1、“.....光流法所谓光流就是在连续的两帧图像中，如果用向量来表示移动前后的对应像素点，就称之为光流。基于光流法的运动检测采用了运动目标随时间变化的光流特性，其检测运动目标的原理是给图像中的每个像素点赋予个光流矢量即运动矢量，从而形成了个图像的光流场。根据各个像素点的运动矢量特征，可以对图像进行动态分析。如果图像中没有运动目标，则光流矢量在整个图像区域是连续变化的，当物体和图像背景存在相对运动时，运动物体所形成的运动矢量必然和邻域背景运动矢量不同，从而检测出运动物体的位置。基于光流场的运动目标检测方法是在种时间空间的约束条件下，利用连续数帧图像，首先计算出各个像素在相邻帧间运动的光流矢量，然后根据光流场估计出摄像机的主运动，最后通过分析光流场中与主运动不致的光流，可以检测出运动速度不同的多个目标。该方法的优点就是在摄像机运动情况下也能检测出独立的运动目标......”。

2、“.....可以把具有相同矢量值的像素全体作为个移动物体提取出来。但是，由于受噪声的影响，在背景部分也会得到光流矢量。此外，求解光流是在局部光流连续的前提下得到的，所以物体边界的不连续部分的光流估计误差比较大。另外，当跟踪对象是行人时，考虑到人在行走时，其手和脚的动作是有差别的，因此就不能得到单的光流，自然在合并同物体的光流时需要下番功夫。总之，这种方法易受噪声影响计算量非常大，除非有特殊的硬件支持，否则很难实现运动目标的实时检测。而且当目标静止或运动速度很慢时会失效。通常为了提高算法的可靠性，光流法还要结合目标的颜色形状等信息来检测运动目标。基于统计模型的方法文献首先利用较简单的算法对运动场进行了粗略的估计，然后根据马尔可夫随机场理论构造出运动场的间断点分布模型，利用此模型来检测运动场间的断点，以此来实现运动目标的检测。实验表明，这方法十分有效，且运算负担较小......”。

3、“.....另外有种基于统计模型的方法，该方法在摄像机做剧烈拉伸旋转运动时仍可以实时检测并跟踪运动目标。基于人工神经网络的方法近十年来，基于人工神经网络的目标检测方法得到了极大的发展，这种方法首先将每帧图像分成系列图像块，经过预处理后将这些图像块投影到个线性滤波器组，得到不同的图像模式然后把这些不同的图像模式根据预先计算得到的聚类原形进行分类最后用训练得到的神经网络分类器来判断图像模式是否包含目标。该方法对对尺度旋转变形的目标有很好的适应性。但是由于神经网络本身的计算复杂性，这种方法目前也不太适合实时应用。其它方法基于动态轮廓的方法提取图像中运动物体的方法之是利用动态轮廓模型的方法。例如模型主动轮廓模型就是其中的典型代表。它是由外力和维持边界特征的力以及光滑曲线的内力的总和所形成能量函数的值。取能量函数为最小的区域作为所要提取的对象物体......”。

4、“.....但是需要反复的迭代运算，所以趋于收敛的计算量非常大。运动能量法运动能量法把连续图像帧看作由二维空域加上时间维构成的三维空间，使用时空梯度算子计算每像素点的各个时空梯度方向上的分量，经过高斯平滑后的时空梯度分量称为运动能量。运动对象经过的那些位置的像素，因所有像素点基本都沿个致的方向运动，这方向的运动能量值较大，而杂乱运动像素各个方向的运动能量基本均衡，这样真正的运动对象就被检测出来。该方法适合于复杂变化的环境，但算法复杂，而且不能精确地分割出对象。从总体上来说，由于场景和目标本身的复杂性以及各种干扰因素的存在，到现在为止还没有通用的目标检测方法，即使是对于同类型的目标，由于噪声成像条件等不良因素也会极大地影响目标检测的结果。运动估计方法简介归纳起来，运动估计方法主要有基于像素点灰度的运动估计方法基于块匹配的运动估计方法基于可变模型的运动估计方法等几种......”。

5、“.....但是对于前帧的每个像素，在当前帧中常常会有许多具有相同亮度的像素。这时会造成像素对应时的不确定性。为处理这个问题，学术界提出了四种方法使用正则化技术在运动场上施加平滑约束，使得新像素的运动速度受已经确定的周围像素的运动速度的约束假定每个像素周围邻域中的运动速度是相同的，并且把恒定亮度假设和光流方程应用到整个邻域利用另外些不变量约束除了假设光流方程的亮度不变量之外，还可以假设运动中的亮度梯度不变利用运动前后帧的相位函数之间的关系。这些方法必须施加平滑性约束以使问题正则化而且计算量很大，对噪声非常敏感，因此在实际的应用系统中并不多见。基于块匹配的运动估计方法块匹配算法将图像域分割成互不重叠的小区域块，并且假定每个块内的运动都可以用个简单的参数模型恒定反射和双线性模型特征化......”。

6、“.....理论上，个块可以具有任意的多边形形状，但是实际上般都用正方形有时也用三角形。根据子块搜索策略的不同，可以将块匹配算法分为以下几种穷尽块匹配算法。这种方法是在个预先定义的搜索区域内，把基础帧的个给定块与所有的候选块进行比较，以估计两块之间的运动速度。但是这种方法计算量庞大，需要开发其他快速算法或者用硬件来实现。分数精度搜索方法。这种方法中搜索步长使用分数步长而不是整数。已经证明与整数像素精度搜索相比，分数精度搜索在估计精度上有很大的提高，特别是对于低清晰度视频来说二维对数搜索方法。这种方法从相应于零位移的开始搜索。每步试验菱形排列的五个搜索点。下步，把中心移到前步找到的最佳匹配点并重复菱形搜索。当最佳匹配点是中心点或是在最大搜索区域的边界上时，就减少搜索步长。否则步长保持不变。当步长减少到个像素时，就到达最后步，并且在这最后步检验九个搜索点三步搜索法......”。

7、“.....在每步中，比较九个搜索点。每步以后搜索步长减小半，至搜索步长为个像素时搜索结束。在每个新的搜索步中，搜索中心点移到由前步得到大小的搜索区，在该搜索区内选取当前帧图像的特征点作为候选的匹配点每个候选匹配点围绕自身选取个与模板同样尺寸的区域为候选区域分别计算它们与模板的绝对差之和，具有最小，的候选区域为最佳匹配区域。且该区域的中心点为该模板的最佳匹配点。实时相减运动目标检测识别方法将同背景不同时刻两幅图像进行比较，可以反映出个运动物体在此背景下运动的结果。比较的种简单方法就是将两幅图像做差分或相减运算，从相减后的图像中，很容易发现运动物体的信息。相减后的图像中灰度不发生变化的部分被减掉，这里包括大部分背景和小部分目标。由于检出的部分可以大致确定运动目标在图像上的位置，使用相关法时就可以缩小搜索范围。若想从差分图像中抽出运动物体的轮廓......”。

8、“.....在序列图像中取逻辑和即可得到。因此利用相邻帧图像实时相减，提取运动物体的轮廓，可以把复杂背景下运动目标识别转化成较简单背景下运动目标识别问题。相邻帧图像相减的基本原理设输入图像序列为，式中，为二维视场，中的点为第帧图像中，点的灰度值，经相邻帧图像实时相减得到的差分图像序列定义为，，在背景相对静止时基本反映的是运动物体的边缘与高梯度区域。选取适当的域值，可以将差分图像序列转化成二值图像序列，即，通过对图像，中非零区域的处理，就可以提取出运动物体。对实际运动的图像，般不使用简单相减方法，因为其抑制噪声能力差。若对次差分图像，再求二次差分，则更能有效检出运动物体。差分方法计算简单，效果很好，但他要求背景绝对静止或基本无变化噪声很小，因而适用场合有限。运动背景补偿的基本原理当摄像机自身移动时，就很难直接从差分图像中分割出运动物体了......”。

9、“.....我们可以用帧间图像配准的方法来实现运动补偿。这方法就是要求在前帧图像的背景区域中选取结构特征比较丰富的图像块，在当前帧图像中进行模板匹配，求得的配准位置的偏移量即为背景的运动偏移量，利用这偏移量使背景对准的相邻图像帧进行相减，即可把背景去掉，只留下运动物体的边缘和高梯度区。运动目标识别算法在图像识别和跟踪系统中，采用行行处理的方法对整个图像中运动物体的边缘进行分析，确定运动物体的边缘，从而进行识别。行行处理的方法就是利用上行的目标信息和本行的目标信息，确定目标的生长，分裂和结束等，从而确定目标的个数，长度，面积等，再根据上帧目标的特征和本场计算出的特征，来确定本场目标的位置和其他特征。采用行行处理的算法可以实时的对运动目标进行检测识别，具体的实现步骤如下初始化处理域和各参数对当前行进行扫描......”。