本篇為之前基於背景模型的運動目標檢測的續集，之前主要思想是根據100幀影象的平均影象以及相鄰幀差值均值影象，建立背景模型，再來做後續的運動物體檢測，結果表明雖然可以成功檢測，但受雜訊干擾很嚴重 。
參考《學習
opencv
》，其去除幀間雜訊的方式採用的是對二值影象進行形態學處理（開操作和閉操作），相比較我之前採用的灰度影象去噪方式相比更加直接且有效。
開操作是先腐蝕後膨脹，通常用於去除影象中較小的明亮細節，而保持整體灰度級和較大的明亮特徵不變。
閉操作是先膨脹後腐蝕，通常用於填充影象中明亮部分的小裂縫。
一般去噪則採用開操作
+閉操作，首先去除小雜訊，其後再修復被腐蝕的明亮區域。
在檢測過的二值化影象後採用如下**：
cvmorphologyex(imask,imask,0,ker,cv_mop_open,cvclose_itr);
cvmorphologyex(imask,imask,0,ker,cv_mop_close,cvclose_itr);
代表腐蝕或者膨脹的次數，迭代次數越多，消除的雜斑越大，但同時代價是
侵蝕了較大的邊界區域
，如下分別是
cvclose_itr=1
，cvclose_itr=2
的處理結果
，大部分雜訊去除了，但還是有一些較大塊的雜訊
，雜訊全部消除（當然只針對此幀而言）
消除雜訊後，對檢測到的目標進行輪廓計算，目標輪廓檢測可以更方便知道目標的位置、大小資訊，採用邊界框視覺化效果更好。
輪廓檢測opencv函式：
可以理解為檢測imask影象中的外輪廓（而非洞，即內輪廓），並將輪廓點的資訊儲存至scanner
對於較小的輪廓，可認為是雜訊，可通過輪廓周長對其進行篩選：
double len = cvcontourperimeter(c); //輪廓長度
double q = (imask->height+imask->width)/4; //影象周長的1/4
1/4的輪廓。
對輪廓進行多邊形擬合： 用
cvboundingrect
函式可以獲得輪廓的外接矩形，這些《學習
opencv
》書上都有。
最後繪製輪廓以及外接矩形：
cvdrawcontours(imask,c,cvscalar(255),cvscalar(255),-1,2,8);
cvrectangle(imask,cvpoint(rect.x,rect.y),cvpoint(rect.x+rect.width,rect.y+rect.height),cvscalar(255),1,8,0);
可以看出，暫時不論受雜訊干擾，幀間差分法用來檢測運動目標是有一定效果的，整個演算法十分簡單。但其也有著明顯的不足：就是目標檢測不完整！由於同物相減為0，在重疊
區域會出現缺口。
此外，它也不能區別目標物體離開的位置（空穴，或者上一幀的位置）和目標現在的位置。
基於背景建模的紅外運動目標檢測（一）
基於背景建模的運動目標檢測，其原理主要依賴演算法所建立的接近理想背景的模型。假想一下，如果眼前有一面白牆，突然有個具備一定尺寸的物體闖入視野，假設觀察者方位 對應相機擺放位置和視角 固定不動，那麼前後場景直接相減得到的差異就是運動目標了。然而在現實狀況下，我們不可能有那麼一面理想的白牆。複雜場景 比...
運動背景下的運動目標檢測
各種目標檢測方法介紹 懶人可以直接略過 目標檢測是乙個老話題了，在很多演算法當中都有它的身影。目標檢測要做的就兩件事 檢測當前中有沒有目標？如果有的話，在哪？按照先驗知識和背景運動來劃分的話，目標檢測方法大概可以分為兩大類 第一，已知目標的先驗知識。在這種情況下檢測目標有兩類方法，第一類方法是用目標...
運動目標檢測 背景減法
一 原理 背景減法 background subtraction 是當前運動目標檢測技術中應用較為廣泛的一類方法，它的基本思想和幀間差分法相類似，都是利用不同影象的差分運算提取目標區域。不過與幀間差分法不同的是，背景減法不是將當前幀影象與相鄰幀影象相減，而是將當前幀影象與乙個不斷更新的背景模型相減，...