Abstract: In recent years, human object detection and tracking become more and more important. However the complexity, uncertainty environment and the target’s own diversity limit the performance of existing algorithms. The main works of this paper is to study and analysis the main algorithm of the human object detection and tracking, and proposes a new moving target detection method based on three-frame difference method and threshold segmentation and improved Camshift tracking algorithm based on multi-feature fusion. These algorithm can satisfy the real-time, while accurately and efficiently detect moving targets, and also effectively solves the problem of tracking object lost or misplaced under illumination change or target occlusion. Keywords: three-frame difference, Camshift, threshold segmentation 一、绪论 （一）选题的背景和意义 人类和动物主要通过眼睛来感受和认知外部世界。人类通过视觉所获取的信息占了60%[1]，因此，在开发和完善人工智能的过程中，赋予机器视觉的功能这一操作极不可缺少。完善上述功能需要以许多技术为基础，特别是运动目标的检测与跟踪技术。近些年以来，此技术受到了越来越多的关注[2]。目前，此技术也在各领域得到了充分的应用，涵盖的领域有智能交通、导航、智能视频监控、精确制导、人机交互和多媒体视频编码压缩技术等。
红外弱小目标检测方法研究
本科毕业设计论文 题 目 红外弱小目标检测方法研究 _______________________________________ 专业名称 学生姓名 指导教师 毕业时间 2014年6月
毕业 任务书 一、题目 红外弱小目标检测算法研究 二、指导思想和目的要求 本题目来源于科研，主要研究红外弱小目标的特点，常用的检测算法，进而实现红外弱小目标的检测。希望通过该毕业设计，学生能达到： 1．利用已有的专业知识，培养学生解决实际工程问题的能力； 2．锻炼学生的科研工作能力和培养学生团队合作及攻关能力。 三、主要技术指标 1．掌握红外弱小目标的特点； 2．研究常用的红外弱小目标检测算法； 3．实现红外弱小目标的检测。 四、进度和要求 第01周----第02周： 参考翻译英文文献； 第03周----第04周： 学习红外图像及其弱小目标的特点； 第05周----第08周： 研究红外弱小目标的检测算法； 第09周----第14周： 编写红外弱小目标的检测程序； 第15周----第16周： 撰写毕业设计论文，论文答辩。 五、主要参考书及参考资料 1. 武斌. 红外弱小目标检测技术研究. 西安电子科技大学博士学位论文. 2. 史凌峰. 红外弱小目标检测方法研究. 西安电子科技大学硕士学位论文. 3. 杨丽萍. 空中红外弱小目标检测方法研究. 西北工业大学硕士学位论文. 4. 吴巍. 图像中目标特征的检测与识别. 华中科技大学博士论文。 5. 郑成勇. 小波分析在红外目标检测中的应用. 华中科技大学硕士论文。 6. 蔡智富. 基于自适应背景估计的复杂红外背景抑制技术. 哈尔滨程大学硕士论文。 学生 指导教师 系主任 设计 论文
目标检测与跟踪实验报告3 王进
《图像探测、跟踪与识别技术》 实验报告 专业：探测制导与控制技术 学号：11151201 姓名：王进 2014 年11月
实验三复杂场景下目标的检测与跟踪 一、实验目的 1. 学习不同目标跟踪算法，对比不同算法对于复杂场景的效果； 2. 学习OpenCV与VS2010的联合编程，提高编程能力。 二、实验要求 1. 要求学生至少使用一种目标跟踪算法对视频中出现的目标进行跟踪； 2. 检验所选算法在复杂场景下的效果； 3. 使用VS2010/2012和OpenCV进行编程； 4. 本实验不要求目标检测，所以目标可以手动标出。 三、实验步骤 1. 想办法找到目标（可手动框出）。 2. 编写目标跟踪函数代码； 四、实验报告 1、CAMSHIFT算法原理 CAMSHIFT算法是利用目标的颜色直方图模型将图像转换为颜色概率分布图，初始化一个搜索窗的大小和位置，并根据上一帧得到的结果自适应调整搜索窗口的位置和大小，从而定位出当前图像中目标的中心位置。 这个算法可以分为三个部分： 1、色彩投影图（反向投影）： (1).RGB颜色空间对光照亮度变化较为敏感，为了减少此变化对跟踪效果的影响，首先将图像从RGB空间转换到HSV空间。(2).然后对其中的H分量作直方图，在直方图中代表了不同H分量值出现的概率或者像素个数，就是说可以查找出H分量大小为h的概率或者像素个数，即得到了颜色概率查找表。(3).将图像中每个像素的值用其颜色出现的概率对替换，就得到了颜色概率分布图。这个过程就叫反向投影，颜色概率分布图是一个灰度图像。 2、MEANSHIFT MEANSHIFT算法是一种密度函数梯度估计的非参数方法，通过迭代寻优找到概率分布的极值来定位目标。 算法过程为： (1).在颜色概率分布图中选取搜索窗W (2).计算零阶距： 计算一阶距：
目标检测、跟踪与识别技术与现代战争
目标检测、跟踪与识别技术与现代战争 【摘要】本文讨论目标检测、跟踪与识别技术在现代战争各个领域中的应用，总结目标识别技术的发展方向，提出目标识别技术工程化实现方法，同时本文介绍了国外目标识别的现状及发展趋势，提出了现代战争应采用综合识别系统解决目标识别问题的建议。 关键词目标检测；目标跟踪；目标识别；雷达；人工神经网络；精确制导 1．引言 随着现代科学技术的飞速发展及其在军事领域内日益广泛的应用，传统的作战思想、作战方式已发生根本性的变化。从第一次海湾战争到科索沃战争，特别是刚刚结束的海湾战争，空中精确打击和空地一体化作战已经成为最重要的作战形式。集指挥、控制、通信、计算机、情报、监视侦察于一体的C ISR 已成为取得战场主动权，赢得最后胜利的关键因素。目标识别技术是雷达智能化、信息化的重要技术支撑手段。在现代化战争中，目标识别技术在预警探测、精确制导、战场指挥和侦察、敌我识别等军事领域都有广泛的应用前景，已受到了世界各国的关注。 现代战争中取得战场制信息权的关键之一是目标属性识别。现代战争的作战环境十分复杂，作战双方都在采用相应的伪装、隐蔽、欺骗和干扰等手段和技术，进行识别和反识别斗争。因此仅仅依靠一种或少数几种识别手段很难准确地进行目标识别，必须利用多个和多类传感器所收集到的多种目标属性信息，综合出准确的目标属性，进行目标检测，跟踪后进行识别。 2．目标检测、跟踪与识别技术在现代战争中的应用 2．1 目标检测、跟踪与识别技术在预警探测上的应用 目标检测、跟踪与识别技术对于弹道导弹的预警工作有重要的作用。弹道导弹一般携带多个弹头，其中可能包含核弹头或大规模杀伤的弹头以及常规弹头，预警雷达必须具备对目标进行分类和识别真假弹头的能力，将核弹头或大规模杀伤的弹头分离出来，为弹道导弹防御(BMD)系统进行目标攻击和火力分配提供依据。早期的BMD系统假设只有一个核弹头，多弹头分导技术的出现，使问题转化为雷达的多目标识别问题，加上电子对抗技术的广泛使用，给目标识别技术带来很大困难。另外，预警雷达还要对空中目标或低空目标进行探测，对来袭目标群进行分类识别。利用星载雷达以及远程光学望远镜等观测设备，可以对外空目标进行探测，对外空来袭目标进行分类和识别，达到早期预警的工作。
远红外小目标的检测与跟踪
远红外小目标的检测与跟踪 摘要：验证了一种基于红外小目标视频图像序列的跟踪算法，主要研究了基于形心计算的跟踪方法和基于最小绝对差准则的匹配跟踪方法。分别仿真验证，并从实现结果出发得出了两种算法的适用围和各自存在的不足。 关键字：远红外小目标检测与跟踪 0 引言 随着近十几年信息技术的飞速发展，计算机硬件的处理能力不断提高，存储成本大幅下跌，一些研究人员开始重点研究计算机视觉中有关运动的问题。与处理单幅图像相比，图像序列引入了新的时间维以及时间相关性约束，这一额外的约束激发了人们对视频理解的研究.视频序列目标跟踪是指对传感器摄取到的图像序列进行处理与分析，一旦目标被确定，就可获得目标的特征参数。 由于视频跟踪具有广泛的应用围，因而引起了世界围广大研究者的兴趣。 在1996年至1999年间，美国国防高级研究项目署（DARPA）资助卡基梅隆大学、戴维SARNOFF研究中心等著名大学和公司合作，联合研制视频监视与监控系统VSAM，主要研究目的是开发用于战场及普通民用场景的自动视频理解技术。DARPA在2000年又资助了重大项目HID计划，其任务是开发多模式的监控技术以实现远距离情况下人的检测、分类和识别，以增强国防、民用等场合免受恐怖袭击的保护能力。在2008年，DARPA资助了一项研究实时流视频监视的技术。 国许多研究所和大学也投入了大量的精力致力于图像跟踪的研究。如清华大
学人机交互与媒体集成研究所在人脸跟踪、视觉监控、等方面取得了许多科研成果；自动化研究所模式识别国家重点实验室在交通场景监控、人体跟踪、智能轮椅手势导航等领域进行了深入研究。 1 设计背景 视频序列目标跟踪是指对传感器摄取到的图像序列进行处理与分析，充分利用传感器采集得到信息来对目标进行稳定跟踪的过程。一旦目标被确定，就可获得目标的位置、速度、加速度等运动参数，进而获得目标的特征参数。 运动分析的目的是根据运动线索揭示关于环境有价值的信息，这些信息可以用来执行更高级的视觉任务，如活动识别、视觉检索等。由于采集到的图像序列通常是二维图像，许多研究者开始使用简单的二维表示处理运动分析问题，避免了恢复三维世界的结构、属性等信息。 通过视频目标跟踪系统通过对图像的去噪、对图像进行灰度变换、图像融合、图像增强等处理，可以快速的筛选并提取有用的信息。 在军事上，视频序列目标跟踪技术广泛应用于精确制导、战场机器人自主导航、无人机助降，靶场光电跟踪等领域。在民用上，该技术主要应用在智能视频监控、智能交通管制、医疗影像诊断等方面。
目标检测与跟踪
第九章图像目标探测与跟踪技术 主讲人：赵丹培 宇航学院图像处理中心 zhaodanpei@https://www.360docs.net/doc/815588420.html, 电话：82339972
目录 9.1 概论 9.2 目标检测与跟踪技术的发展现状9.3 目标检测与跟踪技术的典型应用9.4 图像的特征与描述 9.5 目标检测方法的基本概念与原理9.6 目标跟踪方法涉及的基本问题
9.1 概论 1、课程的学习目的 学习和掌握目标探测、跟踪与识别的基本概念和术语，了解一个完整信息处理系统的工作流程，了解目标探测、跟踪与识别在武器系统、航空航天、军事领域的典型应用。了解目标检测、跟踪与识别涉及的关键技术的发展现状，为今后从事相关的研究工作奠定基础。 2、主要参考书： 《目标探测与识别》，周立伟等编著，北京理工大学出版社； 《成像自动目标识别》，张天序著，湖北科学技术出版社； 《动态图像分析》，李智勇沈振康等著，国防工业出版社；
引言：学习目标检测与跟踪技术的意义 ?现代军事理论认为，掌握高科技将成为现代战争取胜的重要因素。以侦察监视技术、通信技术、成像跟踪技术、精确制导技术等为代表的军用高科技技术是夺取胜利的重要武器。 ?成像跟踪技术是为了在战争中更精确、及时地识别敌方目标，有效地跟踪目标，是高科技武器系统中的至关重要的核心技术。 ?例如：一个完整的军事战斗任务大致包括侦察、搜索、监视以及攻击目标和毁伤目标。那么快速的信息获取和处理能力就是战争胜利的关键，因此，目标的实时探测、跟踪与识别也成为必要的前提条件。
?随着现代高新技术的不断发展及其在军事应用领域中的日益推广，传统的作战形态正在发生着深刻的变化。 1973年的第四次中东战争，1982年的英阿马岛之战，1991年的海湾战争及1999年的科索沃战争，伊拉克战争等都说明了这一点。西方各军事强国都在积极探索对抗武器，特别是美国更是投入了巨大的物力、人力和财力积极研制弹道导弹防御系统。而图像检测、跟踪和识别算法作为现代战场信息环境作战成败的关键，具备抗遮挡、抗丢失和抗机动鲁棒性的智能跟踪器，将是现代战场作战必备品，具有广泛的应用前景。
目标检测与跟踪方法在自动跟踪装置中的应用
第33卷增刊2007年11月 光学技术OPTICAL TECHN IQU E Vol.33Suppl. Nov. 2007 文章编号:100221582(2007)S 20069203 目标检测与跟踪方法在自动跟踪装置中的应用 Ξ 伍翔,霍炬,杨明,董红红 (哈尔滨工业大学控制与仿真中心,哈尔滨 150082) 摘 要:介绍了一种应用于自动跟踪装置上的运动背景下目标检测与跟踪的方法,采用仿射模型作背景运动估计进行检测以及mean 2shift 算法跟踪目标,并将该方法应用到一套自动跟踪系统实验平台上。 关 键 词:仿射模型;mean 2shift 算法;自动跟踪装置 中图分类号:TP751 文献标识码:A Application of a moving target detecting and tracking method in the automatic 2tracking equipment WU X iang ,H UO J u ,Y ANG Ming ,DONG H ong 2hong (Control and Simulation Center ,Harbin Institute of Technology ,Harbin 150082,China ) Abstract :This paper presents a moving target detecting and tracking method in moving background for the automatic 2tracking equipment.It uses affine model to estimate the moving character of the background for detecting ,and uses mean 2shift algorithm for tracking.An automatic 2tracking experimental system is realized by using this method. K ey w ords :affine model ;mean 2shift algorithm ;automatic 2tracking equipment 0 引 言 基于图像处理的运动目标检测与跟踪,作为图像处理技术的一个分支,由于其在民用和军用上的广泛应用 [1,2] ,也逐 渐成为研究的热点。本文主要针对自动跟踪装置,研究与设计一种图像处理的方法,实现运动背景下运动目标检测与跟踪,并应用到所搭建的自动跟踪仿真系统中。 1 自动跟踪系统实验平台 利用图像处理的方法实现自动跟踪功能的跟踪系统一般由摄像机、图像采集卡、计算机、伺服系统几部分组成。摄像机、图像采集卡以及计算机都装载在伺服系统上,当摄像机的视野中出现运动目标时,计算机对图像采集卡采集到的图像进行处理分析,得出运动目标的位置等信息,传递给伺服系统,伺服系统带动相机跟踪目标,使得目标始终保持在视野的中心 。 图1 自动跟踪系统实验平台结构框图 图1即为所搭建的自动跟踪系统实验平台的结构框图, 该平台是专门根据自动跟踪装置的结构和特点设计的,对自动跟踪装置进行模拟。由图1可知,在计算机上实现的图像处理部分,是整个系统的关键。它所要完成的功能是从采集图2 图像处理部分基本流程 到的每幅视频图像中找出运动目标的位置,即运动目标的检测与跟踪。它主要包括两方面:第一,运动目标的检测与提取;第二,目标跟踪。其处理流程图如图2所示。 2 运动目标检测 2.1 背景模型选取 根据摄像机相对于场景的运动情况可以将运动目标检测分为静止背景下运动目标检测和运动背景下运动目标检测两种。由自动跟踪装置的特性可知,在跟踪目标的过程中,摄像机随着伺服系统一起运动,所以应该考虑的是运动背景下运动目标的检测。 本文采用的是运用背景运动估计进行建模的思想,将两帧图像之间的背景运动关系用仿射变换表示,建立一个仿射运动参数模型。如 x k +1=a 1x k +a 2y k +d x y k +1=a 3x k +a 4y k +d y (1) 9 6Ξ收稿日期:2006212211 E 2m ail :wuxiang602@https://www.360docs.net/doc/815588420.html, 基金项目:国家自然科学基金资助(60434010) 作者简介:伍翔(19842),男,苗族,湖南省人,哈尔滨工业大学硕士研究生,从事图像处理研究。
目标检测、跟踪与识别技术与现代战争
《图像检测、跟踪与识别技术》论文 论文题目： 图像检测、跟踪与识别技术与现代战争 专业：探测制导与控制技术 学号：35152129 姓名：刘孝孝
目标检测、跟踪与识别技术与现代战争 【摘要】本文讨论目标检测、跟踪与识别技术在现代战争各个领域中的应用，总结目标识别技术的发展方向，提出目标识别技术工程化实现方法，同时本文介绍了国外目标识别的现状及发展趋势，提出了现代战争应采用综合识别系统解决目标识别问题的建议。 关键词目标检测；目标跟踪；目标识别；雷达；人工神经网络；精确制导 1．引言 随着现代科学技术的飞速发展及其在军事领域内日益广泛的应用，传统的作战思想、作战方式已发生根本性的变化。从第一次海湾战争到科索沃战争，特别是刚刚结束的海湾战争，空中精确打击和空地一体化作战已经成为最重要的作战形式。集指挥、控制、通信、计算机、情报、监视侦察于一体的C ISR 已成为取得战场主动权，赢得最后胜利的关键因素。目标识别技术是雷达智能化、信息化的重要技术支撑手段。在现代化战争中，目标识别技术在预警探测、精确制导、战场指挥和侦察、敌我识别等军事领域都有广泛的应用前景，已受到了世界各国的关注。 现代战争中取得战场制信息权的关键之一是目标属性识别。现代战争的作战环境十分复杂，作战双方都在采用相应的伪装、隐蔽、欺骗和干扰等手段和技术，进行识别和反识别斗争。因此仅仅依靠一种或少数几种识别手段很难准确地进行目标识别，必须利用多个和多类传感器所收集到的多种目标属性信息，综合出准确的目标属性，进行目标检测，跟踪后进行识别。 2．目标检测、跟踪与识别技术在现代战争中的应用 2．1 目标检测、跟踪与识别技术在预警探测上的应用 目标检测、跟踪与识别技术对于弹道导弹的预警工作有重要的作用。弹道导弹一般携带多个弹头，其中可能包含核弹头或大规模杀伤的弹头以及常规弹头，预警雷达必须具备对目标进行分类和识别真假弹头的能力，将核弹头或大规模杀伤的弹头分离出来，为弹道导弹防御(BMD)系统进行目标攻击和火力分配提供依据。早期的BMD系统假设只有一个核弹头，多弹头分导技术的出现，使问题转化为雷达的多目标识别问题，加上电子对抗技术的广泛使用，给目标识别技术带来很大困难。另外，预警雷达还要对空中目标或低空目标进行探测，对来袭目标群进行分类识别。利用星载雷达以及远程光学望远镜等观测设备，可以对外空目标进行探测，对外空来袭目标进行分类和识别，达到早期预警的工作。 2．2 目标检测、跟踪与识别技术在精确制导上的应用 精确制导方式很多，包括主动式、半主动式和被动式寻的制导方式，通过设在精确制导武器
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。
视频目标检测与跟踪算法综述
视频目标检测与跟踪算法综述 1、引言 运动目标的检测与跟踪是机器视觉领域的核心课题之一，目前被广泛应用在 视频编码、智能交通、监控、图像检测等众多领域中。本文针对视频监控图像的运动目标检测与跟踪方法，分析了近些年来国内外的研究工作及最新进展。 2、视频监控图像的运动目标检测方法 运动目标检测的目的是把运动目标从背景图像中分割出来。运动目标的有效分割对于目标分类、跟踪和行为理解等后期处理非常重要。目前运动目标检测算法的难点主要体现在背景的复杂性和目标的复杂性两方面。背景的复杂性主要体现在背景中一些噪声对目标的干扰，目标的复杂性主要体现在目标的运动性、突变性以及所提取目标的非单一性等等。所有这些特点使得运动目标的检测成为一项相当困难的事情。目前常用的运动目标检测算法主要有光流法、帧差法、背景相减法，其中背景减除法是目前最常用的方法。 2.1 帧差法 帧差法主要是利用视频序列中连续两帧间的变化来检测静态场景下的运动目标，假设(,)k f x y 和(1)(,)k f x y +分别为图像序列中的第k 帧和第k+1帧中象素点(x ，y)的象素值,则这两帧图像的差值图像就如公式2-1 所示： 1(1)(,)(,)k k k Diff f x y f x y ++=- (2-1) 2-1式中差值不为0的图像区域代表了由运动目标的运动所经过的区域（背景象素值不变），又因为相邻视频帧间时间间隔很小，目标位置变化也很小，所以运动目标的运动所经过的区域也就代表了当前帧中运动目标所在的区域。利用此原理便可以提取出目标。下图给出了帧差法的基本流程：1、首先利用2-1 式得到第k 帧和第k+1帧的差值图像1k Diff +；2、对所得到的差值图像1k Diff +二值化（如式子2-2 示）得到Qk+1；3、为消除微小噪声的干扰，使得到的运动目标更准确，对1k Q +进行必要的滤波和去噪处理，后处理结果为1k M +。 111255,,(,)0,,(,)k k k if Diff x y T Q if Diff x y T +++>?=?≤? （T 为阈值） （2-2）