基于图像处理的运动物体的跟踪与检测开题报告
基于图像处理的物体检测和跟踪技术研究
基于图像处理的物体检测和跟踪技术研究图像处理一直是计算机视觉领域的重要技术之一，在这个方向上，物体检测和跟踪技术更是备受瞩目。
物体检测技术的目标是在给定的图像或视频帧中定位出物体的位置和大小，而跟踪技术则是在物体位置发生变化时，根据前一帧的信息来预测出当前帧的物体位置，以实现物体的连续跟踪。
近年来，随着深度学习技术的不断发展，基于深度学习的物体检测和跟踪技术也逐渐成为了热门领域，本文将介绍基于图像处理的物体检测和跟踪技术研究。
物体检测技术物体检测其实是计算机视觉中的一个非常基础的问题，其最常见的应用是在视频监控中实现行人检测、车辆检测等功能。
一般来说，物体检测技术主要从以下几个方面进行研究：1. 基于传统图像处理方法的物体检测这种方法通常通过检测图像中的边缘、角点、纹理等特征来进行物体检测。
其中，常见的算法包括Canny边缘检测、Harris角点检测、SIFT和SURF等特征描述算法。
这些算法的优点是比较简单易懂，同时也适用于各种类型的物体。
但是，这些算法的缺点也比较明显，例如对光照、旋转等变化比较敏感，同时也难以应对复杂背景和遮挡的问题。
2. 基于机器学习的物体检测基于机器学习的物体检测算法则是通过训练一些分类器来实现物体检测的。
这种方法要求先准备一个较大的数据集，然后使用一些分类器来从数据集中学习出物体的特征。
常见的分类器包括SVM、随机森林、神经网络等。
这种方法的优点是能够处理一些复杂的变化和背景问题，同时也可以学习到比传统方法更具区分度的特征。
缺点则在于需要大量的数据集和计算资源来进行训练。
3. 基于深度学习的物体检测基于深度学习的物体检测则是近年来发展最为迅速的一种方法。
这种方法通常采用卷积神经网络（CNN）作为特征提取器，使用滑动窗口等方法来对图像进行特征提取和分类。
常见的基于深度学习的物体检测算法包括Faster R-CNN、YOLO、SSD等。
这种方法的优点是检测速度快、准确度高，同时也可以与跟踪算法结合实现物体的连续跟踪。
基于视频图像处理技术的运动车辆检测方法研究的开题报告
基于视频图像处理技术的运动车辆检测方法研究的开题报告一、选题背景及意义自动驾驶和智能交通领域已成为当今科技研究的热点，其中运动车辆检测技术是实现自动驾驶的关键技术之一。
传统的车辆检测方法需要依靠人工或者传感器来感知车辆的位置和行驶状态，但是这些方法存在数据收集成本高，易受干扰等问题。
因此，基于视频图像的运动车辆检测技术具有更高的实用性和广泛性，对于实现自动驾驶、智能路况监测等应用有着重要的意义。
二、研究内容和目的本论文旨在探究基于视频图像处理技术的运动车辆检测方法，通过对视频图像数据进行处理和分析，实现车辆的准确检测和定位，并且结合实际场景，优化算法以提高检测效率和准确度。
具体研究内容包括：1. 对不同场景的视频图像数据进行采集和处理，选取适合的特征算法进行特征提取；2. 建立车辆检测模型，选取合适的分类器进行训练；3. 使用实际场景数据进行验证，对算法进行优化和改进，提高检测效率和准确度；4. 实现车辆检测的软硬件系统，并应用于实际场景中。
通过对视频图像处理技术的研究和应用，实现对运动车辆的自动检测和定位，为自动驾驶和智能交通的发展做出贡献。
三、拟采取的研究方法1. 视频图像采集和处理：使用相机和图像采集设备对不同场景下的视频图像进行采集和处理，包括图像去噪、图像增强、特征提取等操作。
2. 车辆检测模型建立：针对特征提取后的数据，选取适合的分类模型进行训练，如SVM、神经网络等。
3. 算法优化和改进：针对实际场景中存在的问题，对算法进行优化和改进，如增加车辆跟踪功能、加强背景建模等。
4. 系统实现：建立包括图像采集设备、车辆检测软件等在内的硬件软件系统，进行实际场景的应用验证。
四、预期成果本研究将基于视频图像处理技术，建立运动车辆检测算法模型，并将该算法应用于自动驾驶、智能交通等领域。
具体预期成果如下：1. 建立基于视频图像处理技术的运动车辆检测算法模型；2. 在不同场景下实现对运动车辆的自动检测和定位；3. 补充增强现有车辆检测算法的功能并提高检测效率和准确度；4. 实现车辆检测的软硬件系统，并应用于实际场景过程中。
基于OpenCV的运动目标检测与跟踪的开题报告
基于OpenCV的运动目标检测与跟踪的开题报告1.问题描述动态目标检测与跟踪是计算机视觉领域的重要研究方向之一，其应用范围涉及视频监控、智能交通、人机交互等领域。
然而，传统方法对于场景复杂、目标运动快速、遮挡等情况处理效果不佳，需要更高精度、更高效率的算法解决这些问题。
2.研究目标本研究拟使用OpenCV库，运用图像处理、计算机视觉、机器学习等方法，实现运动目标的检测与跟踪，达到以下目标：（1）快速准确地检测运动目标，识别目标的运动轨迹；（2）针对遮挡、光照变化等问题，采用定位、成像、跟踪等多种策略，提高目标检测的精度；（3）针对运动目标的运动速度、方向等多种属性，进行多角度、综合性的分析和研究，建立适用于实际应用的算法。
3.研究方法和技术路线（1）建立视频采集平台。
使用摄像机获取实时视频流，并对数据进行采集、预处理，并应用OpenCV库实现视频流后处理。
（2）建立运动目标检测算法。
运用图像处理算法进行前景/背景分类、形态学滤波等操作，采用一系列特征提取的方法刻画像素点的特征，采用分类器实现目标检测。
（3）针对复杂场景、遮挡等问题，采用多特征、多分类器等方法进行重新整合，进一步提高算法准确度。
（4）建立运动目标跟踪算法。
根据检测结果，利用卡尔曼滤波、粒子滤波等跟踪方法对运动目标进行跟踪。
（5）建立性能评估体系，基于指标和实际应用场景对所研发算法进行综合性评估。
4.预期结果基于OpenCV库进行运动目标检测与跟踪，在实验室实现的基础上，进行测试、优化，结合现有开源算法，最终达到高精度、高效率的运动目标检测与跟踪效果，具体评估指标包括精度、召回率、信噪比等。
同时，根据实际应用场景，通过算法参数的调整，进一步将算法实现优化，使其适用于各种应用场景。
以DSP实现移动物体的图像检测和追踪系统的开题报告
以DSP实现移动物体的图像检测和追踪系统的开题报告一、选题背景与意义随着科技与工业的发展，自动化技术在人类生产和生活中得到广泛应用。
目前，自动化技术已经覆盖了各个领域，其中，图像处理技术是自动化技术中的重要组成部分。
移动物体的图像检测和追踪是一种常见的图像处理任务，其在人机交互、智能监控领域有着广泛应用。
例如，在公共场所（如地铁站、机场、商场等）进行视频监控时，若存在可疑人员或涉嫌犯罪行为，需要及时对其进行检测和追踪，实现对该人员的迅速定位和抓捕。
在此背景下，本课题旨在开发一种基于DSP实现移动物体的图像检测和追踪系统，该系统可以实时检测场景中运动的物体，并记录其运动轨迹，从而实现对物体的追踪。
二、研究内容本课题主要研究内容包括以下几个方面：1、图像采集：使用摄像头采集场景中的图像，获取移动物体的视觉信息。
2、图像预处理：对采集的图像进行预处理，包括噪声滤波、灰度变换、二值化等，以减少噪声干扰，提高移动物体的检测效果。
3、移动物体的检测：通过图像处理算法，实现对场景中运动的物体进行检测。
4、移动物体的跟踪：通过对移动物体的特征点进行提取和跟踪，实现对物体的追踪。
5、图像展示：在系统界面中展示检测到的移动物体及其运动轨迹，让用户可视化地观察移动物体的运动路径和行为轨迹。
三、技术路线1、算法设计方案本系统的移动物体图像检测和追踪算法方案如下：（1）背景差分法：使用背景差分法实现场景中移动物体的检测。
该方法需要获取场景的背景图像并建立背景模型，通过比对当前图像和背景图像的差异，检测场景中的移动物体。
（2）角点检测：为检测移动物体，需要对图像中的角点进行提取，获取移动物体的特征点。
常用的角点检测算法包括Harris角点检测、Shi-Tomasi角点检测等。
（3）KLT光流跟踪：使用KLT光流跟踪算法对检测到的特征点进行跟踪，实现对移动物体的追踪。
2、DSP硬件选型本系统将基于DSP实现移动物体的图像检测和追踪，选用合适的DSP芯片非常重要。
运动目标检测和跟踪的研究及应用的开题报告
运动目标检测和跟踪的研究及应用的开题报告一、选题背景随着计算机视觉和目标检测技术的飞速发展，人们对运动物体的目标识别、跟踪和分析需求不断增大。
在各种实际应用中，比如智能交通、智能安防、自主驾驶等都需要高效且准确地实现对多个运动目标的检测和跟踪。
目标检测一般使用的是图像处理方法，而且需要针对不同的场景和任务选择不同的模型和算法。
在运动目标的识别、跟踪中，常常会出现比较复杂的场景，如目标的速度快、背景复杂等情况，这些都对目标检测和跟踪的精度和速度提出了更高的要求。
因此，本文将探讨和研究一种高效且准确的运动目标检测和跟踪的方法，以实现更加精确和实时的运动物体目标检测和跟踪。
二、研究内容和意义本文将目标检测和跟踪技术相结合，主要研究以下内容：1. 运动目标检测的算法设计，包括单张图片的检测和视频流的检测，并分析各种算法的优缺点。
2. 运动目标的跟踪方式，包括基于卡尔曼滤波、粒子滤波、深度学习等多种算法进行研究并比较不同算法的效果和适用场合。
3. 利用深度学习技术提高运动目标检测和跟踪的精度和速度，探讨和优化检测和跟踪模型的网络结构和参数设置。
本文的意义在于：1. 研究高效且准确的运动目标检测和跟踪方法，为各种实际应用提供基础支持。
2. 探讨运动目标检测和跟踪领域的最新研究成果和技术进展，为相关研究人员提供参考。
3. 提高运动目标检测和跟踪的精度和速度，以适应更多场景和任务需求。
三、研究方法本文采用实验研究的方法，通过对比不同算法的表现和参数设置的改进，以提高运动目标检测和跟踪的效率和准确度。
具体实验流程如下：1. 获取目标数据集和背景视频，并进行数据预处理和标注。
2. 选择不同的算法进行运动目标检测和跟踪，并进行实验。
3. 对比实验结果，分析算法的优缺点，并针对实验结果进行参数优化和算法改进。
4. 通过实验结果评估算法的准确度和速度，并提出结论和未来工作建议。
四、研究计划本文的研究计划如下：第一周：调研和阅读相关文献，了解目标检测和跟踪的研究进展。
(完整word版)基于图像处理的运动物体的跟踪与检测开题报告
1、课题来源随着计算机技术的高速发展，运动物体的检测和跟踪在图像处理、计算机视觉、模式识别、人工智能、多媒体技术等领域越来越受到人们的关注。
运动跟踪和检测的应用广泛，在智能监控和人机交互中，如：银行、交通、超市等场合常常使用运动跟踪分析技术，通过定位物体并对其行为进行分析，一旦发现物体有异常行为，监控系统就发出警报，提醒人们注意并即时的处理，改善了人工监督注意力分散、反应时间较慢、人力资源浪费等问题。
运动目标的跟踪在虚拟现实、工业控制、军事设备、医学研究、视频监控、交通流量观测监控等很多领域也有重要的实用价值。
特别在军事上，先进的武器导航、军事侦察和监控中都成功运用了自动跟踪技术。
而跟踪的难点在于如何快速而准确的在每一帧图像中实现目标定位。
正因如此，对运动目标的跟踪和检测的研究很有价值。
2、研究目的和意义运动目标检测是图像处理与计算机视觉的一个分支，在理论和实践上都有重大意义，长久以来一直被国内外学者所关注。
在实际中，视频监控利用摄像机对某一特定区域进行监视，是一个细致和连续的过程，它可以由人来完成，但是人执行这种长期枯燥的例行监测是不可靠，而且费用也很高，因此引入运动监测非常有必要。
它可以减轻人的负担，并且提高了可靠性。
概括起来运动监测主要包括三个内容：运动目标检测，方向判断和图像跟踪。
运动目标检测是整个监测过程的基础，运动目标的提取准确与否，直接关系到后续高级过程的完成质量。
3、国内外研究现状和发展趋势及综述运动目标检测在国外已经取得了一些的研究成果，许多相关技术已经开始应用到实际系统中，但是国内研究相对落后,与国外还有较大差距。
传统的视频目标提取大致可以分两类,一类以空间同性为准则,先用形态学滤波器或其他滤波器对图像作预处理;然后对该图像的亮度、色度或其他信息作空间上的分割以对区域作边缘检测;之后作运动估计,并合并相似的运动区域以得到最终的提取结果。
如光流算法、主动轮廓模型算法。
此类方法结果较为准确但是运算量相对较大。
南京邮电大学通达学院毕业设计(论文)开题报告
主要参考文献：
[1]Arnaud Doucet, N.J. Gordon, and V. Krishnamurthy. Particle filters for state estimation of jump markov linear systems. IEEE Transactions on Signal Processing, 49(3):613–624, Mar. 2001.
3.帧间差分法方法研究
鉴于背景差分法和帧间差分法的优缺点，我们将这两种方法结合起来，使它们优势互补，从而克服相互的弱点，提高运动检测的效果。但是在实际的场景中，即便是室内环境，也存在光线等各种变化造成的干扰，或者人为造成的开灯等光线的强烈变化。所以在背景差分法的实现中，它的固定背景不能一成不变。如果不进行重新初始化，错误的检测结果将随时间不断累计，造成恶性循环，从而造成监控失效。因此，我们在提出检测算法的同时，要建立背景更新模型。保证背景图像能随着光线的变化而变化，确保检测的准确性。
[2]R.T. Collins, A.J. Lipton, and T. Kanade. Introduction to the special section on video surveillance. IEEE Transactions on Pattern Analysis and Machine Intelligence, 22(8):745–746, Aug. 2000.
7.实际方案
（1）图像预处理
本课题采用原始图像时彩色图像，并且伴有随即干扰和脉冲噪声。在本系统中不能用差分法直接对彩色图像进行处理，需将其转化为灰度图像。
（2）滤波降噪
数字图像的噪声主要来源于图像的获取（数字化过程）和传输过程。图像传感器的工作情况受到各种因素的影响，如图像获取中的环境条件和传感器元件自身的质量。
智能视频监控系统中运动目标的检测与跟踪的开题报告
智能视频监控系统中运动目标的检测与跟踪的开题报告一、选题的意义和背景随着技术的不断提升和进步，智能视频监控系统在现代社会中得到了广泛的应用。
智能视频监控系统主要使用数字图像处理和计算机视觉技术，可以对运动目标进行检测、跟踪、分析和识别等操作。
与传统的监控系统相比，智能视频监控系统具有更高的灵敏度和准确性，能够快速反应目标的动态信息，有效地帮助保卫安全。
在智能视频监控系统中，运动目标的检测和跟踪是其中最基本的操作之一。
通过运动目标的检测，系统可以从视频中自动识别出各个目标物体，并确定其位置、形态和大小等参数信息。
通过运动目标的跟踪，系统可以将目标物体的轨迹进行连续性分析和识别，从而更好地把握其前后移动的信息变化，实现更加精准和高效的监控操作。
因此，本文将探讨智能视频监控系统中的运动目标检测与跟踪技术，以解决现有监控系统中运动目标识别准确率低、运动目标跟踪稳定性差的问题。
二、研究内容和目标本文的研究内容主要包括以下方面：1. 运动目标检测算法的研究：主要是选用适合视频监控领域的目标检测算法，如基于背景差分、基于帧间差分和基于深度学习的算法等，分析其原理和优缺点，对不同类型的视频输入进行测试和评估。
2. 运动目标跟踪算法的研究：主要是选用适合运动目标的跟踪算法，如基于卡尔曼滤波、基于粒子滤波和基于深度跟踪的算法等，分析其原理和优缺点，对不同类型的目标物体进行测试和评估。
3. 系统开发与测试：根据研究内容，开发出一个智能视频监控系统原型，进行功能测试和性能评估。
测试内容包括：不同场景下的运动目标检测、跟踪准确率、鲁棒性和实时性等指标的测试。
本文的主要研究目标是设计和实现一个准确性高、鲁棒性强、实时性好的智能视频监控系统，以满足现代社会对智能安防领域中高精度、自动化和智能化的需求。
三、研究方法和路径1. 运动目标检测算法的研究（1）基于背景差分的算法原理和实现方法，包括传统背景建模、自适应背景建模和混合高斯背景建模等。
- 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)。
1、课题来源随着计算机技术的高速发展，运动物体的检测和跟踪在图像处理、计算机视觉、模式识别、人工智能、多媒体技术等领域越来越受到人们的关注。
运动跟踪和检测的应用广泛，在智能监控和人机交互中，如：银行、交通、超市等场合常常使用运动跟踪分析技术，通过定位物体并对其行为进行分析，一旦发现物体有异常行为，监控系统就发出警报，提醒人们注意并即时的处理，改善了人工监督注意力分散、反应时间较慢、人力资源浪费等问题。
运动目标的跟踪在虚拟现实、工业控制、军事设备、医学研究、视频监控、交通流量观测监控等很多领域也有重要的实用价值。
特别在军事上，先进的武器导航、军事侦察和监控中都成功运用了自动跟踪技术。
而跟踪的难点在于如何快速而准确的在每一帧图像中实现目标定位。
正因如此，对运动目标的跟踪和检测的研究很有价值。
2运动目标检测是图像处理与计算机视觉的一个分支，在理论和实践上都有重大意义，长久以来一直被国内外学者所关注。
在实际中，视频监控利用摄像机对某一特定区域进行监视，是一个细致和连续的过程，它可以由人来完成，但是人执行这种长期枯燥的例行监测是不可靠，而且费用也很高，因此引入运动监测非常有必要。
它可以减轻人的负担，并且提高了可靠性。
概括起来运动监测主要包括三个内容：运动目标检测，方向判断和图像跟踪。
运动目标检测是整个监测过程的基础，运动目标的提取准确与否，直接关系到后续高级过程的完成质量。
3、国内外研究现状和发展趋势及综述运动目标检测在国外已经取得了一些的研究成果，许多相关技术已经开始应用到实际系统中，但是国内研究相对落后,与国外还有较大差距。
传统的视频目标提取大致可以分两类,一类以空间同性为准则,先用形态学滤波器或其他滤波器对图像作预处理;然后对该图像的亮度、色度或其他信息作空间上的分割以对区域作边缘检测;之后作运动估计,并合并相似的运动区域以得到最终的提取结果。
如光流算法、主动轮廓模型算法。
此类方法结果较为准确但是运算量相对较大。
另一类算法主要以时间变化检测作为准则,这类算法主要通过帧差检测图像上的变化区域和不变区域,将运动物体与静止背景进行分割。
此类方法运算量小,提取结果不如前类方法准确。
此外,还有时空结合方法、时空亮度梯度信息结合的方法等等。
4、研究方法在进行运动目标检测时，一个很重要的步骤就是区分出运动目标和背景范围，常见的一种情况是摄像机处于静止状态并且焦距也是固定的。
此时，图像中的背景区域固定不动。
在这种情况下，运动目标识别无论是使用背景差法，还是使用背景差法结合帧间差法，质量良好的背景的建立显得及其重要。
另外，当涉及到背景的使用时，一旦背景发生一些变化时，如背景中频繁地出现运动物体，或者光照发生变化、树叶等小物体的晃动等等，使得不能准确地提取背景作为参考图像，从而不能正确地分割出视频序列中的运动物体。
为了克服上述问题，国内外众多研究人员提出了背景建立和自适应的背景模型，实现了背景模型的实时更新，能够比较准确地识别出运动目标。
在能够满足实时性和实用性要求的前提下，讨论并研究下列几种算法：（1）手动背景法，需要人观察到没有前景物体时启动该帧图像，作为背景图像。
这种背景提取方法增加了人力和物力的需求，而且在很多情况下很难在没有前景的情况下获得背景图像，比如高速公路的车辆监测系统、小区的门禁系统等等。
这种方法不能实现自适应背景更新的功能，需要使用其他方法修正由于光线，亮度等的变化带来的背景误差。
（2）统计中值法，考虑到运动物体较少的情况下，连续多帧图像中背景的像素值占主要部分，这样在一段时间内变化缓慢，取中值便可以认为是背景图像。
统计中值算法从统计学的角度统计单个像素点A i (x,y),(i=1,2,…N)在连续帧图像中的亮度值B i 。
在一段时间内对视频序列图像的亮度值(或者色彩信息) B i 进行排序，然后取中值M i (x,y)作为背景。
该算法存在的问题在于：图像帧的像素点大多以数万，数十万的数量级出现，而用于取中值的图像帧数量N 也应该比较大。
对如此大的数组进行排序取出中值，实现时计算量较大，处理较慢。
同时需要占用大量的内存单元用于存储数据。
（3）算术平均法，提取背景图像时可以总结为在特定的时间段内对像素点的亮度和色彩信息取平均值，用均值作为背景图像对应像素点数值。
在读入一段视频时，对某一像素点进行观察，会发现在没有前景的运动目标通过时，该点的灰度值保持稳定，变化很小,只有当前景的运动目标通过时，该点的灰度才会发生剧烈的变化。
这样就可以连续读入N 帧图像，对图像各点的灰度或色彩信息进行统计的方法，使得变化剧烈的像素点变得平缓，取其平均值作为背景图像像素点的值。
这样也可以滤除背景图像中的突变噪声点。
其统计公式如下：∑==Ni N y x Ii y x B 11),(),(公式中式中：B (x, y)表示背景图像，Ii(x,y)表示第i 帧序列图像，N 表示平均帧数。
在实际场景中，一段时间内，同一区域很少有可能总是存在运动物体。
而通过平均法得到的背景就会消除亮暗分布不均匀的情况。
目前，大多数的运动目标检测的方法或是基于图像序列中时间信息的，或是基于图像序列中空间信息的。
常见的方法有如下3种：(1)光流法当目标运动时，图像上对应目标的亮度信息（光流）也相应的运动。
这样，根据时间上相邻的几帧图像可以计算出各像素点运动的大小和方向，从而利用运动场来区分背景和运动目标。
其主要优点在于能检测出独立的运动目标，而不需预知场景的任何信息，对变化的复杂背景情况有较好的适应。
但其缺点也很明显，由于要依赖光流估计的准确程度，大多数计算方法相当复杂并且计算量特别大，所以除非有特殊的硬件支持，否则很难实现实时检测。
(2)背景减法将实时视频流中的图像像素点灰度值与事先已存储或实时得到的视频背景模型中的相应值比较，不符合要求的像素点被认为是运动像素。
这是视频监控中最常用的运动检测方法。
这种方法虽然能较完整的提取运动目标，但对光照和外部条件造成的环境变化过于敏感，常常会将运动目标的阴影错误的检测为其自身的一部分。
同时由于时间流逝，实际场景的多种因素都会发生变化，比如停留物的出现、光线等的变化、运动目标对背景的遮挡等等，背景需要得到实时地更新，这是影响其检测效果的一个重要因素。
(3)帧间差法帧间差法是根据当前图像与参考图像的差别来获得运动目标轮廓的方法。
这种方法对于场景中的光线渐变不敏感，适于动态变化的环境，且运算量相对较小。
但一般不能完整的提取运动目标，且在运动实体内易产生空洞现象，从而不利于下一步的分析和处理。
5、研究基础在Windows 平台上使用VC开发环境，综合运用数字图像处理技术，基于OpenCV 设计实现运动物体跟踪算法。
Visual C++是Microsoft 公司推出的开发Win32 环境程序，面向对象的可视化集成编程系统。
它包含了两套完整的Windows 应用开发系统。
有以下的部分组成：1）Visual工作平台和创建过程：这是一个运行于上的交互式开发环境，它直接从是Microsoft QuickC for Windows演化而来的。
2）App Studio 资源编辑器：堪称是Windows应用，同时它本身就是通过使用Visual C++工具及类库编写而成的，可以对自身的资源进行编辑。
3）C∕C++编译器：Visual C++的编译器可以处理C和C++源代码，它通过源代码文件后缀来识别代码本身所使用的语言。
4）连接器：为了生成EXE文件，Visual C++的连接器需要对编译器所生成的OBJ文件进行处理。
5）资源编译器：在编译状态和联编状态都要用到资源编译器。
6）调试器：为了能够对程序进行调试，在创建程序时必须设置编译器和连接器相应的选项以便产生相应的可调试信息。
OpenCV（Open Source Computer Vision Library）由Intel公司在背后提供支持。
它包含了超过500个函数来实现用于图形处理和计算机视觉方面的通用算法。
OpenCV致力于真实世界的实时应用，通过优化的C代码的编写对其执行速度带来了可观的提升，并且可以通过购买Intel的IPP高性能多媒体函数库(Integrated Performance Primitives)得到更快的处理速度。
OpenCV包括以下几个模块，具体功能是：1、CV：主要的OpenCV函数2、CVAUX：辅助的（实验性的）OpenCV函数3、CXCORE：数据结构与线性代数支持4、HIGHGUI：图像界面函数5、ML：机器学习，包括模式分类和回归分析等。
6、CVCAM ：负责读取摄像头数据的模块（在新版本中，当HIGHGUI模块中加入DirectShow 支持后，此模块将别废除）。
6、阅读的主要文献、资料[1]马颂德，张正友．《计算机视觉——计算理论与算法基础》．科学出版社，1999：124～166[2]Ed Chang, A Videh Zakhor. Scalable Video.IEEE Trans. On Cirouits and Systemsfor Video Technology,V ol.7,NO.5,pp.256-289,October 1997[3]刘贵喜，邵明礼．真实场景下视频运动目标自动提取方法．光学学报．第26卷，第8期[4]毛燕芬，施鹏飞．基于对象的视频图像分割技术．中国图象图形学报，2003 ，8A(7)：726～731[5]贺贵明，吴元保．《基于内容的视频编码与传输控制技术》，武汉大学出版社，2005：40～50[6]彭小波，邢晓正，胡红专．Matlab与VC++混合编程在光斑位置测量中的应用．仪器仪表学报，2003，28(4)：222～223．[7]徐方明，卢官明．基于改进surendra背景更新算法的运动目标检测算法．山西电子技术．2009年第5期[8](日本)谷口庆治编，朱虹等译．《数字图像处理(应用篇)》，科学出版社：292～297[9]黄磊，于曼曼．基于背景差分的运动目标检测研究．软件导刊．第8卷，第6期2009年6月[9](日本)谷口庆治编，朱虹等译，《数字图像处理(基础篇)》，科学出版社：80～81[10]王世香．《精通MATLAB接口与编程[M]》．电子工业出版社，2007．[11]章霄，董艳雪，赵文娟。
《数字图像处理技术》，冶金工业出版社：219～225。