运动目标的检测与跟踪技术已有二十多年的研究历史，其在科技和工程方面都有着诱人的前景。研究人员已经提出许多关于运动目标检测和跟踪的算法，其中包括摄像机和目标都静止，摄像机静止目标运动，摄像机运动目标静止以及摄像机和目标都运动的情况[4]。由于实际生活中多是摄像机静止目标运动的情况，所以本文主要研究这种情况下运动目标的检测与跟踪。目前运动目标检测和跟踪的算法有：帧间差分法，背景差分法，光流法以及一些基于神经网络、滤波器和匹配的算法[5]。28883
1.帧间差分法
帧间差分法，从字面上理解，是不同的两帧图像之间作差。这不同的两帧既可以是相邻的两帧，也可以是隔两帧或三帧，具体相隔几帧要看实际的分割效果。由于这是基于不同图像在时间上的关系来检测的，故帧间差分法又称为时间差分法。具体步骤是将相邻两帧或多帧进行像素值作差，再用阈值分割法处理差值图像，最后得到背景和目标的二值图。计算流程如图1.1所示：

图1.1  帧间差分法具体步骤图
    帧间差分法是比较原始的一种算法，处理效果一般，检测出的目标周围经常会有拖影，所以这种方法现在已经基本不用。
2.背景差分法
    背景差分法是目前应用最广泛的一种运动目标检测算法，特别适用于背景静止的序列图像。实现方法为：
（1）先建立一个背景模型。若序列图像中有只含有背景的一帧或几帧图像，则可将这一帧或多帧取平均作为背景模板[5]；若都含有背景和目标，则需要对背景进行建模，建模方法包括单高斯模型和混合高斯模型。
（2）将新一帧图像与更新后的背景作差。
（3）将作差后的图像进行阈值分割，得到目标和背景分割后的二值图。
其工作流程如图1.2：1.2  背景差分法具体步骤图
3.光流法
光流法是把图像中的每一个点看成是在帧间运动的，就像光流一样。由于每个点在运动过程中灰度值可能会发生变化，所以光流就是该点灰度值随时间的变化率。图像背景所在的点灰度值的变化不大，光流较小；运动目标所在的点不确定，灰度值变化较大，故光流较大。通过对光流的大小设定阈值，将目标和背景分割开。光流算法的实现可以是基于梯度、匹配、能量、相位和神经动力学[6],其中应用最广泛的为基于梯度和匹配的算法。
基于梯度的算法又称微分法，包括经典的HS全局平滑算法，基于金字塔的LK局部平滑算法以及Nagel有向平滑算法[7]。
4.基于神经网络的方法
这种方法是把图像看成神经网络，将其分成许多个矩形块，每个矩形块对应一个五文的向量，包含这个矩形块的中心点坐标，矩形块中的灰度信息，以及矩形块中运动区域的位置信息等等[8]。然后用一系列线性代数和空间几何的知识对矩形块进行分类，最后输出运动目标的信息。
5.自适应滤波器法
用滤波器滤除当前帧图像和参考帧图像相同的部分（背景），保留变化的部分（运动目标）。这种方法在图像模糊和摄像机运动的情况下也适用。
6.匹配法
    常用的匹配法包括绝对平衡搜索法和归一化相关法[9]。 运动目标的检测与跟踪技术国内外研究现状:http://www.youerw.com/yanjiu/lunwen_23898.html