(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
基于图像的目标识别与跟踪方法研究的开题报告
基于图像的目标识别与跟踪方法研究的开题报告开题报告一、选题背景和意义目标识别与跟踪是计算机视觉和机器人领域的重要研究方向，其应用涵盖了自动驾驶、智能监控、工业自动化等多个领域。
随着数字图像处理技术和深度学习算法的不断发展，基于图像的目标识别与跟踪方法得到了广泛应用和研究。
然而，在复杂的场景中，目标的形状、姿态、运动轨迹等会发生多种变化，这给目标识别与跟踪提出了更高的要求。
目前已有的目标识别与跟踪算法还存在一定的局限性，如对遮挡、光照变化、背景复杂等问题的处理还不够理想。
因此，开展更加高效、稳定和精准的目标识别与跟踪方法的研究对于提升计算机视觉和机器人的智能水平具有重要的意义。
二、研究目标和内容本次论文旨在研究基于图像的目标识别与跟踪方法，主要研究内容如下：1. 探究目标识别与跟踪的原理和方法：介绍现有目标识别与跟踪算法的基本原理、优缺点和发展趋势。
2. 研究多种目标识别算法：包括基于传统图像特征的算法（如SIFT、SURF等）以及基于深度学习的算法（如CNN、YOLO等）。
3. 研究多种目标跟踪算法：探究传统的目标跟踪算法（如卡尔曼滤波算法、粒子滤波算法等）以及基于深度学习的算法（如SIAM、DaSiamRPN等）。
4. 提出基于深度学习的目标识别与跟踪方法：结合现有算法的优点，探究新的基于深度学习的目标识别与跟踪方法。
5. 进行实验验证：使用公共数据集进行实验验证，评估新方法的准确性、鲁棒性和效率。
三、研究计划和进度安排本次论文的研究计划和进度安排如下：阶段一：文献综述和理论分析时间：2022年1月-2022年2月主要工作：系统性地学习目标识别与跟踪的基本理论和算法，并对现有算法进行分析和比较，掌握深度学习技术的应用原理。
阶段二：目标识别算法研究时间：2022年3月-2022年4月主要工作：针对现有目标识别算法中存在的问题，研究多种传统的图像特征和深度学习算法，探究新算法的优劣。
阶段三：目标跟踪算法研究时间：2022年5月-2022年6月主要工作：研究传统的目标跟踪算法和基于深度学习的目标跟踪算法，评估不同算法在各种场景下的性能表现。
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。
(完整word版)图像边缘检测任务书及开题报告
重庆邮电大学毕业设计（论文）任务书学生姓名_A_学院_计算机学院_专业_地理信息系统_年级班别_1 _指导教师 —b__职 称—副教授—下达任务日期_2009_年_ 1_月_ 10_日研究内容 1•收集相关的相关学术报告，对其进行深入的学习了解及分析，了 解各种处理图像的过程和方法，了解常用的边缘检测算法，如图像的数 字化和离散图像的数学描述；数学形态学与二值图像的数学形态学运算; 图像分割和特征提取中的分割技术；边缘提取的经典方法；图像特征提 2.对经典边缘检测算法进行学习、分析和比较，如 Roberts 算子、 Sobel 算子、Prewitt 算子、Laplacian 算子、Marr 算子、Canny 算子等；3.用VC++实现这些算法，对边缘检测算法进行理解和加深，并通 过比较找出每种算法的优缺点和各自适用的范围；4.对上述算法融合自己的想法，并初步提出改进，让算法更实用。
研究方法和要求一个好的边缘检测算子应该具有三个指标: 1•低失误率，既要少将真正的边缘丢失也要少将非边缘判为边缘;2•高位置精度，检测出的边缘应在真正的边界上； 3.对每个边缘有唯一的响应，得到的边界为单像素宽；要做好边缘检测，首先，清楚待检测的图像特性变化的形式，从而使用适应这类变化的检测方法。
其次，要知道特性变化总是发生在一定 的空间范围内，不能期望用一种检测算子就能最佳检测出发生在图像上的所有特性变化。
当需要提取多空间范围内的变化特性时，要多考虑算子的综合应用。
第三，要考虑噪声的影响，其中的一个办法就是滤除噪设计（论文）题目 ____图象边缘检测算法研究与实现主要研究内容取等;方法和要求声，但这有一定的局限性。
第四，可以考虑各种方法的组合；第五，在正确检测边缘的基础上，要考虑精确定位的问题。
进度计划4月 2号-4月19号：4月on C R -7 县.20号5月7号:5月Q县8号5月23号.5月 24号一—5月31号:查阅相关资料，写出开题报告,熟悉VC++开发工具,并用VC++实现一些经典的算法测试，编写文档，完成毕业设计论文初稿对毕业设计论文进行修改，并最终完成毕业设计论文主要参考文献[1][2][3][4][7][8][9]谢凤英等.VC++数字图像处理[M].电子工业出版社,2008. 9.K. R. Castlemen, 朱志刚等(译).数字图象处理[M].北京.电子工业出版社.1998. 387-422.张凯丽，刘辉.边缘检测技术的发展研究[J].昆明理工大学学报，2000, 25(5): 36-39章毓晋.图象分割[M].北京：科学出版社，2001. 116-119. 何斌，马天予等编著.Visual C++数字图像处理[M], 2001.4.刘曙光，刘明远等.基于Canny准则的基数B样条小波边缘检测[J].信号处理，2001,17(5):418-423.赵志刚，管聪慧.基于多尺度边缘检测的自适应阈值小波图像降噪[J+].仪器仪表学报,2007,(2): 288-292田岩岩，齐国清.基于小波变换模极大值的边缘检测方法[J].大连海事大学学报：自然科学版,2007, (1): 102-106Mallat Stephane, Zhong Sifen. Characterization of Signals fromMultiscale EdgesJ]. IEEE Trans. on Pattern Analysis and MachineIn tellige nee, 1992, 14(7): 710-733[10]王文庆，支华.基于统计的边缘阈值检验方法[J].测绘科学，2007(2):71-72.指导教师签字教学部主任签字备注：此任务书由指导教师填写，并于毕业设计（论文）开始前下达给学生。
运动视觉中目标的精确提取与跟踪技术的开题报告
运动视觉中目标的精确提取与跟踪技术的开题报告摘要随着计算机技术的发展，图像处理技术在许多领域获得了广泛的应用，其中运动视觉是其中的一个重要方向。
目标的精确提取和跟踪是运动视觉中的一个关键问题，具有广泛的应用前景。
本文将介绍目标的精确提取和跟踪的开题报告，重点探讨目标的精确提取和跟踪技术的研究现状和发展方向，并提出自己的研究思路和目标。
关键词：运动视觉；目标提取；跟踪技术AbstractWith the development of computer technology, image processing has been widely used in many fields, among which motion vision is an important direction. Accurate extraction and tracking of targets is a keyissue in motion vision and has broad application prospects. This paper will introduce the opening report of accurate extraction and tracking of targets, focus on the research status and development direction of accurate extraction and tracking technology, and put forward its own research ideas and goals.Keywords: Motion vision; Target extraction; Tracking technology一、问题提出现如今，随着计算机技术的发展，图像处理技术的应用越来越广泛。
运动视觉也成为图像处理技术中的一个重要领域，其应用也涵盖了很多领域。
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。
基于图像处理技术的物体检测与跟踪
基于图像处理技术的物体检测与跟踪在如今的科技发展中，计算机视觉技术的应用越来越广泛，其中基于图像处理技术的物体检测与跟踪是一项非常重要的技术。
物体检测与跟踪可以应用于许多领域，如智能视频监控、自动驾驶、无人机航拍等，具有极大的潜力与市场前景。
一、物体检测技术概述物体检测是指从一张或多张图片中，识别出其中感兴趣的物体并进行定位的过程。
目前比较常用的物体检测技术有Haar特征、HOG特征、深度学习等方法。
其中，深度学习在物体检测领域中表现最好。
深度学习方法主要使用卷积神经网络(CNN)进行训练，从而提高物体检测的精度。
近年来，深度学习已经成为物体检测领域的主流方法，比如使用YOLO V3模型进行物体检测，可以实现实时、高精度的物体检测。
同时，为了提高检测速度，还有一些轻量级的网络模型，如MobileNet系列模型，可以在保证足够准确率的前提下，大幅提升检测速度。
二、物体追踪技术概述物体追踪是指在视频序列中，跟踪一个指定的物体，并在连续的帧中进行定位。
物体追踪常用的方法有帧差法、光流法、卡尔曼滤波等。
其中，帧差法的原理是利用每一帧的像素与上一帧像素的差异进行目标的定位。
光流法是通过在连续的帧之间测量像素间的运动，从而推测出目标未来的位置。
卡尔曼滤波是一种使用已知状态变量集合去预测未知状态的一种线性无偏估计方法。
现在，随着深度学习的发展，基于深度学习的物体追踪方法也越来越受到关注。
如SiamMask算法，它可以在实现高精度物体追踪的同时，利用深度学习的方法实现端到端跟踪。
三、物体检测与跟踪技术的应用1. 智能视频监控智能视频监控是现代化安保系统中必不可少的一部分。
利用物体检测技术，可以帮助监控系统智能化地识别不同物体，并快速响应报警，减少安全隐患。
2. 自动驾驶自动驾驶技术是近年来蓬勃发展的一项新兴领域。
在自动驾驶中，物体检测和跟踪技术可以用于识别路面上的车辆、行人、路标等物体信息，从而更好地规划车辆行驶路线，确保安全、稳定、高效的行驶体验。
物体检测开题报告
物体检测开题报告物体检测开题报告1. 引言物体检测是计算机视觉领域的一个重要研究方向，其目标是在图像或视频中准确地识别和定位物体。
物体检测在许多应用中起着关键作用，如自动驾驶、智能监控、图像搜索等。
随着深度学习技术的快速发展，基于深度神经网络的物体检测方法取得了显著的进展。
本文将介绍物体检测的背景和意义，并提出本研究的目标和研究方向。
2. 背景与意义随着数字图像的广泛应用，对图像中物体的自动识别和定位需求越来越迫切。
传统的图像处理方法在物体检测任务上存在着许多限制，如特征提取不准确、复杂背景下的误检率高等。
而深度学习技术的兴起为物体检测带来了新的机遇。
通过使用深度神经网络，可以从原始图像中学习到更具有判别性的特征表示，从而提高物体检测的准确性和鲁棒性。
物体检测在自动驾驶领域具有重要的应用价值。
自动驾驶车辆需要实时地感知周围环境并识别路面上的交通标志、行人、车辆等物体，以做出相应的决策和控制。
物体检测的准确性和实时性对于保证自动驾驶的安全性至关重要。
另外，物体检测在智能监控领域也有着广泛的应用。
通过在监控视频中实时地检测和跟踪人员、车辆等物体，可以提高监控系统的效率和准确性。
例如，在公共场所的安全监控中，物体检测可以帮助自动报警系统及时发现异常行为，保障公共安全。
3. 目标和研究方向本研究的目标是设计和实现一种高效准确的物体检测算法，以应对复杂场景下的物体识别和定位任务。
具体来说，我们将关注以下几个方面的研究：3.1 深度神经网络设计我们将探索不同的深度神经网络结构，如卷积神经网络（CNN）、循环神经网络（RNN）等，以寻找最合适的网络结构来提取图像特征。
我们将研究如何设计更深更复杂的网络结构，以提高物体检测的准确性和鲁棒性。
3.2 特征表示学习我们将研究如何通过深度学习来学习更具判别性的特征表示。
我们将探索不同的特征表示学习方法，如主成分分析（PCA）、线性判别分析（LDA）等，以提高物体检测的准确性。
- 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、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。
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。