面臨的問題與難點
目前，雖然有大量的運動目標檢測演算法，但由於實際環境的複雜多變，所以這些演算法並不都是十分的健壯。
（1）模型初始化問題：在背景初始化訓練時期，由於還沒有獲得高質量的背景模型，故常常導致運動目標的誤檢；
（2）偽裝現象：一些運動目標可能與背景極其相似，從而導致運動目標無法正確地與背景區分開；
（3）光照變化：分為光線的突變和漸變。背景模型要能夠適應白天室外環境中光線的逐漸變化；相應的，背景模型也能夠適應突然開啟燈光的室內環境。總之，光線的變化將強烈影響背景模型，極有可能導致錯誤的檢測；
（4）前景空洞現象：當運動目標有大量顏色一致的區域時，這些區域的內在變化可能將導致檢測不準確，使得前景的一些內部區域被錯誤判斷為背景；
（5）動態背景：最常見的就是樹葉的抖動，當然還有水面漣漪、小目標抖動；
（6）突然停滯的運動目標：有些運動物體進入場景後，停在了場景中。顯然，這種情況下的運動目標應該被識別為背景；
（7）陰影：能夠檢測出運動目標的陰影以及背景區域原有的陰影；
（9）相機抖動：在一些條件下，風會引起攝像機的抖動；
（10）相機自調節：目前，很多攝像頭都具有自動控制的功能，如光照控制、白平衡以及放大縮小等功能。
以上分析了很多種特殊情況，其中，最主要的影響是動態背景和光照變化。
運動目標檢測
目錄 檢測方法 背景模型 目標檢測 後處理 檢測方法 基於統計背景模型的運動目標檢測方法 問題 1 背景獲取 需要在場景存在運動目標的情況下獲得背景影象 2 背景擾動 背景中可以含有輕微擾動的物件，如樹枝 樹葉的搖動，擾動部分不應該被看做是前景運動目標 3 外界光照變化 一天中不同時間段光線 天氣等...
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，...