运动目标检测的相关技术是目标识别与跟踪中的必要技术支持之一，直接影响到之后是否能精确地对目标进行识别和跟踪以及特征提取。运动目标跟踪检测技术主要有两种比较常用的方法分别是基于运动分析和基于匹配的方法。27099
1  基于运动分析的目标检测方法
简单叙述，此方法即基于运动分析的运动目标检测技术通过某种算法将视频转化成图像序列，然后把图像中的前景图像从区域中检测和提取出来，滤除静止的背景图像的影响，最后得到的前景图像作为我们检测出的运动目标[1]。
对于单兵制导火箭弹目标检测，主要涉及基于图像序列的目标检测技术，其主要目的是将图像序列中的目标进行检测并且分离提取出来，供单兵制导火箭弹后续的识别和跟踪待攻击目标。
基于视频序列的运动目标检测，国内外学者进行了许多研究，主要产生了如下三种基本的方法：基于背景差分的方法、基于光流场的方法、基于帧间差分的方法[1-5]。论文网
背景差分法[2-4]操作相对简单、计算量相对较小，是目前目标检测算法中使用较多的一种算法。可以将当前帧图像的灰度值减去背景图像的灰度值得到的新图像的灰度值与所选阈值相比较，从而得出前景图像。对比于其它检测方法，背景差分方法可以给出更完整的特征等数据信息，技术难度较低、实时响应性优良，然而在现实使用的情况下（如战场使用）受环境的变化比如光线强度改变、环境的波动、噪声等各种干扰的影响较大，导致背景模型图像不稳定。现今很多研究学者正在研究建立一些抗干扰的背景差分模型，主要是为了使算法中的背景模型能够实时得以更新从而降低对动态场景环境等变化的敏感度，提高该方法的抗干扰能力。在此类方法中，阈值大小的选择对目标检测出的质量影响巨大，选择合适的阈值是此方法成功的关键之一。所以，建立一种能够自我适应的背景差分模型并且选择恰当的阈值成为了背景差分法的主要研究重点[3]。有些学者对背景差分法进行了相关改进，如Elgammal[3]提出的核密度估算法，Kalman滤波法，基于动态阈值的背景差分法以及哈尔滨工业大学计算机科学与技术学院的陈凤东、洪炳镕提出的基于动态阈值的背景差分算法以及相关联的对图像进行滤波处理的算法和分离提取目标的区域中心求解算法[4]等。
20世纪五十年代，Gibson[5]等研究者们给出了SFM假设，认为立体三文空间的目标运动数据可以由平面光流场复原出来[2]。这成为了光流法的雏形。但该算法正真成形的时间则到了1980年，Horn，Schunck等[6]引入光流场约束的方程将平面速度场与图像灰度联系。随后光流算法不断发展。已经发展出的光流算法主要分为如下三类：基于匹配的方法、频域的方法以及梯度的方法。使用此方法检测出的运动目标结果包含了许多数据信息，包括所检测目标的运动信息和与物体运动以及景物立体结构相关联的数据信息，甚至当检测者运动时，该方法仍可以检测并提取出运动目标，对于目标的运动速度也可以准确计算；同时对于旋转、非刚体的运动等运动的目标也能检测出来。在现实使用过程中，光流场以及运动场不一定一致、孔径、外界光线强度改变等多种干扰的综合影响，导致在使用光流场计算公式时难以保证之前的假设条件，以至于难以正确解出光流场。同时相对于其他方法，大部分的光流算法相对比较繁琐，抵抗噪声干扰的能力较差，相比于背景差分法实时性差，因此使用光流算法检测运动的目标时通常需要一定的硬件条件来支持协助计算。
使用帧间差分[6-8]的检测方法先对视频序列中连续的两幅或者多幅图像对应的像素灰度值做差，接着把得到的差分值与所选阈值进行比较并判断，然后提取出运动的区域。例如Lipton[6]等学者使用相邻两帧的帧间差分法将运动目标从图像序列中分离出来，并且能够跟踪后续的运动目标；为了进一步提升检测的效果，VSAM通过将自适应的背景差分法与三帧差分法结合，大大提升了运动目标检测的快速性与有效性，成功的提高了系统的检测效果[6]。国内学者中南京航空航天大学自动化学院邬大鹏，程卫平，于盛林[7]课题组针对Camshift算法的局限性，通过采用帧间差分法和运动估计相融合的方法来对Camshift算法予以改良。首先在使用帧间差分法将目标的运动信息加入颜色概率分布图，滤除周围环境颜色干扰后达到跟踪的目的[7]。之后预测目标的位置，调整搜索窗口，从而可以实现运动速度较高目标的追踪。一些试验证明这种方法对于高速运动或者有遮挡的目标，仍可以有效的跟踪。 目标检测技术国内外研究现状和发展趋势:http://www.youerw.com/yanjiu/lunwen_21491.html