opencv学习---运动目标（前景）检测

opencv学习---运动目标（前景）检测

1.帧差法

    原理：视频序列相邻两帧或三帧间采用基于像素的时间差分，通过闭值化来提取出图像中的运动区域。

    优点：算法简单、计算量小，无需训练背景，对缓慢变换的光照不是很敏感。

    缺点：容易受天气、阴影及杂乱背景干扰，阈值T的选择相当关键，稳定性差。

2.背景差分法

    原理：用背景的参数模型来近似背景图像，将当前帧与背景图像进行差分比较实现对运动区域的检测

    优点：计算量小，较高的实时性，利用已有帧信息进行背景动态更新

    缺点：如何建立对于不同场景的动态变化均具有自适应性的背景模型，减少动态场景变化对运动分割的影响。

3.GMM混合高斯模型

    原理：使用K（基本为3到5个）个高斯模型来表征图像中各个像素点的特征,在新一帧图像获得后更新混合高斯模型，为图像的每个像素点指定一个初始的均值、标准差以及权重，收集N帧图像利用在线EM算法得到每个像素点的均值、标准差以及权重。从N+1帧开始检测每个点是否属于背景点。

    优点：适应光线的变化，对缓慢移动的物体效果也较好。

    缺点：计算量大，难于实现实时性。

4.光流法

    原理：光流法的主要任务就是计算光流场，即在适当的平滑性约束条件下，根据图像序列的时空梯度估算运动场，通过分析运动场的变化对运动目标和场景进行检测与分割。

      通常有基于全局光流场和特征点光流场两种方法

    优点：在比较理想的情况下，它能够检测独立运动的对象，不需要预先知道场景的任何信息，可以很精确地计算出运动物体的速度，并且可用于摄像机运动的情况

    缺点：全局光流场计算方法计算量大，噪声、多光源、阴影和遮挡等因素会对光流场分布的计算结果造成严重影响;而且光流法计算复杂，很难实现实时处理

5.Vibe算法

    原理：利用单帧视频序列初始化背景模型，对于一个像素点，结合相邻像素点拥有相近像素值的空间分布特性，随机的选择它的邻域点的像素值作为它的模型样本值。背景模型为每个背景点存储一个样本集，然后每个新的像素值和样本集比较判断是否属于背景。

    优点：计算量小，易于实时性，抗噪性及目标分割的完整性较好，

    缺点：由于可能采用了运动物体的像素初始化样本集，容易引入拖影（Ghost）区域，并且鬼影消除慢。