2.1.2 光流法
    我们定义光流为图像中模式的运动速度[19]。光流场不仅包括观测目标的运动信息，但也有关于景物的三文结构信息，可用于确定观察者和被观察目标相对运动情况。
上世纪八十年代，Horn和Schunck第一次提出了光流法的计算方法。他们介绍了光流本身平滑约束条件，也就是俗称的一阶的梯度法。以光流算法为基础的运动检测是利用所述移动物体随时间的变化的光流特性，并通过光流计算运动。光流场算法优点在于可以直接用于原始图像，一般不需要对原始图像进行预处理。其另一优势在于即使在运动摄像条件下也可以检测出运动目标。然而缺点也是明显，那就是计算方法是十分复杂的，对程序和硬件条件要求较高，而且鲁棒性差，易受噪声等干扰[20]。
2.1.3 背景减除法
    背景减除法的核心是建立背景参数模型，并将其作为当前背景图像的像素，背景参数模型的好坏直接影响着算法的准确性。然后将拍摄到的图像像素与建立好的背景模型像素相比较，与背景像素差别小的作为图像的背景部分，与背景像素差别大的作为前景部分[21]。在算法中将当前像素减除背景像素来处理图像，所以背景减除法的前提是获得背景图像。如果背景经常变化时，需要实时更新背景参数模型，该方法的核心问题就是背景模型的建立和更新。不同于帧差法，该方法不会因为目标运动过快或过慢而产生比较大的误差。但是这方法需要保证背景变化较小，尤其对干扰，如光照、阴影等十分敏感。常见的背景建模和更新方法如下：直方图法、平均法，高斯均值，时域平均滤波，混合高斯模型，核密度估计等。
2.1.4 边缘检测法
边缘检测实际上是利用一定的算法提取图像中目标和背景之间的交界处的分界线。我们将图像中灰度变化显著的区域边界定义为边缘[22]。图像的梯度密度分布能反映出图像的灰度变化，常用的边缘检测法是在图像中的一个小区域内的像素构造边缘检测算子。其中图像梯度计算如式(2-3)所示：
                                        (2-3)      
    在(2-3)式中 表示灰度信息， 的梯度为 ， 可以作为边缘算子，通常我们也把 近似为 和 的绝对值之和。
 许多算法都是基于这些理论的提出的；一些常用的边缘检测算子：罗伯茨算子边缘检测，Sobel算子边缘检测，Prewitt算子边缘检测，Canny算子边缘检测，拉普拉斯算子边缘检，等等[23]。不同的算子在不同的算法中各有差异，其复杂性和检测效果也有所不同，在实际应用过程中需要根据具体情况选择算子。实际上，边缘检测算子在本质上是一个高通滤波器，它的主要作用是增强边缘同时滤去边缘的高频噪声。
2.2 常用的特征提取算法
    识别检测的性能主要在于所选取的特征算法，目前较为常见的特征检测有：Haar-like特征、SIFT特征、HOG特征等。
2.2.1 Haar-like特征算法
     Haar特征最开始的时候被Papageorigiou等人用于人脸描述，是一种常用的特征描述子。目前常用的Haar-like特征可以分为三类：边缘特征、线性特征、点特征、对角线特征 航空时敏制导炸弹末端时敏目标的检测(3):http://www.youerw.com/jixie/lunwen_10683.html