公安警务领域的运动目标检测东莞监控安装公司表示通过与处理、背景建模、目标分割等流程从视频或图像中提出感兴趣的目标，如人、车、物等，并确定当前目标所在画面的位置、大小，为后续的行人识别、车辆识别等做准备。运动目标检测是后续跟踪识识别等算法的基础，其准确率和性能直接影响了后续算法分为基于背景建模的检测算法和基于目标建模的检测算法。

        （1）基于背景建模的运动目标检测

        基于背景建模的运动目标检测具有简单、速度快、受遮挡影响小等优势，但是背景建模要求背景固定、目标运动。东莞监控安装公司表示因此在要求实时性强、摄像机固定的场景中应用广泛。

        基于背景建模的运动目标检测首先进行背景建模，然后通过当前画面与背景图像的相减即可得到运动目标。但是模型建立后，可能对场景的变化比如光、云影、树叶、波浪等比较敏感，而良好的背景模型能消除或减少背景动态花边对于运动目标检测带来的影响。

        目前有很多致力于背景建模与维护，如卡尔曼滤波建模、均值滤波、非参数化模型、近似种植滤波、线性滤波、近似中值滤波、基于高斯假设的迭代方法、基于聚类的方法、基于隐马尔科夫的方法、基于自回归模型的方法、东莞监控安装公司表示还有基于在线学习的方法以及基于时空背景随机更新的VIBE方法，其中，混合多高斯背景建模方法是目前普遍应用的一种前景提取方法。

        （2）基于目标建模的运动目标检测

        想对比基于背景建模的防范，基于目标建模的运动目标检测能良好的适应背景的运动，对目标的运动状态也没有要求，但是由于要对大量训练目标进行统计学习，所以速度相对比较慢，一般适用于对实习性要求不强的应用场景。基于目标建模的运动目标检测一般采用滑动窗口的策略，扫描每个滑动窗口的图像，根据模型判定图像是目标还是背景，目标检测的效果取决于模型的鲁棒性。

        东莞监控安装公司表示根据建模的方法不同，基于滑动窗口的目标检测主要分为刚性全局模板检测模型、基于视觉词典的检测模型、基于部件的检测模型和深度学习模型等，其中刚性全局模板检测模型中的梯度方向直方图特征，成为近年来最有影响力和最为成功的特征之一，而基于深度学习的目标检测模型正在成为研究的热点。

        以上文章来源由东莞监控安装http://www.chtonb.com.cn/创通宝科技整理提供。