为有效去除动态背景对弱小目标信号的干扰, 提出改进特征空间的红外弱小目标背景建模法来抑制背景。先采用改进的各向异性滤波算法从空域角度进行滤波以约束图像各个组分的差异, 紧接着取连续时间域上多帧滤波后的图像组成一个特征矩阵, 借助于主成分分析法进行特征分解, 最后将输入图像投影到特征空间上进行背景建模, 同时为了适应动态变化的背景, 在时域上以一定学习率来更新背景模型。实验结果表明, 提出的算法比传统的算法取得更好的背景估计效果, 结构相似性 SSIM、对比度增益 I和背景抑制因子 BIF分别大于 0.97、15.46和 5.25。

为了在多种环境条件下进行快速、高效的运动目标检测，提出一种基于新型背景提取的运动目标检测算法。首先，从视频中读取N帧连续图像，对任一像素位置，将每帧图像与其余图像对应位置依次作差，得到N组包含N个差值的差值序列；然后，基于矩形径向基函数，统计每个差值序列中属于矩形宽度内的差值个数；最后，将最大频率的差值序列所对应的像素值作为背景，通过背景减法提取运动目标。实验结果表明，在数据量一定的条件下，所提方法建立背景与真实背景的结构相似性值比ViBe算法高0.162，运动目标检测结果的precision、recall、F1-measure、假正率指标均优于ViBe算法和GMM算法。即所提算法是一种具有较高的精确性和抗干扰能力的运动目标检测算法。

针对视觉背景提取算法在复杂环境下检测出现鬼影现象、动态背景因素形成噪声干扰等问题,提出一种改进的视觉背景提取算法。通过创建辅助样本集,对复杂环境中像素点的重要特征信息进行收集;引入像素点鬼影因子和区域复杂度分析,自适应调节各像素点的匹配阈值和更新速率;最后通过基于滑动窗的像素点闪烁程度分析,将可能被误检为前景的噪声点向辅助样本中依概率更新。多场景下对比实验表明,该算法可将错分率降低至1.49%,且在检测时能快速消除鬼影现象,有效抑制动态背景产生的噪声干扰,同时保证前景目标能被完整识别,在复杂环境下的检测结果更加准确。

提出了一种基于动态序列噪声模板的主动式像素传感器(APS)星图去噪方法。该方法利用短时静态背景噪声与随机噪声阈值构建动态序列噪声模板,实现了对APS星图数据的去噪处理。以ZY-3卫星的APS原始星图作为实验数据进行研究,结果表明所提方法能很好地剔除条带和边缘噪声。与传统去噪处理方法相比,所提方法的星图质心提取精度提升了约12.98″;与全局阈值分割法相比,所提方法的星图质心提取精度提升了约2.16″;与静态背景噪声方法相比,所提方法的星图质心提取精度提升了约9.64″。这充分表明所提方法可有效提升APS恒星质心定位精度,适用于事后姿态处理。

针对视觉背景提取(Vibe)算法在目标检测过程中存在鬼影且易受动态背景干扰等问题,提出了一种基于多尺度空间的Vibe算法。在建立背景模型前,对输入的视频序列进行金字塔变换,得到顶层、中层、底层3种不同分辨率的图像;再在不同分辨率下进行Vibe前景检测,并对检测结果进行融合,减少了动态背景的影响,同时提出了一种鬼影消除策略,结合帧间信息,加入二次判断策略,加快了鬼影的消除;最后,为了更好地适应动态环境,提出了一种背景复杂度量,根据背景的复杂程度,自适应地调整阈值。实验结果表明:经改进的算法加快了鬼影的消除,对动态环境噪声的干扰有良好的稳健性。

基于卡尔曼滤波的背景差分算法存在背景更新不自适应，对光照变化、物体移入移出敏感等问题。提出了一种改进的以分类分块为核心的背景差分算法。首先，将前N帧视频序列图像求取均值得到初始背景模型；将第K帧图像与背景图像进行差分得到差分图像，再按照均值和标准差进行两次分类分块，分出前景块和背景块；在单个像素基础上对前景块进行背景细分割，确定运动目标区域；依据相邻两帧之间的灰度信息完成背景自适应更新。实验证明，本文算法能有效克服外界光线缓慢变化和背景中物体的轻微移动等问题。该算法具有较好的稳健性、相对较快的运算速度以及精确的运动目标区域。

针对传统运动目标检测算法在动态背景条件下难以准确检测出运动目标的问题, 提出了一种基于元胞自动机的动态背景运动目标检测算法。首先, 根据SLIC算法分割视频图像, 并应用多模态混合动态纹理模型对视频图像进行背景建模。然后, 融合空时显著性检测与基于元胞自动机的自动更新机制得到优化的显著性图。最后, 通过对优化后的显著性图做适当的阈值分割处理得到视频图像中的运动目标。实验仿真结果表明, 在动态背景条件下该算法可以有效的抑制视频图像中非运动目标的显著性物体对检测结果带来的影响, 检测运动目标的精度较高, 并且具有一定的鲁棒性。

针对视觉背景提取算法（ViBe）中出现的鬼影问题、不能很好适应背景高频扰动和摄像机抖动问题以及由于采用空间邻域扩散机制引起背景更新错误问题，提出一种改进的视觉背景提取算法。该算法结合视觉显著性判断背景模型中存在的鬼影目标，通过判断背景模型中每个像素点的鬼影程度，结合模糊准则自适应改变时间子采样因子，加快消除鬼影的速度；通过建立一个闪烁程度矩阵，判断背景高频扰动程度来设置自适应匹配阈值，加入小目标丢弃和空洞填充策略；统计前景像素24邻域区域的像素点个数，判断前景像素点是否为摄像机抖动或者背景更新错误引起的噪点，提高算法的稳健性。结果表明，改进后的算法可以很好地弥补经典ViBe算法的不足，准确率与识别率等指标均大大提升。

针对动态背景下运动目标的检测问题，提出了一种基于鲁棒M估计和Mean Shift聚类的目标检测新方法。首先，在考虑全局光照变化的情况下，构建鲁棒M估计器估计全局运动，以实现最小化相邻2帧图像中所有像素亮度的绝对残差和，根据M估计得到像素点权值，提取出代表局部运动信息的离群点；在离群点中均匀抽取网格点，然后利用Mean Shift聚类算法实现不同运动点的分割；根据聚类的结果生成凸包，准确分割出运动目标区域。实验结果表明，该方法能检测出动态背景下的多个运动目标区域，多目标检测准确度到达95%以上，并且只需两帧图像就可以准确检测并锁定运动目标，满足实时处理的要求，具有一定的工程意义.

由于视觉背景提取算法(ViBe)对存在动态背景的户外视频的前景检测结果依然不够精确, 故提出了一种改进的ViBe算法。文中描述了经典ViBe算法及其特点; 介绍了改进的ViBe算法针对动态背景的改进措施。该算法采用多帧连续图像初始化背景模型, 降低了单帧图像初始化所产生的“鬼影”对前景检测精度的影响; 在匹配过程中, 引入自适应的匹配阈值, 克服了单个的全局阈值对动态背景适应能力差的问题; 最后, 在更新过程引入空间一致性判断与模糊准则来减少算法的误检, 提高了算法的鲁棒性。实验结果表明, 该算法可以有效地检测动态背景下的运动目标, 检测准确率比经典ViBe算法提高了20%以上。