针对自然环境中因摄像机抖动造成无法准确检测运动目标的问题, 提出一种结合分块灰度投影、背景差分与连续帧间差分法的运动目标检测算法。该算法通过将图像帧进行分块处理, 结合离散化决策机制去除灰度梯度变化低及存在局部运动的目标区域, 提高全局运动矢量估计精度。根据块区域灰度投影曲线进行互相关计算, 完成抖动序列校正。通过对校正后的序列帧提出使用背景差分与连续三帧差分法的融合策略处理, 增强运动目标区域。通过将融合差分图像平滑处理并使用Otsu法进行自适应阈值分割, 检测前景运动目标。用公共抖动视频序列实验, 并与不同算法对比验证后可得：该算法可以准确检测出摄像机抖动场景中运动目标, 保证较好检测效果的同时检测速度较快。

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。

受到云层飘移、树木晃动、背景噪声杂波等因素的影响，红外弱小目标在地空背景下无法被精确检测。针对这个问题，本文提出了一种融合时空结构张量的背景差分检测算法。首先，通过当前图像与背景模型的比对确定出运动变化的全部像素，再用前景点计数的方法消除噪声等因素造成的孤立点错误检测；然后，时空结构张量模块利用连续帧图像的时间空间信息检测出运动块；最后，对前景目标像素和前景目标块进行融合操作，并将目标区别于背景二值化显示。与其它算法对比的实验结果表明，本文提出的算法具有稳定的检测率，且虚警率有明显降低，是地空背景下红外弱小运动目标检测的有效方法。

高效率的目标检测是视觉应用的重要技术,但运动目标的提取易受环境的影响。关联成像能够解决特殊环境下难以获得清晰图像和一些常规成像技术不易解决的问题。在目标检测中,利用关联成像采集图像信息并运用背景差分法在压缩域中获得目标图像的测量值,直接通过压缩感知重构出目标图像。这种方法可以解决在特殊情况下无法检测到目标的问题,同时检测到的目标图像清晰,采样次数少,信噪比也较高。

随着计算机视觉技术在图像处理与模式识别中应用的不断深入，人体 运动目标检测逐渐成为了备受人们关注的热点问题。提出了一种改进的人体运动目标检测算法。 用中值法提取了图像的背景，然后通过结合背景差分法和帧间差分法处理图像得到了运动目标区域。试验结果 表明，该方法可克服单种算法所带来的缺陷，同时还具有较高的准确性，且满足工程实时性的需 求。本文算法简单有效，适合应用在嵌入式平台上。

为了提高目标检测的实时性、准确性，本文提出一种改进的基于时空背景差分的目标检测方法。该方法利用视频序列建立基于像素值与纹理特征的时空背景模型；利用当前像素值和纹理特征值分别与背景模型进行差分，将满足阈值的像点分类为目标，反之为背景；最后利用图像与背景的差异更新阈值和背景模型。多个视频测试实验结果表明该方法在仅对灰度图像处理的情况下，内存占用少，准确率高，运算速度快，对较复杂场景具有一定的鲁棒性。

高质量光学元件表面缺陷中存在一些深度较浅或者宽度较窄的划痕,在暗场成像检测中,该类划痕产生的散射光灰度值很低,甚至淹没在背景光中,很难被目视或常规机器视觉识别,造成划痕缺陷的漏检.针对该问题,以既有的疵病检测系统为基础,根据划痕灰度的等级特征,提出双阈值法分类处理划痕缺陷.在低阈值的弱划痕处理中,根据弱划痕和背景的频率特征以及空间对比度特征,设计了频域滤波及背景差分算法.通过空间域以及频率域的滤波处理,排除高频噪声以及高亮度噪声,根据几何特征等提取弱划痕图像中的复杂背景.经差分处理后,提取弱划痕并增强对比度,最后与正常灰度级划痕信息一同通过高阈值(正常阈值)进行后续划痕的特征提取,即得到所有的划痕信息,为划痕缺陷总长度计算以及最大长度的分级判定奠定基础.实验结果表明,该算法避免了过低二值化阈值引入的背景等不规则噪声,使得划痕与背景的对比度大大增强.目前该算法已经应用于惯性约束聚变系统中大口径光学表面划痕的定量检测,并且使长度计量的准确度已提升到约80%.

提出了一种准确、快速的红外小目标单帧检测方法。该方法首先利用图像复原技术对红外小目标图像进行平滑预处理, 达到去噪、提高图像对比度的效果; 接着将滤波后的图像与原始图像做差分对消处理, 抑制背景杂波; 然后采用梯度法对残差图像进行锐化处理, 凸显小目标; 最后设置两个灰度级做阈值提取, 从而检测到红外小目标。仿真实验结果表明本算法能快速、准确的检测出目标点, 鲁棒性较好。

针对传统单高斯背景模型(SGM)存在的背景模型不能很好地自适应背景变化、目标检测不完整的问题，提出了一种改进的单高斯背景模型运动目标检测算法，该方法结合单高斯背景模型和mean shift原理对运动目标进行检测。取前N帧视频样本的均值作为初始背景模型，对当前帧图像进行运动目标的初检测，根据单高斯背景模型更新原理用当前帧图像对检测为背景的点进行背景模型更新，对更新后的背景模型中不属于背景点的像素点进行mean shift修正，将进行mean shift修正后得到的背景模型作为最终的背景模型，再通过背景差分法最终检测出运动目标。实验表明，改进的算法能很好地克服背景模型不能自适应背景变化的缺点，目标检测完整度比传统的单高斯模型高。