基于MATLAB的运动目标检测和识别技术研究_郗华
使用Matlab进行机器视觉和目标识别
使用Matlab进行机器视觉和目标识别引言在现代科技的快速发展下，机器视觉和目标识别成为当前计算机视觉领域的热门研究方向之一。
通过计算机对图像或视频进行分析和处理，可以实现许多应用，如图像分类、目标检测、人脸识别等。
而Matlab作为一种功能强大且易于理解的编程环境，为研究人员和工程师提供了实现机器视觉和目标识别任务的强大工具。
一、Matlab的基础知识Matlab是一种高级、专业的编程环境，具有丰富的工具箱和函数库，适用于各种科学、工程和技术计算任务。
了解Matlab的基础知识对于进行机器视觉和目标识别任务至关重要。
在Matlab中，图像是以矩阵的形式表示的。
每个像素点的灰度值或颜色值在矩阵中的位置对应于图像中的位置。
通过Matlab提供的图像处理函数，可以实现图像的读取、显示、缩放、旋转等操作。
二、图像处理与增强在机器视觉和目标识别任务中，图像处理与增强是非常重要的一步。
通过对图像进行处理和增强，可以提高后续任务的准确性和效果。
Matlab提供了丰富的图像处理函数，如滤波、边缘检测、直方图均衡化等。
其中，滤波函数可以去除图像中的噪声，边缘检测函数可以提取出目标的边缘信息，直方图均衡化函数可以增强图像的对比度。
三、特征提取与选择在机器视觉和目标识别任务中，特征提取与选择是关键环节。
通过选择适当的特征并提取出来，可以减小计算量、提高计算速度和准确性。
在Matlab中，可以使用各种特征提取和选择算法。
例如，可以使用颜色特征、纹理特征、形状特征等。
通过Matlab提供的函数和工具箱，可以实现这些算法，并进行特征的可视化和选择。
四、目标检测与识别目标检测与识别是机器视觉和目标识别任务的核心内容。
通过Matlab提供的工具箱和函数，可以实现目标的检测和识别。
在目标检测与识别中，常用的算法有基于特征的方法、基于机器学习的方法和基于深度学习的方法。
Matlab提供了各种函数和工具箱，如图像拟合、分类器训练、神经网络等，可以实现这些算法。
基于图像处理的运动目标检测与识别技术研究
基于图像处理的运动目标检测与识别技术研究摘要：近年来，随着图像处理技术的快速发展，基于图像处理的运动目标检测与识别技术逐渐成为计算机视觉领域的热门研究方向。
本文通过综述相关研究文献，详细介绍了运动目标检测与识别的基本概念、常用方法和当前面临的挑战，同时对其未来发展进行了展望。
1. 引言运动目标检测与识别技术在人工智能、智能交通、安防监控等领域具有重要应用价值。
随着图像处理技术的发展和智能设备的普及，越来越多的研究者开始关注运动目标检测与识别技术，以解决实际应用中的问题。
2. 运动目标检测的基本概念运动目标检测是指在一系列连续的图像帧中，通过分析像素强度的变化，确定图像中的运动目标位置和形状的过程。
常用的运动目标检测方法包括基于光流、基于复杂背景建模、基于差异图像等。
其中，基于光流的方法能够捕捉到目标运动的速度和方向，但对于复杂场景和运动速度过快的目标有限；基于复杂背景建模的方法能够对目标和背景进行建模，有效地检测运动目标，但对于复杂背景的适应性有限；基于差异图像的方法能够通过计算图像序列之间的差异，检测出目标的位置，但对于光照变化和噪声的鲁棒性较差。
3. 运动目标识别的基本概念运动目标识别是指在运动目标检测的基础上，对检测到的目标进行分类或标记的过程。
常用的运动目标识别方法包括基于特征描述子的方法和基于机器学习的方法。
基于特征描述子的方法将目标提取到的特征值与预先训练好的特征数据库进行匹配，以达到识别的目的，但对于目标外观变化较大的情况下，对特征描述子的选择和匹配往往存在困难；基于机器学习的方法能够通过训练样本学习到目标类别的知识，并对检测到的目标进行分类，但对于训练样本的数量和质量要求较高。
4. 常用的基于图像处理的运动目标检测和识别方法4.1 光流法光流法是一种基于图像灰度变化的运动目标检测方法，通过计算像素在不同图像帧中的光流向量，确定像素的运动方向和速度。
常见的光流法包括Lucas-Kanade光流法和Horn-Schunck光流法。
使用Matlab进行实时目标识别与目标跟踪的实践指南
使用Matlab进行实时目标识别与目标跟踪的实践指南引言：随着计算机视觉的快速发展，目标识别和目标跟踪逐渐成为研究和应用领域的热点。
而在实时场景中实现目标识别和跟踪需要高效的算法和工具，Matlab作为一款功能强大、易于使用的编程环境，为我们提供了一种便捷的实践平台。
本文将介绍如何使用Matlab进行实时目标识别和目标跟踪，并分享一些相关的实践经验。
一、Matlab在目标识别中的应用目标识别是计算机视觉中的一个重要研究方向，其核心是通过提取图像的关键特征，从而对图像中的目标进行识别。
Matlab提供了丰富的计算机视觉工具箱，如图像预处理、特征提取和分类器等，可以帮助我们进行目标识别的实践。
首先，我们需要加载图像并对其进行处理。
Matlab提供了强大的图像处理工具箱，可以帮助我们调整图像的亮度、对比度等属性，以便更好地进行后续处理。
在目标识别中，常用的图像处理操作包括灰度化、滤波和边缘检测等。
其次，我们需要选择合适的特征提取算法。
在目标识别中，特征提取是一个关键的步骤，它可以将图像中的目标信息转化为数学向量，以便后续的分类器进行判别。
常用的特征提取算法包括SIFT、SURF和HOG等，它们可以从不同的方面描述图像的特征，如纹理、边缘和角点等。
最后，我们需要选择合适的分类器进行目标识别。
Matlab提供了多种分类器，如支持向量机（SVM）、人工神经网络（ANN）和卷积神经网络（CNN）等。
这些分类器基于不同的原理和算法，可以适用于不同的目标识别任务。
我们可以根据实际情况选择合适的分类器，并使用训练数据对其进行训练，从而构建一个准确的目标识别系统。
二、Matlab在目标跟踪中的应用目标跟踪是指在视频序列中实时定位和追踪目标的过程，其难度在于目标的外观变化、遮挡和运动模式的复杂性。
Matlab为我们提供了一些强大的目标跟踪工具箱，可以帮助我们进行目标跟踪的实践。
首先，我们需要选择一个适合的目标跟踪框架。
利用Matlab进行机器视觉与目标检测技术研究
利用Matlab进行机器视觉与目标检测技术研究引言：机器视觉技术作为一门交叉学科已经在各个领域得到广泛应用。
其中，目标检测技术是机器视觉的核心内容之一。
目标检测是指在图像或视频中自动识别和定位物体的过程。
近年来，随着深度学习的出现和发展，目标检测技术也取得了巨大的进步。
本文将以Matlab为工具，探讨机器视觉与目标检测技术的研究进展，并介绍其在实际应用中的价值和挑战。
一、机器视觉的基本原理1.1 图像预处理图像预处理是机器视觉的第一步，对图像进行降噪、灰度化、平滑化等处理，以便更好地提取图像特征。
1.2 特征提取特征提取是机器视觉中的核心问题，其目的是将复杂的图像信息转化为计算机可处理的数值数据。
传统的特征提取方法包括SIFT、HOG等，而深度学习方法则常用卷积神经网络（CNN）。
1.3 目标定位目标定位是目标检测的重要环节，其目的是确定目标在图像中的位置和大小。
常见的目标定位方法有滑动窗口、区域提案等。
二、Matlab在机器视觉研究中的应用2.1 图像处理Matlab提供了丰富的图像处理函数和工具箱，可以进行图像的读取、显示、调整、增强等操作。
同时，Matlab提供了图像处理算法的源代码，研究人员可以根据实际需要进行修改和优化。
2.2 特征提取Matlab中的计算机视觉工具箱提供了各种特征提取算法的实现，包括SIFT、HOG等。
此外，Matlab还支持深度学习工具箱，可以使用预训练的卷积神经网络模型，或者自定义网络结构进行特征提取。
2.3 目标检测算法的实现Matlab中的计算机视觉工具箱也提供了多种目标检测算法的实现，包括Haar 特征级联分类器、LBP特征级联分类器等。
此外，也可以使用深度学习工具箱中的Faster R-CNN、YOLO等目标检测算法。
三、机器视觉与目标检测技术在实际应用中的价值3.1 工业自动化目标检测技术可以应用于工业自动化领域，如物体排序、产品质检等。
通过机器视觉系统的实时监测和判别，可以提高生产效率和质量。
基于MATLAB的运动目标检测和识别技术研究
中图分类号 ： Ｔ Ｐ ３ ９ １ ． ４
文献标识码 ： Ａ
文章编号 ： １ ｏ ｏ ６ ３ １ １ （ ２ ０ １ ３ ） １ ８ — ０ ２ ０ ３ — ０ ２
Байду номын сангаас
０ 引 言
１ 原始 图像 的预处理
１ 。 １图 像 灰 度 化 直 方 图均 衡 化 是 把 原 始 图 像 的灰 度
与 跟踪 方面 还 存 在 着 许 多 问题 ， 主 要 有 以下 几 个 方 面 的 因 清 晰。
素影 响 目标检测 结果 ， 光 照强 度 的变化影 响、 阴影 与物体 的重叠与覆盖影响、 非静态背景 的影 响和前景 目标 与背景
相 近的影响等。
（ ａ ）原始图像 （ ｂ） 灰 度图像 （ ｃ ） 直方 图均衡化图像
关键词 ：目标检 测； 背景差分法； 灰度 图像
Ｋｅ ｙ ｗｏ ｒ ｄ ｓ ： ｔ ａ ｒ ｇ ｅ ｔ ｄ ｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎ ； ｂ ａ ｃ ｋ ｇ ｒ ｏ ｕ ｎ ｄ － ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｃ ｅ ｍｅ ｔ ｈ ｏ ｄ； ｒａ ｇ ｙ ｉ ｍａ ｇ ｅ
智 能视频监控［ １ － ３ ］ 就是利 用计 算机视觉、 数字图像 处理
和视 频图像分析 的方法 ， 即对摄像机拍摄 的视频 图像序列 直方 图从 比较 集中 的某个灰 度 区间变成在 全部灰度范 围 进行分析 处理 ， 实现对视频场 景 中运 动 目标 的检 测、 跟踪 内的均 匀分布 ， 这样就增加 了像素灰度值 的动态范 围从而 和识别 ， 并在 此基 础上分析和 判断 目标 的行 为 ， 给 出对运 可达 到增强 图像整 体 对 比度 的效 果 ， 使 图像 的细 节 变得 动 目标 行为和 动作的描述 ， 从而指导和规划行 为。 智能监控系统 中， 在视频 图像清晰连贯并且 保证计算 机速度 的基础上 ， 运动 目标 识别、 检 测与跟踪 的效 果完全 取决于 自动识别与跟踪算法 的性 能。 目前在运动 目标检测
MATLAB中的运动检测与目标追踪方法
MATLAB中的运动检测与目标追踪方法引言运动检测和目标追踪是计算机视觉领域的重要研究内容之一。
通过使用MATLAB等工具，可以实现各种运动检测和目标追踪算法，以应用于视频监控、自动驾驶等领域。
本文将介绍MATLAB中常用的运动检测与目标追踪方法，包括光流法、帧差法、背景建模法等，并探讨它们的优缺点及应用场景。
一、光流法光流法是一种通过分析连续两帧图像中像素的运动来检测运动的方法。
其核心思想是计算每个像素点在两帧图像中的位移向量，从而得到运动信息。
MATLAB中提供了光流法的实现函数，例如vision.OpticalFlow和opticalFlowLK等。
光流法的优点是计算简单，对算法要求不高，可以很容易地处理多对象的运动，适用于快速移动的目标。
然而，由于其基于两帧图像的位移变化进行计算，对于长时间运动或场景变换较大的情况下，光流法容易产生累积误差。
二、帧差法帧差法是一种通过比较连续两帧图像的像素值来检测运动的方法。
其基本原理是通过计算两帧图像之间的差异，得到表示目标位置的二值图像。
MATLAB中的imabsdiff函数可以方便地实现帧差法。
帧差法的优点是实时性好，对于动态场景具有较好的适应性。
然而，由于该方法是基于像素值差异来检测运动，对于光照变化、场景噪声等因素较为敏感，容易产生误检测的问题。
三、背景建模法背景建模法是一种通过将场景背景与前景目标进行分离，从而检测目标运动的方法。
其核心思想是先建立环境的背景模型，然后将当前帧图像与背景模型进行比较，得到表示前景的二值图像。
在MATLAB中，可以使用vision.ForegroundDetector函数实现背景建模。
背景建模法的优点是对于静态场景具有较好的适应性，能够有效抑制光照变化和场景噪声带来的干扰。
然而，该方法对于场景动态变化较快、背景模型建立较为困难的情况下，容易产生误检测和漏检测的问题。
四、区域增长法区域增长法是一种通过将连续像素点聚类，从而检测目标区域的方法。
基于MATLAB的运动目标检测和识别技术研究
基于MATLAB的运动目标检测和识别技术研究作者：郗华朱春燕来源：《价值工程》2013年第18期摘要：针对智能视频监控系统中视频序列图像，本课题利用MATLAB7.0仿真工具采取背景差分法对视频序列图像进行处理，提出了利用分块法和统计方法相结合的算法改进背景图像的提取算法，实现运动目标的检测和跟踪，并基于MATLAB GUI编制了运动目标检测界面。
Abstract： An algorithm based on background-difference method by MATLAB7.0 is proposed to process video sequences of Intelligent video surveillance system， The algorithm is the combination of segmentation method and the statistical method to implement the detection and tracking of moving object， the interface of moving target detection is established by MATLAB GUI.关键词：目标检测；背景差分法；灰度图像Key words： target detection；background-difference method；gray image中图分类号：TP391.4 文献标识码：A 文章编号：1006-4311（2013）18-0203-020 引言智能视频监控[1-3]就是利用计算机视觉、数字图像处理和视频图像分析的方法，即对摄像机拍摄的视频图像序列进行分析处理，实现对视频场景中运动目标的检测、跟踪和识别，并在此基础上分析和判断目标的行为，给出对运动目标行为和动作的描述，从而指导和规划行为。
智能监控系统中，在视频图像清晰连贯并且保证计算机速度的基础上，运动目标识别、检测与跟踪的效果完全取决于自动识别与跟踪算法的性能。
如何使用MATLAB进行目标检测和跟踪
如何使用MATLAB进行目标检测和跟踪目标检测和跟踪是计算机视觉领域的重要研究方向，它广泛应用于人脸识别、交通监控、无人驾驶等众多领域。
MATLAB作为一种功能强大的数学计算软件，也提供了丰富的工具包和函数库，方便进行目标检测和跟踪的开发与应用。
本篇文章将介绍如何使用MATLAB进行目标检测和跟踪，包括图像处理、特征提取、机器学习等方面的内容。
一、图像处理图像处理是进行目标检测和跟踪的前提和基础工作。
MATLAB提供了丰富的图像处理函数，可以用来进行图像增强、滤波、边缘检测等操作。
在目标检测中，可以先对图像进行预处理，去除噪声、增强对比度，以便更好地提取目标特征。
在目标跟踪中，可以使用滤波技术，如卡尔曼滤波、粒子滤波等方法，对目标位置进行估计和预测。
二、特征提取特征提取是目标检测和跟踪的核心步骤之一。
通过对目标图像进行特征提取，可以将目标与背景进行区分。
MATLAB提供了多种特征提取的方法，如颜色特征、纹理特征、形状特征等。
在目标检测中，可以使用机器学习的方法，如支持向量机（SVM）、卷积神经网络（CNN）等，对特征进行分类和识别。
在目标跟踪中，可以使用特征点匹配的方法，如SIFT、SURF等，对目标进行跟踪和定位。
三、机器学习机器学习是进行目标检测和跟踪的关键技术。
MATLAB提供了强大的机器学习工具包，包括分类、回归、聚类等多种算法。
在目标检测中，可以使用机器学习方法对目标特征进行分类和识别。
常用的方法包括支持向量机、随机森林、神经网络等。
在目标跟踪中，可以通过有监督学习、无监督学习的方法，对目标进行追踪和预测。
四、目标检测目标检测是指在图像或视频中找出感兴趣的目标，并标记出其位置和边界框。
MATLAB提供了多种目标检测算法和工具，如基于特征的检测、深度学习的检测等。
在目标检测中，可以使用滑动窗口的方法，对图像进行扫描和检测。
还可以使用级联分类器（Cascade Classifier）的方法，对图像进行逐层筛选和分类。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Value Engineering
· 203 ·
基于 MATLAB 的运动目标检测和识别技术研究
A Study on Moving Object Detection and Recognition Based on MATLAB
0 引言 智能视频监控[1-3]就是利用计算机视觉、数字图像处理 和视频图像分析的方法，即对摄像机拍摄的视频图像序列 进行分析处理，实现对视频场景中运动目标的检测、跟踪 和识别，并在此基础上分析和判断目标的行为，给出对运 动目标行为和动作的描述，从而指导和规划行为。 智能监控系统中，在视频图像清晰连贯并且保证计算 机速度的基础上，运动目标识别、检测与跟踪的效果完全 取决于自动识别与跟踪算法的性能。目前在运动目标检测 与跟踪方面还存在着许多问题，主要有以下几个方面的因 素影响目标检测结果，光照强度的变化影响、阴影与物体 的重叠与覆盖影响、非静态背景的影响和前景目标与背景 相近的影响等。 监控系统设计的初始阶段就是检测出运动目标，运动 目标检测的目的就是将变化的区域从背景图像中提取出 来，目标检测的好坏将直接影响后续的跟踪效果和处理效 果。不同的目标检测需要选择不同的检测算法目前几种 常用的检测方法有光流法、帧间差分法和背景差分法三 种[4-5]，光流法不需要预先知道场景的信息，并在摄像头运 动时能有效的检测目标，但是该算法计算方法又过于复 杂，且抗干扰性差，不适合用于实时性要求很强的场合，帧 间差分法对动态变化场景有较强的适应性，但一般不能很 好的提取出所有的特征像素点，背景差分法一般能得到比 较全面的特征数据，本课题基于背景法实现运动目标的检 测。在背景的提取上采取了分块法和均值法想结合的方法 得到背景图像，克服了动态场景变化和光线变化等外界干 扰对背景的影响。选取最佳的图像二值化方法和阈值实现 图像的二值化，利用背景相差法检测出运动目标，得到目 标质心，最后编制的运动目标检测和识别界面。 — —— —— —— —— —— —— —— —— —— —— ——
MATLAB 可 以 创 建 图 形 用 户 界 面 GUI （Graphical
User Interface），它是用户和计算机之间交流的工具。GUI
可以在 MATLAB 中生成非常有效的应用程序，建立演示
工作的交互式界面，本课题将检测程序封装成 GUI，形象
直观地演示出运动目标的检测过程。
读入图片 40
（a）简单背景算法
（b）改进背景算法
图 4 传统的背景算法和改进背景算法比较
2.2 运动目标提取 本课题处理的视频序列由 82 幅 图像组成，在提取了背景图像之后，将视频序列的每一幅 图像分别与背景图像做差检测出运动目标，并对检测出的 目标增强其对比度。图 2 即为视频序列初始帧，中间帧和 结束帧检测出的运动目标。（图 5）
参考文献： [1]袁国武.智能视频监控中的运动目标检测和跟踪算法研究 [D].云南大学，2012 年 3 月,103 页. [2]邢少芳.智能交通监控系统中的运动目标检测研究[D].天 津大学，2011 年 12 月，55 页. [3]杜晶晶.智能视频监控中运动目标检测与跟踪算法研究 [D].西南交通大学，2009 年 5 月,59 页. [4]丁雪梅等.基于差分和特征不变量的运动目标检测与跟踪 [J].光学精密工程，2007，15（04）：571-572. [5]李刚等.基于背景差法和帧间差法的运动目标检测方法[J]. 仪器仪表学报，2006，27（08）：571-572. [6]段群,吴粉侠.基于 MatLab 的数字图像清晰化方法[J].计算 机时代,2008(04). [7]戴宝燕.基于 MATLAB 的小波图像处理技术[J].甘肃联合 大学学报(自然科学版)，2010(05). [8]丛波.基于 MATLAB 的数字图像处理技术及应用[J].中国 科技信息，2011(05). [9]吴东超,崔斌.基于 MATLAB 的数字图像处理方法与实现 [J].中小企业管理与科技(下旬刊)，2011(11). [10]陈乾辉,王小芬.现代图 像 处 理 技 术 在 目 标 跟 踪 中 的 MatLab 实现[J].现代计算机(专业版)，2011(26).
1.3 二值图像处理（图 3） 2 运动目标检测
· 204 ·
原图像
加入椒盐噪声的图像
价值工程
中值滤波处理后的图像 均值滤波处理后的图像
பைடு நூலகம்
图 2 图像的中值滤波和均值滤波去噪
原图像
OTSU 算法二值化
Bemsen 算法二值化
改进 Bemsen 算法二值化
（a）初始帧
（b）中间帧
（c）结束帧
图 5 初始帧，中间帧和结束帧分别检测出的运动目标
关键词： 目标检测；背景差分法；灰度图像
Key words: target detection；background-difference method；gray image
中 图 分 类 号 ：TP391.4
文 献 标 识 码 ：A
文 章 编 号 ：1006-4311（2013）18-0203-02
3 运动目标检测界面
图 6 MATLAB GUI 检测界面
4 结论 本文研究的运动目标检测与识别算法，采用 MATLAB 仿真软件验证了算法的可行性，仿真结果表明，本课题的 相关算法对系统在静态背景情况下能实时有效地检测与 跟踪运动目标，适用于单个摄像机及摄像机镜头位置固定 的静态背景情况，当采用多个摄像机，及摄像机镜头位置 随运动目标转动的动态背景情况，相关算法还需要做进一 步的改进。
均值滤波器是一种最简单的线性平滑滤波器，基本方 法是邻域平均法。用邻域的均值代替原图像中的各个像素 值，即对待处理的当前像素点（x，y）选择一个以邻近若干 像素组成的模板，用模板中像素白飞均值来替代原像素点 的值。中值滤波是一种能有效抑制噪声的非线性信号处理 方法，它既能有效衰减一定类型的随机椒盐噪声（即消除 孤立的噪声点），又能使图像边缘细节信息得到保护。其基 本原理是把数字图像或数字序列中一点的值用该点的一 个邻域中各点值的中值代替。（图 2）
原图
背景提取
背景图
上一帧 下一帧
目标检测
运动目标图
重心跟踪
重心标识图
图 3 不同二值化算法得到的二值化图像
2.1 背景差分法 背景差分法是运动目标检测方法中 最常见的一种方法。它的基本思想就是将视频图像中的某 一帧当前图像与背景图像（背景图像是提前获取的没有运 动目标的图像）做差，得到差值图像，通过设一阈值，得到 差分图像，差分图像中的区域就是原图像中需要检测出的 运动目标区域。本课题要检测的运动目标在视频序列在每 一帧都存在运动目标，因此在背景图像提取上运用了分块 和统计相结合的方法，既消除了目标运动对像素带来的粗 大影响，又利用统计规律减小背景像素的误差，得到稳定 可靠的背景图像。
郗华 XI Hua；朱春燕 ZHU Chun-yan
（西安工业大学北方信息工程学院，西安 710032） （Xi'an Technological University North Institute of Information Engineering，Xi'an 710032，China）
摘要： 针对智能视频监控系统中视频序列图像，本课题利用 MATLAB7.0 仿真工具采取背景差分法对视频序列图像进行处理，提
基金项目： 西安工业大学北方信息工程学院院长科研基金项目， 项目编号：BXXJJ－1105。
作 者 简 介 ：郗华（1982-），女，陕西蓝田人，硕士研究生，讲师，主要 研究领域为光电信号检测与处理。
1 原始图像的预处理 1.1 图像灰度化 直方图均衡化是把原始图像的灰度 直方图从比较集中的某个灰度区间变成在全部灰度范围 内的均匀分布，这样就增加了像素灰度值的动态范围从而 可达到增强图像整体对比度的效果，使图像的细节变得 清晰。
video surveillance system, The algorithm is the combination of segmentation method and the statistical method to implement the detection
and tracking of moving object, the interface of moving target detection is established by MATLAB GUI.
(a) 原始图像
（b）灰度图像
（c）直方图均衡化图像
图 1 图像灰度均衡化
1.2 图像滤波 视频监控采集的视频图像不可避免的 存在各种各样的噪声的干扰，如瑞利噪声、脉冲（椒盐）噪 声、高斯噪声、伽马噪声和均值噪声等。这些噪声造成图像 质量的退化、图像模糊不清、特征不明显，不利于图像的后 期处理，因此去除噪声有重要的意义，是图像处理中的重 要环节。最常见的噪声有高斯噪声、瑞利噪声、椒盐噪声、 伽马噪声、均匀噪声和指数噪声。最常见的几种除噪方法 有高通滤波、低通滤波、中值滤波等。本课题采用中值滤波 和均值滤波。
出了利用分块法和统计方法相结合的算法改进背景图像的提取算法，实现运动目标的检测和跟踪，并基于 MATLAB GUI 编制了运动
目标检测界面。
Abstract: An algorithm based on background-difference method by MATLAB7.0 is proposed to process video sequences of Intelligent