基于视频的运动人体检测技术研究
人体运动追踪技术的原理与实现步骤
人体运动追踪技术的原理与实现步骤人体运动追踪技术是一种通过计算机视觉和图像处理技术对人体运动进行实时跟踪和分析的技术。
它在许多领域中有着广泛的应用，如体育训练、医疗康复、安防监控等。
本文将介绍人体运动追踪技术的原理和实现步骤。
一、原理1. 图像采集：人体运动追踪技术首先需要获取人体运动的图像或视频。
通常使用摄像机、深度相机或红外热像仪等设备进行图像的采集。
这些设备能够捕捉到人体运动时的位置、姿态、速度等信息。
2. 特征提取：从采集到的图像中提取出与人体有关的特征。
这些特征可以是人体关节的位置、骨骼的姿态、身体的形状等。
通常使用计算机视觉和图像处理技术来进行特征提取，例如边缘检测、图像分割等算法。
3. 运动估计：根据特征的变化来估计人体的运动。
通过分析特征在连续帧之间的差异和变化，可以计算出人体的运动轨迹和轨迹的速度。
常用的运动估计算法包括光流法、KLT算法等。
4. 姿态估计：根据人体的运动估计出人体的姿态。
姿态估计是一个复杂的问题，通常需要先推测人体的骨骼结构，再通过寻找最佳匹配的方法来估计人体的姿态。
现在常用的姿态估计算法有基于模型的方法、基于深度学习的方法等。
二、实现步骤1. 数据采集：使用合适的设备对人体的运动进行采集。
常见的设备包括摄像机、深度相机、红外热像仪等。
采集时需要注意灯光、背景等环境因素的影响，确保图像的质量和准确性。
2. 特征提取与选择：根据具体的应用需求选择合适的特征。
例如，如果需要检测人体的关节位置和姿态，可以选择提取关节点的坐标信息。
如果需要检测人体的形状和轮廓，可以选择进行图像分割和形态学处理。
3. 模型训练与优化：根据采集到的数据进行模型的训练和优化。
常见的方法有机器学习算法和深度学习算法。
在训练时需要对数据进行预处理、特征选择和模型调优，以提高运动追踪的准确性和鲁棒性。
4. 运动追踪与分析：使用训练好的模型对实时的图像或视频进行运动追踪和分析。
根据采集到的特征，计算人体的运动轨迹、姿态和速度等信息。
基于视频的人体异常行为识别与检测方法综述
基于视频的人体异常行为识别与检测方法综述一、本文概述随着视频监控技术的广泛应用和技术的快速发展，基于视频的人体异常行为识别与检测已成为当前研究的热点和难点问题。
该技术旨在通过分析监控视频，自动检测并识别出人体的异常行为，如暴力行为、跌倒、异常行走姿势等，从而为安全监控、智能监控等领域提供有效的技术支持。
本文旨在综述基于视频的人体异常行为识别与检测技术的研究现状、发展趋势以及面临的挑战，以期为后续研究提供参考和借鉴。
本文首先介绍了基于视频的人体异常行为识别与检测的基本概念和研究意义，阐述了该技术在安全监控、智能交通、医疗护理等领域的应用价值。
接着，本文综述了近年来国内外在该领域的研究进展，包括基于传统图像处理的方法、基于机器学习的方法以及基于深度学习的方法等。
在此基础上，本文分析了各种方法的优缺点，并指出了当前研究中存在的问题和挑战。
本文展望了基于视频的人体异常行为识别与检测技术的发展趋势和未来研究方向，以期为相关领域的研究人员提供有益的参考和启示。
二、人体异常行为识别与检测的基本理论人体异常行为识别与检测是计算机视觉和领域的重要研究方向，其基本理论涉及多个学科的知识。
本部分将介绍人体异常行为识别与检测的基本理论，包括人体行为的表示、特征提取、行为分类与识别以及异常检测的基本原理。
人体行为的表示是实现异常行为识别与检测的基础。
人体行为可以通过多种方式表示，如时空轨迹、姿态序列、骨骼点运动等。
这些表示方法旨在捕捉人体行为的时空特性和动态变化，为后续的特征提取和分类提供基础。
特征提取是行为识别与检测的关键步骤。
通过对人体行为的表示进行特征提取，可以提取出行为的关键信息，如运动模式、姿态变化、行为速度等。
这些特征对于区分正常行为和异常行为至关重要。
常见的特征提取方法包括时域分析、频域分析、运动轨迹分析、姿态分析等。
接下来，行为分类与识别是异常行为检测的核心环节。
通过利用机器学习、深度学习等分类算法，将提取出的特征输入到分类器中，实现对人体行为的分类与识别。
基于视频的人体运动肢体检测
Ａｂｓｒ ｃ ｔ ａ ｔ：Ｔ ａ ｔ ｒ ｎ ｎ ｌ ｚ ｈ ｏ ｅ ｏ ｍａ ｒ ｍ ｉ ｅ ｏ ｃ ｐ ｕ ｅ ａ ｄ ａ ａｙ ｅ ｔ ｅ ｐ ｓ ｆｈｕ ｎ ｆｏ ｖ ｄ ｏ ｗｅ ｍｕｓ ｅ ｅ ｔｔ ｅ ｍｏ ｉ ｏ ｙ ｆｒ ｔ Ｗ ｈｅ ｈ ｔｄ ｔ ｃ ｈ ｖｎｇ ｂ ｄ ｉｓ ｎ ｔｅ
ｆａ ｉ ｅ ｅ ｔ ｌ ｔ ｏ ｎ ｐ ｉ ａ ｏ ｇ ｒｔ ｍ ａ ｏ ｅ ｅ ｔ ｈ ｏ ｔ ｕ ｆｍｏ ｉ ｇ ｂ ｄ ｃ ｕ ａ ｅｙ Ｂ ｓ ｄ ｏ ｒ ｍｅｄ ｆ ｒ ｎ ｉ ｈ ｄ ａ ｄ ｏ ｔ ｌ ｆ ｗ ａ ｏ ｈ ｃ ｎ ｎ ｔ ｔｃ ｅ ｃ ｎ ｏ ｒｏ ｖ ｎ ｏ ｙ ａ ｃ ｒ ｔｌ ． ａ ｅ ｎ ｆ ａ ｍｅ ｃ ｌ ｌ ｉ ｄ ｔ ｆａ ｉ ｅ ｅ ｔ ｌ ｔ ｏ ， ｒ ｐ ｓ ｅｍｅｈ ｄ ｏ ａ ｉ ｇ ｔ ｅ ｅ ｇ ｉ ｅｓｉ ｅ ｄ ｎ ｍｉ ｒ ｇ ｏ ｏｏ ｔ ｉ ｈ ｄ ｅ ｒ ｍｅｄ ｆ ｒ ｎ ｉ ｈ ｄ ｗｅｐ ｏ ｏ ｅｔ ｔ ｏ ｆ ｖ ｎ ｄ ｅ ｐ ｘ ｌ ｔ ｙ ａ ｃ ｅ ｉｎ ｔ ｂ ａ ｎ ｔ ｅ ｅ ｇ ｆ ａ ｍｅ ｈ ｓ ｈ ｎ ｈ ｐ ｉ ｔ ｏ ｖ ｍｅ ｔ Ａｃ ｏ ｄ ｎ ｅｐ ｉ ｒ ｎ ｗｌｄ ｅ ｏ ｕ ｎ ｂ ｄ ，ａ ｏ ｈ ｒ ｌ ｏ ｉ ｍ ｓ ｓ ｒ ｐ ｓ ｄ ｔ ｋ ｏ ｎ ｓ ｆｍｏ ｅ ｎ ｃ ｒ ｉ ｇ ｔ ｔ ｒ ｏ ｅ ｇ ｆ ｍａ ｏ ｙ ｎ ｔ ｅ ｇ ｒｔ ｉ ａ ｏ ｐ ｏ ｏ ｅ ｍａ ｅ ａ ｏｈ ｏ ｋ ｈ ａ ｈ ｌ ｏ ｆ ｒ ｅ ｒ ｃ ｓ ｉｇ ｏ ｈ ｎ ｅ ａ ｅ ｄ ｅ ｐ ｉ ｔ ｔ ｒ ｔ ａ ｈ ｖｎ ｏ ｙ ｃ ｎ ｂ ｅ ｅ ｔ ｄ ｍｏ ｅ ｃ ｍｐ ｅ ｅｙ ｕ ｔ ｒ ｐ ｏ ｅ ｓｎ ｆ ｔ ｅ ｉ ｔ ｇ ｔｄ ｅ ｇ ｏ ｎ ｓ Ａｆ ｈ ｔ ｔ ｅ ｍｏ ｉ ｇ ｂ ｄ ａ ｅ ｄ ｔ ｃｅ ｒ ｏ ｌ ｔｌ． ｈ ｒ ｅ
基于视频人体运动分析
ｌ 引 言
波 器 对 视 频 进 行 滤 波 ， 波 响应 经 过 处 理 后 得 到 特 定 的 动作 特 征 。 滤 该 方 法 的 灵 感 来 自与 滤 波 方 法 在 基 于 图 像 的 识 别 巾 的 成 功 应 用 。 时 空 滤 波 结 构 ， 方 向 高 斯 核 以 及 它 的 梯 度 和 方 向 Ｇ ｂ ｒ 波 器 如 ａｏ 滤
轨 迹 ： 动物体 的轨 迹也 常被 用来 作 为人们 活动 的特 征 。现 在 已 运
个 ３ 的 时空 卷 体 很 自然 的可 以看 作 是 一 个 ３ 的 张量 。Ｖ ｓ ｅ ｕ Ｄ 维 ａｉ ｓ ｌｃ 提 出将 人 体 的 动 作 、 的 身 份 以 及 关 节 角 度 轨 迹 作 为 一 个 张量 的 人 独 立 维 度 。通 过 将 所 有 的数 据 张 量 分 解 到 主 导 的模 式 （ 成 份 分 主 析 的一 种 推 广 ） 。基 于 张 量 的方 法 为 整 体 匹 配 视 频 提 供 了 一 个 直 接的方法 ， 而不 用 像 前 面 的 那 些 方 法 那 样 利 用 中 间 的 特 征 表 示 。 而 且 ， 们 可 以 与其 他 特 征 结 合 ， 如 光 流 、 空 滤 波 响 应 。这 种 他 例 时
ห้องสมุดไป่ตู้
近年来 ， 随着 视 频 分 析 技 术 的不 断 进 步 ， 人 的 动 作或 活 动 相 与 关 的行 为 分 析 在 高 级 人 机 交 互 、 全 监 控 、 频 会 议 、 疗 诊 断 及 安 视 医
基 于 内容 的 图像 存储 与检 索 等方 面具 有 广泛 的应 用 前景 和 潜 在 的 经 济 价 值 。术语 “ 作 ” Ａ ｔ ｎ 和 活 动 （ ｔ ｉ ） 有 关视 觉 的 文 动 （ ｃｉ ） ｏ Ａｃ ｖｔ 在 ｉ ｙ
《2024年基于视觉的人体动作识别综述》范文
《基于视觉的人体动作识别综述》篇一一、引言随着计算机视觉技术的快速发展，人体动作识别已经成为智能监控、人机交互、医疗康复等领域的重要研究课题。
基于视觉的人体动作识别技术能够从图像或视频中提取和解析人体动作信息，从而实现对人体行为的自动识别和理解。
本文旨在综述基于视觉的人体动作识别的研究现状，包括相关技术、方法和挑战，以期为后续研究提供参考。
二、人体动作识别的技术基础1. 特征提取：特征提取是人体动作识别的关键步骤，主要目的是从图像或视频中提取出与人体动作相关的特征。
常见的特征包括形状特征、纹理特征、光流特征等。
2. 模型构建：基于提取的特征，构建分类模型进行动作识别。
常用的模型包括支持向量机、隐马尔可夫模型、深度学习模型等。
三、基于视觉的人体动作识别方法1. 基于深度学习的方法：深度学习在人体动作识别中发挥着重要作用，尤其是卷积神经网络（CNN）和循环神经网络（RNN）的应用。
通过大量数据的训练，深度学习模型能够自动提取和识别人体动作特征。
2. 基于光流的方法：光流描述了图像序列中物体的运动信息，通过计算光流场可以提取出人体动作的动态特征。
基于光流的方法在人体动作识别中具有较高的准确性和实时性。
3. 基于骨骼信息的方法：通过深度相机或立体相机获取人体骨骼信息，进而进行动作识别。
该方法能够更准确地捕捉人体动作的细节，但需要较高的硬件设备支持。
四、人体动作识别的应用领域1. 智能监控：通过人体动作识别技术，可以实现智能监控和安防报警等功能，提高社会安全水平。
2. 人机交互：人体动作识别技术可以应用于虚拟现实、游戏、医疗康复等领域，实现自然、直观的人机交互。
3. 医疗康复：通过分析患者的康复动作，可以帮助医生评估患者的康复情况，为患者提供个性化的康复方案。
五、挑战与展望1. 数据获取与标注：大规模、多样化的数据集对于提高人体动作识别的性能至关重要。
然而，目前公开可用的数据集仍存在数据量不足、标注不准确等问题。
基于视频的三维人体运动跟踪系统的设计与实现
北 １ ０ ８ ） ０ ０ ０
北 京 １ ０ ４ ） ０ ０ ９
摘
要
在 优 化 粒 子 滤 波 跟 踪 框 架 下 ， 计 并 实 现 了一 个 结 合 多 种 图像 特 征 、 多 摄 像 机 环 境 下 跟 踪 人 体 运 动 的 三 设 在
Ｊ ｎ ，２ ０ ｕｅ ０７
基 于 视频 的 三维 人体 运 动 跟踪 系统 的设 计 与 实现
邓 宇 李振波 华 李
（ 国科 学 院计 算 技 术 研 究 所 智 能 信 息 处 理 重 点 实 验 室 中 （ 家智 能 计 算 机 研 究 中心 国
（ 国科 学 院研 究 生 院 中
３ ｂ ｄ ｄ ｌ ａ ｒ ｄ ｌ ｎ ｍａ ｅｌ ｅｉｏ ｄ ｍｏ ｅ ，ｗｅｃ ｎ ｄ ｆ ｅｔ ｅｔａ ｋｎ ｂｅ ｔｆ ｎ ｔ ｎ ａ ｄ Ｄ ｏ ｙ ｍｏ ｅ ，ｃ ｍｅａｍｏ ｅ ｄ ｉ ｇ ｉ ｌ ｏ ｄ ｌ ａ ｋ ｈ ａ ｅｉ ｈ ｒｃ ｉｇ ｏ ｊｃ ｕ ｃｉ ｎ ｎ ｏ
ｒ ｓ ｌ ｅ ｉ ｓｎ ｐ ｉ ｉｅ ｐ ｒｉｌ ｉ ｅ ｅ ｏ ｖ ｔ ｉ ｇ ｏ ｔｍ ｚ ｄ ａ ｔｃｅ ｆｌ ｒ．Ｔｈ ｅ ｅ ｉ ｎ ｓ ｓ ｗ ｈａ ｔａ ｋｉ ａ ｅ ｏ ｓ ｒ ｔｎ ｒ ｓ ｌｓ ｕ ｔ ｅ ｘｐ ｒｍｅ ｔ ｈｏ ｔ ｔ ｒ ｃ ｎｇ ｎｄ ｒ ｃ ｎ ｔｕｃ ｉｇ ｅ ｕ ｔ ｍａ ｅ ｂ ｕｒｓ ｓ ｅ ａ ｅ ａ ｃ ｒ ｔ ｎ ｆｅ ｔｖ ｄ ｙ ｏ ｙ ｔ ｍ ｒ ｃ ｕ ａ ｅ ａ ｄ ｅ ｆ ｃ ｉｅ．Ｔｈ ｓｓ ｓ ｅ ｃ ｎ ｂ ｐ ｌ ｄ ｔ ｅ ｅ ａ ｒ ａ ｕ ｈ ａ ｐ ｔｎ ｉ ｙ ｔ ｍ ａ ｅ ａ ｐ ｉ Ｏ ｓ ｖ ｒ ｌａ ｅ ｓ ｓ ｃ ｓｓ ｏｒｉ ｇ ｅ ｍｏ ｉ ｎ ａ ｌ ｓｓａ ｄ ｈ ｔｏ ｎａｙ ｉ ｎ ｕｍａ ｎ’ ｔｏ ｎａ ｉ ｍａ ｉ ｎ
视频图像中的运动人体检测和人脸识别
视频图像中的运动人体检测和人脸识别视频图像中的运动人体检测和人脸识别随着科技的发展和智能设备的普及，视频图像处理技术也日益发展。
视频图像中的运动人体检测和人脸识别技术，作为计算机视觉和图像处理领域的重要研究方向，已经在各个领域得到广泛应用，如安防领域、智能交通领域、人机交互等。
本文将对视频图像中的运动人体检测和人脸识别技术进行探讨。
一、视频图像中的运动人体检测技术运动人体检测技术是指识别视频图像中人体运动目标的过程。
在视频图像中，人体的运动是一个复杂而多变的过程，由于光照、环境、姿态等因素的干扰，运动人体检测技术面临着一定的挑战。
1、运动特征提取运动特征提取是运动人体检测的基础。
通过分析视频图像序列中的像素变化情况，可以提取出目标人体与背景的运动特征。
常用的运动特征包括：光流特征、运动轨迹特征、运动速度特征等。
光流特征是指在连续的图像帧之间，由像素的亮度变化引起的位移的矢量场。
通过计算相邻图像帧之间的像素差异，可以获得目标人体的光流特征。
运动轨迹特征是将目标人体在视频序列中的运动轨迹转化为特征向量，常用的运动轨迹特征包括：形状轨迹、颜色轨迹等。
运动速度特征则是指目标人体在视频序列中的运动速度信息。
通过分析目标人体在连续图像帧中的运动速度变化，可以提取出目标人体的运动速度特征。
2、运动目标检测在从视频图像中提取出运动特征之后，接下来就是运动目标检测的过程。
运动目标检测的目的是将目标人体与背景进行区分，通过运动模型、背景建模等方法，可以准确地检测出视频图像中的运动人体目标。
运动模型是一种基于物体运动的模型，通过对目标人体的运动模式进行建模，可以根据模型推测出目标人体的位置和运动状态。
背景建模则是通过对视频序列中的背景像素进行建模，通过对比当前帧图像与背景模型的差异，可以提取出目标人体。
3、运动人体跟踪基于运动的人体跟踪是指在视频图像中，根据目标人体的运动特征和运动目标检测结果，实时地跟踪目标人体的过程。
基于视频序列的人体运动分析系统的研究与实现
术， 具有十分广阔和重要 的应 用领域 ， 它在智能监控 、 交互 、 人机 运 动分析 和虚拟现实等领域都有着广泛的应用。 尽 管在过去 的十多年 时间里 ， 人们对 该问题作 了不少 有益 的工作 。然而到 目 为止 ， 前 还没有 任何一 套系统 可以真正鲁 棒 地从视频序列 中得到和恢复人体的运动信息和三维结构。究其 原因。 首先人体运动是 一个 复杂的运动 系统 ， 人体的运 动具有很 大的 自由度和高度的非 线性特 点。其次人 体是非刚 体 ， 且结 而
体的属性诸如空间位置 、 态 、 姿 运动速度 以及恢 复物体的三维结
１ 前
言
构， 即而可以对场 景在较高层 次上 作 出相应 的解 释与分 析。人
人 体运动分析是近年来计算机视觉领域 中备受关注的前沿 方向之一 ， 是当代生物 力学和计算 机视觉 相结合 的一项重要技
体生物力学研究人体运动过程中肢体间的各种运动学量和动力 学世 ， 而设计 、 、 进 制造 仿生人 体运 动模 型。因为人 体运动 的全
关键词
人体运动分析 图像处理 运动 目 检测 运 动 目 跟踪 标 标
Ｔ ＨＥ Ｓ ＴＥＭ ＹＳ ＯＦ Ｖｍ ＥＯ． ＡＳ Ｂ ＥＤ ＨＵＭ ＡＮ ＯＴＩ Ｍ ＯＮ ＡＮＡＬ ＹＳ Ｓ Ｉ
ＴＨＡＴ ＲＥＳ ＥＡＲＣＨＥＤ ＡＮＤ ＣＯＭ ＰＬＥ ＴＥＤ
构复杂 ， 动中存在 着严重的遮 挡现象。此外 ， 在运 人体 的外表 由 于穿着服装 ， 人体的外 观表现出极 大的差异 ， 很难用统一的模型 加以表 达。正是 由于上述 问题 的存 在 ， 目前对于人 体运动 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)。
基于视频的运动人体检测技术研究
摘要在视频监控领域中，快速准确地检测出运动人体，是后续进行运动分析的初级处理。
本文将单摄像头拍摄的视频流，首先转换成静止的图像帧，通过MATLAB利用中值法进行背景模型的重建，背景减除来进行运动目标检测，并通过图像后处理技术，将运动人体快速准确地检测出来。
通过对公共视频数据库及自拍视频的检测实验，均得到了较理想的运动人体图像，证明了该技术的可行性。
关键词视频序列；运动人体；MATLAB；目标检测
前言
当今社会，智能视频监控已分布到各行各业，是安全防范系统的重要组成部分。
运动人体的检测是视频监控系统进行运动分析的最底层，是后续进行各种高级处理如目标分类、行为理解等的基础。
本文以视频监控系统的应用为目的，将单摄像头拍摄的彩色视频流，首先转换成静止的图像帧，通过MATLAB利用中值法进行背景模型的重建，背景减除来进行运动目标检测，并通过图像后处理技术，检测到了较理想的运动人体图像。
1 运动目标检测
背景减除是当前最简单也是最常用的一种检测方法。
该方法通过将当前图像帧与背景图像的灰度值直接进行相减操作，并将得到的差值与某一阈值T进行比较，大于阈值T的即被认定为是目标点，赋值为1；反之，认定为是背景点，赋值为0，进而检测出运动人体目标。
1.1 中值法背景建模
根据视频序列的特点，在时间序列上，运动人体经过视频图像上某一位置的时间是非常短暂的，大部分时间在该位置上显示的都是背景图像，因此本文利用中值法[1-2]来进行背景模型的重新建立，该方法能够利用图像序列中的一部分图像重新构造出精确的背景图像。
其思想就是将图像序列中的部分图像按照其中像素的顺序进行排列，然后选出中间的像素值以此作为背景图像中对应位置处的像素值，遍历图像序列中所有的像素，即可以获得精确的背景图像。
1.2 差分及二值化
采用前述的背景减除法对图像进行差分操作，得到的差分结果为灰度图像，而在后续的处理过程中，用到更多的是二值化图像。
将灰度图像进行二值化的常用方法是阈值分割法，其中阈值的选取至关重要。
根据阈值选取的不同一般分为局部阈值算法和全局阈值算法。
全局阈值算法
就是根据整幅图像的像素分布情况，选取一个固定的阈值进行二值化。
而局部阈值法则是将整幅图像划分为若干个子图像，结合当前像素点和其邻域像素点的灰度值关系来确定考察点的二值化阈值。
本文选取OTSU大津法进行阈值的选取。
OTSU算法（又称最大类间方差法或大津法）是基于整幅图像的统计特性实现阈值的自动选取，是全局阈值选取方法中的典型方法。
其基本思想是将图像的灰度情况用一假定的灰度值分为两类，两类的类间方差达到最大时的灰度值就是图像二值化的最佳阈值。
1.3 图像后处理
图像后处理包括膨胀、腐蚀、开运算、闭运算等一系列操作。
通过这一系列操作可以使图像变得更加清晰明显。
膨胀是将与物体接触的所有背景点合并到该物体中，使边界向外部扩张的过程，可以填补物体中的空洞。
在對数字图像的处理中，对于一定形状大小的结构元素，通过膨胀操作可以实现一些相距较短的区域的连接。
但是，图像的膨胀操作对于杂点是敏感的，一些细小的杂点通过膨胀操作处理后，通常会变得比较明显。
而腐蚀操作则可以删除对象边界的某些像素点，通过消除图像边界点，可以让边界向内部收缩。
2 检测结果及其分析
实验一：公共数据库
视频图像取自UCSD公共数据库。
该数据库中包含2名女性，4名男性，共6个人，采集背景为室外，每段视频序列中仅有一人从右到左做单一方向的步态运动，帧图像大小为像素，帧速率为30帧/秒。
整个检测的过程如下图所示。
图1为原始视频序列中的任意一帧图像，图2为利用中值法建立的背景模型，可见很好的估计出了背景图像。
3 结束语
介绍了一种简单、快速的运动人体检测方法，通过MATLAB仿真，得到了较理想的检测结果。
但也存在一些问题与不足，如多人同时运动时，对检测方法会有更高要求。
参考文献
[1] Little J，Boyd J.E. Describing motion for recognition[C]. Proceedings of International Symposium on Computer Vision，1995：235-240.
[2] 苏礼坤，陈怀新. 中值滤波的视频背景更新[J]. 光电工程，2010，37（1）：131-135.。