1.3.2  论文的章节安排
    本论文共4章，每章内容安排如下：
     第1章 介绍了论文的课题背景和研究意义，对视频运动目标检测与跟踪的研究现状进行介绍，最后对本论文的研究内容及各章内容安排进行说明。
    第2章 提出一种基于积累差异背景建模的视频运动目标检测技术。本章的内容包括背景减法、积累差异背景建模、Otsu阈值化法、目标轮廊提取、区域生长法目标分割、目标关联和目标跟踪等的原理。
第3章 介绍了根据第二章的理论，使用Matlab平台实现视频运动目标的检测与跟踪。本章给出算法平台测试框架、算法框架、实验结果及分析。
第4章 对本论文进行总结。
2  基于积累差异的视频运动目标检测
    视频运动目标的主要特征是与背景有着不一致的运动，因此，必须利用某些类型的运动信息：如光流场、变化检测或差分图像[7]。差分图像是用来检测帧间运动或变化的常用形式，可以是邻帧图像的差分，也可以是当前帧与建模背景图像的差分，分别称为帧间差和背景差。目前利用差分图像检测前景与背景的方法有阈值化法、基于假设检验的统计算法、高阶统计法等。在静态场景下，实时自动地检测视频运动目标的难点有[8]：①对复杂场景快速准确的背景建模；②环境变化及噪声容易影响算法的鲁棒性；③检测算法通用性较差，复杂的检测算法满足不了实时应用的要求；④多视频运动目标的实时检测及跟踪对算法提出了更高的要求。
图2.1  运动目标检测与跟踪处理流程
    本章首先介绍背景减法原理，然后提出了一种基于积累差异信息的背景建模方法，接着基于该背景建模方法，给出了一种实用的视频运动目标检测与跟踪技术，处理流程如图2.1所示。
2．1  背景减法
2.1.1  背景减法原理  
    背景减法，或叫背景差法，是目前运动检测中的主流方法，它是利用含有运动目标的当前图像与背景图像的差分来检测运动区域的一种技术。
    背景减法基本思想是：首先，用事先存储或者实时得到背景图像序列为每一个像素进行统计建模，得到背景模型Bk，将当前含有运动目标的图像帧fk和背景建模Bk相减，即公式（2.1），其中Dk为作差后的结果；其次，将计算结果在一定阈值T限制下进行二值化，如公式（2.2），判断出当前图像中出现的偏离背景模型值较大的那些像素，则为出现的运动目标像素，其中Rk为含有目标的二值化图像。由于运动物体和背景在灰度或色彩上存在差别，相减，阈值操作后得到的结果直接给出了目标位置,大小，形状，等，从而得到完整的目标信息[7]。
    
2.2.1  背景模型及更新
     背景建模是背景减法的核心，背景建模的好坏直接确定背景减法技术的质量。一种典型的背景建模方法是用高斯混合模型(GMM:Gaussian Mixture Medels)描述背景图像像素值分布，在目标检测过程中判断图像的当前像素值是否符合该分布[6]，若是被判为前景点，否则为背景点。同时根据新获取的图像，对背景图像参数进行自适应更新。GMM背景建模方法能够可靠处理光照变化、背景混乱运动的干扰以及长时间的场景变化等。Karmann等和Kilgerl提出一种基于卡尔曼滤波的自适应背景模型；视觉监控系统W，利用最小、最大强度值和最大时间差分值为场景中的每个像素进行统计建模，并对模型进行周期性的更新[8]。
    在复杂环境的视频运动目标的检测问题中，由于不论在室内还是室外，随时有很多引起背景变化的情况产生，这些变化可能影响一部分背景，也可能影响整个背景，因此，需要用于比较的背景模型能实时更新，以适应这些改变。根据背景变化产生的原因，可将这些变化分为以下3类[5]： Matlab视频中的运动目标检测方法研究(3):http://www.youerw.com/tongxin/lunwen_4933.html