下载文档原格式
目标跟踪算法在智能监控系统中的研究与应用随着科技的不断发展，智能监控系统在各个领域得到了广泛的应用，尤其是在安防行业中。
而目标跟踪算法作为智能监控系统中的重要组成部分，对实现监控系统的高效运行具有至关重要的作用。
本文将对目标跟踪算法在智能监控系统中的研究与应用进行探讨。
目标跟踪算法主要通过对视频图像中的目标进行跟踪，并在不断变化的场景中实时更新目标的位置信息。
在智能监控系统中，目标跟踪算法能够通过对目标的准确跟踪，实现对可疑行为的及时发现和报警。
因此，目标跟踪算法的研究与应用对于提高智能监控系统的效能至关重要。
目前，目标跟踪算法主要分为传统的视觉跟踪算法和深度学习算法两种类型。
传统的视觉跟踪算法主要通过颜色特征、纹理特征、轮廓特征等对目标进行跟踪。
这种算法的优点是计算速度较快，对处理器要求较低，但是在复杂场景下容易受到干扰，跟踪效果不够稳定。
而深度学习算法则通过卷积神经网络对目标进行特征提取和分类，具有较高的准确性和稳定性，但是计算复杂度较高，对硬件要求较高。
在智能监控系统中，目标跟踪算法主要包括以下几个方面的研究与应用。
首先是运动目标检测与跟踪。
运动目标检测与跟踪是目标跟踪算法的基础，其通过分析视频图像序列中目标的位置变化，对目标进行跟踪并实时更新目标的位置信息。
对于目标跟踪算法而言，准确的目标检测是关键，只有准确定位到目标位置，才能进行后续的跟踪工作。
其次是目标特征提取与描述。
目标特征提取与描述是目标跟踪算法的核心，它通过对目标图像的特征进行提取和描述，将目标从背景中分离出来，并进行唯一标识。
传统的目标特征提取方法主要包括颜色特征、纹理特征、边缘特征等，而现代的深度学习算法则通过卷积神经网络从图像中提取目标的高层语义特征。
目标特征的准确提取和描述是实现目标跟踪的关键一步，对于不同的应用场景需要选择合适的特征提取方法。
此外，目标跟踪算法还需要解决部分目标遮挡、光照变化、运动模糊等问题，以提高跟踪的准确性和鲁棒性。
《智能监控系统中运动目标的检测与跟踪》篇一一、引言随着科技的不断进步，智能监控系统在安全、交通、医疗等领域得到了广泛应用。
其中，运动目标的检测与跟踪是智能监控系统中的关键技术之一。
本文旨在深入探讨智能监控系统中运动目标的检测与跟踪方法及其应用。
二、运动目标检测技术1. 背景与意义运动目标检测是智能监控系统的基础，其目的是从视频序列中提取出感兴趣的运动目标。
该技术对于后续的目标跟踪、行为分析、目标识别等具有重要意义。
2. 常用方法（1）基于帧间差分法：通过比较视频序列中相邻两帧的差异，检测出运动目标。
该方法简单有效，但易受光照变化、噪声等因素影响。
（2）基于背景减除法：利用背景模型与当前帧进行差分，从而提取出运动目标。
该方法对动态背景具有较好的适应性，但需要预先建立准确的背景模型。
（3）基于深度学习方法：利用深度学习技术对视频进行目标检测，如基于卷积神经网络的目标检测算法。
该方法具有较高的检测精度和鲁棒性。
三、运动目标跟踪技术1. 背景与意义运动目标跟踪是在检测出运动目标的基础上，对其在连续帧中的位置进行估计和预测。
该技术对于提高监控系统的实时性和准确性具有重要意义。
2. 常用方法（1）基于滤波的方法：如卡尔曼滤波、粒子滤波等，通过建立目标运动模型，对目标位置进行预测和更新。
（2）基于特征匹配的方法：利用目标的形状、颜色等特征，在连续帧中进行匹配，从而实现目标跟踪。
（3）基于深度学习的方法：利用深度学习技术对目标进行识别和跟踪，如基于孪生神经网络的目标跟踪算法。
该方法具有较高的跟踪精度和鲁棒性。
四、智能监控系统中运动目标检测与跟踪的应用1. 安全监控领域：通过智能监控系统对公共场所、住宅小区等进行实时监控，及时发现异常情况，提高安全性能。
2. 交通管理领域：通过智能监控系统对交通流量、车辆行为等进行实时监测和分析，为交通管理和规划提供支持。
3. 医疗领域：在医疗领域中，智能监控系统可以用于病人监护、手术辅助等方面，提高医疗质量和效率。
视频监控中的目标行为分析与异常检测方法研究摘要：随着视频监控技术的发展和应用的普及，如何对监控视频中的目标行为进行准确分析和异常检测成为了研究的热点之一。
本文综述了目标行为分析和异常检测在视频监控中的重要性和应用场景，然后介绍了几种常用的目标行为分析和异常检测方法，并对比分析其优缺点。
最后，展望了未来视频监控中目标行为分析和异常检测方法的发展方向。
1. 引言随着技术的进步和社会安全意识的提高，视频监控系统在各种环境中得到了广泛应用，如公共场所、交通系统和工厂等。
目标行为分析和异常检测作为视频监控系统中的关键技术，对于提高监控系统的效率和准确性具有重要意义。
2. 目标行为分析目标行为分析是指通过对监控视频中目标的行为进行分析和识别，来实现对目标行为的理解和预测。
常见的目标行为分析方法包括运动轨迹分析、运动目标检测和跟踪、行为识别和行为建模等。
运动轨迹分析是通过分析目标在视频帧序列中的运动轨迹来推断目标的行为模式，常用的方法包括光流法和背景差分法。
运动目标检测和跟踪是通过对视频中的移动目标进行检测和跟踪，以获得目标的位置和运动信息。
行为识别是将目标的行为分类为不同的行为类别，常用的方法有基于特征的方法和基于模型的方法。
行为建模是通过对目标行为的建模和训练，以实现对新的目标行为的识别和预测。
3. 异常检测异常检测是指在目标行为分析的基础上，通过与正常行为模式进行比较，识别出视频中出现的异常行为。
常见的异常检测方法包括基于规则的方法、统计学方法和机器学习方法。
基于规则的方法是通过事先定义一系列的规则或规则模板，对采集到的视频进行匹配和判断。
统计学方法是通过对目标行为进行统计分析，建立正常行为模型，并通过比较实际行为与模型的差异来识别异常行为。
机器学习方法是通过对大量训练样本进行学习和建模，来实现对新样本的异常检测。
4. 目标行为分析与异常检测方法的比较分析不同的目标行为分析和异常检测方法各有优劣，选择合适的方法应根据具体的应用场景和需求来决定。
视频监控中的运动目标检测与跟踪随着科技的不断发展，视频监控系统在我们生活中起到了越来越重要的作用。
其中，运动目标检测与跟踪是视频监控系统中的关键技术之一。
本文将详细介绍视频监控中的运动目标检测与跟踪的原理和应用。
在视频监控系统中，运动目标指的是图像序列中不断变化的区域，例如人、车辆等。
而运动目标检测与跟踪则是指在视频中自动识别和跟踪这些运动目标的过程。
首先，运动目标检测是指在视频序列中找出运动目标所在的位置。
常见的运动目标检测算法包括帧间差、光流法和背景建模等。
帧间差方法通过比较连续帧之间的像素差异来检测目标的运动。
光流法则利用像素间的灰度变化来估计运动目标的移动。
背景建模则通过建立静止背景图像来检测运动目标。
其次，运动目标跟踪是指在检测到的运动目标中，跟踪其运动轨迹并实时更新位置信息。
常见的运动目标跟踪算法包括卡尔曼滤波器、粒子滤波器和相关滤波器等。
卡尔曼滤波器通过预测和观测更新的方式来估计目标的位置。
粒子滤波器则通过在候选区域中采样来估计目标的位置。
相关滤波器利用目标模板和候选区域之间的相关性来跟踪目标。
在实际应用中，运动目标检测与跟踪技术被广泛应用于视频监控系统中。
首先，它可以用于实时监测人员和车辆的行为，以便及时发现异常情况。
例如，当有人携带危险物品进入监控区域时，系统可以立即发出警报并采取相应措施。
其次，它可以用于交通管理系统中，监测交通流量和违规行为。
例如，当有车辆逆向行驶或超速行驶时，系统可以自动拍摄照片或录像作为证据。
此外，运动目标检测与跟踪技术还可用于视频分析和智能监控系统中，为用户提供更加智能的安防服务。
然而，运动目标检测与跟踪技术也存在一些挑战和局限性。
首先，复杂的背景和光照变化会对运动目标检测产生干扰。
例如，当目标混杂在复杂的背景中时，算法往往会出现误检测现象。
其次，目标遮挡和形状变化也会对运动目标跟踪产生困难。
例如，当目标部分被其他物体遮挡时，算法往往会失去目标的轨迹。
《智能监控系统中运动目标的检测与跟踪》篇一一、引言随着科技的不断进步，智能监控系统在各个领域得到了广泛的应用。
其中，运动目标的检测与跟踪是智能监控系统中的关键技术之一。
本文将详细介绍智能监控系统中运动目标的检测与跟踪技术，包括其基本原理、实现方法、应用场景以及面临的挑战和解决方案。
二、运动目标检测技术1. 背景介绍运动目标检测是智能监控系统中的第一步，它的主要任务是在视频序列中准确地检测出运动目标。
运动目标检测的准确性与实时性直接影响到后续的跟踪、识别、分析等任务。
2. 基本原理运动目标检测的基本原理是通过分析视频序列中的像素变化来检测运动目标。
常见的运动目标检测方法包括帧间差分法、背景减除法、光流法等。
其中，背景减除法是目前应用最广泛的方法之一。
3. 实现方法背景减除法通过建立背景模型，将当前帧与背景模型进行差分，得到前景掩膜，从而检测出运动目标。
实现过程中，需要选择合适的背景建模方法、更新策略以及阈值设定等。
三、运动目标跟踪技术1. 背景介绍运动目标跟踪是在检测出运动目标的基础上，对其在连续帧中的位置进行估计和预测。
运动目标跟踪对于实现智能监控系统的自动化、智能化具有重要意义。
2. 基本原理运动目标跟踪的基本原理是利用目标在连续帧中的相关性，通过一定的算法对目标进行定位和跟踪。
常见的运动目标跟踪方法包括基于滤波的方法、基于特征的方法、基于深度学习的方法等。
3. 实现方法基于深度学习的运动目标跟踪方法是目前的研究热点。
该方法通过训练深度神经网络来学习目标的外观特征和运动规律，从而实现准确的跟踪。
实现过程中，需要选择合适的神经网络结构、训练方法和损失函数等。
四、应用场景智能监控系统中的运动目标检测与跟踪技术广泛应用于各个领域，如安防监控、交通监控、智能机器人等。
在安防监控中，该技术可以实现对可疑目标的实时监测和报警；在交通监控中，该技术可以实现对交通流量的统计和分析，提高交通管理水平；在智能机器人中，该技术可以实现机器人的自主导航和避障等功能。
视频运动目标检测方法研究与分析视频运动目标检测是计算机视觉领域的一个重要研究方向，它广泛应用于智能视频监控、交通流量统计、自动驾驶、医学图像分析等领域。
目标检测任务的难度主要在于在不同场景下，不同光照条件下，物体会呈现出不同的外观变化，同时还存在图像噪声、遮挡、部分遮挡等问题，这些因素都会对目标检测结果造成干扰。
一、传统视频目标检测方法1. 基于帧间差分法帧间差分法是电子监控领域最早使用的目标检测算法之一，其基本思路是将相邻两帧图像进行相减得到差值图，然后根据设定的阈值进行像素分类。
若差分结果大于阈值，则判断该像素点为运动像素点；反之，若差分结果小于阈值，则认为该像素点是背景像素点。
帧间差分法简单易行，速度较快，但由于只考虑了像素值的变化，无法区分运动目标和噪声或背景像素，且当目标的运动速度较慢、光照条件发生变化时，容易产生误检测。
2. 基于背景建模法背景建模法是一种通过学习并建模背景图像来实现目标检测的算法。
该方法常用的技术有Mixture of Gaussian（高斯混合模型）、Self-Organizing Background Subtraction （自组织背景减法）等。
Mixture of Gaussian方法建立了一个高斯混合模型来对背景进行建模，通过计算像素值与模型高斯分布之间的距离来判断像素点是否属于背景。
该方法在处理室外环境下的背景建模效果优异，但在室内环境下易受到光照变化和阻挡干扰，容易产生误检测。
二、深度学习相关方法在深度学习技术的快速发展下，深度神经网络被广泛应用于目标检测任务中。
1. R-CNN方法系列R-CNN方法系列是一种基于卷积神经网络的目标检测算法。
其主要思路是将输入图像划分为多个候选框，然后通过卷积神经网络对每个候选框进行特征提取。
最后，通过SVM分类器和回归器来计算候选框的置信度和坐标信息，以确定目标类别和位置。
R-CNN方法系列在目标定位和分类任务上取得了不错的效果，但缺点是算法速度较慢，不适用于实时应用场景。
《智能监控系统中运动目标的检测与跟踪》篇一一、引言随着科技的快速发展，智能监控系统在各个领域得到了广泛应用。
其中，运动目标的检测与跟踪是智能监控系统的核心技术之一。
本文将详细探讨智能监控系统中运动目标的检测与跟踪技术，包括其基本原理、应用场景、算法实现以及面临的挑战和未来发展方向。
二、运动目标检测与跟踪的基本原理运动目标检测与跟踪是利用计算机视觉和图像处理技术，从监控视频中提取出运动目标，并对其进行连续跟踪的过程。
其基本原理包括运动目标检测、特征提取、目标匹配与跟踪等步骤。
1. 运动目标检测：通过分析视频序列中的像素变化，检测出运动目标。
常用的方法包括背景减除法、光流法、帧间差分法等。
2. 特征提取：从检测到的运动目标中提取出有用的特征信息，如形状、颜色、纹理等。
这些特征信息将用于后续的目标匹配与跟踪。
3. 目标匹配与跟踪：利用提取的特征信息，在连续的视频帧中对运动目标进行匹配与跟踪。
常用的算法包括基于滤波的方法、基于模型的方法、基于深度学习的方法等。
三、运动目标检测与跟踪的应用场景运动目标检测与跟踪技术在智能监控系统中有着广泛的应用场景。
以下是几个典型的应用场景：1. 交通监控：通过检测与跟踪道路上的车辆和行人，实现交通流量统计、违章行为识别等功能。
2. 公共安全：在公共场所安装监控系统，实时检测与跟踪可疑人员，提高安全防范能力。
3. 智能安防：通过检测与跟踪家庭或企业的出入人员，实现智能安防报警功能。
4. 体育赛事：在体育赛事中，通过检测与跟踪运动员的轨迹，为教练员提供实时数据分析，帮助制定更科学的训练计划。
四、算法实现运动目标检测与跟踪的算法实现主要包括以下几个步骤：1. 预处理：对原始视频进行去噪、增强等预处理操作，提高后续处理的准确性。
2. 运动目标检测：采用背景减除法、光流法或帧间差分法等方法，从视频中检测出运动目标。
3. 特征提取：从检测到的运动目标中提取出有用的特征信息，如形状、颜色、纹理等。
视频目标检测与跟踪技术的研究随着数字化、智能化技术的飞速发展，人们对于信息的获取和利用方式也越来越多样化，其中视频技术的广泛应用，成为当前社会生产力和科技进步的重要标志之一。
而对于视频技术的研究与应用，目标检测与跟踪技术无疑是其中重要的一环。
本文将从视频目标检测与跟踪技术的定义、原理、分类、应用和未来发展等方面进行介绍和探讨。
一、视频目标检测与跟踪技术的定义目标检测与跟踪技术是指利用计算机视觉的相关技术，对视频中的目标进行定位和追踪的一种方法。
目标检测与跟踪技术通过对视频数据进行处理与分析，提取其中的目标信息，并将其与背景分离，经过一系列的处理后得出目标的位置、状态等信息，从而实现视频中的目标定位和追踪。
二、视频目标检测与跟踪技术的原理视频目标检测与跟踪技术的原理与计算机视觉领域中的图像处理技术有关，主要包括目标检测、目标跟踪和对象识别三方面。
1. 目标检测目标检测是指利用图像分析技术，检测视频中的目标是否存在，并确定该目标的位置、大小等信息。
通常，目标检测技术可以分为两种类型：一类是基于传统特征的方法，包括边缘检测、色彩变化检测等传统图像处理技术；另一类是基于深度学习和人工智能的方法，利用深度神经网络进行特征提取和检测，从而提高目标检测的准确性和效率。
2. 目标跟踪目标跟踪是指在目标检测的基础上，持续追踪目标的位置、大小、速度等参数，并依据这些参数进行目标的预测和跟踪。
目标跟踪涉及的技术有多种，包括相关滤波、卡尔曼滤波、粒子滤波、深度学习等。
3. 目标识别目标识别是指对目标进行分类和识别，并将其与已有的目标数据库进行比较，采取相应的处理方法。
目标识别技术有多种，包括特征提取、模板匹配、深度学习等。
三、视频目标检测与跟踪技术的分类视频目标检测与跟踪技术根据其实现的方式和应用领域，可以分为多种类型，主要有以下几种：1. 基于运动的目标检测与跟踪技术基于运动的目标检测与跟踪技术是指利用运动检测的方法，针对视频中的运动目标进行定位和跟踪。
智能视频监控中的运动目标检测技术研究【摘要】运动目标检测技术是智能视频监控技术中的一项核心技术，在视频监控系统中，对运动目标的检测是整个系统的流程中关键的第一步，其检测结果的好坏直接关系到整个系统的运行效果。
本文主要研究了智能视频监控系统中的运动目标检测技术。
【关键词】智能视频监控；运动目标检测中图分类号： tn941.2 文献标识码： a 文章编号：引言运动目标检测是指从序列图像中将变化区域从背景中分割出来，它的基本任务是从图像序列中检测出运动信息，简化图像处理过程，得到所需的运动矢量，从而能够识别与跟踪物体，是数字图像处理技术的主要部分，同时它也是智能视频监控研究领域的关键，由于运动目标的检测与分割影响着运动目标能否被正确跟踪与分类，因此运动目标检测成为视频监控系统研究中的一项重要的课题。
一、运动目标检测概述1.1运动目标检测的定义运动目标的检测是指从图像序列中将变化的区域从背景图像中提取出来，使之成为一个有意义的实体。
运动目标的检测是智能监控中一个基础但很关键的部分，是实现运动目标跟踪、识别和事件监测的前提，运动目标的正确检测和分割会直接影响运动目标的跟踪和分类，目标检测的好坏将决定后续处理的效果。
1.2视频监控系统中运动目标检测流程1.2.1视频监控系统的硬件组成目前已有的视频监控系统分为实时监控系统和非实时监控系统，实时监控系统要在需要监控的场所的合适位置安装摄像头，实时采集该场景中的景象，然后利用信号网络传输线路和网络交换机传给监控中心，监控中心对信号进行分析和判断，从而对监控场景中的运动目标进行行为分析。
但实时监控系统对计算机处理信息的速度要求很高，因此实时监控系统无法兼顾实时性和准确性，因此，在实际的生产生活中，实时监控系统的运用范围很有限，还没有得到广泛的运用。
非实时视频监控系统是指对已经存在的“过去时”的视频进行分析和判断，是目前实际生活中常用的方法。
1.2.1视频监控系统对视频的处理流程不管是在实时视频监控系统还是在非实时视频监控系统，计算机对视频的处理都是整个监控系统的关键所在。
智能视频监控中目标移走检测的方法研究齐明明北京邮电大学信息工程学院，北京（100876）E-mail：mingmingqi@摘要：背景建模是智能视频监控系统的基础，目标检测是智能视频监控系统的关键。
背景差法是一种常用方法，背景模型的提取、更新、外物干扰、光照变化等都是与目标检测关系重大的因素。
本文针对背景稳定、光源固定的图书馆、博物馆等场景，提出了一种利用单高斯背景建模，面积和灰度直方图两级匹配的目标检测方法实现对既定目标物体的移走检测，同时发出系统报警，达到安全防范的目的。
在检测之后迅速实现背景建模系统更新，实现持续不间断的视频监控报警。
关键词：视频监控，背景建模，目标移走检测中图分类号：TN1.引言基于视频的智能监控系统是近年来政府部门和企事业单位所严密关注的问题。
系统根据用户预设值一旦检测到目标，能迅速对目标进行定位，以实现系统预警、安全防范的目的。
智能视频监控涉及图像处理、模式识别、景物分析、图像理解、人工智能等多种学科。
基于模型的研究[1]包括摄像机建模、背景建模、目标建模、阴影建模以及相应的目标分割及检测等方面。
智能视频监控主要是针对摄像机静止—物体运动这种模式，目标检测是智能视频监控系统的关键。
目标检测的算法很多，主要有下面几类常用的算法：差分图像法、光流法、基于统计模型的方法、基于小波的方法、基于人工神经网络的方法等。
差分图像可以通过几种方法实现，比较典型的有邻帧差法、背景差法。
其中邻帧差法通过相邻两帧的图像进行相减，去除静止区域，保留运动区域。
这种方法计算量小，但通常会使运动目标存在分裂现象，给后续检测带来很大误差。
背景差法是在获得理想背景的基础上，将当前帧与理想背景相减，可以精确地得到前景区域。
背景建模是智能视频监控系统的基础，在实际情况下，由于环境光线的变化和阴影的变化随时发生，使得理想背景很难一次得到，需要进行实时更新。
本文采用单高斯背景建模，能够适应光照的渐变和背景的细微变化。
智能视频监控系统中对既定目标物体的移走检测与常规的基于内容的图像检索有所不同。
基于内容的图像检索方法是在图像库中存储图像，并自动提取反映该图像内容的特征，需要查询图像时，将目标图像输入图像库并提取目标图像的特征向量，将目标特征向量与图像库中图像的特征向量进行匹配，根据匹配结果搜索到与所查询的目标图像最相似的图像。
这种检索是以整幅图像为单位的查询，需要统计整幅图像的特征向量，计算量比较大；同时背景与其他外来物体的干扰可能会影响用户对图像中比较关心的物体状态的监测。
在视频监控系统中用户往往只是监控一些比较关心的目标，不需要对全部监测区域内的物体进行检索。
尤其在博物馆、图书馆等场景，用户可能只关心重点监测的目标是否被拿走。
以此为出发点，本文开始了对既定目标物体的移走检测。
智能视频监控系统中对既定目标物体的移走检测目标是确定目标物体的特征，把外来干扰与目标区分开来，只有目标被移走时才发生系统报警。
如果有外来干扰进入监测区域并未把目标移走，外来干扰只是被检测出来并不发生报警。
本文针对环境稳定、光源固定的图书馆、博物馆等场景，由场景视频转化为场景图片进行处理，利用VC++开发工具和OPENCV 开源函数类库，实现对既定目标物体的移走检测，同时发出系统报警，达到安全防范的目的。
在既定目标物体移走检测之后迅速实现背景建模更新，实现持续不间断的视频监控报警。
2.算法描述为了对既定目标进行实时检测，必须首先获得既定目标物体的有效信息及模板特征。
在本算法中，目标的模板特征包括目标物体的面积及灰度直方图信息。
我们首先对没有目标物体的空白图片和只包括目标物体的图片进行实验，手动完成对目标物体的特征提取。
根据本文介绍的目标检测方法，在第一个出现目标物体的图片中用矩形框标示出感兴趣的目标，并记录目标物体的面积信息和灰度直方图信息，形成目标模板特征。
一旦确定了目标模板特征，就可以进行系统的目标检测。
目标检测仍然面临很多不好解决的问题：(1)在目标分割过程中，背景提取是比较关键的步骤。
背景物体的干扰运动，如树叶的摇动、水面的反光等细微变化，会影响到目标检测。
(2)场景中光线渐变同样对背景提取与更新造成影响。
所以必须对背景进行实时更新。
(3)大多数情况下，背景是动态变化的，有物体或人移入或移出检测区域，如果不能很好的处理背景中的干扰现象，必将对前景物体检测造成影响。
(4)遮挡也是目标检测中的难题，在目标物体前方出现的遮挡物可能会作为目标的一部分被提取，这样可能造成目标特征的突变，导致目标检测的失败。
(5)光照条件下目标存在阴影，目标的阴影会随目标一起运动，前景提取时会把阴影与目标联成一体，对目标特征的提取也会出现误差，导致目标检测的失败。
(6)光照突变时会造成背景及目标的大范围变化，此时无论是背景模型还是目标特征都需要重新学习。
本文主要针对前4种问题进行研究，提出了单高斯背景建模、目标物体面积与灰度空间直方图为特征的两级匹配，以完成对检测区域内既定目标物体的移走检测，本文提出的方法不同之处在于：(1)面积和灰度直方图两级匹配检测；(2)事先手动获得既定目标物体的面积和灰度直方图模板信息。
(3)把既定目标物体作为背景，避免了目标长时间停留造成目标变为背景的情况；同时避免了外来干扰物体对未发生移走的目标造成的部分及全部遮挡问题。
图1 既定目标移走检测流程图图1为既定目标物体移走检测的流程图，其中目标检测部分在第二章第三节具体介绍。
2.1 既定目标特征提取在一幅图像中，目标物体给人的视觉感受是最清晰的，目标物体的轮廓在图像中是完整的，并且目标物体在图像中所占的面积相对是最醒目的[2]。
因此算法在第一级匹配中采用了面积匹配，并返回记录当前幀图像面积匹配程度最高的轮廓的外接矩形框。
但是面积并不是目标的决定性特征，面积相同的物体并不一定是同一个物体，因此我们需要更加准确的特征来表达目标物体，颜色是其中重要的特征，而灰度直方图则是表示目标特征的典型方法。
因此算法在第二级匹配中采用了灰度直方图方法，只在当第一级面积匹配的相似度达到阈值规定时才进行第二级匹配，并且只针对返回的目标矩形框计算其灰度直方图。
灰度直方图根据公式(1)进行1维7柄非均匀量化：H=0, (*Bptr)>=0 && (*Bptr)<=221, (*Bptr)>22 && (*Bptr)<=452, (*Bptr)>45 && (*Bptr)<=703, (*Bptr)>70 && (*Bptr)<=1554, (*Bptr)>155 && (*Bptr)<=1865, (*Bptr)>186 && (*Bptr)<2556, else⎧⎪⎪⎪⎪⎨⎪⎪⎪⎪⎩(1)经研究目标物体的灰度直方图发现体现其颜色的信息主要集中在H=1、H=2、H=3范围内，因此设定colornum 变量记录量化为这3柄的像素数目，以此为特征进行匹配，降低运算复杂度，提高运算速度。
根据第一幀图像记录的既定目标物体各项数据提取既定目标特征为：面积contour_area_standard 5500；灰度直方图特征colornum_standard 1800.000。
2.2背景建模背景建模和更新方法至关重要，直接影响背景模型对场景变化和目标检测的适应性。
很多文章对如何构建一个健壮的背景模型进行研究：时间差分[3](TemporalD ifference)检测法对光线变化不敏感，但一般不能提取出所有的运动目标像素点，在运动实体内部容易产生空洞，并且当目标没有运动时，该方法将无法对目标进行检测。
基于中值滤波法[3]的背景模型使用前提是，在前N 帧图像中，某像素点在超过一半的时间里呈现场景背景像素值。
W4方法[4]是通过观测当前临近时间段内的视频序列来记录时间段内同位置像素的最大亮度值Imaxt 、最小亮度值Imint 以及相邻两帧间亮度差异的最大值Dt ，同时用这3个值来表示背景模型， 而将It - Imaxt > Dt 或者It – Imint > Dt 的像素判断为前景像素。
混合高斯法[5]是将每个像素按照多个高斯分布混合建模，以同时处理多种背景变化，模型参数可以自适应更新，但是混合高斯法计算复杂度与高斯模型的个数成正比，应用比较复杂。
基于对各种背景建模方法的比较，针对博物馆、图书馆等场景相对稳定、光源固定的场合对既定目标物体进行移走检测，综合考虑目标检测正确率、算法复杂度以及运算速度，本文采用了单高斯背景建模方法，每个像素点只用一个高斯分布表示。
Pfinder 算法[6]应用前提是场景相对稳定，光照允许存在渐变，只跟踪单个运动物体。
本文在博物馆、图书馆等场景中对既定目标物体的检测正是符合了这种要求。
Pfinder 算法背景建模，每一个像素点与一个颜色均值和关于该均值的一个分布相关联，每个像素点的颜色分布以一个由全协变矩阵描述的Gaussian 分布建模，利用阈值将背景划分为前景和背景像素，并使用简单的自适应方法对背景的统计特性进行递归的更新，以补偿光线渐变和背景细微变化以及物体的运动导致的背景变化。
2.2.1初始化背景模型单高斯背景模型不能很好的处理背景中移入或移出物体的问题。
针对此种情况，本文做了相应研究，以第一幀包含既定目标物体的图像为初始的背景模型，这样目标物体包含在背景中，除非出现目标物体被移走的情况，否则不会出现因其他物体移入检测区域导致的目标遮挡问题。
单高斯模型把每个像素点的颜色值分布用单个高斯分布（it µ，2it σ）表示，其中下标i表示像素点i ，t 表示第t 幀图像，it µ 为高斯分布的均值，2it σ 为高斯分布的方差。
每一个像素点的均值it µ取第一幀图像各像素点的颜色值，各像素点的方差2it σ取一个相对较大值，经试验，均值取值为400。
这样2(,)it it µσ就构成了初始的背景模型，其处理速度较快。
2.2.2前景区域提取背景模型建立后，用当前幀与背景图像相减得到前景的彩色图像，并根据单高斯背景模型的特点进行判断，得到前景的二值化图像。
设当前幀中点i 的灰度值为I i ，其均值为it µ，根据公式(2)对前景图像进行二值化：D it =255,() 2.50, it it it I elseµσ−>⎧⎨⎩ (2) 其中标志为255的像素点构成前景区域，其他为背景区域。
2.2.3背景模型更新单高斯背景模型的更新是指描述场景背景的高斯函数参数即it µ和2it σ的更新，这里引入学习率α表示参数的更新速度，α取经验值0.05。
