2）光流法的主要任务是计算光流场，即在适当的平滑性约束条件下，根据图像
序列的时空梯度估算运动场，通过分析运动场的变化对运动目标和场景进行检测与分
割。光流法不需要预先知道场景的任何信息，就能够检测运动对象，可处理运动背景的情况，但噪声多、多光源、阴影和遮挡等因素会对光流场分布的计算结果造成严重影响；而且光流法计算复杂，很难实现实时处理。 　
　　3） 减背景法是一种有效的运动目标检测算法，其基本思想是背景的参数模型来近似背景图像的像素值，将当前帧与背景模型进行差分比较实现对运动目标区域的检测，其中区别较大的像素区域被认为是运动区域，而区别较小的像素区域则被认为是背景区域。背景减除法必须要有背景图像，并且背景图像要随着光照和外部环境的变化而实时更新，因此背景减除法关键是背景建模及其更新。针对如何建立对于不同场景的动态变化均具有自适应性的背景模型，研究人员已经提出许多背景建模算法[8]，总的来讲可以概括为非回归递推两类。非回归递推背景建模算法是动态的利用从某一时刻开始到当前一段时间内存储的新近观测数据作为样本来进行背景建模。非回归背景建模方法有最简单的帧间差分、中值滤波方法、Toyama等利用缓存的样本像素来估计背景模型的线性滤波器、Elgammal等提出的利用一段时间的历史数据来计算背景像素密度的非参数模型等。回归算法无需文持保存背景估计帧的缓冲区，它们是通过回归的方式基于输入的每一帧图像来更新某个时刻的背景模型。这类方法包括广泛应用的线性卡尔曼滤波法、Stauffer与Grimson提出的混合高斯模型。
1.3.2  难点问题
实际环境中光照变化、目标运动复杂性、遮挡、目标与背景颜色相似、杂乱背景[9]等都会增加目标检测与跟踪算法设计的难度，其难点问题主要在以下几个方面： 　　
1）背景的复杂性：光照变化引起目标颜色与背景颜色的变化，可能造成虚假检测与错误跟踪。采用不同的色彩空间可以减轻光照变化对算法的影响，但无法完全消除其影响；场景中前景目标与背景的相互转换，与行李的放下、拿起，车辆的启动与停止；目标语背景颜色相似时会影响目标检测与跟踪的效果；目标阴影与背景颜色存在差别通常被检测为前景，这给运动目标的分割与特征提取带来困难。 　　
2）目标特征的取舍：序列图像中包含大量可用于目标跟踪的特征信息，如目标的运动、颜色、边缘以及纹理等。但目标的特征信息一般是时变的，选取合适的特征信息保证跟踪的有效性比较困难。 　　
 
3）遮挡问题：遮挡是目标跟踪中必须解决的难点问题。运动目标被部分或完全遮挡，又或是多个目标相互遮挡时，目标部分不可见回造成目标信息缺失，影响跟踪的稳定性。为了减少遮挡带来的歧义性问题，必须正确处理遮挡时特征与目标间的对
应关系。大多数系统一般是通过统计方法预测目标的位置、尺度等，都不能很好地处理较严重的遮挡问题。 　　
4）兼顾实时性与鲁棒性：序列图像包含大量信息，要保证目标跟踪的实时性要求，必须选择计算量小的算法。鲁棒性[10]是目标跟踪的另一个重要性能，提高算法的鲁棒性就是要使算法对复杂背景、光照变化和遮挡等情况有较强的适应性，而这又要以复杂的运算为代价。
1.4  论文的主要内容及工作安排
第一章介绍了智能视频监控；智能监控技术研究的内容；运动目标检测及其方法；研究现状及存在的问题。
第二章主要介绍了MATLAB GUI界面编程，GUI设计规范以及GUI设计的实现。 Matlab可见光热红外视频目标融合检测软件设计与实现(4):http://www.youerw.com/zidonghua/lunwen_2944.html