运动目标检测是视频监控流程中的首要步骤，也是最为基础的工作，它的检测效果关系到能否成功进行视频监控，只有精确的进行目标分割，才能保证随后的处理结果精确无误。然而，运动目标的检测并不是一个简单的工作，它依旧十分充满挑战性。在进行运动目标检测时，各方面的影响，比如摄像头固定的不够稳定，天气或者光线的变化，目标还会产生阴影以及背景中的各种小变化的影响都会使视频序列中图像的像素发生变化，从而给运动目标检测带来精度与效率方面的影响。各方面都想要拥有一个完善的运动目标检测算法，能够考虑到各种环境变化，但是这个问题在实际应用中十分难以解决。 

到目前为止，已经开发出了许多种运动目标检测算法，例如：1。光流法、2。帧间差分法、3。三帧差分法等等。本文将重点研究和实现这些算法并对他们进行定量比较。

1。2 国内外研究现状与发展

1。2。1国内外研究现状

1。2。2 主要面临的问题

1。3本文主要研究内容：

本文的主要研究内容将分为如下几个部分:

(1)本文第一部分将介绍图像的预处理，主要采用图像灰度化与图像滤波去噪。运动目标检测的基本原理都是通过对视频序列中的相邻帧或平均帧进行处理而获得运动目标，减少目标检测对每一帧图像的工作量是图像灰度化的主要目的，而图像滤波去噪则是为了获取更为精确的处理结果。

(2)本文在第二部分研究了目前常用的一些运动目标检测算法，主要是光流法、帧间差分法、相邻帧三帧差分法这三种算法。重点分析了帧间差分法和三帧差分法的实现原理。并在实验平台上对这两个算法进行了实验仿真。由于帧间差分法提取的目标轮廓跟实际有差别且不完整，在目标移动较快时还会产生重影，但能够使用动态环境的变化，三帧差分法能弥补这些缺点。

(3)最后本文对经过三帧差分法处理的图像进行了形态学处理，对算法进行了优化，从而得到了更为精确的处理结果。

第二章 视频图像预处理

在视频序列的获取方式如摄像机或摄像头中，采集到的视频图像基本都会有一些不明确的像素点，这些称之为噪声干扰[7]。根据噪声来源的不同我们可以简单进行分类，第一类是摄像头或摄像机获取视频时或保存视频时这类设备的内部噪声，第二类是视频图像在不同设备之间传输时，当视频信号经过信道传播时，信道给视频图像加入的噪声，第三类是拍摄的视频序列场景中自有的噪声。

初始视频序列中必然会有各种噪声[8]，这些噪声由于未经处理，会使后续工作所需要的时间变多，且使得原来的视频中的信息描述不够准确，从而影响运动目标检测的结果。因此，噪声的存在使得运动目标检测这个过程变得缓慢且精度降低。所以减少这些噪声的工作非常有必要，不但可以加快处理速度而且可以提高检测精度。经过预处理的图像能够使随之而后的处理更为良好的运行，改善图像的显示效果。本章将对原始视频图像进行两步预处理工作，第一步为图像灰度化，第二步为图像滤波去噪。论文网

本文的开发研件平台为笔记本PC机，开发环境为windows10下安装的Microsoft visual studio2012软件开发环境以及开源计算机视觉库OpenCV3。0。

2。1图像的灰度化

都是目前主要的视频序列图像都是通过RGB颜色空间[9]描述而成的，像素点的颜色通过三原色在一定的比例下合成的。当图像被从彩色空间变到灰度空间后，尽管失去了色调和饱和度，并只需要通过一个表示亮度变量就可以描述时，它依旧能够正确描述初始视频图像中存在的信息，且需要进行的计算工作量只有原来的三分之一。在RGB空间中，图像需要通过三个分量来叠加成整幅图像，在RGB颜色空间下处理图片会使得许多计算重复无用。 OpenCV概率模型的运动目标检测算法研究(3):http://www.youerw.com/jisuanji/lunwen_125951.html