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。

针对传统视觉背景提取(visual background extractor, ViBe)算法在进行行人检测时会产生鬼影的缺点, 本文提出了一种基于改进的 ViBe和 YOLO v3算法的行人检测方法。利用改进的 YOLO v3算法 YOLO v3-SPP(spatial pyramid pooling)对 ViBe算法的初始化策略进行改进以消除鬼影。运用 YOLO v3-SPP算法对首帧图像进行行人检测, 使用本文提出的行人消除方法将检测出的行人进行消除, 并将输出图像代替 ViBe算法的首帧, 从而达到消除鬼影的目的。经过分析和实验验证, 结果表明该算法能够有效解决鬼影问题。

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。

针对经典视觉背景提取算法长时间存在鬼影、动态背景导致的高频噪声以及背景模型误更新等问题,提出一种改进的视觉背景提取算法。该算法将原始图像分割为若干个超像素区域，在超像素分割区域，对视觉背景提取算法检测结果进行像素点再分类，在目标检测的初始阶段实现鬼影信息的准确检测，并更新鬼影区域像素点的背景模型，从根本上解决了全局范围内鬼影检测的难题。根据运动目标的超像素对前景目标内的空洞进行快速纠正，实现前景目标的小范围填补，同时完成对背景超像素内高频噪声的检测和滤波，并增强检测结果的稳健性。利用数据集进行的测试实验结果表明，与传统算法相比较，该算法的精确率和识别率等指标均显著提高。

为了提高视觉背景提取(ViBe)算法的检测效果和检测速度, 对其进行改进和并行化处理。该算法基于像素及其邻域像素之间的差值构建最终的背景样本, 减少边缘噪声对于检测精度的影响; 背景样本更新阶段中使用自适应的时间二次抽样因子, 加快消除单帧初始化所形成的“鬼影”, 提高算法的健壮性。同时分析了ViBe算法的并行点, 并用CUDA语言实现该算法。实验结果表明, 该算法能有效减少边缘噪声, 快速消除“鬼影”, 且检测速度较CPU端有大幅提升。

Sigma-Delta背景估计是一种有效的运动目标检测算法，能够用较小的计算量达到较好的检测效果，但是该算法未进行模型初始化，无法清除初始背景模型中的目标图像。针对此问题，采用均值法进行背景模型初始化，清除目标图像，得到“干净”的背景模型。为提高适应能力，利用视觉背景提取ViBe随机更新的策略进行背景更新。在前景检测方面，提出基于RGB颜色空间的Sigma-Delta算法，并通过阈值化处理减少噪点、提高检测质量。实验结果表明，改进算法能够得到“干净”的背景模型，适应环境能力强，检测图像噪点少、检测质量较高。

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。

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。

为了克服背景差分法和帧间差分法的不足，有效提高运动目标检测的准确性、实时性和检测效率，提出了一种将连续帧间差分法与背景差分法相结合的运动目标检测方法.首先通过连续帧间差分法获得连续帧差图像，然后分别通过线性的自适应滤波、非线性的中值滤波获得背景图像进行差分，之后再利用阈值分割技术实现运动目标的增强，从而有效解决背景差分法和帧间差分法中都可能出现的无法检测目标的现象.实验表明，该算法可以有效避免漏检、误检等情况，提高运动目标检测的效率和准确性.

背景重构是视频图像处理领域的支撑性工作之一.针对传统的背景重构算法运算复杂、背景图像失真等不足，本文提出了一种像素序列形态适应性背景重构算法.该算法通过提取像素序列形态特征进行分类处理，不同形态适用独立的背景提取策略、背景更新时刻和背景更新策略.实验结果验证表明：该算法无需对视频场景中的背景和运动目标建立模型，可直接从一组含有运动前景的视频图像中准确地重构背景，并有效避免混合现象；背景缓慢变化和突变时，亦可快速有效地完成背景重构.