运动分割

运动分割的目的是从序列图像中将变化区域从背景图像中提取出来。

运动区域的有效分割对于目标分类、特征提取、特征表达与最后的识别等后期处理是非常重要的，因为以后的处理过程仅仅考虑图像中对应于运动区域的像素。

然而，由于背景图像的动态变化，如天气、光照、影子及混乱干扰等的影响，使得运动分割成为一项相当困难的工作。

运动分割可以分为在静止和运动背景下运动目标的检测和提取。

现有的运动分割算法大体可分为如下三类:

（1）帧间差分。差分法是最为常用的运动目标检测和分割方法之一。此方法的特点是速度快，适用于实时性要求较高的应用环境；不足在于算法对环境噪声较为敏感，并且基于差分法的运动目标分割精度没有保证。

（2）背景估计图像与当前图象帧差。除差分法外，背景估计是解决静止或缓变背景下运动目标检测和分割的另一条思路。这类方法的优点在于对复杂背景情况效果较好，它一般能够提供最完全的特征数据，但对于动态场景的变化，如光照和外来无关事件的干扰等特别敏感。

（3）基于运动场估计的方法。此类方法通过视频序列的时空相关性分析估计运动场， 建立相邻帧对应关系，进而利用目标与背景表观运动模式不同进行运动目标的检测与分割。视频序列运动场估计方法主要有

• 光流法( Optical Flow Equa-tion, OFE) 

• 块匹配( Block Match Algorithm, BMA) 

• 基于贝叶斯最大后验概率( Maximum A Posteriori Probability, MAP) 模型的统计方法。

与差分法相比，运动场分析能够较好地处理背景运动的情况，适用范围更广；但计算的时空复杂度均远高于前者。

转载于:https://www.cnblogs.com/yujing611033/p/6139999.html