基于帧差法和背景差法改进融合的运动目标检测文献综述

一、选题背景和意义：

背景：运动目标检测是计算机视觉领域的基础，也是运动目标追踪、行为理解的关键。目前常见运动目标检测算法有：光流法、背景差法、帧差法。光流法利用序列图像中每个像素的矢量特征来检测运动区域，但是算法复杂计算量大耗时长，且只能适用于环境亮度亮度恒定不变与物体运动速度不快的情况；背景差法通过将建立的背景模型与待检测图像进行差分来提取运动目标，但是当背景不是完全静止或场景中光线变化时，容易出现误检与漏检；帧差法利用相邻两帧或若干帧进行差分计算来提取运动目标，算法复杂度低且能够适应光照变化，然而当目标运动速度过慢时易导致空洞、拖影现象。这些算法都各具优缺点，并且都有各自的适用场景。

意义：在上述算法的基础上，提出了一种基于帧差法和背景差法改进融合的运动目标检测算法，该算法能够有效抑制在光照变化的情况下背景差法出现的噪声以及帧差法产生的空洞效应，实现了两种算法的互补，能够快速完整地提取运动目标。

二、课题关键问题及难点：

1.帧差法与背景差法的目的相同，但是两者的原理、方法完全不同，需要找到具体合理的结合方法，实现两种算法的优势互补。

2.帧差分方法及分割阈值选择。常见帧差分法包括：两帧差分法、三证差分法、五帧差分法等。不同方法的特性以及适用环境不同，算法复杂度也不同，比如当视频序列中的目标运动速度较快时，采用两帧差分法检测出的目标会出现“重影”的现象，而采用三帧差分法可以检测出较为完整的运动目标，需要根据具体情况选择适宜的方法。同时帧差分方法的选择影响到计算量和整个算法的复杂度，而合适的阈值可以减少检测结果中背景噪声点的干扰。

3.背景差法的背景模型以及背景更新策略的选择。与帧差分法类似，背景差法中有不同的背景模型：固定背景法、平均背景法和高斯背景法。复杂的背景模型能够使提取的目标更准确，但是需要提前进行背景训练，同时也会增加计算量。模型的构建关键在于模型各参数的选择，而模型构建完成后还需要使用合适的更新策略，根据像素点的变化选择不同的更新率，使模型稳定。

4.去除噪声点。初步检测完成后，前景图像中会包含一些噪声点，需要使用形态学闭合或开启运算去除噪声点。

三、文献综述（或调研报告）：

1.国内研究情况。