第二章 运动目标监测和跟踪
运动的目标识别与跟踪简述
运动的目标识别与跟踪简述运动的目标识别与跟踪是计算机视觉领域的一个热门研究方向，涵盖了视频分析、智能交通、人机交互、安防监控等领域。
该技术可以自动识别视频中的目标，跟踪目标的运动轨迹，并提取目标运动的特征，如速度、方向、加速度等，为后续处理和决策提供数据支持。
运动目标识别是指从视频序列中自动识别目标物体，并对其进行分类、定位和识别。
目标识别的主要任务是利用计算机视觉技术，从视频帧中提取目标物体的特征，并与已知目标模型进行匹配和识别。
目前常用的目标识别方法包括基于像素的阈值分割算法、基于特征提取的模板匹配算法、基于机器学习的分类识别算法、基于卷积神经网络的深度学习算法等。
运动目标跟踪是指在视频序列中对目标物体进行连续追踪，得出其在时间上的运动轨迹，并根据目标的运动轨迹提取出其运动特性。
运动目标跟踪的主要挑战在于如何处理目标物体的尺寸、形变、遮挡和干扰等问题，避免跟踪误差和漏检的情况。
目前常用的跟踪算法包括基于颜色、纹理和形状等特征的特征点跟踪算法、基于运动模型的卡尔曼滤波和粒子滤波算法、基于深度学习的神经网络跟踪算法等。
运动目标识别与跟踪的应用十分广泛，其中包括智能视频监控、自动驾驶、智慧城市、虚拟现实等领域。
在智能交通领域，运动目标识别和跟踪可以用于路口监控、行人识别、车辆计数、交通拥堵分析等，以提高公共安全和运输效率。
在虚拟现实领域，运动目标识别和跟踪可以用于追踪用户的行为，自适应更新虚拟环境，并改善用户体验。
在安防监控领域，运动目标识别和跟踪可以用于实时监视和检测，及时发现异常和预防犯罪。
综上所述，运动目标识别与跟踪是计算机视觉领域的一个重要研究方向，具有广泛的应用前景。
随着计算机视觉和深度学习技术的不断发展，我们有望在未来看到更多更高效、更准确的运动目标识别和跟踪算法被广泛应用于各个领域。
运动目标跟踪
运动目标跟踪运动目标跟踪是一种利用计算机视觉技术来自动识别和追踪视频中的运动目标的方法。
它在实际应用中具有广泛的用途，例如视频监控、交通监控、自动驾驶等。
运动目标跟踪的目标是识别和跟踪视频中的感兴趣目标，并在目标移动、形状变化、遮挡等复杂场景下保持准确的跟踪。
跟踪的过程一般包括目标检测、目标定位和目标跟踪三个步骤。
首先，目标检测是从视频中检测出所有可能的目标区域。
常用的目标检测算法包括基于深度学习的目标检测算法，如Faster R-CNN、YOLO等。
这些算法可以快速准确地检测出目标区域，并生成候选框。
然后，目标定位是确定目标在当前帧中的准确位置。
目标定位一般采用基于特征的方法，通过计算目标候选框与目标模板之间的相似度来确定目标的位置。
常用的目标定位算法包括颜色直方图、HOG特征等。
这些算法可以通过算法模型进行目标定位，并快速准确地输出目标的位置。
最后，目标跟踪是在视频序列中持续追踪目标，并在目标发生变化或遮挡时进行目标重新定位和跟踪。
常用的目标跟踪算法包括基于粒子滤波器的跟踪算法、卡尔曼滤波器跟踪算法等。
这些算法可以利用目标模型和观测模型进行目标跟踪，并实时更新目标的位置和状态。
运动目标跟踪的关键技术包括目标检测和定位、目标跟踪和状态估计、特征提取和匹配等。
当前，随着深度学习技术的发展，基于深度学习的运动目标跟踪方法已经取得了很大的突破。
这些方法可以通过大规模的数据训练模型，实现更加准确和鲁棒的目标跟踪效果。
总之，运动目标跟踪是一种利用计算机视觉技术来自动识别和追踪视频中的运动目标的方法。
它在实际应用中具有广泛的用途，并且随着深度学习技术的发展，其性能和效果正在不断提高。
将来，运动目标跟踪技术有望在各个领域得到更广泛的应用。
运动目标检测与跟踪的
条件随机场是一种基于概率图模型的目标跟踪方法，它利用观测序列与标记序 列之间的条件概率关系建立模型。通过对模型参数的学习和优化，可以实现运 动目标的准确跟踪。
基于深度学习的方法
卷积神经网络
卷积神经网络是一种深度学习方法，具有强大的特征提取能力。在运动目标跟踪 中，可以利用卷积神经网络提取目标的特征表示，进而实现目标的跟踪。
研究背景与意义
• 随着社会的快速发展，视频数据在社会生活和工业生产中的应用越来越广泛。如何自动地从海量视频数据中提取出有用的 信息，成为了一个亟待解决的问题。运动目标检测与跟踪技术可以从视频中提取出运动目标，并对目标的运动轨迹进行跟 踪，为后续的视频分析和理解提供基础数据。因此，研究运动目标检测与跟踪技术对于推动计算机视觉领域的发展，提高 视频数据的利用效率具有重要意义。
传感器数据融合：利用激光雷 达、摄像头等多传感器数据，
实现运动目标的准确检测。
决策与规划：根据运动目标的 轨迹预测结果，进行自动驾驶 车辆的决策和路径规划。
目标轨迹预测：基于运动目标 的历史轨迹，预测其未来一段
时间的运动轨迹。
自动驾驶中的运动目标检测与 跟踪技术提高了车辆的感知能 力，增强了行驶安全性，为自 动驾驶技术的实用化奠定了基 础。
的鲁棒性。
缺点
需要大量标注数据进行 训练，模型复杂度较高 ，计算量大，实时性较
差。
03
运动目标跟踪方法
基于滤波的方法
卡尔曼滤波
卡尔曼滤波是一种高效的递归滤波器，它采用线性动态系统 状态空间模型，通过对系统输入输出观测数据对系统状态进 行最优估计。在运动目标跟踪中，卡尔曼滤波可用于预测目 标的运动轨迹。
运动目标检测与跟踪 的
汇报人： 日期:
《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。
运动的目标识别与跟踪简述
运动的目标识别与跟踪简述运动的目标识别与跟踪是指利用计算机视觉和图像处理技术对视频中的运动目标进行识别和跟踪。
在现代社会中，运动目标识别与跟踪技术已经得到了广泛的应用，包括智能监控系统、自动驾驶汽车、机器人导航等领域。
本文将对运动的目标识别与跟踪技术进行简要介绍，包括其基本原理、关键技术和应用领域。
一、目标识别与跟踪的基本原理运动的目标识别与跟踪是通过对视频序列中的图像进行处理和分析，从而实现对运动目标的识别和跟踪。
其基本原理可以简要概括如下：1. 图像采集：首先需要使用摄像机等设备对视频序列中的图像进行采集，并将其转换为数字信号。
2. 运动目标检测：利用计算机视觉和图像处理技术对视频序列中的图像进行分析和处理，从而实现对运动目标的检测和定位。
常用的检测算法包括背景建模、运动检测和物体识别等。
3. 目标跟踪：一旦运动目标被检测出来，就需要对其进行跟踪，即在连续的图像帧中跟踪目标的运动轨迹。
常用的跟踪算法包括卡尔曼滤波、粒子滤波和相关滤波等。
4. 数据关联：对于多个运动目标，需要进行数据关联，即将它们在连续的图像帧中进行匹配和跟踪。
通过以上步骤，可以实现对视频序列中的运动目标进行准确的识别和跟踪，为后续的应用提供可靠的基础数据。
二、目标识别与跟踪的关键技术运动的目标识别与跟踪涉及多个关键技术，包括图像处理、模式识别、机器学习等。
下面对其中的一些关键技术进行简要介绍：1. 图像处理：图像处理是目标识别与跟踪的基础，包括图像的预处理、特征提取和图像分割等。
通过对图像进行处理和分析，可以提取出目标的特征信息，为后续的目标识别和跟踪提供数据支持。
2. 特征提取：特征提取是目标识别与跟踪的关键步骤，包括颜色特征、纹理特征、形状特征等。
通过对目标的特征进行提取和描述，可以实现对目标的精确识别和跟踪。
3. 目标识别算法：目标识别算法是实现目标识别与跟踪的核心技术，包括支持向量机、决策树、神经网络等。
通过对目标进行特征匹配和分类，可以实现对目标的准确识别和跟踪。
第二章 运动目标监测和跟踪
第二章运动目标监测和跟踪2.1运动目标检测运动目标检测(Motion Detection)是指在输入视频图像中判断与背景图像相比是否存在相对运动的前景目标和物体，并根据灰度、边缘、纹理等二维图像特征将运动前景进一步分割为若干独立目标。
在实际应用中，一个好的运动目标检测算法，通常应该具有以下几个特征【12】：◆不受环境的变化(如天气和光照变化等)而影响结果；◆不受背景中个别物体的运动(如水波、风吹树动等)而影响结果；◆不受目标及背景中的阴影而影响结果；◆对复杂背景和复杂目标仍然有效；◆检测的结果应满足后续处理(跟踪分析)的精度要求；图2-1描述了检测算法的一般流程图。
常见的运动目标检测算法有：帧间差分法、背景差分法及光流法等，以下将分别进行介绍。
Fig.2—1Flow chart of detection algorithm2.1.1帧间差分法帧间差分法[23-241就是将视频序列中相邻的两帧或几帧做象素域上的减法运算，以得到帧间的不同图像的信息。
在摄像头固定的情况下，对连续的图像序列中的相邻两帧图像采用基于像素的帧差法来提取图像中的运动区域，设k 帧和第k+l 帧(或者看做21t t 和时刻)采集到同一背景下的两幅运动图像的灰度值为1),(+k k f y x f 和，则差分图像的定义为：),(),(),(11y x f y x f y x D k k k -=++ （2.1）对上式的差分结果进行阈值处理，就可以提取出运动物体。
对差分图像),(y x f d 二值化，当某一像素的灰度值大于给定阈值T 时，认为该像素为目标像素，即该像素属于运动目标；反之，则属于背景。
这一步的目的就是为了区分背景像素和目标像素，得到：T y x D T y x D k k k y x R >≤+++=),(),(10111{),( (2.2)其中，l 表示前景像素值，0表示背景像素值。
然后再对),(1y x R k +进行连通性分析，就可以得到连通区域的面积。
运动目标检测与跟踪知识讲解
移动平台下的目标跟踪
先前帧
特征熵
抽取的特征区域
Approach
? Covariance Matching
R (x, y)
G ( x, y)
B (x, y)
I xy ( x, y )
Covariance matrices
d ( x, y)
D
t
(x,
y)
=
??1,
? ?
0,
I(t x, y)- It-1 otherwise
(x,
y) > T
Default:T=60
优点：鲁棒性好，运算量小，易于软件实现 缺点：对噪声有一定的敏感性，运动实体内部也容易产生空洞现 象，阈值 T缺乏自适应性，当光照变化时，检测算法难以适应环境 变化
背景相减法
检测实例：
（a）第 1帧图像
（b）第 2帧图像
（ c）变化区域图像
（d）提取出的背景图像 （e）变化区域与背景差分图像 （f）运动目标检测结果
国内外对此类问题的解决办法：
基于目标建模定位：
目标建模
相似度度量
目标定位
基于滤波、数据关联： Kalman Filter , Particle Filter, PDAF
帧间差分法
这种方法就是将前后两帧图像对应像素点的灰度值相减 ，在环境亮度变化不大的情况下，如果对应像素灰度相差很 小，可以认为此处景物是静止的，如果图像区域某处的灰度 变化很大，可以认为这是由于图像中运动物体引起的，将这 些区域标记下来，利用这些标记的像素区域，就可以求出运 动目标在图像中的位置。
2020/6/11
形状上下文（shape context):
- 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)。
第二章 运动目标监测和跟踪2．1运动目标检测运动目标检测（Mot ｉｏｎ Detection ）是指在输入视频图像中判断与背景图像相比是否存在相对运动的前景目标和物体,并根据灰度、边缘、纹理等二维图像特征将运动前景进一步分割为若干独立目标。
在实际应用中，一个好的运动目标检测算法，通常应该具有以下几个特征【１2】:◆不受环境的变化（如天气和光照变化等)而影响结果；◆不受背景中个别物体的运动（如水波、风吹树动等)而影响结果； ◆不受目标及背景中的阴影而影响结果;◆对复杂背景和复杂目标仍然有效；◆检测的结果应满足后续处理（跟踪分析)的精度要求;图2-1描述了检测算法的一般流程图。
常见的运动目标检测算法有:帧间差分法、背景差分法及光流法等，以下将分别进行介绍。
Fig.2—1Flo ｗ char ｔ of detection algorithm2.1.1帧间差分法帧间差分法［23－24１就是将视频序列中相邻的两帧或几帧做象素域上的减法运算，以得到帧间的不同图像的信息。
在摄像头固定的情况下，对连续的图像序列中的相邻两帧图像采用基于像素的帧差法来提取图像中的运动区域，设k 帧和第k+ｌ帧（或者看做21t t 和时刻）采集到同一背景下的两幅运动图像的灰度值为1),(+k k f y x f 和，则差分图像的定义为:),(),(),(11y x f y x f y x D k k k -=++ （2.1）对上式的差分结果进行阈值处理，就可以提取出运动物体。
对差分图像),(y x f d 二值化，当某一像素的灰度值大于给定阈值Ｔ时，认为该像素为目标像素,即该像素属于运动目标；反之，则属于背景。
这一步的目的就是为了区分背景像素和目标像素，得到：T y x D T y x D k k k y x R >≤+++=),(),(10111{),( （2.2）其中,ｌ表示前景像素值,0表示背景像素值。
然后再对),(1y x R k +进行连通性分析,就可以得到连通区域的面积。
当某一连通区域面积大于预定值时，则认为该区域属于同一个运动目标。
帧间差分法实验如图2-３,在实验时由于第100帧图像与１01帧图像相差不大,因此改采用第10２帧图像与100帧图像进行差分。
显而易见,在帧间差分法中阈值的选择非常关键，这是因为阈值过低则不能有效地抑制图像中的噪声，阈值过高将误判图像中有用的变化。
阈值选择分为全局阈值和局部阂值，通常图像不同光照区域引起的噪声也不相同,因此采用局部阈值能更好的抑制噪声。
帧间差分法进行目标检测的主要优点是：算法实现简单；实现程序设计复杂度低;易于实现实时监视;基于相邻帧差方法,由于相邻帧的时间间隔一般比较短，因此该方法对场景光线的变化一般不太敏感。
最基本的帧间差分法可以检测到场景中的变化,并且能够提取出目标，但是在实际应用中，帧问差分法的结果精度不高,难以获得目标所在区域的精确描述。
当运动目标的运动速度较快时,实际检测时可能会将一个运动目标误为两个运动目标：当运动目标速度较慢时,会在检测结果中造成空洞,这是由于运动目标的颜色或灰度在一定区域内较均匀。
在实际应用中我们总希望下一步进行目标跟踪中，提取的目标尽量接近目标的真实形状,也就是说,我们提取的目标应是完整的,同时也应该是尽量少地包括背景像素点。
但是~般情况下广泛应用该算法时对两帧间目标的重叠部分也是不容易被检测出来的,即只检测出目标的一部分或者出现了较大比例的空洞，这是由于我们直接用相邻的两帧相减后,保留下来的部分是两帧中相对变化的部分，所以两帧间重叠的部分就很难被检测出来。
为了获得两帧重叠的部分图像，解决相邻帧差法存在的问题，人们在其基础上又提出了一种三帧差分法。
该方法需要提取连续三帧图像来计算两个差分图像,再令这两个差分图像的对应像素相与,从而可以提取出运动目标。
设连续三帧视频图像分别为),(),(),,(11y x f y x f y x f k k k +-和则三帧差分法检测流程如图2—4所示。
2.1．2背景差分法背景差分法【25】【２6】是目前视频监控中最常用的一种方法,它的基本思想是将输入图像与背景模型进行比较,通过判定灰度特征的变化,或用直方图等统计信息的变化来判断异常情况的发生和分割运动目标。
传统的背景差分算法包括三大步骤：首先，为背景中每个象素进行统计建模；然后将当前图象和背景模型进行比较,找出一定阈值限制下当前图像中出现的偏离背景模型值较大的那些象素,据此，再对图象进行二值化处理，从而得到前景象素集合(运动目标);此外,模型还要进行周期性的背景更新以适应动态场景变化。
背景差分法算法具体如下:计算视频序列中当前帧五与背景瓯的差值,得到差分后的图像k D ： ),(),(y x b y x f D k k k -= （2.3） 对差分图像k D 进行二值化，当某一像素的灰度值大于给定阈值Ｔ时，认为该像素为目标像素，即该像素属于运动目标；反之，则属于背景。
这一步的目的就是为了区分背景像素和目标像素，得到T y x D T y x D k k k y x R >≤=),(),(10{),( (2.4）其中，1表示前景像素值,０表示背景像素值。
对),(y x R k 进行连通性分析，就可以得到连通区域的面积。
当某一连通区域面积大于预定值时，则认为该区域属于同一个运动目标。
采用背景差分法的实验效果如图2-6所示。
背景差分法的优点是其原理和算法设计简单、检测速度快、能够得到比较精确完整的运动目标信息,如位置、大小、形状，但是运算量大，且通常会遇到如下一些问题：背景获取：背景图像的获取最简单的办法就是在场景没有任何运动目标的情况下进行拍摄,但是在实际应用中较难满足这种要求，如对公路和城市效能的监控等，所以需要一种方法就能够在场景存在运动目标的情况下获得真实“纯净”的背景图像。
背景的扰动:跟帧间差分法相同,当背景中含有轻微的扰动对象(如树枝、树叶摇动，水波等),扰动部分很容易就被误判为前景运动目标。
外界光照条件的变化：一天中不同时间段光线、天气等的变化对检测结果的影响。
背景中固定对象的移动：背景里固定对象可能移动，如:场景中的一辆车被开走等,对象移走后的区域在一段较短的时间内可能被误认为是运动目标,但不应该永远被看做是运动目标。
前景运动目标长久停留在背景中：前景运动目标可能长久停留在背景中,如：城市交通中的红灯时间,智能小区的车库监控中车辆入库等,当原来的运动转为静止之后的一段短时间内可能被误认为还是运动目标，但不应该永远被看着是运动目标。
背景更新：背景中固定对象的移动、前景运动目标成为背景中的长久停留物或者外界光照条件的变化等因素都会使背景图像发生变化,需要引入恰当的背景更新机制才能达到合理检测的目的。
由此可见,背景差分法的难点在于如何建立背景模型和维持背景,以适应实际环境中的变化。
常用的背景估计方法有如下几种。
1.基于自适应的方法即通过使用自适应方程,对图像序列加权平均,生成一个近似背景。
这种方法通常在目标移动比较迅速的场景中十分有效。
但是当场景中存在移动缓慢的物体时，检测效果较差。
同时它不能检测双峰背景。
当背景中有物体移入、移出时,背景恢复十分缓慢。
常有的该类方法包括:（1)均值背景法将最近捕获的Ｎ帧视频图像的平均值作为当前背景。
这种方法在监控场景不是很复杂、且场景中存在的变化较少时检测效果较好。
(2)中值背景法即记录最近N个象素值，用这N个值的中值作为背景;(3)自适应变化检测生成背景的方法首先使用帧差法检测场景中的变化区域,在确定变换区域后通过自适应算法更新背景；在VSＡM系统中通过对图象序列中的当前背景和当前帧加权平均,自适应地生成背景。
(4)基于Kalman 滤波器理论的背景生成方法文献【36】提出了一种基于Kａｌmaｎ滤波理论的渐消记忆递归最小二乘的背景重建算法,它适用于背景变化较慢的视频场景。
它将运动目标视为对背景的随机扰动，应用Ｋalmａn滤波器在零均值的退化公式，即渐消记忆递归最小二乘法来更新和重建背景。
２.基于分布模型的方法(1)参数模型即根据数据找到一个与之匹配的已知概率模型。
具体过程就是根据已知的一系列数据和参数为θ的分布)(θη,找到参数θ的最优估计∧θ,这样就能得到估计概率密度函数∧f。
这种方法的优点是，可以只用几个参数就能描述出整个概率分布，将大量数据压缩成几个简单的参数，用参数代替概率密度函数。
但是参数概率估计信赖于模型形式，必须事先知道这一级数据服从何种概率模型,即必须知道这组数据的潜在概率模型的先验知识。
如果概率模型假设不正确的话，概率估计将产生偏差。
由于视频监控场景在大多数情况下服从高斯分布,所以常用高斯模型的方法。
这种方法基于这样的假设:场景中任一点在某一段时间内的观测值都服从正态分布，故可使用该点的均值μ和协方差矩阵∑来描述这个点的统计特性。
如果x 点在ｔ时刻的分布模型是T x t t t <∑),,(μη(T 为阈值概率），则该点可被判定为前景点；否则判定为背景点,同时可称),,(t t t t x x ∑μη和匹配。
模型的更新是在每一帧新图像捕获后,通过一定方法自适应的更新模型参数实现的。
通常的更新公式是：222)()1()1(t t tt t x x -+-=+-=μασαδαμαμ )6.2()5.2( 其中α是更新速率。
α是0到1之间的常熟，其取值的大小体现了模型对背景适应的快慢。
（2）非参数模型 这种方法不需要假设先验的概率密度函数，也不需要设置参数,而是从数据点中直接得到概率密度的估计函数0∧f 。
所以这种方法就是依据数据本身的结构来得到概率密度函数。
非参数的方法不像参数的方法那样依赖于模型的选择和参数估计,它更加适用于概率分布未知的一般情况下的问题。
常用的方法有直方图法，核估计法,具体就是基于核估计的统计模型法。
2.1．3光流法光流【1３】(Optica ｌ Ｆl ｏw ）是空间运动物体在被观测表面上的象素点运动的瞬时速度场。
光流场是通过二维图像来表示物体点的三维运动的速度场。
由Horn 和Schunk 在8０年代早期建立的“光流分析法"是数字视频处理领域中二维运动估算的重要方法。
其研究对象是二维运动（或者称为投影运动），即为真实世界中的三维运动以透视或正交的投影方式在图象平面上形成的“视觉运动＂，这一运动对应着图象中不同目标的相对位置改变,也就对应着图象前后帧相应位置灰度的改变，Horn 与Ｓc ｈu ｎk 将图像平面特定坐标点上的灰度瞬时变化率定义为“光流矢量＂。
这样就导致了光流法的一些根本性缺陷:在某些情形下，图像中视频目标的运动不能反映为灰度的变化,如单色圆球绕其直径自转;另外，图像中光源的运动而不是视频目标的运动也会导致灰度的变化，而这些都不是光流分析所能隔离或屏蔽的。