基于帧间差分法的目标运动检测算法开题报告
基于混合高斯模型的视频运动目标检测算法研究的开题报告
基于混合高斯模型的视频运动目标检测算法研究的开题报告一、研究背景和意义随着计算机视觉技术的不断发展，视频监控系统已经被广泛应用于公共安全、交通管理、环境监测等领域。
其中，视频运动目标检测是视频监控系统中的重要技术之一，主要是通过对视频帧中的像素变化进行分析，实现对运动目标的识别、跟踪和监控。
目前，视频运动目标检测技术主要分为基于背景差分和基于光流的两大类方法。
其中，基于背景差分的方法是通过获取背景图像和当前图像之间的差异，来判断当前图像中是否存在目标物体；而基于光流的方法则是通过分析连续帧之间像素的位移和变化，来计算出目标物体的运动轨迹。
然而，这两种方法都存在一些缺点，如基于背景差分的方法对于背景变化和光照变化比较敏感，容易产生误检；而基于光流的方法则对于图像噪声和遮挡问题处理能力较差。
因此，本文拟研究一种基于混合高斯模型的视频运动目标检测算法，通过对连续帧图像进行建模和分析，识别运动目标并实现跟踪和监控。
该算法相比于之前的方法，具有更好的适应性和鲁棒性，可以有效地处理图像复杂变化情况，并减少误检和漏检的情况。
二、研究内容和方法本文的研究内容主要包括以下几个方面：1.混合高斯模型：研究混合高斯模型的原理和应用，对视频帧进行建模和分析。
2.视频运动目标检测算法：基于混合高斯模型，提出一种视频运动目标检测算法，实现对视频帧的目标检测和跟踪。
3.实验验证：通过实验验证算法的准确度和鲁棒性，并与其他算法进行比较分析。
本文将采用以下研究方法：1.文献综述，对当前视频运动目标检测技术的发展现状和研究成果进行总结和分析，确定本文的研究方向和目标。
2.模型建立，根据混合高斯模型的原理和应用，建立视频帧的模型，并进行参数调整和优化。
3.算法设计，基于混合高斯模型，提出一种视频运动目标检测算法，并针对算法中的关键问题进行分析和优化。
4.实验验证，设计实验样本和评价指标，对算法的准确度和鲁棒性进行测试和比较分析。
三、预期成果和创新性本文的预期成果主要包括：1.熟悉混合高斯模型的原理和特点，掌握视频运动目标检测技术的基本方法和实现原理。
联合帧间差分和边缘检测的运动目标检测算法
联合帧间差分和边缘检测的运动目标检测算法王忠华;王超【摘要】For the detection of moving object,the traditional interframe difference method often leads to object hole and contour loss.The aim of this paper is to propose a moving object detection algorithm based on interframe difference and edge detection.Firstly,the difference images of adjacent three frame images are calculated in pairs,the binary images are generated using adaptive threshold,and the regional image of moving object is extracted by binary image and operation.Secondly the improved Canny operator is used to detect the edges of adjacent three frame images successively.In accordance with the moving association law,the moving object edge image is obtained.Finally,the moving object boundary contour is extracted by combining the regional image and the edge images,and then the moving object is extracted by using morphologicalmethod.Experiments show that our algorithm improves the detection performance of moving object and maintains the boundary contour of moving object.%面对运动目标检测,采用传统的帧间差分法往往造成目标空洞与轮廓丢失的问题,提出一种联合帧间差分和边缘检测的运动目标检测算法.首先计算相邻三帧的两两差分图像,再采用自适应阈值生成二值化图像,经二值化图像与运算提取运动目标区域图像;其次采用改进型Canny算子依次对相邻三帧图像进行边缘检测,依据运动关联法则,获取运动目标边缘图像;最后联合运动目标区域图像和边缘图像,提取运动目标轮廓,再采用形态学方法提取运动目标.实验表明,本算法提高了运动目标的检测性能和保持了运动目标轮廓.【期刊名称】《南昌大学学报（理科版）》【年(卷),期】2017(041)001【总页数】5页(P42-46)【关键词】帧间差分;边缘检测;目标轮廓【作者】王忠华;王超【作者单位】南昌航空大学信息工程学院,江西南昌 330063;南昌航空大学信息工程学院,江西南昌 330063【正文语种】中文【中图分类】TP391目标检测与跟踪作为机器视觉的一个分支在大量工程中得到广泛的应用，如智能监控、精确制导以及预警。
基于帧间差分的自适应运动目标检测方法
基于帧间差分的自适应运动目标检测方法薛丽霞;罗艳丽;王佐成【期刊名称】《计算机应用研究》【年(卷),期】2011(28)4【摘要】This paper proposed a detection algorithm of adaptive moving objects based on frame difference method.Reconstructed the background image of continuous video frequency by calculating the maximum probability grayscale using grey histogram;Gained moving regions by frame difference, took out moving objects by subtracting moving regions and background image.Experimental results show that the algorithm can pick up preferably background image from the video sequence including many uncertainties factors, can response timely to the actual scene changes and improve the quality of moving objects detection.%提出了一种基于帧间差分的自适应运动目标检测算法.算法利用直方图统计各像素点处最大概率灰度的方法提取出连续视频的背景图像;相邻帧利用帧差法得到运动区域图像;利用运动区域图像与背景图像差分的方法提取出运动目标.实验结果表明,该算法能在多个不确定性因素的序列视频中较好地提取背景图像,能及时响应实际场景变化,提高运动目标检测的质量.【总页数】3页(P1551-1552,1559)【作者】薛丽霞;罗艳丽;王佐成【作者单位】重庆邮电大学计算机科学与技术学院,重庆,400065;重庆邮电大学计算机科学与技术学院,重庆,400065;重庆邮电大学软件学院,重庆,400065【正文语种】中文【中图分类】TP751【相关文献】1.一种基于帧间差分与背景差分的运动目标检测新方法 [J], 邱德润;朱明旱;伍宗富2.基于帧间差分方法的运动目标检测 [J], 武怀金;王武江3.基于多帧差分与自适应技术的运动目标检测方法研究 [J], 张广坤;宋进;李培龙;李玲4.连续帧间差分与背景差分相融合的运动目标检测方法 [J], 屈晶晶;辛云宏5.一种基于梯度图像帧间差分和背景差分的运动目标检测新方法 [J], 潘翔鹤;赵曙光;柳宗浦;王媛因版权原因，仅展示原文概要，查看原文内容请购买。
帧间差分法运动目标检测过程及原理
帧间差分法运动目标检测过程及原理帧间差分法是一种常用的运动目标检测方法，依靠帧与帧之间的差异来实现对运动目标的检测。
其原理是通过计算相邻帧之间的差异，将运动目标从静态背景中分离出来，从而实现目标检测。
1. 获取视频流或者图像序列，并将其转换为灰度图像。
该过程可以使用OpenCV等图像处理库实现。
2. 按照时间顺序，每隔一定的时间间隔（例如，每秒钟、每隔几帧）取一帧图像，形成连续的图像序列（也可以直接读取视频流）。
如果采用的是视频流，还需将视频流的时间基准与实际时间对齐。
3. 对于每一帧图像，先将其与上一帧图像做差，得到当前帧的差分图像。
若没有前一帧图像，则将当前帧图像作为背景参考。
4. 对于差分图像，可以应用阈值分割算法（例如Otsu算法、自适应阈值法等）来将其二值化。
此时，目标物体所在的像素值区域将为前景，而背景则为另一种像素值。
5. 对于二值化后的图像，可以应用形态学处理（例如开操作、闭操作等）来去除噪声点和孔洞，从而更准确地提取目标轮廓。
6. 最后，可以利用cv2.findContours()函数查找目标的轮廓。
这些轮廓可以代表单个运动目标或者多个运动目标。
且可以通过测量轮廓的面积、宽度、高度、位置等属性，进一步对目标进行分类与识别。
总结起来，帧间差分法是一种基于视频或图像序列的运动目标检测方法，它的优点是实现简单、速度较快，且对于CMOS或CCD摄像头等图像采集设备不稳定、背景不纯，亮度不均等问题具有较好的适应性。
不足之处在于对于复杂的场景或目标缩放、旋转、部分遮挡等情况，其检测效果容易受到影响。
因此，在实际应用中，我们需根据具体情况选择不同的算法方法来实现更准确、可靠的目标检测。
《2024年运动目标检测算法的探讨》范文
《运动目标检测算法的探讨》篇一一、引言运动目标检测是计算机视觉和图像处理领域中一个重要而广泛的应用方向。
其目标是从视频流或图像序列中检测出移动的物体或人物，广泛应用于安防监控、自动驾驶、行为分析等领域。
近年来，随着深度学习和人工智能的快速发展，运动目标检测算法得到了极大的改进和提升。
本文将探讨运动目标检测算法的基本原理、常见方法以及当前的研究进展。
二、运动目标检测算法的基本原理运动目标检测算法的基本原理是通过分析视频流或图像序列中的像素或特征的变化，从而检测出运动的目标。
具体而言，算法首先对输入的视频流或图像进行预处理，如去噪、增强等操作，以提高后续处理的准确性和鲁棒性。
然后，通过提取图像中的特征，如颜色、纹理、形状等，并利用一定的算法对这些特征进行分析和比较，从而判断出哪些区域发生了变化，进而确定运动目标的位置和轨迹。
三、常见的运动目标检测算法1. 帧间差分法：帧间差分法是一种简单而有效的运动目标检测方法。
它通过比较相邻两帧图像的差异，找出发生变化的区域，从而确定运动目标的位置。
该方法具有计算量小、实时性好的优点，但容易受到光照变化、噪声等因素的影响。
2. 光流法：光流法是一种基于光流矢量分析的运动目标检测方法。
它通过计算图像中像素点的运动矢量，确定哪些区域发生了运动。
光流法可以较准确地检测出运动目标的位置和轨迹，但计算量较大，实时性较差。
3. 深度学习方法：深度学习在运动目标检测领域取得了显著的成果。
通过训练深度神经网络模型，可以自动提取图像中的特征，并学习到更复杂的运动模式和场景信息。
常见的深度学习方法包括基于卷积神经网络的检测方法和基于区域的方法等。
这些方法具有较高的准确性和鲁棒性，但需要大量的训练数据和计算资源。
四、当前的研究进展随着深度学习和人工智能的不断发展，运动目标检测算法在准确性和鲁棒性方面取得了显著的提高。
当前的研究主要关注以下几个方面：1. 优化算法模型：通过对神经网络结构的优化和改进，提高运动目标检测算法的准确性和计算效率。
帧间差分法运动目标检测过程及原理
帧间差分法运动目标检测过程及原理帧间差分法是一种常用的运动目标检测方法，它通过比较视频序列中不同帧之间的差异来检测运动目标，从而实现目标跟踪和识别。
本文将介绍帧间差分法的运动目标检测过程及原理。
帧间差分法的运动目标检测过程主要包括以下几个步骤：1. 视频帧获取：首先需要获取视频序列，可以通过摄像头、摄像机等设备来获取。
2. 帧间差分处理：将视频序列中相邻的两帧进行差分处理，得到两帧之间的差异，以检测目标的运动情况。
差分处理可以使用像素级的差异或者区域级的差异进行计算。
3. 运动目标检测：通过帧间差分处理得到的差异图像，可以进行阈值处理、边缘检测、连通域分析等操作，以提取出视频序列中的运动目标。
4. 目标跟踪与识别：最后可以对提取出的运动目标进行跟踪和识别，以实现对目标的监控与分析。
二、帧间差分法的原理帧间差分法的原理是基于视频序列中连续帧之间的差异来进行运动目标检测的。
具体来说，帧间差分法的原理包括以下几个方面：1. 差分图像计算：帧间差分法首先通过比较视频序列中相邻帧的像素值，计算出两帧之间的差异。
常见的计算方式包括绝对差分、均方差分等，可以得到表示两帧之间差异的差分图像。
1. 视频监控：帧间差分法可以用于视频监控系统中对目标的运动进行检测与跟踪，从而实现对监控区域的实时监控与预警。
2. 交通监控：在交通监控系统中，帧间差分法可以用于车辆与行人的运动检测与识别，以实现交通流量统计、违规行为检测等功能。
3. 智能驾驶：在智能驾驶系统中，帧间差分法可以用于实时检测路面上的车辆、行人等运动目标，以实现自动驾驶、避障等功能。
4. 人体姿态识别：帧间差分法可以用于对人体姿态的运动进行检测与分析，从而实现人体姿态识别、动作分析等功能。
优点：2. 对光照变化不敏感：帧间差分法在运动目标检测过程中对光照变化不敏感，能够适应不同光照条件下的目标检测需求。
3. 算法简单：帧间差分法的算法相对简单，计算量小，适用于资源有限的嵌入式系统。
一种基于三帧差分和混合高斯模型的运动目标检测方法
一种基于三帧差分和混合高斯模型的运动目标检测方法在视频运动目标检测中，混合高斯模型是一种目前较常用的建模方法。
针对混合高斯模型实时性不强等缺陷，文章提出了一种基于三帧差分和混合高斯建模的运动目标检测方法。
实验证明，这种算法在自适应性、实时性、正确率等方面都有了很大改进，并且可以减少部分的噪声。
标签：三帧差分；混合高斯模型；帧运动量；运动目标检测引言随着监控技术的快速发展，人们安全意识的普遍提高，监控摄像头早已遍布大街小巷，对视频运动目标的检测和提取成为了重要的研究方向。
运动目标检测是指在视频序列中提取与背景存在相对运动的目标，是进行目标追踪、目标识别等处理的基础。
目前常用的运动目标检测方法主要分为三类[1]，包括光流法、帧间差分法和背景减除法。
其中光流法利用运动目标随时间变化的矢量特征检测运动区域，能够在摄像机运动的情况下检测出目标，但计算复杂、硬件要求较高。
帧间差分法[2]用图像时间序列相邻的帧图像相减，通过相减后的差分图像获取运动轮廓，计算简单，实时性较强。
背景减除法[3]则需要预先构建背景，通过当前帧图像和背景相减所得差分图像检测运动目标，能较准确提取目标，但对背景变化敏感，如光照变化、树枝摇动都能引起背景变化，需及时更新背景，所以背景模型的建立至关重要。
Stauffer和Crimson提出的混合高斯模型背景建模（GMM）[4-6]，是目前一种较常用的背景建模方法，该方法具有较强的鲁棒性，但对运动物体在场景中静止或者静止物体的突然运动检测失效，并且有着初始学习速度慢、学习速率固定等缺陷。
针对帧间差分法和背景减除法的不足，提出了一种基于三帧差分和混合高斯建模的运动目标检测方法，通过三帧差分所得差分图像统计帧运动量，根据帧运动量的变化自适应调节混合高斯模型的学习速率，实验证明新方法在实时性、自适应性、正确率等方面都有了改进。
1 基本方法1.1 算法思想本文算法主要由帧间差分法、运动量统计、混合高斯建模、背景提取和更新、形态学处理等部分组成。
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)。
本科毕业设计(论文)开题报告 题目：基于帧间差分法的目标运动检测算法
Frame difference method based on target motion detection algorithm
课 题 类 型： 设计□ 实验研究□ 论文□ 学 生 姓 名： 郭凯 学 号： 3100701135 专 业 班 级： 计算机101 学 院： 计算机科学与技术 指 导 教 师： 卢桂馥 开 题 时 间：
201 年 月 日 开题报告内容与要求 一、 本课题的研究意义、研究现状和发展趋势（文献综述） 1.1研究意义 在人们感知到的环境信息中，视觉信息占了很大的比重，其中动态视觉信息更是其主要组成部分。感知环境中的这些动态视觉信息己成为计算机视觉的一个重要的研究方向。在现实生活中，大量有意义的视觉信息都包含于运动之中。尽管人类视觉既能看见运动又能看见静止的物体，但是在许多场合，比如航空和军用飞机的制导、交通流量的监测、重要场所的保安以及汽车的自动驾驶和辅助驾驶等等，人们往往对运动的物体更感兴趣。 运动目标检测与跟踪是近些年来图像处理和计算机视觉领域的一个非常活跃的分支，是动态图像分析的基础。目标的运动图像序列提供了比目标静止时更多的有用信息，使得我们可以利用运动目标检测与跟踪技术获得比静止图像更有实用价值的信息。 运动目标检测和运动目标跟踪两方面具有非常紧密的关系。做为运动目标跟踪的基础，运动目标检测是实时的在被监视的场景中检测运动目标，并将其提取出来。而运动目标跟踪是做为衔接运动目标检测和上层的目标行为分析和理解的一个重要环节。所谓运动目标跟踪，就是在运动目标检测的基础上，利用目标有效特征，使用适当的匹配算法，在序列图像中寻找与目标模板最相似的图像的位置，简单的说就是给目标定位。在实际应用中，运动目标跟踪不仅可以提供目标的运动轨迹和准确定位目标，为下一步的目标行为分析与理解提供了可靠的数据来源，而且也可以为运动目标检测提供帮助。 综上，对运动目标检测与跟踪有关算法的研究具有重大的理论价值和现实意义。
1.2研究现状和发展趋势
1.2.1研究现状 近些年来，世界各地的学者们针对视频图像中的运动目标检测与跟踪问题做了大量而深入的研究，提出了许多行之有效的方法，也取得了一定的进展，但到目前为止，还没有出现能够适用于各种场合、各种情况的通用算法。现今的各种算法在稳健性、准确性、可靠性等方面还有着这样、那样的不足。困难主要在于视频中存在着各种干扰因素，这些因素包括：运动目标的位移或者自身的形变、成像传感器本身的固有噪声、照明情况的变化、背景中的杂波、运动目标的自遮挡或者互遮挡等。这些问题有待我们进一步研究。 1.2.2发展趋势 运动目标检测在平安城市、智能交通、人机交互、战场侦察等领域有着越来越广泛的应用，具有重要的研究意义。运动目标检测技术一般分为三大类 1）光流法，虽善于在运动场景中进行运动目标检测，但大多数光流方法计算复杂， 只能得到稀疏的光流场，不适于实时处理; 2）背景差分法，一般能够提供较安全的特征数据，不受运动目标速度的限制，能够较完整地提取出运动目标，但检测性能与提取的背景图像的好坏息息相关，且对光照和外部条件造成的场景变化过于敏感，在非受控环境下需要加入背景图像更新机制，且不适用于背景灰度变化很大的情况 3）帧间差分法，虽然对环境有很好的适应性，差分图像受光线变化影响小，检测有效而稳定，但它只能检测相对运动的目标，检测出的目标位置不精确，不能提取出较完整的运动目标，并且在较大程度上依赖差分帧的选择时机和目 标的运动速度
二、 主要设计（研究）内容和拟解决的关键问题
研究内容：1)在windows操作系统平台上，以vc++6．0为集成开发环境，基于Directshow框架对视频图像进行处理； 2)对有关运动目标检测与跟踪的常用算法进行了研究并编程实现； 3)提出了一种将差分法和背景减法相结合的运动目标检测方法。通过分析差分法和背景减法各自的优缺点，采用三帧差分和背景减法相结合的检测方法，取得了较好的效果： 4)在运动目标检测基础上，提出一种在简单背景下基于自适应窗口调整的跟踪门将检测到的目标“框住"，最大限度的减少了噪声对跟踪精度的干扰，使得跟踪精度大大提高。
拟解决的关键问题：运动目标检测由于所处的实际处理环境不同，将会受到来自不同因素的影响，它们会不同程度地影响运动目标检测的准确性和稳定性，系统对不同环境的适应性也存在很大的挑战，这些影响系统性能的因素包括： (1)光线高密度的变化 由于现场光线高密度的变化将使得背景图像也随之发生变化，从而很难将这些变化与图像中由于前景目标盼引入导致的变化加以区分。 (2)阴影和物体间的重叠遮盖 运动的前景目标的阴影部分可能会造成背景中局部画面亮度变化，另外运动的目标之间，以及运动的目标与背景之间的重叠遮盖，都可能会改变检测出来的运动目标的形状和其他特征。 (3)前景目标与背景中物体相似 当运动的前景目标与背景中景物在颜色和形状等外观特征相似时，将增大从背景中分辨出前景目标的难度。 (4)非静态背景 当背景并不是静态时，比如天空中运动的云块，公路边的建筑、树，这些运动的背景有可能被当成前景目标进行处理，这样将增加运动目标的检测难度。 (5)运动目标的高速运动 前景目标的高速运动可能会导致许多不同的目标频繁在背景中出入，从而难以分辨哪些是真正的背景，哪些是前景目标，从而给运动目标检测增加难度。
三、研究方案及工作计划（含工作重点与难点及拟采用的途径） 3.1研究方案 3.1.1算法思想 该算法包括四大部分: a) 提取背景图像( 建立背景模型) ; b) 帧间差分得到变化区域; c) 变化区域与背景图像差分获取初始运动目标; d) 对初始运动目标进行滤波和形态学处理消除目标碎块提取出完整目标。如图3.1.1所示 a ）背景提取 目前的视频序列图像大都是RGB 彩色图像，由于这种彩色图像有三个色彩分量，进行背景提取时计算比较复杂。本文算法将获得的RGB 彩色图像序列灰度化得到对应的灰度图像序列，再统计灰度图像序列每个像素点处以最高频率出现的灰度值，并将这个最大频率灰度值作为当前背景中对应像素点的灰度值，获得背景图像。
b) 目标提取 对视频序列中相邻两帧图像进行帧间差分得到运动区域图像，运动区域图形与背景图像进行差分提取出运动目标图像，运动目标图像与阈值比较得到二值化图像。
c) 阈值Th 的取法 如果阈值Th 选择过高，会将运动目标区域严重碎化，如果选择得过低，会引入大量的噪声。因此，提出一个运用当前图像灰度值来确定动态阈值的方法: 1) 求出图像中的最小和最大灰度值，取其平均值为初始 阈值，记为T。 2) 根据初始阈值将图像分割成目标和背景两部分，求出 两部分的平均灰度值μ1、μ2 和两部分的灰度概率
d) 噪声去除和形态学处理 由于阈值分割后的二值化图像中会存在噪声点和一些目标孔洞，故先对输出的二值化图像进行中值滤波消除噪声，再运用数学形态学运算来合并领域及消除目标孔洞，进而提取出完整的运动目标。 数学形态学有四个基本运算: 膨胀、腐蚀、开启和闭合。一般地，设A 为图像集合，B 为结构元素，数学形态学运算是用B对A 进行操作。先对图像进行腐蚀再膨胀称为开启
3.2工作计划
日期 教学周 工作安排 2.25-3.25 1-4 毕业实习，撰写实习报告。
3.20-3.28 4 通过各种途径查阅借鉴相关成功案例资料,了解和掌握自己所做的模块，撰写开
题报告。
3.25-3.31 5 加强对Opecv和C语言知识学习。
4.1-4.14 6-7 对各个功能模块深入分析，确定内部逻辑、实现方法并封装相应的方法，降低
耦合性。
4.15-5.26 8-13 毕业设计方案实施中期阶段，把所学和所做的实验汇集在一起，在掌握好所做
模块的同时初步实现设计总合
5.27-6.17 14-16 查缺补漏，毕业设计实验的拓展和完善，把图像预处理，目标检测和目标跟踪整
合在一起 6.18-7.1 17-18 撰写毕业设计论文，制作PPT，准备答辩。
四、阅读的主要参考文献（不少于10篇，期刊类文献不少于7篇，应有一定数量的外文文献，至少附一篇引用的外文文献（3个页面以上）及其译文） ［1］ 刘鑫，刘辉，强振平． 混合高斯模型和帧间差分相融合的自适应背景模型［J］． 中国图象图形学报，2008，13( 4) : 729-734． ［2］ 王静，保文星． 一种基于差分算法的视频运动目标检测技术［J］．计算机应用与软件，2009，26( 12) : 26-12． ［3］ CHENG Fang-hsuan，CHEN Yu-liang． Real time multiple objectstracking and identification based on discrete wavlet transform［J］．Pattern Recognition，2006，39( 6) : 1126-1139． ［4］ ZHANG Rui，ZHANG Si-zhu，YU Song-yu． Moving objects detectionmethod based on brightness distortion and chromaticity distortion［J］．IEEE Trans on Consumer Electronics，2007，53( 3) : 1177-1185． ［5］ 谢凤英． VC + +数字图像处理［M］． 北京: 电子工业出版，2008． ［6］ 代科学，李国辉，涂丹． 监控视频运动目标检测减背景技术的研究现状和展望［J］． 中国图象图形学报，2006，11( 7) : 919-917． ［7］ ZHANG Hai-qing，LI Hou-qiang． Target tracking based on MonteCarlo method［J］． China Journal of Image and Graphics，2008，13( 5) : 937-938． ［8］ CASTLEMAN K R． 数字图像处理［M］． 朱志刚，林学闫，石定机，等译． 北京: 电子工业出版社，2002: 181-190． ［9］ HAN B，COMANICIU D，ZHU Ying，et al． Sequential kernel densityapproximation and its application to real-time visual tracking［J］．IEEE Trans on Pattern Analysis and Machine Intelligence，2008，30( 7) : 1186-1197． ［10］杨学超，刘文萍． 视频图像序列中的运动目标检测技术［J］． 计算机应用与软件，2008，25( 1) : 215-21