随着视频监控系统在现代社会中的广泛应用，大量前端视频釆集设备的应用产生了海量的监控视频信息，传统的人工处理方式巳经无法满足大规模视频监控应用的需求，许多视频信息无法得到及时、高效的处理，因而大规模视频监控应用亟待智能视频图像信息处理技术的支撑。在诸多智能视频图像信息处理技术中，目标的检测识别是其中最基本也是最重要的技术，首先对不同的运动物体进行正确地检测识别和分类，才能使后续的行为理解和异常行为报警等功能更加具有针对性。

        目标的检测识别是指将某一个或多个特殊目标从其他目标中区分出来的过程，这其中既包括两个相似度较高的目标的检测识别，也包括一种类型的目标同其他类型目标的检测识别，该技术可应用到军事监视、海底探测、动物追踪、人脸识别等。

目标特征的形态具有多样性，如人体的非刚性，颜色的多样性等，加上遮挡、阴影等干扰，都会造成目标检测的高难度和较差稳定性。因此，稳健而高识别率的目标检测与识别，是极其重要的一个研究课题。

        根据摄像机与目标背景之间是否存在相对运动，目标检测识别算法可以分为两类：静止背景的目标检测识别与运动背景的目标检测识别，其中，静止背景的目标检测识别是运动背景的目标检测识别的基础。由于背景与摄像机之间位置保持相对不变，那么背景图像的大小和位置在不同图像序列中将保持不变。而常用的运动背景的目标检测识别的方法主要有背景差法、帧间差法和光流法，下面将分节论述。

背景差法 1.背景差法的基本原理

        在计算机视觉领域中，图像可以用灰度来表示，灰度是指黑白图像中像素点的颜色深度,其取值范围一般为0?255。背景差法正是利用了安防视频监控系统中图像的运动目标的灰度值和背景的灰度值差别较大的特性，对存在运动目标的区域内图像选择一个适当的阈值T，当差值图像某点的灰度值小于T时，认为背景点；反之，则认为运动目标点。

        背景差法的原理，如图7-12所示，由图可知，背景差法主要涉及背景提取、背景更新和阈值选取三个问题。在实际应用中，还要考虑运动目标的阴影和背景变化等因素的影响。

图7-12背景差法的原理

2.背景差法的算法推导

        在图像序列中，固定像素点的灰度值，通常在某一稳定值上下进行小幅振荡，当有某一位置有运动目标岀现时，在该位置的像素会有较大幅度的变化。

       利用视频图像序列灰度值变化的特征来提取背景图像，可采取的步骤如下。 

       (1)读入图像的N帧图像序列，对这些图像序列中每个对应的像素点取平均值，得到平均图像即为背景，完成初始化。

       (2)用当前帧和背景做差，通过比较各像素差值与固定的阈值来判断哪些像素属于前景(即目标)，哪些像素属于背景。

其计算公式为

       式中，fi为第i帧视频图像；B为提取的背景图像；T是灰度阈值；Gi为二值化后的差值图像。阈值T的选择，对最后的识别效果影响非常大，其选取原则是既可以将背景噪声和运动目标引起的变化分开，又能够消除噪声带来的影响。

        由式(7-14)中可知，背景差法需要一个合适的背景图像3来与当前图像做差。由于光线、温度、湿度等外部环境的影响，其背景是在缓慢变化的，但是在一段时间内可以认为是不变化的。背景图像的获取及更新对背景差法的最终效果会产生较大影响，因而在背景差法中不仅需要准确获得背景图像，还要在适当的时候对其进行更新，否则会导致很多识别误差。例如，一个进入监控区域的静止物体会被认为运动目标；一个离开监控区域的物体会会在以前停留的地方留下一个空洞，进而会被认为一个新的目标。

3.背景差法优缺点分析

        背景差法的优点是，原理简单、算法复杂度低、容易实现，而且能够得到较为完整的运动目标信息，因此在运动目标识别图像分析上应用很广泛，是常用算法之一。

        背景差法的缺点是，该方法过于依赖背景图像、而背景图像易受各种外部因素影响发生渐变或者突变，需要进行及时的背景更新，否则会影响最终目标识别的实时性。此外，该算法需要人为设定阈值，依赖具体应用而缺乏统一尺度。

帧间差法 1.帧间差法基本原理