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：比如你在開始觀測的時刻，視野裡已經有很多運動的目標，或者你的場景有細瑣樹葉在飄動。因此，直接把前一幀作為當前幀背景的幀間做差法，得到的效果很差。
影象處理界有背景建模的方法，各種演算法無論原理，都是在模擬形成那面白牆。因為各種方法都比較成熟，後來人儘管當工具呼叫。
背景建模以後，運動目標的提取轉為當前幀減去背景幀的問題。
所以，背景建模適用的場景：相機固定情況下，目標具有一定面積的場景。為什麼說目標需要具備一定面積呢？考慮到背景建模有時候就是乙個概率事件，過小的目標完全有可能淹沒在干擾背景裡。
背景建模在最理想的情況下，能夠通過背景差獲得當前新入視野的物體：這些引起場景變化的物體可以是：
如何在這些干擾因素中準確提取運動目標，就是我們需要研究的課題。
在影象處理中，經常會提到分割這個詞語。個人理解是，將感興趣的區域，從複雜的資料中提取，就是分割。
在運動目標識別中，運動目標就是被分割出來的物件。
經常用二值圖作為分割的導引，為什麼呢？
將一幅複雜的，變成了非黑即白的兩類，直接提取0或者1所對應的區域，我們就能得到roi（region of interest）。
剛才已經提到，背景差直接得到的是一堆離散點：雜訊的分布似乎更加隨機；目標就是分布密集的點。所以目標是否可以理解為：分布概率比較高的區域？
這張離散圖具備怎樣的性質呢？
具備影象基礎的基本都會接觸形態學操作，這裡不做贅述。最常見的有膨脹和腐蝕，其他的諸如開閉操作、頂帽禮帽操作，都是在這兩個基礎上覆合呼叫的結果。
對於上圖，我們可以採取這樣的操作：通過很小的核腐蝕，去除分布離散的那些孤立點；通過膨脹操作，將目標非連線區域連線，這樣子能降低乙個目標被多處標記的可能。
ok，今天就這樣了。
基於平均背景建模的運動目標檢測（二）
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...
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，...