随着智能机器人的不断发展，机器人帮助人们完成了大量的复杂工作。智能机器人要完成工作，需要先采集和处理数据，而更多的数据会是多媒体数据，例如图像等。检测运动目标又是图像处理中的一个重要分支，它也成为了近几年来视觉系统中的一个热门研究对象。20048
图像处理在日常生活或是在军事领域的许多方面都有着广泛应用。在交通上，它可以用来检测车流和速度以及人流的密度，进而对每个时间点进行限制。在医学上它可以提高检验的准确性，也可以用于生物组织的形态与活动检测。在气象学上，它可以预测云的趋势等等。军事领域中，可以对目标区域进行多目标追踪，导弹轨迹预判等[2]。不仅如此，它代替人工，在许多高危场所进行检测，例如火灾现场，或是有毒有害场所。
运动目标的检测是目标分类、跟踪的基础，它主要是为了实现将运动的目标由视频图像中提取出来，进而获得目标的特征如大小，形状，颜色等。整个提取的过程就是图像的分割，而它的检测过程便是在视频图像序列中寻找差异[3-4]。
目前，对运动目标检测主要包含摄像机静止和摄像机运动两种情况，在摄像头静止时，需要提取出环境中的静止目标（作为背景）和运动的目标（作为前景）。在摄像头运动时，需要分析出运动物体周围像素点的速度矢量与特征。
检测运动目标的算法主要有三种：
1.背景差分法[5]:此类方法最简单也是最基本的图像处理操作，它可以提供最详细的特征数据，但是当考虑到周围像素时，它所需要的内存和计算量就会成倍增加，在周围环境变化较大时它将会被较大影响。
2.帧差法[6]:此类方法方法和运算简单，只对物体敏感对光照不敏感不需考虑背景缓变影响。缺点则是无法检测出静止或运动速度过慢的物体，若物体内部灰度均匀则可能在目标重叠部分形成较大的空洞。
3.光流法[7]这类算法可以独自检测独立运动的对象，不需要预知场景任何信息，但是它的运算量相当庞大，计算也十分复杂、
虽然这三种传统算法是当今的主流算法，每一种方法都有着不同的优势，但是同样它们依然都有着诸多缺陷需要去改进，例如帧差法无法检测出与背景灰度值相近的物体，背景差分又需要不停的更新与建立背景。对当今社会而言，目标检测应用也是越来越广泛，也正是这样，对算法各个方面上都有了越来越高的要求。更可靠，更精确，更实时成为了这一研究领域的热门话题，问题也接踵而来。 运动目标的检测国内外研究现状:http://www.youerw.com/yanjiu/lunwen_11679.html