监控系统下的运动目标检测方法[文献综述]
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
参考文献
[1]Antoine Manzanera,Julien C. Richefeu.A new motion detection algorithm based onR–Dbackground estimation[J].Elsevier B.V.,2007(28):320-328
[2]M. Kirchhof,U. Stilla.Detection of moving objects in airborne thermal videos[J].Elsevier B.V.,2006(61):187-196
，（2.1.2）
。（2.1.3）
得到运动目标的运动矢量场后，可以对矢量场图像进行分割以获得运动区域。首先由矢量场图像的均值确定阈值。然后对图像进行快速的阈值分割，得到初始的分割图像并对其进行中值滤波和闭运算。最后，由光流检测和形态滤波处理得到的运动目标区域，通过连通分量分析最终确定运动目标的位置。
2.1.3.该方法的特点：
（2.1.1）
为了估算出 和 这4个参数，选择用块匹配法计算获取全剧运动矢量观测值。整个参数估计算法步骤如下：
（1）将每一帧图像划分成16*16的块，使用块匹配计算每一个块的运动矢量。
（2）将所有块的运动矢量归入数据估计集中。
（3）使用最小二乘法估计运动仿射模型的参数，使均方误差最小。
（4）使用运动仿射模型计算出运动矢量，并与块运动矢量计算二者的平均误差值。
（2.2.1）
式（2.2.1）中 、 为当前帧及前一帧在位置 处的像素亮度值。
（2.2.2）
（2.2.3）
式（2.2.2）中 为每个 大小的自快内像素亮度差的平均值，式（2.2.3）求取每个子块帧差值的阶中心矩 。在求取三阶中心矩时，将差分图像划分成 或 大小的方块。
（2.2.4）
通过对大量序列的统计实验结果得到，背景块的 取值范围为 ，小于1；而前景块的 取值范围为 ，两者的三阶中心矩的数值相差数十倍。式（2.2.4）中BGI为背景块标识，当 1时表明对应的块符合高斯分布，判断为背景块，将BGI置为0，否则判断为前景块，将BGI置为1。
（5）将块运动矢量中所有估计误差小于（4）中平均误差值的块标记为剔除块，从数据估计集中剔除。
（6）如果新的估计数据集中的数据与上次迭代的数据相同时，停止循环，否则转（3）。
2.1.2基于全局运动补偿的Horn-Schunck算法[1]
先通过对全局运动进行补偿，然后采用Horn-Schunck算法进行迭代，计算出局部运动区域的矢量场。由全局运动模型可计算得到图像中每一点的全局运动矢量 ，假设由运动物体引起的局部运动矢量为 ，且初始化为0。进行补偿后， ，根据Horn-Schunck算法的迭代方程（式（2.1.2）（2.1.3））进行迭代计算，能够较准确地计算出局部运动区域的矢量场。
（2.3.18）
（2.3.19）
2.3.6该方法的特点：
该算法的优点：能够精确地检测出运动目标的轮廓和位置，能较好地抑制噪声，且能消除背景变化带来的干扰等。该算法的缺点是在处理上有一帧时间的滞后。
3．结论
通过阅读参考文献，我们了解到：不同的算法各有优缺点，有的检测效果好，但算法复杂实时性差。有的算法计算简单，但抗干扰能力差。针对这些优缺点，目前许多目标检测的研究开始围绕着多种方法融合的方向展开。预计在未来一段时间内，更多混合的运动目标检测方法将会被提出。
2.2.2.2背景区域内计算阈值：
背景区域内的帧差值d符合高斯分布，可表示为 ，由式（2.2.5）、（2.2.6）可以求取背景区域内的高斯分布参数均值 和标准差 。
（2.2.5）
（2.2.6）
式（2.2.6）中 为相邻帧差图像中所有背景块内像素点的总数。将 化成标准正态分布 ，即 形式。假设噪声点的比例为 ，当Z=1.65时， ，可得到 ，round为向下取整函数。
（2.2.9）
2.2.3.3生成背景掩膜：
将当前帧与式（2.2.9）得到的背景帧对应像素相减可以得到背景帧差 ，见式（2.2.10）。
（2.2.10）
背景帧差 与阈值 比较，即可得到背景掩膜 中各点的值 。
（2.2.11）
2.2.3.4运动对象检测：
如果当前时刻像素点 满足条件时 ，也即该点属于背景的可能性是比较大的，那么背景掩膜 能更好地反映当前点的状态；否则，当前帧掩膜 能更好地反映当前点的状态。由当前帧掩膜 和背景掩膜 生成运动对象掩膜 ，并利用其进行运动对象检测。
那么通过如下的算法，就可得到 的中间图像 ，即：
（2.3.5）
其中 ， 。式（5）中的 为噪声抑制系数。由于 中像素的灰度值可能出现负数，因此我们作如下的处理：
（2.3.6）
对图像 在区间 上的部分直方图 做平滑性处理：
当 时：
否则 。
由此得到新的部分直方图 。其中,系数 是对高斯函数较好地近似。然后求 的最高峰值右侧谷点对应的灰度值T即为所求的阈值。
下面我着重用三种方法来探测移动目标：光流法、相邻帧的减法、背景减法。着重介绍三种移动目标检测方法的基本理论、特点及应用情况。
2.国内外研究现状和主要方法
2.1光流法：
2.1.1全局运动模型及参数估计[1]
为了满足视频监控和视频跟踪等应用需求，假设视场中存在着若干个运动物体。因此，选择四参数运动仿射模型描述全剧运动，即
（2.3.11）
根据定义,该条件概率密度函数可以看作是随机变量 的q维联合概率密度函数的多维和。因此,得到有效性测试为:
（2.3.12）
其中erf(·)是误差函数。
为了降低分类的计算复杂度,采用绝对值推导活动索引。活动索引可以表示为：
（2.3.13）
定义分类结果的集合 为:
（2.3.14）
最终的变化检测掩模则Leabharlann Baidu示为:
监控系统下的运动目标检测方法
热感应监控系统下的运动目标检测方法的文献综述
1.问题背景
本课题的研究内容为热感应监控系统下的运动目标的检测方法。目前常用的运动目标检测方法有：：帧差法、背景减法、光流法及运动能量法。随着科技的发展、社会的进步、人民生活水平的提高，团体和个人的安防意识都在不断增强，视频监控系统也就得到了越来越广泛的应用。目前，它已经广泛地应用于银行、博物馆、交通道路、商业、军事、公安、电力、厂矿、智能小区等系统和领域的安全监控、自动监控和远程监控中。监控系统的功能也从原来简单的对视频信号进行人工监视，系统多画面显示及硬盘录象类的简单功能，发展到利用计算机实现智能的运动检测和目标跟踪。
优点是能够有效地对静态和动态场景中的运动目标进行检测，缺点是抗噪性能差，计算方法复杂。
2.2相邻帧的减法：
2.2.1利用相邻帧和背景的运动对象检测算法思想：[10]
首先，根据时间差分法的思想，计算输入视频序列中相邻两帧对应像素差，得到当前帧差图 ，基于统计的方法得到 中的背景区域，进而计算出用于判断背景点的阈值 ，当前帧差亮度值与 做比较生成当前帧掩膜 ；其次利用背景减法的思想，通过累积帧差掩膜信息得到背景帧序列B，将当前帧与背景帧相减得到背景帧差 ，背景帧差亮度值与 做比较得到背景掩膜 ；由 与 生成运动对象掩膜 ，利用 进行运动对象检测，为了消除检测噪声，提高检测精度，使用形态学的腐蚀、扩张处理方法。
[3] Gupt S, Masound O, Martin RFK, etal. Detection and classification for vehicles [J].I EEE Transactions on Intelligent Transportation Systems, 2002, 3(1): 37-47.
2.2.2确定判断背景点的阈值：[10]
该文算法中阈值 的确定分为两个步骤：首先，将当前相邻帧差图 划分成若干个图像子块，根据每个子块的3阶中心矩大小确定出背景区域；然后根据背景区域符合高斯分布的特性来确定阈值 。为了使阈值能够根据视频内容变化及时更新，本文采取定时(如每秒1次)更新 的方式。
2.2.2.1帧差图中背景区域的确定：
（2.3.15）
2.3.5．背景更新[8]
由公式(2.3.1)可知每一个象素的背景差分值 ,于是可以得到变化检测掩模如下:
（2.3.16）
从两个相邻更新间隔的图像中获取n时刻的运动模板 ,设在更新间隔n和n-1时刻的变化检测掩模分别为 和 ,则
(2.3.17)
按照公式(12)获取的背景称为瞬时背景 ,再按照公式(13)可得：
（2.3.8）
其中 是真实强度值。假定在差分图像中没有对象，即没有前景目标。则 ( 为背景真实强度值)。称该假设为无假设 。当 有效时，差值
（2.3.9）
由于 的概率密度函数( pdf)是高斯函数， 仍然是高斯随机变量。 的pdf参数为 和 。给定 ， 的条件pdf定义为：
（2.3.10）
考察随机变量：
2.3.2获取差图像：[9]
设 ， ， 是图像序列中的连续三帧图像,通过常规二帧差分法可得到差图像 ， ：
（2.3.1）
（2.3.2）
三帧差分法则是对差图像 ， 进行“AND”运算,即：
（2.3.3）
2.3.3运动信息提取：[9]
设差图像 的大小为 ，图像的灰度级为 ，即像素的灰度值在区间 上取值，灰度值为0代表最暗，灰度值为L-1代表最亮。如果用 表示图像 的灰度均值，即： （2.3.4）
（2.2.12）
在运动对象掩膜 中， 值为1的点被检测为运动像素点， 值为0的点为背景点。
2.2.4该方法的特点：
优点：对动态变化环境中的运动目标检测有较强的自适应性；缺点：不能完全提取所有相关的特征像素点，得到的背景并不是纯背景图像，故检测结果并不十分精确，在运动尸体内部易产生空洞现象，不利于进一步的目标分析与识别。
2.3背景相减法：
2.3.1运动目标检测方法流程图：[9]
2.3.1.1该文提出的运动目标检测方法的流程图如图下图所示:
2.3.1.2该方法分为三个步骤:
1)利用三帧差分法得出差图像d ;
2)对差图像d进行处理,得到中间图像 ,对 进行直方图平滑处理,滤去噪声干扰;
3)求分割阈值T,对差图像d进行阈值分割,从而获得运动目标的位置和轮廓。
2.2.3.2背景帧生成与维护
令 为像素点 在相邻帧内被判断为前景点的次数，即
式（2.2.8）中的N取值为6， 表示在6帧中像素点属于背景点的可能性，取值为 。
（2.2.8）
给出定义：对任意点 ，如果 ，则称 为确定的背景点， 用于确定背景点的阈值。
背景帧B中各点的亮度值记为 ，在该文中 值取0.8，表明点 在连续N帧内有 帧被检测为背景点。
在监控系统中，运动目标的检测是其智能化程度的重要体现。一个能够克服外界干扰，从而清楚的检测到运动目标的算法，己经成为研究人员的共同研究目标。在外界的众多干扰中，尤其以光线的干扰为重。在对于、光线干扰的克服方面，大家进行了大量的研究，并且在不同程度上取得了一定的成就，但仍然存在着一些局限性，尤其在光线强烈变化的情况下。
将相邻帧差图从左到右，从上到下按空间顺序，分成若干个图像子块，每个子块大小为 ，差分子块包含背景子块和前景子块两种类型，背景子块中的随机噪声点符合高斯分布 ；在确定背景块时，本文首先用式(1)计算出相邻两帧对应位置的像素亮度差 ，然后根据统计学原理，利用式(2)和式(3)计算出帧差图中每个子块的三阶中心矩；最后根据三阶中心矩的取值确定每个子块是否具有高斯分布，并利用式(4)判定该块是否为背景块。
2.2.3运动对象检测：[10]
2.2.3.1生成当前帧掩膜
在求得背景点阈值的基础上，可根据帧差图 中的各点的值与阈值 的关系，由式（2.2.7）生成当前帧掩膜。
（2.2.7）
式（2.2.7）中 表示帧差图 中像素 在当前时刻t与阈值 比较后的结果， 值为1，表示该点被判断为前景点， 值为0，则说明该点有可能为背景点，用 表示整帧的 ，即为当前帧掩膜。
得到阈值T后，利用下面公式二值化查图像d。即令：
利用上述方法二值化差图像 后，其中包含真正的运动信息。
2.3.4目标检测[8]
2.3.4.1运动目标的提取
设n时刻背景参考图像为 ，当前帧图像为 ，则背景差分图像为：
(2.3.7)
对于运动目标检测的判断依据为：若 ，则 点属于运动目标象素，反之属于背景点象素。这里的T是门限阈值。首先需要评估活动值是由运动对象造成的，还是由摄像头的噪声造成的。假设摄像头的噪声是叠加噪声，遵从高斯分布。描述该分布的参数有均值 和标准差 。噪声假设是和空间和时间无关的。基于这些假设，第n帧颜色通道i的强度观测值 可以表达为：
[1]Antoine Manzanera,Julien C. Richefeu.A new motion detection algorithm based onR–Dbackground estimation[J].Elsevier B.V.,2007(28):320-328
[2]M. Kirchhof,U. Stilla.Detection of moving objects in airborne thermal videos[J].Elsevier B.V.,2006(61):187-196
，（2.1.2）
。（2.1.3）
得到运动目标的运动矢量场后，可以对矢量场图像进行分割以获得运动区域。首先由矢量场图像的均值确定阈值。然后对图像进行快速的阈值分割，得到初始的分割图像并对其进行中值滤波和闭运算。最后，由光流检测和形态滤波处理得到的运动目标区域，通过连通分量分析最终确定运动目标的位置。
2.1.3.该方法的特点：
（2.1.1）
为了估算出 和 这4个参数，选择用块匹配法计算获取全剧运动矢量观测值。整个参数估计算法步骤如下：
（1）将每一帧图像划分成16*16的块，使用块匹配计算每一个块的运动矢量。
（2）将所有块的运动矢量归入数据估计集中。
（3）使用最小二乘法估计运动仿射模型的参数，使均方误差最小。
（4）使用运动仿射模型计算出运动矢量，并与块运动矢量计算二者的平均误差值。
（2.2.1）
式（2.2.1）中 、 为当前帧及前一帧在位置 处的像素亮度值。
（2.2.2）
（2.2.3）
式（2.2.2）中 为每个 大小的自快内像素亮度差的平均值，式（2.2.3）求取每个子块帧差值的阶中心矩 。在求取三阶中心矩时，将差分图像划分成 或 大小的方块。
（2.2.4）
通过对大量序列的统计实验结果得到，背景块的 取值范围为 ，小于1；而前景块的 取值范围为 ，两者的三阶中心矩的数值相差数十倍。式（2.2.4）中BGI为背景块标识，当 1时表明对应的块符合高斯分布，判断为背景块，将BGI置为0，否则判断为前景块，将BGI置为1。
（5）将块运动矢量中所有估计误差小于（4）中平均误差值的块标记为剔除块，从数据估计集中剔除。
（6）如果新的估计数据集中的数据与上次迭代的数据相同时，停止循环，否则转（3）。
2.1.2基于全局运动补偿的Horn-Schunck算法[1]
先通过对全局运动进行补偿，然后采用Horn-Schunck算法进行迭代，计算出局部运动区域的矢量场。由全局运动模型可计算得到图像中每一点的全局运动矢量 ，假设由运动物体引起的局部运动矢量为 ，且初始化为0。进行补偿后， ，根据Horn-Schunck算法的迭代方程（式（2.1.2）（2.1.3））进行迭代计算，能够较准确地计算出局部运动区域的矢量场。
（2.3.18）
（2.3.19）
2.3.6该方法的特点：
该算法的优点：能够精确地检测出运动目标的轮廓和位置，能较好地抑制噪声，且能消除背景变化带来的干扰等。该算法的缺点是在处理上有一帧时间的滞后。
3．结论
通过阅读参考文献，我们了解到：不同的算法各有优缺点，有的检测效果好，但算法复杂实时性差。有的算法计算简单，但抗干扰能力差。针对这些优缺点，目前许多目标检测的研究开始围绕着多种方法融合的方向展开。预计在未来一段时间内，更多混合的运动目标检测方法将会被提出。
2.2.2.2背景区域内计算阈值：
背景区域内的帧差值d符合高斯分布，可表示为 ，由式（2.2.5）、（2.2.6）可以求取背景区域内的高斯分布参数均值 和标准差 。
（2.2.5）
（2.2.6）
式（2.2.6）中 为相邻帧差图像中所有背景块内像素点的总数。将 化成标准正态分布 ，即 形式。假设噪声点的比例为 ，当Z=1.65时， ，可得到 ，round为向下取整函数。
（2.2.9）
2.2.3.3生成背景掩膜：
将当前帧与式（2.2.9）得到的背景帧对应像素相减可以得到背景帧差 ，见式（2.2.10）。
（2.2.10）
背景帧差 与阈值 比较，即可得到背景掩膜 中各点的值 。
（2.2.11）
2.2.3.4运动对象检测：
如果当前时刻像素点 满足条件时 ，也即该点属于背景的可能性是比较大的，那么背景掩膜 能更好地反映当前点的状态；否则，当前帧掩膜 能更好地反映当前点的状态。由当前帧掩膜 和背景掩膜 生成运动对象掩膜 ，并利用其进行运动对象检测。
那么通过如下的算法，就可得到 的中间图像 ，即：
（2.3.5）
其中 ， 。式（5）中的 为噪声抑制系数。由于 中像素的灰度值可能出现负数，因此我们作如下的处理：
（2.3.6）
对图像 在区间 上的部分直方图 做平滑性处理：
当 时：
否则 。
由此得到新的部分直方图 。其中,系数 是对高斯函数较好地近似。然后求 的最高峰值右侧谷点对应的灰度值T即为所求的阈值。
下面我着重用三种方法来探测移动目标：光流法、相邻帧的减法、背景减法。着重介绍三种移动目标检测方法的基本理论、特点及应用情况。
2.国内外研究现状和主要方法
2.1光流法：
2.1.1全局运动模型及参数估计[1]
为了满足视频监控和视频跟踪等应用需求，假设视场中存在着若干个运动物体。因此，选择四参数运动仿射模型描述全剧运动，即
（2.3.11）
根据定义,该条件概率密度函数可以看作是随机变量 的q维联合概率密度函数的多维和。因此,得到有效性测试为:
（2.3.12）
其中erf(·)是误差函数。
为了降低分类的计算复杂度,采用绝对值推导活动索引。活动索引可以表示为：
（2.3.13）
定义分类结果的集合 为:
（2.3.14）
最终的变化检测掩模则Leabharlann Baidu示为:
监控系统下的运动目标检测方法
热感应监控系统下的运动目标检测方法的文献综述
1.问题背景
本课题的研究内容为热感应监控系统下的运动目标的检测方法。目前常用的运动目标检测方法有：：帧差法、背景减法、光流法及运动能量法。随着科技的发展、社会的进步、人民生活水平的提高，团体和个人的安防意识都在不断增强，视频监控系统也就得到了越来越广泛的应用。目前，它已经广泛地应用于银行、博物馆、交通道路、商业、军事、公安、电力、厂矿、智能小区等系统和领域的安全监控、自动监控和远程监控中。监控系统的功能也从原来简单的对视频信号进行人工监视，系统多画面显示及硬盘录象类的简单功能，发展到利用计算机实现智能的运动检测和目标跟踪。
优点是能够有效地对静态和动态场景中的运动目标进行检测，缺点是抗噪性能差，计算方法复杂。
2.2相邻帧的减法：
2.2.1利用相邻帧和背景的运动对象检测算法思想：[10]
首先，根据时间差分法的思想，计算输入视频序列中相邻两帧对应像素差，得到当前帧差图 ，基于统计的方法得到 中的背景区域，进而计算出用于判断背景点的阈值 ，当前帧差亮度值与 做比较生成当前帧掩膜 ；其次利用背景减法的思想，通过累积帧差掩膜信息得到背景帧序列B，将当前帧与背景帧相减得到背景帧差 ，背景帧差亮度值与 做比较得到背景掩膜 ；由 与 生成运动对象掩膜 ，利用 进行运动对象检测，为了消除检测噪声，提高检测精度，使用形态学的腐蚀、扩张处理方法。
[3] Gupt S, Masound O, Martin RFK, etal. Detection and classification for vehicles [J].I EEE Transactions on Intelligent Transportation Systems, 2002, 3(1): 37-47.
2.2.2确定判断背景点的阈值：[10]
该文算法中阈值 的确定分为两个步骤：首先，将当前相邻帧差图 划分成若干个图像子块，根据每个子块的3阶中心矩大小确定出背景区域；然后根据背景区域符合高斯分布的特性来确定阈值 。为了使阈值能够根据视频内容变化及时更新，本文采取定时(如每秒1次)更新 的方式。
2.2.2.1帧差图中背景区域的确定：
（2.3.15）
2.3.5．背景更新[8]
由公式(2.3.1)可知每一个象素的背景差分值 ,于是可以得到变化检测掩模如下:
（2.3.16）
从两个相邻更新间隔的图像中获取n时刻的运动模板 ,设在更新间隔n和n-1时刻的变化检测掩模分别为 和 ,则
(2.3.17)
按照公式(12)获取的背景称为瞬时背景 ,再按照公式(13)可得：
（2.3.8）
其中 是真实强度值。假定在差分图像中没有对象，即没有前景目标。则 ( 为背景真实强度值)。称该假设为无假设 。当 有效时，差值
（2.3.9）
由于 的概率密度函数( pdf)是高斯函数， 仍然是高斯随机变量。 的pdf参数为 和 。给定 ， 的条件pdf定义为：
（2.3.10）
考察随机变量：
2.3.2获取差图像：[9]
设 ， ， 是图像序列中的连续三帧图像,通过常规二帧差分法可得到差图像 ， ：
（2.3.1）
（2.3.2）
三帧差分法则是对差图像 ， 进行“AND”运算,即：
（2.3.3）
2.3.3运动信息提取：[9]
设差图像 的大小为 ，图像的灰度级为 ，即像素的灰度值在区间 上取值，灰度值为0代表最暗，灰度值为L-1代表最亮。如果用 表示图像 的灰度均值，即： （2.3.4）
（2.2.12）
在运动对象掩膜 中， 值为1的点被检测为运动像素点， 值为0的点为背景点。
2.2.4该方法的特点：
优点：对动态变化环境中的运动目标检测有较强的自适应性；缺点：不能完全提取所有相关的特征像素点，得到的背景并不是纯背景图像，故检测结果并不十分精确，在运动尸体内部易产生空洞现象，不利于进一步的目标分析与识别。
2.3背景相减法：
2.3.1运动目标检测方法流程图：[9]
2.3.1.1该文提出的运动目标检测方法的流程图如图下图所示:
2.3.1.2该方法分为三个步骤:
1)利用三帧差分法得出差图像d ;
2)对差图像d进行处理,得到中间图像 ,对 进行直方图平滑处理,滤去噪声干扰;
3)求分割阈值T,对差图像d进行阈值分割,从而获得运动目标的位置和轮廓。
2.2.3.2背景帧生成与维护
令 为像素点 在相邻帧内被判断为前景点的次数，即
式（2.2.8）中的N取值为6， 表示在6帧中像素点属于背景点的可能性，取值为 。
（2.2.8）
给出定义：对任意点 ，如果 ，则称 为确定的背景点， 用于确定背景点的阈值。
背景帧B中各点的亮度值记为 ，在该文中 值取0.8，表明点 在连续N帧内有 帧被检测为背景点。
在监控系统中，运动目标的检测是其智能化程度的重要体现。一个能够克服外界干扰，从而清楚的检测到运动目标的算法，己经成为研究人员的共同研究目标。在外界的众多干扰中，尤其以光线的干扰为重。在对于、光线干扰的克服方面，大家进行了大量的研究，并且在不同程度上取得了一定的成就，但仍然存在着一些局限性，尤其在光线强烈变化的情况下。
将相邻帧差图从左到右，从上到下按空间顺序，分成若干个图像子块，每个子块大小为 ，差分子块包含背景子块和前景子块两种类型，背景子块中的随机噪声点符合高斯分布 ；在确定背景块时，本文首先用式(1)计算出相邻两帧对应位置的像素亮度差 ，然后根据统计学原理，利用式(2)和式(3)计算出帧差图中每个子块的三阶中心矩；最后根据三阶中心矩的取值确定每个子块是否具有高斯分布，并利用式(4)判定该块是否为背景块。
2.2.3运动对象检测：[10]
2.2.3.1生成当前帧掩膜
在求得背景点阈值的基础上，可根据帧差图 中的各点的值与阈值 的关系，由式（2.2.7）生成当前帧掩膜。
（2.2.7）
式（2.2.7）中 表示帧差图 中像素 在当前时刻t与阈值 比较后的结果， 值为1，表示该点被判断为前景点， 值为0，则说明该点有可能为背景点，用 表示整帧的 ，即为当前帧掩膜。
得到阈值T后，利用下面公式二值化查图像d。即令：
利用上述方法二值化差图像 后，其中包含真正的运动信息。
2.3.4目标检测[8]
2.3.4.1运动目标的提取
设n时刻背景参考图像为 ，当前帧图像为 ，则背景差分图像为：
(2.3.7)
对于运动目标检测的判断依据为：若 ，则 点属于运动目标象素，反之属于背景点象素。这里的T是门限阈值。首先需要评估活动值是由运动对象造成的，还是由摄像头的噪声造成的。假设摄像头的噪声是叠加噪声，遵从高斯分布。描述该分布的参数有均值 和标准差 。噪声假设是和空间和时间无关的。基于这些假设，第n帧颜色通道i的强度观测值 可以表达为：