交通场景中运动目标的检测文献综述
运动目标检测专利技术综述
运动目标检测专利技术综述随着计算机视觉技术在智能交通、人机交互、医学图像重建和分析等研究领域的飞速发展，运动目标的检测变得越来越受重视，其在各个研究领域中发挥着重要的作用。
例如在军事作战领域，能否实现对目标的实时检测和精准定位是远程预警的关键问题；在基于无人机系统的监控领域，必须解决对无人机传感设备获取的视频序列中的运动目标进行检测的问题。
另外在远程视频、三维重建、视频压缩等重要领域上，运动目标检测同样有着不可或缺的地位，比如在远程视频中，要对当前图像中的人脸进行锁定，需要对其进行目标识别和追踪；在视频压缩中，首先要对图像进行目标分割，在复杂变化的场景下的压缩就要基于对目标的检测和提取来实现。
近年来，背景差分技术、帧间差分法、图论法、基于最大期望值法等检测技术迅速发展并广泛应用到目标检测中，但是由于这些技术只适用于背景不发生变化或仅仅存在微小变化的情况下，在背景发生动态改变的情况下，采用上述技术进行目标检测，无法获得满意的目标检测和提取效果，这就给后续的目标跟踪或者是重建等其他处理带来了较大的影响。
因此，如何在背景发生动态改变的情况下，准确地检测和提取出运动目标是运动目标检测领域的重要课题，受到了大量的关注。
其中动态背景下的运动目标检测要比静态背景下的运动目标检测的应用范围更加广泛，更贴合现实生活中的实际情况，在大部分需要进行运动目标检测的应用中，其获取的视频图像序列的背景都存在一定程度的变化，有些甚至背景发生较大的改变，实现在该类背景下准确检测和提取出运动目标，可以为后续对运动目标的处理打好基础，使得对目标的操作不受到背景部分的影响，提高对目标处理的准确度。
二、技术发展60 年代至今，随着国外图像目标检测理论与相关技术的持续发展，基于视觉的目标检测技术不论是从应用还是从理论研究上，都得到了飞速的发展。
Mart、Barrow等人提出一套被普遍认可的视觉计算理论框架，其中包括视觉可计算性原理、图像预处理相关技术、区域分割与识别、主动视觉、基于模型的视觉和视觉系统控制策略等，随着计算机视觉的发展，运动目标检测作为该领域的重要研究课题，获得了大量的关注；1980年，美国国防预研局成立了自动检测和识别目标小组，为需要自动识别及跟踪的目标图像数据制定统一的标准；1997年,美国著名研究机构进行研制的视频监督控制系统VSAM，实现了对视频中运动目标的检测和监控，主要用于战场及未来城市民用场景的监控；Stauffer和Crimson于1999年提出高斯混合模型建模，实现背景建模下检测出完整的运动目标。
运动目标检测方法综述
文章编号：1〇〇9 -2552(2016) 12 -0093-04D O I：10. 13274/j. cnki. hdzj. 2016. 12. 021运动目标检测方法综述慈文彦(南京师范大学泰州学院，江苏泰州225300)摘要：运动目标检测是机器视觉领域中的一个非常重要的研究课题，它为运动目标识别、运 动跟踪等复杂的处理过程奠定了基础。
运动目标检测的任务是识别特定区域内目标的物理运动。
近年来，运动目标检测技术已经被应用到视频监控、人体运动分析、机器人导航、智能交通系统等领域，越来越受到人们的重视。
文中将传统的运动目标检测算法做了简要的分类，并且总结了近年来该领域的最新研究成果，指出了这些方法的优势和局限性。
关键词：机器视觉；运动目标；检测；综述中图分类号：TP391.41 文献标识码：AA review on moving target detection in video sequencesCI Wen-yan(Nanjing Normal University Taizhou C ollege，Taizhou 225300，Jiangsu Province，China) Abstract:Moving target detection i s a very important topic in the f i eld of machine vision.I t i s the basisfor the complex process of moving object recognition and tracking.The task of moving target detection i s identifying the physical movement of the target in a particular area.In recent years，moving target detection technology i s applied t o the fie l d of video surveillance，human motion analysis，robot navigation，intelligent transportation systems.In t h i s paper，the classical moving target detection algorithms are classified，and the l a t e s t research results in t h i s fie l d are summarized.The advantages and limitations of these methods are pointed out.Key words：machine vision；moving target；detection;review2016年第124S y信息疼产0引言对于给定的视频序列，运动目标检测就是将感 兴趣的运动目标从周围环境中分割出来[1]。
运动目标检测及运动轨迹分析的开题报告
运动目标检测及运动轨迹分析的开题报告一、研究背景运动目标检测及运动轨迹分析是机器视觉领域的一个热点研究方向。
它可以应用于各种场景下的目标跟踪、运动分析、行为识别等问题。
在物联网、智能家居、智慧城市等应用场景下，运动目标检测及运动轨迹分析可以为人们提供更智能、更高效的服务。
例如，在智能家居中，通过识别家中居民的运动轨迹，可以根据不同时间段、不同区域的人流情况来智能控制灯光、电器等设备的运行状态。
在公共安全领域，运动目标检测及运动轨迹分析也具有重要的应用价值。
例如，在安保监控中，通过运动目标检测及运动轨迹分析，可以及时发现、识别异常行为，从而避免或减少安全事件的发生。
二、研究内容本文将针对运动目标检测及运动轨迹分析问题展开深入研究，主要内容包括以下几个方面：1. 运动目标检测算法设计本文将设计基于深度学习的运动目标检测算法，包括单目标检测和多目标检测。
其中，单目标检测算法采用卷积神经网络架构，能够对单个运动目标进行精准识别。
多目标检测算法将采用YOLO、RCNN、SSD等现有框架为基础，将其与深度学习中的注意力机制、半监督学习等方法相结合，以提高多目标检测的精度和效率。
2. 运动轨迹分析算法设计本文将设计基于深度学习的运动轨迹分析算法，能够对目标的运动路径、速度、加速度等运动信息进行分析。
该算法将采用卷积神经网络架构，通过对目标运动轨迹进行序列建模，并结合先验知识，以提高运动轨迹分析的准确性和稳定性。
3. 算法实验及性能分析本文将在公共安全监控、智能家居等场景下测试算法的效果，并进行对比分析。
以公共安全监控为例，将利用已标注的数据集进行运动目标检测和运动轨迹分析，分析算法在不同场景、不同时间段的准确性和稳定性。
同时，本文也将对目标跟踪、行为识别等问题进行探究，以提高运动目标检测及运动轨迹分析在实际场景下的应用价值。
三、研究意义本文将对运动目标检测及运动轨迹分析算法进行研究，其意义主要如下：1. 在公共安全、智能家居等领域提供更智能、更高效的服务。
检测跟踪文献综述
近年来，智能视频监控技术的研究与应用备受人们关注。
作为其基本处理部分，视频监控图像的运动目标检测是一个非常活跃的研究方向，属于计算机视觉领域的重要研究内容,在智能监控、视频压缩、自动导航、人机交互、虚拟现实等方面有着广泛的应用前景.随着计算机软硬件技术的发展，计算机技术与监控技术相结合成为了一个新兴的应用研究方向。
这种监控系统与传统意义上的监控系统的本质区别在十其智能性.视频监控的目的主要是用十对入侵者的监视、交通流量的监测,以及大门出入人员的保安监控等。
传统的监控系统大都需要人工配合进行监控，存在各种问题。
采用红外传感器等半自动的检测方法又存在对猫犬等动物产生误报警等问题.因此，对智能化的监控系统的研究就非常有必要。
简言之，不仅仅用摄像机来代替人眼简单的获取现场图像信息，应用计算机技术来协助监控人员甚至代替监控人员来完成监控任务，从而既获得良好的监控效果，又大大地减轻监控中的人力投入。
由此可见，智能监控系统有着广泛的应用前景和潜在的市场价值。
然而要使监控系统达到智能化，就必须使计算机能够从监控摄像机里所获取的视频图像序列中提取出感兴趣的目标，并对其进行目标分类和跟踪，从而达到对目标行为进行理解与描述的目的。
智能视频监控是计算机视觉领域一个新兴的应用方向和备受关注的前沿课题。
视频监控技术的发展大致经历了以下二个阶段：(1）第一代视频监控系统:早期的视频监控都是以模拟设备为主的闭路电视监控系统，称其为模拟视频监控系统。
通常采用同轴电缆的传输方式进行信号传输,但是这种模拟方式的传输要保证宽带信号具有高的信噪比和较小失真是十分困难的，所以第一代监控系统的可靠性和抗干扰性都较差，功能也相对简单。
(2)第二代视频监控系统：随着数字技术的发展，图像数据压缩编码技术及标准的改进，芯片成本的不断下降，数字视频监控系统也迅速发展起来。
人们利用计算机的高速数据处理能力进行视频采集和处理，大大提高了图像质量，增强了视频监控的能力,提高了系统的可靠性，增强其可扩展性,其功能也越来越专业化、多样化。
运动目标检测与跟踪的研究与实现
硕士学位论文论文题目运动目标检测与跟踪的研究与实现作者姓名郑志洵指导教师杨建刚教授ﻩﻩ学科(专业) 计算机应用技术所在学院计算机学院提交日期20０６年５月15日摘要在道路交通治理中，为了获得车辆的运动数据,早期经常采纳的是感应线圈等硬件测量的方法。
而假如采纳摄像头拍摄的道路视频,再用计算机软件处理的方法，则能够极大的增加方便性和灵活性。
本文运动目标检测与跟踪研究如何让计算机从视频图像序列中获得物体运动数据。
运动目标检测与跟踪分为背景提取、运动点团提取、运动点团位置提取、运动物体跟踪这几个步骤，本文对每一个步骤的各种算法做了实验分析比较研究，并提出了改进算法。
在背景提取步骤提出了改进的基于均值的背景提取算法以及减少图像像素的兴趣区提取算法。
在运动点团提取的阴影处理步骤提出了改进的基于RGB空间的阴影处理算法。
在运动点团位置提取步骤提出了改进的线段编码算法。
在运动物体跟踪步骤提出了基于预测的运动跟踪算法。
实验与分析讲明本文提出的算法优于原算法。
本文还通过实验分析比较了基于灰度图像序列的运动目标检测与跟踪、基于边缘图像序列的运动目标检测与跟踪，它们都没有基于彩色图像序列的运动目标检测与跟踪效果好。
最后,本文得到了一整套运动目标检测与跟踪的方法，它们的健壮性和实时性都符合实际运用的要求。
关键词：背景提取、阴影处理、运动目标检测、运动跟踪、彩色图像、灰度图像、彩色边缘检测AbstraｃtIn a traffic conｔｒol system, ｉn ｏrｄｅr to aｃhi ｅｖe tｈｅ dａｔa of moving vehiclｅs, hａｒdｗａre is installed to dｉrecｔｌy meａsure ｔｈem in t ｈe ｅarｌy daｙs. If ｗｅ uｓｅｃｏmpｕteｒ softwａｒe to ｃａｌｃuｌate the data froｍ trafｆｉc vｉdeo，wｅ cａn gain moｒe ｃonvenｉeｎｃe aｎd ｆｌexibｉｌｉty. Ｔhis ｔhesis ｉｓ focuｓed oｎ the resｅarch of ｔhｅmｅthods of aｃhieviｎg the ｄata ｏf movｉng v ｅｈicles ｆrｏm tｒafｆｉc video ｂy ｃoｍpｕter.Mｏvｉng objｅct dｅtｅction and tｒａｃkiｎg ｃａn be dｉvidｅｄ into these steｐs: backgｒoｕｎd ｅｘtractiｏn,ｍovinｇbloｂexｔractiｏn, mｏｖing blob’s ｐoｓition achｉeｖｉng ａｎｄmoving objｅct tracｋing． Thｉs ｔhｅsis shoｗｓｏuｒexpｅrｉｍents aｎd analｙsis oｎmany algorithms ｉn ｅach oｆ tｈe ｓteｐｓ. It aｌsｏshows the improvemenｔ of tｈe a ｌgoritｈms ｍade bｙｕｓ. The experｉmentｓ and analｙsｉs demonsｔrate tｈat thｅ imprｏved alｇorｉｔhｍs arｅ bｅｔteｒｔhen ｔｈe ｏriｇinaｌ ones.Ｅxpeｒimenｔｓａｎd analysis also demonsｔｒａte that moving objｅct deteｃtiｏn aｎd ｔｒａckｉng based on ｃoｌｏr iｍages iｓ beｔtｅｒ tｈａｎｂased ｏｎ the gray imagｅs oｒ edgｅｉmages.Ｉｎ the ｅｎd we ｏbtain a whｏle ｍｅtｈod ｏf moving objeｃｔ detectｉon and ｔrａcｋinｇ. Ｔｈｅ r ｏbusｔｎｅss aｎd ｒeal-timｅｐropｅrty of thｅmｅｔhod can rｅaｃh the ａcquｉｒement of the real appｌi ｃation．Keywordｓ:Bａckground Eｘtｒaｃtioｎ， Sｈadｏw Ｅliｍination, Mov ｉng Object Dｅteｃtion, Moving Obｊｅｃt Traｃkｉnｇ, Colｏr Image, Gｒay Imaｇe， Color Edge Detｅctoｒ目录摘要ﻩ错误!未定义书签。
《城市街道场景的行人检测研究》范文
《城市街道场景的行人检测研究》篇一一、引言随着城市交通的日益繁忙和智能交通系统的快速发展，行人检测技术在城市街道场景中显得尤为重要。
本文旨在探讨城市街道场景下的行人检测技术，分析其研究背景、意义及现状，以期为智能交通系统的发展提供有益的参考。
二、研究背景及意义行人检测作为智能交通系统的重要组成部分，其作用在于提高行车安全性、降低交通事故率、保护行人权益等方面具有重要意义。
城市街道场景因其复杂性、动态性等特点，对行人检测技术提出了更高的要求。
因此，研究城市街道场景的行人检测技术，对于推动智能交通系统的发展、提高城市交通安全水平具有十分重要的意义。
三、国内外研究现状目前，国内外学者在行人检测领域进行了大量研究。
传统的行人检测方法主要基于图像处理和计算机视觉技术，如基于特征提取、模板匹配等方法。
然而，这些方法在复杂多变的城市街道场景中往往难以取得理想的检测效果。
近年来，随着深度学习技术的发展，基于深度学习的行人检测方法逐渐成为研究热点。
这些方法通过训练大量的数据，可以自动提取图像中的特征信息，有效提高行人检测的准确性和鲁棒性。
然而，仍存在诸多挑战和问题亟待解决，如算法计算效率、检测准确率、对不同光照和天气条件的适应性等。
四、研究内容与方法本研究以城市街道场景为研究对象，采用基于深度学习的行人检测方法。
首先，收集大量的城市街道场景图像数据，包括不同光照、天气、背景等条件下的图像。
其次，利用深度学习算法训练行人检测模型，如卷积神经网络（CNN）等。
在训练过程中，通过调整模型参数、优化网络结构等方法，提高模型的检测准确性和鲁棒性。
最后，对训练好的模型进行测试和评估，分析其在不同场景下的性能表现。
五、实验结果与分析通过实验测试，我们发现基于深度学习的行人检测方法在城市街道场景中取得了显著的成果。
模型在各种光照、天气和背景条件下均能实现较高的检测准确率和鲁棒性。
然而，仍存在一些挑战和问题需要解决。
例如，在行人密集、遮挡严重等复杂场景下，模型的检测准确率有待进一步提高。
基于DSP的运动目标检测文献综述初稿
目前，常用的运动目标检测方法主要有：光流法、帧差法、背景减法，此外还
有块匹配法和运动能量法等[4]。由于许多运动物体提取算法都是在文中前三种算法的基础上衍生而来，本文主要介绍光流法、帧差法以及背景减法。
2.1光流法
光流的概念是仿照流体动力学[5]产生的，它的原理是给摄取的图像中每一个像素点赋予一个速度矢量，这就形成一个图像运动场，在运动的一个特定时刻，图像中的点与三维物体上的点一一对应。这种对应关系可由投影关系得到，根据各个像素点的速度矢量特性，可对图像进行动态分析。若图像中没有运动目标，则光流矢量在整个图像区域是连续变化的，当运动目标出现时，运动物体所形成的速度矢量必然和领域背景速度矢量不同，由此可将相似的运动矢量合并形成运动目标从而完成运动目标的检测。
光流法检测目标无需预先知道背景信息，并且可以用于动态背景，但是这种方法计算量大、易受到噪声的影响，不适于实时检测。近年来，有学者提出将Canny边缘提取融入光流场分割技术[6]，其实时性得到提高。但如何进一步提高其抗噪性及运算速度仍有待于深入研究。
2.2帧差法
帧差法是基于时间序列用差分方法来实现运动目标的检测即：如果一副图像某一位置的物体发生变化，那么对应位置的灰度也将发生改变；反之，没有物体运动的画面的灰度则没有变化或变化很小。根据这一原理，此方法只要比较序列图像中相邻两幅图像的对应像素灰度是否发生改变来检测运动目标。
[4]李乐虎.基于DSP视频运动目标的实时检测与跟踪系统研究[J].科技论坛,2008:4.
[5]A Verri, S Uras,E DeMicheli. Motion segmentation from optical flow[C]. In:Proc the 5thAlvey Vision Conference, Brighton,UK,1989:209-214.
城区交通场景中运动目标视觉跟踪方法研究
城区交通场景中运动目标视觉跟踪方法研究摘要：随着城市交通的发展和智能交通系统的建设，运动目标的视觉跟踪在城区交通中扮演着重要的角色。
基于视觉的检测和跟踪方法可以用于交通监控、交通流量统计、交通违规检测等方面。
本文对城区交通场景中的运动目标视觉跟踪方法进行了研究，主要包括特征提取、目标跟踪算法、运动目标的轨迹估计和运动目标的状态预测等方面。
一、引言城区交通是一个复杂而多变的环境，交通目标的视觉跟踪是智能交通系统和城区交通监控的重要技术之一、运动目标的视觉跟踪需要面临很多的挑战，如背景干扰、光照变化、目标遮挡等。
因此，城区交通场景中的运动目标视觉跟踪方法研究具有重要的理论和应用价值。
二、特征提取特征提取是运动目标视觉跟踪方法的第一步，它通过从图像序列中提取目标的特征，并将其用于目标的跟踪。
常用的特征包括颜色特征、纹理特征、形状特征等。
在城区交通场景中，由于背景复杂，特征提取面临着一定的挑战。
因此，需要选择适合城区交通场景的特征提取方法，以提高运动目标的视觉跟踪效果。
三、目标跟踪算法目标跟踪算法是运动目标视觉跟踪方法的核心，它通过对运动目标的轨迹进行建模和预测，来实现目标的连续跟踪。
常见的目标跟踪算法包括相关滤波器跟踪、粒子滤波器跟踪、卡尔曼滤波器跟踪等。
这些目标跟踪算法可以根据城区交通场景的要求进行选择和优化，以获得更好的跟踪效果。
四、运动目标的轨迹估计运动目标的轨迹估计是运动目标视觉跟踪方法的重要环节，它通过对目标的历史轨迹进行建模和分析，来估计目标的运动轨迹和行为。
常见的轨迹估计方法包括基于卡尔曼滤波器的轨迹估计、基于粒子滤波器的轨迹估计等。
这些轨迹估计方法可以用于城区交通场景中的交通流量统计、运动目标预测等方面。
五、运动目标的状态预测运动目标的状态预测是运动目标视觉跟踪方法的关键环节，它通过对目标的运动状态进行建模和预测，来实现目标的未来位置和行为的预测。
常见的状态预测方法包括卡尔曼滤波器状态预测、粒子滤波器状态预测等。
- 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)。
交通场景中运动目标的检测文献综述摘要:运动目标检测是数字图像处理技术的一个主要部分,是一种基于视频监控系统的运动目标检测方法。
这种算法主要包括：图像预处理、运动目标的检测、运动速度的求取。
运动目标分割是实现交通场景下车辆检测的前提。
常用的分割方法可以分为背景差分法、帧间差分法和基于光流的分割方法等。
关键词:数字图像处理;运动目标;检测方法1 前言运动目标检测是数字图像处理技术的一个主要部分，近些年来，随着多媒体技术的迅猛发展和计算机性能的不断提高，动态图像处理技术日益受到人们的青睐，并且取得了丰硕的成果，广泛英语与交通管理、军事目标跟踪、生物医学等领域。
目前,以数字图像处理技术为核心的视频监视系统越来越广泛地应用到交通监管中,它利用摄像机来获取图像,由计算机完成对运动目标的自动检测,如果车辆交通违规时,自动发出预警,记录全程违章视频,这在很大程度上减轻了监控人员的劳动强度,克服可能的人为失误,而且节省大量存储空间,使存储的数据更为有效,为交通违规的后续处理提供了客观依据。
交通场景中运动目标的检测是本文的研究对象。
结合图书馆书籍、网上资料以及现有期刊杂志的相关信息，初步建立起交通场景中运动目标检测课题研究的整体思路和方法。
2 正文2.1运动目标运动目标是常生活中常见的．如活动的动物、行驶的运载工具等。
在现实生活中，尽管人类的视觉既能看见运动又能看见静止的物体，但是在交通这样的复杂场景中大量有意义的视觉信息都包含在这些运动之中，人们往往只对运动的物体或目标感兴趣。
因此，研究运动目标的检测问题，有着很大的现实意义和应用价值。
2.2运动目标检测的基本概念目前我们主要是通过对动态图像进行分析处理来获取运动目标信息，从而实现对运动目标的检测，它是图像处理与计算机视觉应用研究领域的一个重要课题。
，所谓动态图像是由一序列图像组成的，即图像序列。
图像序列是用一个传感器(如摄像机、数码相机)采集的一组随时间变化的图像，不同时刻采集的二帧图像或多帧图像中包含了存在于相机与景物之间的相对运动信息。
还有景物本身发生变化的运动信息等等，这些信息表现为图像帧之间的灰度变化或诸如点、线、区域等记号的位置和运动方向速度等属性的变化。
运动目标检测的目的就是从序列图像中将变化区域从背景图像中提取出来。
我们首先用摄像机获取运动目标的视频影像，经视频采集卡将视频信号传输到计算机，利用计算机对其进行相关处理，从视频图像中按一定时间间隔获取序列图像，然后通过对这些序列图像进行特定的处理，就可以检测出我们感兴趣的运动目标。
运动目标检测和分析是一种基于视频监控系统的运动目标检测方法。
这种算法主要包括：图像预处理、运动目标的检测、运动速度的求取。
这种算法在帧差法的基础之上，提取出运动目标，并对其求取运动速度。
这种技术可以用于各类图像监控系统，用来检测运动目标，对于现实应用有重要意义。
2.3运动目标检测的基本方法由运动目标所形成的图像序列可分为两种情况：一种是静止背景，一种是运动背景。
前一种情况通常发生在摄像机相对静止状态(如监视某一路口车流量的固定摄像机)，后一种情况通常发生在摄像机也在相对运动状态(如装在卫星或飞机上的监视系统)。
从处理方法上看，对前一种情况可采用消除背景的方法检测运动目标，处理起来比较简单，如简单的帧间差分或自适应背景对消方法。
对后一种情况．处理起来比较复杂，一般是采用突出目标或消除背景的思想检测运动目标。
若采用消除背景的方法，则通常需要先进行帧间稳像及配准；若采用突出目标的方法，则需要在配准的前提下进行多帧能量积累和噪声抑制。
运动目标分割是实现交通场景下车辆检测的前提。
常用的分割方法可以分为背景差分法、帧间差分法和基于光流的分割方法等。
(1)光流场法所谓光流是指图像中灰度模式运动的速度：它是景物中可见点的三维速度矢量在成像平面上的投影，它表示了景物表面点在图像中位置的瞬时变化；同时光流场携带了有关运动和结构的丰富信息。
光流场法的优点是能够检测独立运动的对象，不需要预先知道场景的任何信息，并且可用于摄像机运动的情况，但由于噪声、多光源、阴影、透明性和遮挡性等原因，使得计算出的光流场分布不是十分可靠和精确，光流场的计算实时性和实用性较差，多数光流法计算复杂耗时，很难实现实时检测。
基于光流的分割方法运算复杂度较大且对噪声敏感,因而常见的适合交通场景下分割运动目标的方法主要使用前面两种。
使用基于帧差的算法进行目标检测,当场景中运动目标没有显著运动时,往往会在目标检测时留下大面积未被检测到的区域,而这些区域本应属于目标。
(2)邻帧差法在假设用于获取序列图像的摄像机是静止的前提下，检测运动目标的最简单的方法是帧间差阈值法，也叫邻帧差法，或相继图像差分法。
其基本思想是直接对运动目标的连续两帧图像进行差分。
邻帧差法的优点是它只对运动物体敏感．实际上它只检测相对运动的物体．而且因为两帧图像的时间间隔较短。
差分图像受光线变化的影响较小，检测有效而且稳定，非常适合于动态变化的环境；该算法速度快，易于硬件实现，但是很难求出运动物体的速度，且当运动物体在成像平面有重叠时。
邻帧差法难以检测出有重叠的运动物体。
(3)背景差分法在摄像头固定的情况下，背景减法是常用的运动目标检测方法。
背景减法的基本思想是将当前帧图像与事先存储或者实时得到的背景图像相减，即当前图像与已知背景图像之间的差分，首先根据实际情况设定一个阈值，若像素的差值大于这一阈值，则判断此像素为运动目标上的．经过阈值操作后得到的结果直接给出了需检测的运动目标的位置、大小、形状等信息。
但这种简单的背景减法方法对光线、天气等光照条件的变化非常敏感．导致运动目标的阴影也常常被检测为运动目标的一部分，这将影响到运动目标检测结果的准确性。
基于光流的分割方法运算复杂度较大且对噪声敏感,因而常见的适合交通场景下分割运动目标的方法主要使用其余两种。
使用基于帧差的算法进行目标检测,当场景中运动目标没有显著运动时,往往会在目标检测时留下大面积未被检测到的区域,而这些区域本应属于目标。
3 运动目标检测中的难点运动目标检测是指从视频流中实时提取目标，一般是确定目标所在的区域和颜色特征等，目标检测的结果是一种静态目标－前景目标，由一些静态特征所描述，运动目标跟踪则指对目标进行连续的跟踪以确定其运动轨迹。
受跟踪的目标是一种“动态”目标——运动目标，与前景目标相比，描述它的特征中多了动态特征（如运动参数等）。
目标跟踪时则通过匹配目标的位置、大小、形状和颜色等特征，建立运动目标与前景目标间的对应关系。
运动目标检测方法的常见问题有：（1）背景获取：需要在场景存在运动目标的情况下获得背景图像（2）背景扰动：背景中可以含有轻微扰动的对象，如树枝、树叶的摇动，扰动部分不应该被看作是前景运动目标（3）背景中固定对象的移动：背景里的固定对象可能移动，如场景中的一辆车开走、一把椅子移走，对象移走后的区域在一段时间内可能被误认为是运动目标，但不应该永远被看作是前景运动目标（4）背景的更新：背景中固定对象的移动和外界光照条件的变化会使背景图像发生变化，需要及时对背景模型进行更新，以适应这种变化。
（5）阴影的影响：通常前景目标的阴影也被检测为运动目标的一部分，这样讲影响对运动目标的进一步处理和分析4 总结实际的视频监控系统应用的场景往往是错综复杂、变化较大的，事先具有准确性、实时性和鲁棒性的运动目标检测是当前智能视频监控技术的研究方向。
在本次设计中对交通系统中车辆检测技术进行研究，在分析总结现有算法的基础上，试图提出一种实时车辆检测方法。
本次设计的基本思路是：首先利用统计学方法快速建立初始背景图像，然后通过分析交通场景中背景像素和前景像素的像素值特性，利用差分图像直方图来动态获取阈值，建立当前帧顺势背景图像和前一帧背景图像加权平均的更新算法估计当前帧的背景图像。
参考文献[1]于慧敏,徐艺,刘继忠等.基于水平集的多目标运动时标分割与跟踪. 中国图形图像学报[J],2007,12(7);1218-1223[2] 李俊韬,张海,范跃祖．复杂交通场号中多运动目标分割算法.北京航天航空大学学报[J]，2006，32(3)：297-300，[3] 李晴,徐群.复杂场景下多运动目标速度检测技术的实现 .计算机与数字工程[J].2006,34(11)167-171[4] 陈景波,陆建明,邬正义,谈正.交通场景中多目标的检测与跟踪. 现代电子技术[J],2008(01):66-70[5]万卫兵,霍宏,赵宇明著，《智能视频监控中目标检测与识别》[M],上海,上海交通大学出版社,2010.1[6] 王陈阳,周明全,耿国华.基于自适应背景模型运动目标检测 .计算机技术与发展[J],2007(04):54-57[7] 吕国亮,赵曙光,赵俊.基于三帧差分和连通性检验的图像运动目标检测新方法.液晶与显示[J]，2007（2）:87-92[8]孙状,宋正河,毛恩荣,吕安涛.高清视频车辆检测及跟踪系统的设计与实现.中国农业大学学报[J],2009(06):112-115[9]Ulisses Braga-Neto,Manish Choudhary,Johan Goutsias.Automatic target detection and tracking in forward-looking infrared image sequences using morphological connected operators.Journal of Electronic imaging,June 2003,3:1-22.[10] Ji X P, Wei Z Q, Feng Y W. Effective vehicle detection technique for traffic surveillance systems. J Visual Commun Image Represent, 2006, 17(3): 647.。