背景检测

运动检测是运动跟踪技术的基础，是计算机视觉领域中的一个典型问题，其目的是从序列图像中将感兴趣的运动区域从背景图像中提取出来．在监控系统中，运动检测最基本的要求是检测出图像中有无运动物体，较高的要求是检测出运动物体的方向和位置．运动区域的有效分割对于目标分类、跟踪和行为理解等后期处理是非常重要的，因为后期处理过程仅仅考虑图像中运动区域对应的像素．然而，由于背景图像及环境的动态变化，如天气、光照、影子及混乱干扰等的影响，使得可靠的运动检测变得相当困难．

目前最常用的运动检测方法包括：光流法，帧差法，背景差分法等．最近几年又出现了一些新的算法，比如GMM（混合高斯模型）、基于贝叶斯模型的运动物体检测．

其中光流法计算复杂、对噪声敏感，只适用于运动向量分析、数字水印等对实时性要求不高的应用．对于帧差法，只要对帧间隔进行合适的设置，对于运动物体一般都可以检测到，但检测的结果不完整．对于基于背景差分的运动物体检测算法，一般可以检测到完整的运动物体，但检测得到的冗余信息太多．这两种方法都对外部环境变化如树叶晃动、光照变化等比较敏感，其主要原因是缺少比较有效的噪声消除算法和背景更新算法．

在背景差分算法中，常用的是平均值法和基于像素值统计信息的算法来构建背景．平均值法由于物体运动和光线变化不能得到准确的背景且对于环境变化不能自适应调节；基于像素灰度归类算法的基本原理是以像素出现概率最大的一种灰度作为背景灰度值，这种算法计算量大而且同样缺乏对环境变化的自动调节能力．

在帧差法和背景差分的基础上，人们提出了很多改进算法．其中主要是消除噪声的算法、背景更新的算法和综合利用帧差法和背景差分算法的基于帧差法的背景差分算法等．总得来说，基于灰度图像的算法计算量小，能够有效检测出运动物体，但往往对外部环境变化和噪声比较敏感，在应用中有一定的局限性．

目前比较流行的算法主要是GMM和基于贝叶斯模型的运动物体检测。这两种算法都是以模式识别中的贝叶斯模型为基础的。GMM的基本思想是把每一个像素点所呈现的颜色用M个状态来表示，通常M取3-5之间，将每个状态用一个高斯分布来近似．基于贝叶斯模型的运动物体检测主要是运用像素值的统计信息来表示像素点的像素值分布，再根据背景和前景出现的先验概率知识来判断当前出现的像素值是背景还是前景。这两种算法的好处就是可以有效克服复杂背景如晃动的树叶，水波等的影响。但由于这两种算法对每个像素点都要建立模型，其计算复杂度也比较高。

最近几年还出现了一些用卡曼滤波，粒子滤波等方法进行运动物体检测的算法，效果都不错。总得来说，目前的运动物体检测算法种类比较多，但并没有一个通用的有效算法。运动物体检测这一领域还有很多需要挖掘还改进的地方。