视频监控中运动目标自动提取技术
《智能监控系统中运动目标的检测与跟踪》范文
《智能监控系统中运动目标的检测与跟踪》篇一一、引言随着科技的不断进步，智能监控系统在安全、交通、医疗等领域得到了广泛应用。
其中，运动目标的检测与跟踪是智能监控系统中的关键技术之一。
本文旨在深入探讨智能监控系统中运动目标的检测与跟踪方法及其应用。
二、运动目标检测技术1. 背景与意义运动目标检测是智能监控系统的基础，其目的是从视频序列中提取出感兴趣的运动目标。
该技术对于后续的目标跟踪、行为分析、目标识别等具有重要意义。
2. 常用方法（1）基于帧间差分法：通过比较视频序列中相邻两帧的差异，检测出运动目标。
该方法简单有效，但易受光照变化、噪声等因素影响。
（2）基于背景减除法：利用背景模型与当前帧进行差分，从而提取出运动目标。
该方法对动态背景具有较好的适应性，但需要预先建立准确的背景模型。
（3）基于深度学习方法：利用深度学习技术对视频进行目标检测，如基于卷积神经网络的目标检测算法。
该方法具有较高的检测精度和鲁棒性。
三、运动目标跟踪技术1. 背景与意义运动目标跟踪是在检测出运动目标的基础上，对其在连续帧中的位置进行估计和预测。
该技术对于提高监控系统的实时性和准确性具有重要意义。
2. 常用方法（1）基于滤波的方法：如卡尔曼滤波、粒子滤波等，通过建立目标运动模型，对目标位置进行预测和更新。
（2）基于特征匹配的方法：利用目标的形状、颜色等特征，在连续帧中进行匹配，从而实现目标跟踪。
（3）基于深度学习的方法：利用深度学习技术对目标进行识别和跟踪，如基于孪生神经网络的目标跟踪算法。
该方法具有较高的跟踪精度和鲁棒性。
四、智能监控系统中运动目标检测与跟踪的应用1. 安全监控领域：通过智能监控系统对公共场所、住宅小区等进行实时监控，及时发现异常情况，提高安全性能。
2. 交通管理领域：通过智能监控系统对交通流量、车辆行为等进行实时监测和分析，为交通管理和规划提供支持。
3. 医疗领域：在医疗领域中，智能监控系统可以用于病人监护、手术辅助等方面，提高医疗质量和效率。
视频监控中的运动目标检测与跟踪
视频监控中的运动目标检测与跟踪随着科技的不断发展，视频监控系统在我们生活中起到了越来越重要的作用。
其中，运动目标检测与跟踪是视频监控系统中的关键技术之一。
本文将详细介绍视频监控中的运动目标检测与跟踪的原理和应用。
在视频监控系统中，运动目标指的是图像序列中不断变化的区域，例如人、车辆等。
而运动目标检测与跟踪则是指在视频中自动识别和跟踪这些运动目标的过程。
首先，运动目标检测是指在视频序列中找出运动目标所在的位置。
常见的运动目标检测算法包括帧间差、光流法和背景建模等。
帧间差方法通过比较连续帧之间的像素差异来检测目标的运动。
光流法则利用像素间的灰度变化来估计运动目标的移动。
背景建模则通过建立静止背景图像来检测运动目标。
其次，运动目标跟踪是指在检测到的运动目标中，跟踪其运动轨迹并实时更新位置信息。
常见的运动目标跟踪算法包括卡尔曼滤波器、粒子滤波器和相关滤波器等。
卡尔曼滤波器通过预测和观测更新的方式来估计目标的位置。
粒子滤波器则通过在候选区域中采样来估计目标的位置。
相关滤波器利用目标模板和候选区域之间的相关性来跟踪目标。
在实际应用中，运动目标检测与跟踪技术被广泛应用于视频监控系统中。
首先，它可以用于实时监测人员和车辆的行为，以便及时发现异常情况。
例如，当有人携带危险物品进入监控区域时，系统可以立即发出警报并采取相应措施。
其次，它可以用于交通管理系统中，监测交通流量和违规行为。
例如，当有车辆逆向行驶或超速行驶时，系统可以自动拍摄照片或录像作为证据。
此外，运动目标检测与跟踪技术还可用于视频分析和智能监控系统中，为用户提供更加智能的安防服务。
然而，运动目标检测与跟踪技术也存在一些挑战和局限性。
首先，复杂的背景和光照变化会对运动目标检测产生干扰。
例如，当目标混杂在复杂的背景中时，算法往往会出现误检测现象。
其次，目标遮挡和形状变化也会对运动目标跟踪产生困难。
例如，当目标部分被其他物体遮挡时，算法往往会失去目标的轨迹。
视频监控系统中的运动目标跟踪与轨迹分析
视频监控系统中的运动目标跟踪与轨迹分析随着科技的不断进步，视频监控系统在我们的生活中扮演着越来越重要的角色。
视频监控系统不仅为我们提供了安全保障，还可以对运动目标进行跟踪与轨迹分析，以帮助我们更好地理解事件的发生和发展。
本文将探讨视频监控系统中的运动目标跟踪与轨迹分析的原理和应用。
运动目标跟踪是视频监控系统中的一个关键技术，它可以通过分析连续的视频帧来识别和跟踪目标的运动。
一般情况下，目标的跟踪可以分为两个阶段：目标检测和目标跟踪。
目标检测是指在每一帧中找到目标物体的位置和尺寸。
常见的目标检测算法有基于颜色、纹理或形状等特征进行匹配的方法和深度学习方法。
目标跟踪是指在连续的视频帧中追踪目标物体的运动轨迹。
常见的目标跟踪算法有卡尔曼滤波器、粒子滤波器和相关滤波器等。
在目标跟踪的基础上，轨迹分析可以提供关于目标运动模式、速度、行为等信息。
通过对目标的轨迹进行分析，可以判断目标是否具有可疑行为，进一步提高监控系统的安全性和效率。
轨迹分析的方法包括轨迹拟合、轨迹聚类和轨迹关联等。
轨迹拟合是指通过拟合轨迹的数学模型，预测目标的未来位置。
轨迹聚类是指将轨迹分为不同的群组，以便对目标进行分类和识别。
轨迹关联是指将多个目标的轨迹进行匹配和关联。
视频监控系统中的运动目标跟踪与轨迹分析具有广泛的应用。
在交通领域，可以利用目标的轨迹分析交通流量和拥堵情况，优化交通信号控制系统。
在工业领域，可以通过跟踪和分析工人的运动轨迹，提高生产效率和安全性。
在安防领域，可以通过跟踪和分析目标的运动轨迹，快速发现可疑的行为并采取措施。
此外，运动目标跟踪与轨迹分析还可以应用于体育比赛、行人检测、智能家居等领域。
然而，视频监控系统中的运动目标跟踪与轨迹分析仍然面临一些挑战和难题。
首先，目标的形状、大小和运动速度的多样性会对目标的跟踪和分析造成困扰。
其次，背景的变化和光照条件的变化也会干扰目标的跟踪和分析。
此外，复杂的场景中可能存在交叉和遮挡等问题，使得目标的识别和轨迹分析变得更加困难。
基于连通性检测的视频监控运动目标提取
（ｃ ｏｌｏ ｎｏｍ ｔ ｎ Ｅ ｇｎ ｅｉｇ ａｉｎ Ｕ ｉｅｓｙ ｉ ｎｕ ｌ ｎ １６ ２ ，Ｃ ｉａ Ｓ ｈｏ ｆ Ｉ ｒ ａｉ ｎｉｅ ｒ ，Ｄ ｌ ｎｖｒｉ ，Ｌａ ｉ Ｄａ ａ １ ６ ２ ｈｎ ） ｆ ｏ ｎ ａ ｔ ｏ ｇ ｉ
可应 用 于 实 际 系 统 。
【 关键 词 】 运 动 目标 ；连 通 性 检 测 ；动 态 阈 值 ； 背 景 差 法 【 图分 类 号 】Ｔ ３ １ １ 中 Ｐ９． ４ 【 献 标 识 码 】Ａ 文
Ｍ ｏ ｉ ｇ Ｔａ ｇ ｔ Ｅ ｔ ａ ｔ ｎ ｏ ｄ ｏ Ｓ ｐ ｒ ｉｉ ｎ Ｂａ ｅ ｎ Ｃｏ ｎ ｃ ｉ ｉ ｔ ｃ ｉ ｎ ｖ ｎ ｒ ｅ ｘ ｒ ｃ ｉ ｆ Ｖｉ ｅ ｕ ｅ ｖ ｓｏ ｓ ｄ ｏ ｎ ｅ ｔｖｔ Ｄｅ ｅ ｔ ｏ ｙ ｏ
・
论文・
【 摘 要 】针 对 背 景 相 对 静 止 、 要 检 测 对 象 为 行 人 的视 频 监 控 序 列 ， 出 了 一种 基 于连 通 性 检 测 的 目标 提 取 算 法 ， 把 形 态 学 滤 主 提 它
波 与 连 通 性 检 测 相 结 合 ， 分 割后 的 二 值 化 图像 进 行 噪 声 干 扰 去 除 ， 获 得若 干 连 通 区域 后 ， 用 面 积 、 对 在 利 外界 矩 形 及 其 特 征 对 连 通 区域 进 行 识 别 ， 过 区域 重心 标 注 目标 在 各 帧 位 置 ， 现 目标 提 取 。 实 验 结 果 表 明 ， 算 法 简 单 可 靠 ， 有 实 时 性 ， 通 实 该 具 易于 硬 件 实 现 ，
【 ｙ ｗ ｒ ｓ ｏｉｇ ｔ ｇｔ ｃｎ ｅｔ ｉ ｅ ｃ ｏ ； ｙ ａ ｃｔｒｓｏｄ ｂｃ ｇｏｎ ｕ ｔ ｃｏ Ｋｅ ｏ ｄ 】ｍ ｖ ａ ｅ； ｏ ｎｃｉｔ ｄｔ ｔ ｎ ｄ ｎｍｉ ｈｅｈ ｌ； ａｋｒｕ ｄ ｓｂｒ ｔｎ ｎ ｒ ｖｙ ｅ ｉ ａｉ
面向智能视频监控系统运动目标检测的轮廓提取方法
摘 要 ：针对 传统 的混 合高 斯模 型方法 易 受干扰 、 运算 量大 的缺 点 ， 出 了一 种 应用 于智 能视 频 监 提 控 系统运 动 目标 检测 的轮廓 提取 方法． 首先 介绍 了常用 的运 动 目标 检测 方法 ； 接着 描述 了传 统的 混合 高斯模 型方 法 ， 析 了该 方 法在 目标 检 测方 面存 在 的缺 点， 出 了一种 新 的轮廓 提 取 方 法． 分 提
Ａｂ ｔａ ｔ ｓ ｒ ｃ ：Ａ ｉ ｉ ｇ ａ ｈ ｒ ｂ ｅ ｈ ｔｔ ｒ ｄ ｔｏ ａ ｕ ｓｍ ｉ ｔ ｒ ｏ ｌｍ ｅ ｏ ａ ｈ ｈ ￣ｃ ｍ — ｍ ｎ ｔｔ ｅ ｐ ｏ ｌｍ ｔ ａ ｈｅ ｔａ ｉｉ ｎ ｌＧａ ｓ ｘ ｕ ｅ ｍ ｄｅ ｔ ｄ ｈ ｓｔ ｅ ｓ ｏ ｏ ｈ ｉ ｓｏｆｂｅｎ ｎｅ ｆ ｒ ｄ ｅ ｓｌ ｎ ｅ ｉ ｇ ａ ｌｒ ｅ ａ ｏ ｎ ｆｃ ｌｕ ａ ｉｎｓ ｈ ｓｐａ ｅ ｒ ｓ ｎ ｓａ ｃ ｎ ｎｇ ｉ ｇ ｉ ｔｒｅ ｅ ａ ｉｙ ａ ｄ ｎｅ ｄ ｎ ａ ｇ ｍ ｕ ｔｏ ａ ｃ ｌ ｔ ｏ ，ｔ ｉ ｐ ｒｐ ｅ ｅ ｔ ｏ —
ｔ ｒｅ ｔａ ｔｏ ｔ ｏ ｅ ｎ ｉ ｔ ｌ ｇ ｎ ｉ ｅ ｕ ｖ ｉｌｎ ｅ ｓ ｔ ｍ ｏ ｖ ｎ ｂｉｃ ｔ ｃｉ ｎ．Ｆｉｓ ｏｕ ｘ ｒ ｃｉ ｎ ｍｅ ｈ ｄ ｕｓ ｄ ｉ ｎ ｅ ｌ ｅ ｔｖ ｄ ｏ ｓ ｒ ｅ ｌ ｃ ｙｓｅ ｆ ｒｍｏ ｉ ｇ Ｏ ｅ ｔｄｅｅ ｔｏ ｉ ａ ｒｔ ｈ ｓｐ ｐｅ ｎ ｒ ｄ ｃ ｓｔ ｏ ｔ ｉ ａ ｒｉ ｔｏ ｕ ｅ ｅ ｃ ｍｍｏ ｌ ｅ ｔ ｏ ｆｍｏ ｉ ｇ ｔｒ ｅ ｅｅ ｔｏ ｈ ｎ ｙ ｕｓ ｄ ｍｅ ｄ ｏ ｖ ｎ ａ ｇ ｔｄ ｔ ｃｉ ｎ；ｔ ｅ ｔｄ ｓ ｒｂ ｓｔ ｅｔａ ｈ ｈ ｎ ｉ ｅ ｃ ｅ ｒ — ｉ ｈ
视频目标追踪算法及应用场景解析
视频目标追踪算法及应用场景解析在当今数字时代，无人机、监控系统、自动驾驶等技术的迅猛发展，使得视频目标追踪成为一个备受关注的话题。
视频目标追踪算法具有广泛的应用场景，可以用于运动分析、智能监控、人机交互等方面。
本文将对视频目标追踪算法及其应用场景进行深入解析。
视频目标追踪是指从连续的视频序列中，准确地跟踪特定目标并提取其运动信息的一项技术。
其主要目标是在视频中对感兴趣的目标进行连续、准确、鲁棒的跟踪。
视频目标追踪具有许多不同的算法，下面将介绍其中几种主要的算法。
首先是基于颜色特征的视频目标追踪算法。
这种算法通过分析目标的颜色信息，将目标与周围背景进行区分，从而实现目标的追踪。
该算法比较简单，但对于光照变化、目标形状变化等情况不太鲁棒。
其次是基于特征点的视频目标追踪算法。
这种算法通过提取目标图像中的特征点，并跟踪这些特征点的位置变化来实现目标追踪。
该算法对于目标形状变化、旋转、尺度变化等情况有较好的适应性，但对于光照变化和目标遮挡等情况仍然比较敏感。
另一种常见的算法是基于深度学习的视频目标追踪算法。
深度学习通过构建深度神经网络模型，能够自动学习图像和视频中的特征表示。
通过将大量标注的视频数据输入深度神经网络，网络可以学习目标的外观、形状、运动等特征，从而实现目标的准确追踪。
相比传统算法，基于深度学习的视频目标追踪算法具有更高的准确性和鲁棒性。
视频目标追踪算法具有广泛的应用场景。
其中之一是运动分析。
通过对目标的运动轨迹进行分析，可以了解目标的活动范围、速度、加速度等信息。
这对于交通监控、行为认知与预测等领域具有重要意义。
视频目标追踪还可应用于智能监控系统中。
借助视频目标追踪技术，可以实时监测特定区域的目标，如行人、车辆等。
该技术可以用于安防监控、物流管理、智能交通等领域，提高监控系统的效能和准确性。
此外，视频目标追踪还在虚拟现实（VR）和增强现实（AR）领域有广泛应用。
通过追踪用户的手势、表情、头部运动等目标，可实现更自然、沉浸式的人机交互体验。
《2024年智能监控系统中运动目标的检测与跟踪》范文
《智能监控系统中运动目标的检测与跟踪》篇一一、引言随着科技的不断进步，智能监控系统在各个领域得到了广泛的应用。
其中，运动目标的检测与跟踪是智能监控系统中的关键技术之一。
本文将详细介绍智能监控系统中运动目标的检测与跟踪技术，包括其基本原理、实现方法、应用场景以及面临的挑战和解决方案。
二、运动目标检测技术1. 背景介绍运动目标检测是智能监控系统中的第一步，它的主要任务是在视频序列中准确地检测出运动目标。
运动目标检测的准确性与实时性直接影响到后续的跟踪、识别、分析等任务。
2. 基本原理运动目标检测的基本原理是通过分析视频序列中的像素变化来检测运动目标。
常见的运动目标检测方法包括帧间差分法、背景减除法、光流法等。
其中，背景减除法是目前应用最广泛的方法之一。
3. 实现方法背景减除法通过建立背景模型，将当前帧与背景模型进行差分，得到前景掩膜，从而检测出运动目标。
实现过程中，需要选择合适的背景建模方法、更新策略以及阈值设定等。
三、运动目标跟踪技术1. 背景介绍运动目标跟踪是在检测出运动目标的基础上，对其在连续帧中的位置进行估计和预测。
运动目标跟踪对于实现智能监控系统的自动化、智能化具有重要意义。
2. 基本原理运动目标跟踪的基本原理是利用目标在连续帧中的相关性，通过一定的算法对目标进行定位和跟踪。
常见的运动目标跟踪方法包括基于滤波的方法、基于特征的方法、基于深度学习的方法等。
3. 实现方法基于深度学习的运动目标跟踪方法是目前的研究热点。
该方法通过训练深度神经网络来学习目标的外观特征和运动规律，从而实现准确的跟踪。
实现过程中，需要选择合适的神经网络结构、训练方法和损失函数等。
四、应用场景智能监控系统中的运动目标检测与跟踪技术广泛应用于各个领域，如安防监控、交通监控、智能机器人等。
在安防监控中，该技术可以实现对可疑目标的实时监测和报警；在交通监控中，该技术可以实现对交通流量的统计和分析，提高交通管理水平；在智能机器人中，该技术可以实现机器人的自主导航和避障等功能。
动目标检测
动目标检测动目标检测是指在视频或图像序列中，快速且准确地检测和追踪运动目标的过程。
动目标检测在许多应用中都有着广泛的应用，比如视频监控、交通监控、智能驾驶等领域。
下面将介绍一些常见的动目标检测方法。
一、基于传统的动目标检测方法：1. 基于背景差分法：该方法通过将当前帧的像素值与背景模型进行比较，来检测出目标。
这种方法简单、直接，但对光照变化和背景的不稳定性较为敏感。
2. 基于帧差法：该方法通过比较相邻帧之间的像素差异，来检测出目标。
帧差法可以适应光照变化和背景的变化，但对运动目标的遮挡情况不敏感。
3. 基于自适应背景建模：该方法通过维护一个适应性的背景模型，来动态更新背景信息，从而减少光照变化和背景的影响。
这种方法可以适应复杂的场景变化，但对于目标突然静止不动的情况处理效果不佳。
二、基于深度学习的动目标检测方法：1. 基于卷积神经网络（CNN）的动目标检测：通过训练深度神经网络模型，将视频或图像序列中的目标进行分类和定位。
这种方法可以自动学习目标的特征表示，从而提高检测的准确性和鲁棒性。
2. 基于循环神经网络（RNN）的动目标检测：通过将时间信息纳入模型中，建立时间上下文的关系，从而提高目标的追踪和预测能力。
这种方法可以适应目标的运动和变形，对目标的形状和结构变化不敏感。
三、动目标检测的评价指标：1. 准确率（Accuracy）：检测结果与真实标注之间的重叠程度。
2. 误检率（False Positive Rate）：虚警率，即没有目标但却被错误检测出来的像素或区域。
3. 漏检率（Miss Rate）：目标没有被检测到的像素或区域。
4. F1 值：综合考虑准确率和漏检率的一个评价指标。
总结起来，动目标检测是指在视频或图像序列中，通过提取目标的运动信息，进行快速且准确地检测和追踪运动目标的过程。
根据不同的应用需求，可以选择合适的算法和模型进行动目标检测，以提高检测的准确性，实现对运动目标的有效监控和分析。
- 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)。
视频监控中运动目标自动提取技术
【摘要】本文分析了运动目标检测面临的一些问题，并针对这些问题提出了一种基于背景减法的检测算法，对监控场景进行无约束学习，迅速建立多个可靠的背景模型，在运动目标检测过程中根据场景的变化进行实时背景动态更新，同时利用图像腐蚀和图像膨胀算法对二值图像进行后处理，消除阴影，最终得到较为理想的运动目标。
【关键词】运动目标检测；背景减法；动态更新；消除阴影
1 背景及意义
随着计算机技术、通信技术、图像处理技术的不断发展，视觉跟踪目前已成为热点研究问题，对于运动目标的检测与识别[1-3]是其中的难点和重点。
运动目标检测是将被监视目标从背景中分离出来，是运动图像分析、智能监控、可视人机交互中的重要处理步骤，通过运动检测可以得到图像中的运动信息，提取序列图像中的运动人物或目标并对目标进行初步定位，简化了后续的运动跟踪、识别、分析的难度。
它对于视频图像分析有着重要的意义，运动目标检测在很多领域都有非常重要的作用，在运动目标跟踪中，它是运动目标跟踪的基础和前提；此外，运动目标检测在模式识别、计算机视觉等领域也得到了广泛的应用。
对今后在计算机视觉领域的学习研究都有着重要及深远意义。
2 背景模型及获取
本文针对的主要是单高斯背景模型。
这里，我们只详细地描述一个象素的背景模型，对于所有其它象素，背景模型都是相类似的。
一个背景象素通过一个均值为μ，标准差为σ的高斯分布模型化。
另外，本文的背景提取方法对多高斯背景模型（如周期性运动的背景）也有较好的处理能力。
背景图像的颜色空间也是背景特征的一部分，通常的颜色空间有RGB颜色空间、HSV颜色空间、YUV颜色空间等。
不同的颜色空间用不同的方式描述图像象素。
理论上讲，当描述象素的时候，颜色空间通常采用RGB，因为RGB值是大多数帧提供者愿意提供的。
然而，RGB颜色空间对于颜色感知来说表现得不尽如人意，因为通过在RGB颜色空间中两颜色间计算得到的距离并不能反映它们之间感知的相似度。
一种可以把象素度量的亮度信息和色度信息清楚分开的颜色模型（颜色空间）允许我们在考虑亮度信息的同时考虑色度信息。
在Pfinder系统中采用了YUV 颜色空间，其中Y代表亮度，U和V代表色度，相似的，HSV颜色空间中，V 代表亮度，而H和S代表色度，然而，基于R，G，B的线性组合的色度描述子空间UV没有发散状的HS描述子空间直观。
在本文的实现中，图象中的象素值是由HSV三值混合而成。
每一个背景象素p（x，y）的分布是一个由H（x，y），
S（x，y），V（x，y）构成的三维向量。
采用HSV颜色空间虽然增加了计算量，但是，对于现在的计算能力来说，通过增加这些复杂度来得到更好的处理结果是值得的。
现有的背景模型获取方法大都需要在场景中没有运动目标的情况下进行，但是在实际应用中，有时无法满足这种要求。
也有一些算法允许有目标的情况下进行背景提取，但提取的背景与待测图像背景出入较大，差图干扰大，不利于目标提取和后续的处理。
本文提出的背景模型提取方法，能够有效地解决这些矛盾。
观察视频画面中某一像素点，可以得出这样的结论：只有在前景运动目标通过该点时，它的颜色空间各分量值才发生大的变化。
以亮度值为例，对该像素点的亮度值进行统计，在一段时间内，亮度值主要集中在很小的一个或几个区域（本文主要只考虑两个区域，即周期性背景的情况）中，因此，可以用其中一个区域内的平均值或者待测图像作为该点的初始背景值。
具体来说，将亮度区间分成k 个小区间，分别为H1，H2，…，Hi，…，Hk，先输入并存储m帧视频图像，分别为Mn（x，y），Mn+1（x，y），…，Mn+m（x，y），同时输入待测图像Mn （x，y），对前m帧视频图像的每个象素点进行分析，看该象素点有多少次落入区间Hi，然后进行统计，得出落入点最多的区间Hmax和次多的区间Hmax’（考虑次多区间主要是解决周期性背景干扰的问题）。
然后和待测图像Mn（x，y）进行比较，如果待测图像在该象素点上落入Hmax或Hmax’，则该点的背景值选待测图像值（得到最接近待测图像背景的值），否则，如果绝对值|Hmax-Hmax’|小于￡（￡为设定的阀值），则该点的背景值选Hmax、和Hmax’的总平均值（估计该点为前景点，取总平均值可以将误差减到最小）；如果绝对|Hmax一Hmxa’|大于￡，则认为该点不是周期性背景，背景值取Hmax的平均值。
所有的象素点都分析完后，得到完整的背景模型Bn（x，y）。
3 背景减除法进行目标检测
背景减除法[10]是采用图像序列中的当前帧和背景参考模型的差值运算来检测运动目标，它可以看作一种特殊的帧差法，即将相邻的前一帧用背景模型替换。
背景减除法的具体介绍如下：
设t时刻背景模型参考图像为fb（t），当前帧图像为fc（t），则背景差分图像为：
设分割阈值为T，则二值化差分图像d（x，y）计算公式如下：
这是一个最简单最基本的背景减除方法，描述了背景减除方法的基本思想。
背景减除法比较适合环境变化较小的情况，但是由于实际环境的复杂和运动的多样性，在实际应用时需要的算法比这复杂的多，其中背景更新是背景减除法的关键。
当目标与背景图像之间有小部分颜色和灰度相似或受噪音干扰时，背景差分图像中往往会含有许多孤立点、孤立小区域、小间隙和孔洞。
为了完整的提取运
动目标，需要将孤立点、小区域去除，将小间隙连接，将小孔洞填充，本文采用图像形态学中的膨胀和腐蚀方法来完成上述功能。
这将在运动目标后处理中讲解。
4 总结
本文分析了应用背景减除法进行运动目标检测面临的一些问题，并针对这些问题提出了一种基于背景减除法的运动目标检测算法，对监控场景进行无约束学习，迅速建立多个可靠的背景模型，在运动目标检测过程中根据场景的变化进行实时背景更新，同时利用图像形态学方法对分割后的二值图像进行后处理，消除阴影，最终得到较为理想的运动目标。
【参考文献】
[1]刘亚，艾海舟，徐光佑.一种基于背景模型的运动目标检测与跟踪算法[J].信息与控制，2002，31（4）：315-316.
[2]胡俊，苏祥芳，刘立海，等.图像序列运动检测算法的研究及其应用[J].武汉大学学报，2000，46（5）：613-616.
[3]李庆忠，陈显华，王立红.视频监视中运动目标检测与识别方法[J].计算机工程，2004（4）.。