原图->灰度图->创建二值图



图像进行二值化处理，二值化算法主要分为两种类型，全局阈值法和局部阈值法

全局阈值法是最为简单的处理方法，它采用单一的阈值对图像中所有像素点进行判定。最为著名的全局阈值法是Otsu（大律法）算法，它的核心是找到一个合适的门限，使两类之间的距离最大；局部阈值法对每个像素点都动态得计算阈值，这样的阈值都是根据像素点的邻域信息计算得出，因此具有很高的准确性，二值化的效果也更好。

(1)  目标准确检测和分割

 

对于运动目标而言，场景的变化会导致目标的位置、大小发生改变，从而影响目标

检测的效果。其因素包括光照变化、摄像机抖动、复杂背景干扰、目标类型多样化、目

标运动速度较快等问题。此外，当背景光源发生变化时，视频序列中的目标物体的颜色

分布会产生变化，这导致提取的底层颜色特征也随之发生变化，从而影响目标检测的准

确率；摄像机抖动会造成背景区域的变化，影响基于背景建模的目标检测方法的准确

性；复杂背景干扰和目标类型多样化给目标的表示带来了困难，需要泛化能力和适应能

力较好的目标表示模型；目标运动速度过快会导致运动目标的丢失。

 

(2)  目标形态变化

 

视频采集过程中，当出现摄像机运动的情况时，会使得目标物体发生尺度变化、旋

转变化和平移变化等几何变化，因此需要更新原目标的表示模型以快速检测出改变后的

目标物体。

 

(3)  目标局部遮挡和多目标干扰

 

目标识别算法依赖于目标提取的准确性，然而视频序列中运动目标可能受到其他物

体或者背景的遮挡从而引起目标变形或暂时消失，这使得基于全局特征的目标检测会失

效，因此需要提高目标检测的鲁棒性，根据序列图像中多帧之间目标的信息和目标的局

部特征重新检测到被遮挡的目标物体。

 

(4)  算法的复杂度和准确性

 

视频序列每秒钟有25 帧至30 帧图像，数据量是其他媒体信息源的数倍甚至数百

倍。运动目标检测和识别需要对图像的像素进行处理，提取出表示目标物体的底层视觉

特征，这一过程需要大量的运算量，如果检测和识别算法选择不恰当，无法保证系统实

时性的要求。另一方面，目标识别系统需要保证识别的准确性，为了保证识别率，需要

多个特征联合进行匹配，从而导致计算复杂度上升，降低了系统的实时性。这样就造成

了运动目标检测和识别实时性与准确性之间矛盾。