浅谈运动目标检测方法的研究
运动目标检测光流法
运动目标检测光流法一、引言在计算机视觉领域中，运动目标检测是一个重要研究方向，其目的在于从视频序列中分离出运动的目标。
光流法作为其中的一种方法，通过估计像素点的运动矢量来检测运动目标。
本文将详细介绍光流法在运动目标检测中的应用。
二、光流法的基本原理光流法是一种基于像素点运动估计的方法，其基本原理是通过计算图像序列中每个像素点的运动矢量，从而得到运动目标的信息。
光流场是光流法在图像上的表现形式，它反映了图像中每个像素点的运动状态。
光流场的计算可以通过多种方法实现，如基于梯度的方法、基于匹配的方法等。
三、光流法在运动目标检测中的应用在运动目标检测中，光流法的主要应用包括以下几个方面：运动目标的分割：通过计算光流场，可以将运动目标与背景进行分割。
由于运动目标与背景的光流矢量存在差异，因此可以通过设定阈值将运动目标从背景中分离出来。
运动目标的跟踪：利用光流场可以实现对运动目标的跟踪。
通过计算连续帧之间光流矢量的变化，可以估计出运动目标的运动轨迹，从而实现目标的跟踪。
运动目标的识别：通过对光流场的分析，可以提取出运动目标的特征信息，如形状、大小、速度等。
这些特征信息可以用于运动目标的识别，如行人、车辆等。
四、光流法的优缺点分析光流法在运动目标检测中具有以下优点：可以处理复杂背景下的运动目标检测问题；可以实现对运动目标的精确分割和跟踪；可以提取出丰富的运动目标特征信息。
然而，光流法也存在一些缺点：对光照变化敏感：当光照条件发生变化时，光流场的计算结果可能会受到影响，从而导致检测精度的下降；计算复杂度高：光流场的计算涉及到大量的数学运算，因此其计算复杂度较高，难以实现实时处理；对噪声敏感：当图像中存在噪声时，光流场的计算结果可能会受到影响，从而导致检测精度的下降。
为了克服这些缺点，研究者们提出了许多改进方法，如基于深度学习的方法、基于滤波的方法等。
五、结论与展望光流法作为一种基于像素点运动估计的方法，在运动目标检测中具有广泛的应用前景。
运动目标检测
运动目标检测在计算机视觉领域中，运动目标检测是一项重要的研究任务，它的目标是通过算法自动检测图像或视频中的运动目标，并给予其正确的分类。
运动目标检测在许多应用中都有重要的作用，例如视频监控、智能交通系统和自动驾驶汽车等领域。
运动目标检测的挑战主要在于克服背景干扰、光照变化和目标遮挡等问题。
为了解决这些问题，研究者们提出了许多不同的方法和算法。
其中一种常见的运动目标检测方法是基于光流的方法。
光流是指物体在连续帧之间的像素移动信息。
这种方法通过计算相邻帧之间的光流来检测运动目标。
然后，通过对光流进行分析和处理，可以提取出运动目标的轮廓和位置信息。
另一种常见的方法是基于背景建模的方法。
这种方法假设背景是静止的，而目标是运动的。
通过对连续帧中的像素进行建模，可以提取出运动目标的位置和轮廓信息。
背景建模方法主要分为静态背景建模和自适应背景建模两种。
静态背景建模将整个场景作为背景进行建模，而自适应背景建模会根据场景的变化自动调整背景模型。
这些方法通常结合了像素差分和像素匹配等技术来检测运动目标。
近年来，深度学习技术的快速发展也为运动目标检测提供了新的解决方案。
基于深度学习的方法通过训练神经网络来学习特征表示，并使用这些特征表示来检测和分类运动目标。
其中，卷积神经网络（CNN）是最常用的深度学习模型之一，已经在许多图像和视频任务中取得了令人瞩目的成果。
此外，还有一些基于循环神经网络（RNN）和长短期记忆（LSTM）的方法也被用于处理序列数据，如视频中的运动目标。
总体而言，运动目标检测是一个非常复杂和多样的问题。
随着计算机硬件和算法的不断改进，运动目标检测的性能也在不断提高。
未来，我们可以期待更多创新的方法和技术被应用于运动目标检测任务中，以提高准确性和效率。
基于计算机视觉的运动目标检测研究
基于计算机视觉的运动目标检测研究 随着计算机视觉技术的不断发展和普及，基于计算机视觉的运动目标检测也越来越成熟和应用广泛。从最初的背景差分算法到现在的深度学习算法，运动目标检测的精度和效率都在不断提高，为智能交通、安防监控、无人驾驶等领域提供了强有力的支持。
一、运动目标检测的基本思路 运动目标检测的基本思路是从视频序列中提取出运动目标区域，以实现对目标的跟踪和分析。通常，视频序列是由一系列帧组成的，运动目标在每一帧中的位置和外观都会发生变化，因此需要通过算法快速准确地检测出目标。
从算法的角度来看，运动目标检测主要分为两类：基于传统计算机视觉方法的运动目标检测和基于深度学习的运动目标检测。
二、基于传统计算机视觉方法的运动目标检测 1.背景差分法 背景差分法是最早应用于运动目标检测的方法之一，它将视频序列中的每一帧图像都看作是由平稳的背景和运动的前景组成的。背景差分法的基本思路是将当前帧与先前帧的背景模型做差，得到运动的前景区域。
背景差分法的优点是算法简单、计算速度快，但它对光照变化和背景纹理变化较为敏感，在实际应用中的精度和鲁棒性受到了很大的限制。
2.基于帧间差分的方法 基于帧间差分的方法是在背景差分法的基础之上发展而来的，它将当前帧与前一帧做差，得到前后两帧之间发生变化的像素。 与背景差分法相比，基于帧间差分的方法在一定程度上提高了算法的精度和鲁棒性，但其对目标的遮挡和光照变化依然较为敏感。
3.基于光流估计的方法 基于光流估计的方法是一种基于像素的方法，它通过计算相邻两帧之间像素的运动，来检测目标的运动。
与前两种方法相比，基于光流估计的方法在处理光照变化和遮挡方面更为鲁棒，但其计算量较大，对硬件设备要求较高。
三、基于深度学习的运动目标检测 基于深度学习的运动目标检测是当前最为流行和有效的方法之一，它以卷积神经网络为基础，通过学习大量训练样本，从而实现对目标的自动检测和跟踪。
目前，基于深度学习的运动目标检测方法主要有以下几种： 1.基于Faster R-CNN的运动目标检测 Faster R-CNN是一种基于深度学习的目标检测框架，它将区域建议和目标分类两个任务结合在一起，实现了端到端的目标检测。在运动目标检测中，Faster R-CNN可以通过深度学习的方式学习目标的特征，从而实现快速准确的目标检测。
移动机器人运动目标检测与追踪方法研究
移动机器人运动目标检测与追踪方法研究移动机器人运动目标检测与追踪方法研究近年来，移动机器人技术在人们的日常生活和工业生产中得到了广泛的应用。
其中，移动机器人的运动目标检测与追踪是一个重要的研究领域。
本文将对移动机器人运动目标检测与追踪方法进行详细探讨。
一、引言移动机器人的运动目标检测与追踪在实际应用中具有重要意义。
通过检测和追踪目标可以实现很多实际的任务，比如智能家居系统中的人体检测、工业生产中的物体识别等。
因此，研究高效准确的检测和追踪方法对于提高机器人的智能化程度具有重要的意义。
二、运动目标检测方法1. 图像处理方法图像处理方法是目标检测的常用方法之一。
它基于计算机视觉技术，通过对图像进行处理，提取目标的特征并进行分类。
常见的图像处理方法包括边缘检测、模板匹配、颜色空间分割等。
这些方法通常可以提取出目标的轮廓和颜色特征，从而实现目标的检测。
2. 深度学习方法深度学习方法是目前目标检测和追踪领域的热门研究方向。
通过使用深度神经网络，可以有效地提取目标的特征，从而实现高精度的目标检测和追踪。
常见的深度学习方法包括卷积神经网络（CNN）、循环神经网络（RNN）等。
这些方法在目标检测和追踪领域取得了显著的进展。
三、运动目标追踪方法1. 单目标追踪方法单目标追踪方法是最基础的追踪方法。
它通过对目标进行跟踪，来实现目标的追踪任务。
常见的单目标追踪方法包括卡尔曼滤波器、粒子滤波器等。
这些方法可以根据目标的运动状态进行预测，并进行目标的追踪。
2. 多目标追踪方法多目标追踪方法是在单目标追踪方法基础上发展而来的。
它可以同时追踪多个目标，并对目标之间的关系进行建模。
常见的多目标追踪方法包括多目标卡尔曼滤波器、多目标粒子滤波器等。
这些方法可以实现对多个目标的高效追踪。
四、实验结果与分析本文使用了基于深度学习的目标检测和追踪方法，并在真实场景下进行了实验。
实验结果显示，所提出的方法在目标检测和追踪任务中取得了较好的效果。
SAR-ISAR运动目标检测及成像新技术研究
SAR-ISAR运动目标检测及成像新技术研究SAR/ISAR运动目标检测及成像新技术研究摘要：合成孔径雷达（SAR）和逆合成孔径雷达（ISAR）是目前遥感领域中常用的成像技术，广泛应用于军事、航空航天、海洋和地质勘探等领域。
随着科学技术的快速发展，SAR/ISAR技术也在不断地向前演进。
本文主要研究SAR/ISAR运动目标检测及成像的新技术，包括目标检测、成像算法和图像处理等方面。
通过对相关技术的研究，可以提升运动目标检测及成像的效果，为实际应用提供更强大的支持。
一、引言合成孔径雷达（SAR）和逆合成孔径雷达（ISAR）是一种利用雷达技术进行成像的方法，通过收集回波信号来获取目标的信息。
SAR技术主要适用于目标与雷达平台相对静止的情况下，而ISAR技术则适用于目标和雷达平台相对运动的情况下。
由于其能够对地表目标进行高分辨率成像，具有天气无关、全天候、全时段的优势，因此在各个领域得到了广泛应用。
二、SAR/ISAR运动目标检测技术1. 多通道SAR多通道SAR技术是提高成像质量的一种重要手段，通过多个接收通道对目标进行接收信号的融合，从而提高成像的分辨率和抗干扰能力。
这种技术不仅可以提高目标的检测概率，还可以减小虚警率。
2. 成像算法SAR/ISAR成像算法主要有：时域成像算法、频域成像算法、脉冲压缩技术等。
其中，脉冲压缩技术是一种有效的成像技术，通过对回波信号进行压缩，可以提高成像分辨率和目标检测的能力。
3. 运动补偿由于雷达平台与目标之间的相对运动，会导致成像结果中出现模糊和失真现象。
因此，需要对目标的运动进行补偿，以提高成像质量。
运动补偿技术主要有预测滤波、相位校正和运动补偿成像算法等。
三、SAR/ISAR运动目标成像技术1. 目标形状重构通过ISAR技术，可以获得目标的高分辨率二维图像。
利用这些图像，可以对目标的形状进行重构，从而获得目标较为精确的形状信息。
这对于目标识别和目标定位非常重要。
智能视频监控运动目标检测技术浅谈
２ 运动 目标检测技术
作 为 计算 机 视 觉领 域 中 ， 一 项 很重 要 而 又 很高 效 的 研 究方 向 — — 运 动 目标 检 测 。 人们 一 直都 在 对 运 动 目标 检 测 技 术 进 行研究 ， 希 望可 以研 究 出一 种 适应 所 有普 遍 场 景 的运 动 目标 检 测技术 ， 不 过 因为 有 着 复 杂 、多样 的监控 背 景 的运 动 目标 ， 可 用于 各 行业 各 类监 控 场 景 的运 动 目标 检 测技 术 还 能 大范 围得 到 应用 和 推广 。 当前 只 能根 据 特 定 的场 景 和特 定 少量 的运 动 目标 进行 智能 分析 ， 需要 利用 不 同 的检测 方法 来进 行 运动 目标检 测 。
目前 ， 常用 的运 动 目标检 测 技术 有 以下几种 。
２ ． １ 光流 法
光流 是 指 ： 空 间运 动着 的物 体 ， 被 观测 面 上 像 素 点运 动 的 时候 ， 产 生瞬 时 的速 度 场 ， 其 携 带 的信 息 有 ： 动 态 行为 及 物 体 表 面 的结 构等 。给 图像 中各个 像 素 点 ， 一个 速 度 矢 量就 形 成 了
Ｔ
阳 Ｒ ｕ Ｍ
智能视 频监控 运动 目标检 测技 术浅谈
陶 国云
（ 浙江 融创 信息 产业 有 限公司 ， 浙 江杭 州 ３ １ ０ ０ １ ２ ）
摘 要 在视频监控智能分析序列中 ， 运动 目标检测正处于行业应用的前沿和发展方向 ， 其在智能视频监控过程中发 挥 了举足 轻 重的作 用 。笔者根 据 工作研 究实践 ， 对 智 能视 频监 控运 动 目标检 测技 术 进行 了简要 的阐述 。 关键 词 智 能视频 监控 ； 运 动 目标检 测技 术 中图分 类号 ： Ｔ Ｎ ９ ４ １ 文献标 识 码 ： Ａ 文章编 号 ：１ ６ ７ １ － ７ ５ ９ ７（ ２ ０ １ ４ ）０ ３ — ０ １ ６ ０ — ０ ２
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。
视频运动目标检测方法研究与分析
视频运动目标检测方法研究与分析视频运动目标检测是计算机视觉领域的一个重要研究方向，它广泛应用于智能视频监控、交通流量统计、自动驾驶、医学图像分析等领域。
目标检测任务的难度主要在于在不同场景下，不同光照条件下，物体会呈现出不同的外观变化，同时还存在图像噪声、遮挡、部分遮挡等问题，这些因素都会对目标检测结果造成干扰。
一、传统视频目标检测方法1. 基于帧间差分法帧间差分法是电子监控领域最早使用的目标检测算法之一，其基本思路是将相邻两帧图像进行相减得到差值图，然后根据设定的阈值进行像素分类。
若差分结果大于阈值，则判断该像素点为运动像素点；反之，若差分结果小于阈值，则认为该像素点是背景像素点。
帧间差分法简单易行，速度较快，但由于只考虑了像素值的变化，无法区分运动目标和噪声或背景像素，且当目标的运动速度较慢、光照条件发生变化时，容易产生误检测。
2. 基于背景建模法背景建模法是一种通过学习并建模背景图像来实现目标检测的算法。
该方法常用的技术有Mixture of Gaussian（高斯混合模型）、Self-Organizing Background Subtraction （自组织背景减法）等。
Mixture of Gaussian方法建立了一个高斯混合模型来对背景进行建模，通过计算像素值与模型高斯分布之间的距离来判断像素点是否属于背景。
该方法在处理室外环境下的背景建模效果优异，但在室内环境下易受到光照变化和阻挡干扰，容易产生误检测。
二、深度学习相关方法在深度学习技术的快速发展下，深度神经网络被广泛应用于目标检测任务中。
1. R-CNN方法系列R-CNN方法系列是一种基于卷积神经网络的目标检测算法。
其主要思路是将输入图像划分为多个候选框，然后通过卷积神经网络对每个候选框进行特征提取。
最后，通过SVM分类器和回归器来计算候选框的置信度和坐标信息，以确定目标类别和位置。
R-CNN方法系列在目标定位和分类任务上取得了不错的效果，但缺点是算法速度较慢，不适用于实时应用场景。
- 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)。
浅谈运动目标检测方法的研究
摘要：摄像头视频监控是指通过摄像头来监视特定场所发生的事件，实时地观
察在监控场所运动目标的行为，通过系统分析计算，在一定条件下给与报警，特
别是对监控对象的可视性、实时性及客观性记录，因此给人直接的视觉听觉感受。
关键词：视频；监控；运动目标；建模
前言
运动目标检测的解决需依靠智能、有效、可行的识别检测技术，但受限于目
前技术发展现状，运动目标检测仍具有研究必要性和广阔的发展前景。
1概述
1.1目标分割技术和检测技术
目标检测效果主要受运动目标的大小、位置的变化而改变。其中因素多种多
样，基本包括目标类型的多元化、目标运动速度的不确定性，以及视频采集设备
抖动、背景、光照等发生变化或干扰等因素。此外，由于受背景光照的变化，目
标物体在视频序列中的颜色分布会发生变化，从而导致目标特征也随之发生变化，
直接影响了目标检测的效率和准确度。视频采集设备的抖动容易造成背景检测区
域的变化，直接对根据背景建模的目标检测方法准确性造成影响；目标类型的多
元化和背景干扰给目标检测带来了更多的表示困难，需要适应及泛化能力较好的
目标检测和表示模型；目标运动速度的不确定性也会导致目标的丢失。
1.2目标外形变化
视频采集设备发生运动时，会使检测的目标物体的外形尺寸发生旋转、位移
变化等几何性质的变化，若快速检测改变后的目标物体则需要实时更新源目标的
表示、表现模型。
1.3被检测目标局部遮挡和多目标相互干扰
基于目标全局特征的目标检测识别算法在被遮挡时会导致目标外形发生变化
或暂时无法检测的情况，目标提取的准确性直接反应了目标识别算法的优劣，因
此，需要鲁棒性强的算法提供目标检测的准确性。而多帧之间目标的相互重叠和
目标局部特征的刷新也需要进行重新检测。
1.4目标检测的复杂性
对于一般视频采集设备，帧频为25-30帧/s，数据流非常大，而对于目标检测
识别算法来说，每帧图像的像素都需要进行处理，提取目标物体的视觉特性，这
个过程中需要大量的计算和判断，此外，目标检测识别系统的目的是保证检测识
别的准确性，提高目标识别效率，这样就需多特征进行联合匹配，导致目标检测
算法复杂度急剧上升，降低了系统的实时性和有效性。
2运动目标检测方法
2.1光流场法
生活中的一切事物都随着时间变化而变化，这是周围事物时域特性。光流场
法也是基于时间变化来研究运动目标，时间在继续，当场景中出现运动目标，场
景中的光流特性改变，通过此方法可以有效检测运动目标。当场景的环境多变如
多光源、阴影、透明和遮挡时，使得光流场对运动目标检测不准确，这样使得后
续子模块可能输入错误信号，达不到复杂环境检测目的。当然光流场法检测过程
中计算量相当大，耗时耗力。模块计算量太大系统可能会出现中断重启，对实时
检测运动目标达不到要求。
2.2帧间差分法
对于光流场法的一些缺点，如果让监控视频中相邻两帧图像像素做减法，若
两图像像素相差较小，说明场景中没有运动目标或者场景中的事物是静止。若两
图像像素减法像素差别很大，说明场景中的事物有变化，此变化是运动目标影响
结果。将两幅图中差别块标记出来，利用这些标记可以判断出运动目标，达到检
测运动目标的目的。帧间差分法采用相邻图像帧对比，这样光线影响可以不考虑，
检测运动目标算法相对简单，计算机编程与视觉图像处理也相对容易，对于简单
场景能够快速计算出运动目标。但帧间差分法判断运动目标也有弊端，当场景中
运动目标运动速度太快，这样相邻两帧图像做减法像素基本为零，无输出信号，
达不到检测的目的。如果运动目标在场景中速度太慢，图像采样的间隔时间过短，
会造成两图像没差别，两帧图像几乎重叠，判断不出运动目标。
2.3背景减法
背景减法思想是在摄像机固定的情况下，在视频运动目标检测系统中，运动
目标的检测通过监测每一幅输入的图像帧与一幅参考背景模型之间进行比较来获
得。常理解为将待观察图像和不包含运动对象物体的背景图像进行比较，获得图
像灰度等特征，然后判断二者的平面图像中是否存在明显差异的区域，将此区域
标出，就可以认为该区域为包含运动对象的区域。此方法中背景是静止的，通过
目标图像减去背景，将目标所在的区域标示出来，该方法在目标运动缓慢时仍然
有效，克服了帧间差分法对于运动速度要求较高的缺陷。但上述背景是静止的，
在实际应用中是不可能的，实际中由于光线、背景扰动等客观条件影响，场景随
时间变化而变化，所以背景场景时刻需要重建。
3背景建模方法
背景减法以一幅简单的背景图像为参考，当场景变化时摄像机拍摄的画面与
存储的背景图像做减法，找到区别区域判断正确的运动目标。然而这种方法应用
也有不足之处，当场景不变或变化缓慢还可以应用。如果场景中随机现象如树枝
扰动、光线变化、雪花和雨点等随机改变了背景图像，这样背景减法分割运动目
标变得不易。可以通过计算机图像处理算法分析场景图像背景像素值的变化特点，
建立以场景图像背景特征参数的模型。用此背景模型来描述背景图像，不再利用
存储单一的背景图像。当背景事物特征发生变化，模型也发生相应的变化。将摄
像机采集的每帧图像中的各个点的像素值与背景描述模型像素进行比较匹配，则
像素匹配的部分标记为背景场景，而不匹配的像素标区域定为目标，利用计算机
编程语言来描述实现。据此差别进行图像灰度二值化数字处理，找到像素近似的
连通区域，从而区分目标像素和背景像素，分割出运动目标和场景背景。
高斯背景模型：背景模型一般用高斯分布（正态分布）描述，单高斯背景模
型一般适合用于背景颜色或灰度分布比较集中，背景中扰动较少的场景。然而现
实中场景比较复杂，在场景中，遇到有树的枝叶晃动、飘扬的旗帜、水面的波光
反射等情况时，固定位置的像素在不断改变，像素颜色值显示出非单峰分布的特
点。单个模型不能准确模拟这种背景变化的原因在于这些像素大小的变化是较快
的，而像素大小的变化并不是由一个相对稳定的单峰分布渐渐地过渡到另外一个
单峰分布。利用多个单高斯模型的集合来描述像素大小在一段时间内的状态，这
就是混合高斯背景模型，混合高斯模型在描述复杂的动态背景（比如树叶的摇晃，
水面的波动等）的优点是显而易见的，但混合高斯模型对光线的突变，以及一些
其他因素引起场景突变的时候不能很好地进行运动目标的检测，容易产生空洞，
造成误报，另外混合高斯模型采用固定的更新系数来更新各个分布的权重，如果
更新过快会降低对运动目标检测的灵敏度，更新过慢则会使得本来静止的目标发
生运动时会产生长时间的拖影。
结束语
运动目标检测具有广泛的应用前景，因此运动目标检测方法的优化得到了越
来越多学者的关注，但是仍存在不足和有待解决的问题，比如，运动目标检测算
法运算量较大，复杂背景建模困难等，目前，作者的研究分析为经典方法的改进
和新方法的提出；运动目标检测方法由于其固有的复杂特性，每种检测方法都在
一定场景下具有其优势，也有其缺陷；对于较为复杂的情况下，多种检测方法同
时应用于同一目标检测的提取也是可取的。
参考文献：
[1]张国云，郭龙源.计算机视觉与图像识别[M].北京：科学出版社，2012.
[2]景丽.图像处理与计算机视觉算法及应用[M].北京：清华大学出版社，2012.
[3]杨高波.计算机视觉特征提取与图像处理[M].北京：电子工业出版社，2014.
基金项目：
海口经济学院校级课题，项目编号hjky16-19。