运动目标的检测这个课题在国内外已经有很长一段时间的研究了，随着图像处理等技术的不断发展，运动目标的检测技术也随之变得更加完善起来。目前，已有许多不错的方法可以提取到不错的前景图像了。运动目标的检测在车辆的检测系统中属于比较关键的问题，提取视频图像中的运动目标时，背景对象对于前景目标的识别十分重要，所以该技术的关键就是背景目标的建模。62262

建模的基本思想是从当前帧提取背景，这样做可以让背景与当前帧的背景之间的差异尽量的小，目前一些经典的算法中，如背景减除法，它把视频图像中当前帧的图像作为背景图像，之后把这个背景图像与当前帧的图像进行差分，可以得知视频中运动的目标。背景减除法中最关键的地方就是背景模型的建立，模型的好坏将对检测结果起到很大的影响。其中，高斯混合模型算法是一个最为成功的建模方法之一，于1998年被Stauffer等人第一次运用到运动目标的检测研究中。文献[1]中运用高斯混合模型给每个像素建立模型，利用线性逼近来更新背景模型，来处理实时视频检测。在这之后的一段时间里，由于该算法的检测效果比较好，同时适应多种背景的变化，且鲁棒性表现很好，被推崇为经典算法。但是，由于运动目标的阴影也会被检测为运动对象，还有树叶晃动，光线的突然变化等问题，高斯混合模型不能很好地检测运动对象，于是，有些方法则是在基于高斯混合模型方法的基础上论文网，进行了改进，文献[5]中通过采用新的权值和方差，对传统高斯混合模型运行中，目标阴影长期存在的问题进行了改进，实现了对于阴影消除和计算速度上的提升。

而在近年来的研究中，为了在不同环境的环境中提取到更好的目标前景图像，研究人员开始利用混合的方法来取长补短，文献[6]中就提出了将连续帧间差分和背景差分相融合的方法来进一步提高运动目标检测的准确性，其通过连续帧间差分法获得连续帧差图像，分别用自适应滤波和中值滤波获得背景图像进行差分，之后利用阈值分割技术实现运动目标的增强，有效地检测到了之前可能无法检测到的目标图像。文献[7]中则提到了运用单高斯背景模型和支持向量机法来对运动目标进行分类的想法，结合单高斯背景模型，胡矩，面积，欧拉数和支持向量机来提高运动目标的分类比。文献[9]中，尝试了将高斯混合模型法和支持向量机法结合使用的想法，针对传统高斯混合模型法对于前景图像分割效果不理想的问题，现将视频图像通过高斯混合模型做初步的二值化分割，之后将图像用训练好的支持向量机进行像素分类，从而获取到对应的前景和背景，最后将分割的模块与高斯混合模型的分割结果作与运算，得到最终的分割结果，大大减少了对前景图像的分割错误，提高了图像质量。

与国外的发展相比，国内在这方面的研究起步较晚，在近几年中，运动目标分析技术逐渐得到发展，也取得了一些不错的成果。但就目前的研究成果来看，现存的检测方法只能用于简单背景的检测中，随着背景的复杂化，不能很好地进行有效检测，很难运用于实际中，需要进一步的研究来形成一套能适用于实际中的理论及算法体系。

目前，国际上对运动目标检测的主要方法包含背景减除法，光流法，帧差法等，此外基于以上方法，一些学者改进后得出了新的方法。