python运动目标检测_运动目标检测ViBe算法

一、运动目标检测简介

视频中的运动目标检测这一块现在的方法实在是太多了。运动目标检测的算法依照目标与摄像机之间的关系可以分为静态背景下运动检测和动态背景下运动检测。先简单从视频中的背景类型来讨论。

静态背景下的目标检测，就是从序列图像中将实际的变化区域和背景区分开了。在背景静止的大前提下进行运动目标检测的方法有很多，这些方法比较侧重于背景扰动小噪声的消除，如：

1.背景差分法

2.帧间差分法

3.光流法

4.混合高斯模型(GMM)

5.码本(codebook)

还有这些方法的变种，例如三帧差分，五帧差分，或者这些方法的结合。

运动背景下的目标检测，相对于静态背景而言，算法的思路就有所区别了，一般会更加侧重于匹配，需要进行图像的全局运动估计与补偿。因为在目标和背景同时运动的情况下，是无法简单的根据运动来判断的。运动背景下的运动目标检测算法也有很多，如

1.块匹配

2.光流估计

这些方法总得来在不同的环境下说各有各自的特点吧，也不见得简单的算法就一定比复杂的要弱。有一些博客已经对这些方法进行了对比和评估，有兴趣的同学可以参考这些

二、GMM算法简介

不得不提的是其中的GMM算法(可以参考Adaptive background mixture models for real-time tracking)，这种算法在我平时要用到运动检测的时候一般都会直接用，原因有两个，第一，效果确实不错,噪声可以很快消除，第二，opencv包含了GMM算法，可以直接调用，非常省事。

GMM简单讲，将输入图像的像素与背景模型进行