首先，取出相减后的图像的一切位置的目标图像，进行判断和识别。将低于某个阈值的像点取为零，由此可以大大减少背景所带来的影响。但是一些高频的背景区域是很难去掉的，虽然人脑是可以很快发现的，但对于计算机而已并不容易实现。其可对单一目标的轨迹进行特定的探测，但是对多个目标就不试用了。

其次，把图像分区，求出每个区域的重心和重量。阈值在经过过滤后，基本可以去掉背景区域，多个目标区域的重心变化可以被显示出，从而显示出多个目标的运动轨迹。通过该方法，目视效果被大大改善了，但是它给出的是一组数据，不能直接应用于绘出运动轨迹和反馈控制。

然后，对局部重心分类和组合。将相邻的子块连通成一组，即可求出该组的重心，从而得到一个目标的重心。从物理学角度来讲，多个目标在空间上是分割开来的，那么他们所占的局部重心在空间也是相互分开的，这样就求出了各个目标各自的重心。把M×N的图像分为Mb×Nb个子块，依次求出(u,v)位置子块的重心位置坐标Xb(u,v)、Yb(u,v)和重量Gb(u,v)。设Sb(u,v)是(u,v)位置子块的群组属性值。以子块的平均重量为依据，设定阈值G0，对Sb(u,v)分类。当Gb(u,v)小于阈值时，Gb(u,v)和Sb(u,v)置为零，否则给Sb(u,v)分配一个不相重的非零值。上述处理进行之后，重量不为零的相邻子块取相同的群组属性值。那么群组属性值相同的子块属于同一群组。文献综述

最后，以群组为单位，求出该群组内子块的合并重心位置坐标和平均重量，即为各自目标的位置和重量。少数背景变化大的背景区域也极有可能是一个群组，但是与运动目标的行为有着极大的差别，可以通过其他参数删除。

4. 背景的处理

4.1. 背景模型的建立

背景图像difference法是基于背景静止的情况下，但在实际情况下，背景并不可能是完全静止的，背景会根据照明和天气因素的变化而变化。背景的变化给目标检测带来了很大的困难，因此，对背景图像进行实时更新是非常有必要的。对视频中的某个像素(x,y)定义其分布模型，设在t时刻，该像素取值的集合为{X1，X2，……Xt}={I(x0,y0,i)，1≤i≤t}，其中I为视频帧。如果用K个Gaussian分布模型来近似该像素的所有历史值，那么我们观察到的当前像素的概率为：

                         （式4.1）

其中，ωi,t是t时刻的第i个Gaussian模型的权值，满足条件， 它的大小是当前用该Gaussian模型表示像素值时的可靠程度的体现。μi,t和∑i,t分别是t时刻第i个Gaussian模型的均值和协方差，K为Gaussian模型的个数。η是高斯密度函数，其定义为：

              （式4.2）

4.2. 背景模型的更新

假如没有与新输入的像素值相匹配的Gaussian模型，则把Gaussian模型中权值最低的Gaussian分布去掉，并依据新输入的像素值引入一个新的Gaussian分布：以当前的像素亮度值作为平均值μ，并赋以较大的方差∑和较小的权值ω。对于匹配的Gaussian模型来说，在t时刻的k个Gaussian分布的权值做以下的更新：源.自/优尔·论\文'网·www.youerw.com/

                             （式4.3）

                     （式4.4）

Mk,t是匹配检测算子。其中，α是权值更新率，是用来表示背景更新快慢的常数。当权值被更新后,还必须对权值重新进行标准化操作，使其符合条件 ，对于权值的标准化操作可以按如下公式进行：