前景检测当前像素的直方图与当前的B个背景直方图比较，计算其相似度。如果至少一个背景直方图相似度高于阈值，这个像素为背景。否则为前景。背景减除法的问题关键在于背景模型的建立、保持、更新。主要存在三个问题：1）背景模型没有充分利用图像中相邻像素点之间的相关性信息。运动前景中具有的漏检与虚警区域，通常用形态学滤波和判断连通区域大小的方法来消除孤立的小区域及合并相邻的不连通前景区域。2）背景模型的更新速度不能和运动目标的运动速度很好地匹配。如果更新速度比监控场景的变化速度慢，则容易产生虚影。相反，如果背景模型的更新速度太快，也容易出现运动目标的漏检。为改善检测效果，可使用多个具有不同更新速度的背景模型，或多摄像机从不同角度对同一场景进行监控，有效利用深度信息。3）复杂场景中摇动的树叶与运动阴影也被检测为运动前景。由摇动树叶所产生的运动前景混乱问题。消除阴影对运动目标检测的干扰是非常困难的问题，特别是处理灰度序列图像中的阴影。9、运动分析运动分析简介时间差分法(Temporaldifference)背景减除法(Backgroundsubtraction)光流法（Opticalflow）光流法光流法主要通过对序列图像光流场的分析，计算出运动场后，对场景进行分割，从而检测出运动目标。光流法的核心是求解出运动目标的光流，即速度。传统光流法的典型代表有HomSchunck算法和LucasKanade算法。光流法根据视觉感知原理，客观物体在空间上一般是相对连续运动，在运动过程中，投射到传感器平面上的图像实际上也是连续变化的，即灰度不变性假设。根据这一基本假设，可以得到光流基本方程。设(x，y)点在时刻t的灰度为I(x,y,t)，设光流w=(u，v)在该点的水平和垂直移动分量u(x，y)和v(x，y):经过dt后对应点为I(x+dx,y+dy,t+dt)，当，灰度I保持不变，得到I(x,y,t)=I(x+dx,y+dy,t+dt)。此式由Taylor展开，忽略二阶无穷小，整理得到基本的光流约束方程:表示灰度对时间的变化率等于灰度的空间梯度与光流速度的点积。从上式引入不同约束条件，产生不同的光流分析方法，例如Homschiinck(简称HS)算法与LucasKanade(简称LK)算法。HORNSCHUNCK算法Horn与Schunck于1981年引入了全局平滑性约束，假设光流在整个图像上光滑变化，即速度的变化率为零。从而光流w=(u,v)应满足：取值主要考虑图中的噪声情况。如果噪声较强，说明数据置信度较低，需要更多地依赖光流约束，其取值较大;反之其取值较小。Horn,BertholdK.P.;Schunck,BrianG.DeterminingOpticalFlow[J].1981.LUCASKANADE算法(1)LucasKanade于1981年引入了局部平滑性约束，即假设在一个小空间领域上运动矢量保持恒定，使用加权最小二乘法估计光流。在一个小的空间领域上，光流估计误差定义为:W表示窗口权重函数，使邻域中心区域对约束产生的影响比外围区域更大。上式最小化问题可通过最小二乘方法求解:LUCASKANADE算法(2)其中光流法基于微分的光流法，实现比较简单，计算复杂度低，缺点是在图像相邻之间偏移量大的时候误差较大，而且该方法要求图像灰度必须是可微的。基于匹配的光流法通过特征匹配来确定偏移量，可以解决相邻帧差异较大的问题;但是特征匹配比较困难，运算量比较大，且块匹配法对噪声敏感。目前，国内外学者都在寻求改进光流法的方法，主要分为两种，一是光流法自身的改进;二是光流法与其他方法相结合，如即金字塔光流法、区域光流法和特征光流法。*在复杂场景中背景模型的建立、保持与更新都受到多种因素的影响，寻找理想的背景模型往往是非常困难的，同时，运动目标所投射运动阴影也给运动目标提取造成很大困难。*缺点：对于复杂变化的背景，噪声增多，背景模型将变得不太稳定，有可能将外界干扰（典型的如树枝摇晃等）判断为运动目标，造成系统的误判。优点：在室内或不是很复杂的室外环境中，简单统计模型和单高斯模型亦能达到很好的检测效果，处理速度快，分割对象比较完整。*式中，是邻域中心灰度值，是在半径为R的圆上P个等间隔分布的像素灰度值