运动背景下的运动目标检测

各种目标检测方法介绍（懒人可以直接略过）

　　目标检测是一个老话题了，在很多算法当中都有它的身影。目标检测要做的就两件事：检测当前图片中有没有目标？如果有的话，在哪？按照先验知识和背景运动来划分的话，目标检测方法大概可以分为两大类：

　　第一，已知目标的先验知识。在这种情况下检测目标有两类方法，第一类方法是用目标的先验知识训练一堆弱分类器，然后这些弱分类器一起投票来检测目标，如boosting,  random forest 都是这个思路，大家熟知的adaboost人脸检测也是如此，这一类方法我会在以后的文章中讨论。第二类方法是根据先验知识找到目标和非目标的最佳划分线，如SVM.这两类方法各成一家，各有所长，都有着不错的表现。

　　第二，未知目标的先验知识。此时不知道要检测的目标是什么，于是什么是目标就有了不同的定义。一种方法是检测场景中的显著目标，如通过一些特征表达出场景中每个像素的显著性概率，然后找到显著目标。另一种方法就是检测场景当中的运动目标了，这也是本文下面将要讨论的重点内容。

　　在检测运动目标时，如果背景是静止的，so easy,略过。当背景也跟随一起运动时就比较麻烦了，现如今大概有两种方法来处理。第一种方法是背景补偿，即通过平移，缩放，仿射变换等计算出背景的运动，然后补偿背景再做差分。不过这种方法有两个问题，一是仿射变换运算量巨大，二是即使求出背景补偿向量，背景中的远景和近景的向量也会有相对误差，所以这种方法几乎不可行。第二种方法就是传说中的optical flow（光流）了，下面进入正文。

正文