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。

在雨雪纷飞、不停波动的湖面等自然背景下，运动目标检测的准确性会受到巨大影响。因此，在动态背景中将前景目标准确地提取出来是复杂场景下运动目标检测的首要任务。针对现有visual background extractor（Vibe）算法在复杂背景下检测效果较差且易受光照变化影响的问题，提出了一种将Vibe算法与改进局部二值模式（LBP）特征算子结合的运动目标检测算法。首先，计算并保存每一帧的LBP值图像，采用相邻帧补偿策略稳定图像，减少光照对灰度值的影响。然后，使用Vibe算法建立背景模型，用改进的LBP值代替灰度值来进行前景检测。最后，进行形态学操作得到最终的前景目标。实验结果表明，所提算法和其他传统算法相比，对动态背景的抑制效果好，对比原始Vibe算法召回率平均提升25.6%，准确率平均提升12.5%，误检率平均降低22.6%。

背景减除法是视频序列中运动目标检测最常用的方法之一。为了能够准确、快速完成视频序列的背景建模，精确地检测出运动前景，提出一种融合图像颜色和纹理特征的背景建模方法。首先，采用核密度估计法和模式核密度估计法分别对视频图像的RGB颜色空间和Haar local binary pattern（HLBP）纹理进行建模，得到颜色和纹理模型。然后，采用归一化和两次阈值判断的方式对颜色和纹理模型进行融合，设置合适的阈值使颜色和纹理模型优势互补，形成背景模型。最后，使用背景模型检测视频序列的运动前景，并完成背景模型的更新。实验结果表明，所提方法能够很好应对动态背景和含有阴影的场景，在测试集上的平均F1-score为0.8471，优于常用算法，平均帧率为25.57 frame·s^-1，达到实时性要求。

在具有动态背景或测量噪声的场景中,基于核范数约束的低秩稀疏分解背景建模算法容易将运动的背景或噪声作为前景的一部分与前景同时分离出来,对复杂背景的建模性能表现不佳。针对此问题,提出一种加权Schatten-p范数与结构化稀疏分解的视频前背景分离算法。首先,因加权Schatten-p范数比核范数能够更好地抑制测量噪声,故采用加权Schatten-p范数对背景矩阵进行约束;其次,利用前景在空间上具有连续变化这一结构先验知识,对前景矩阵采用结构化稀疏约束,并在此基础上建立一种视频前背景分离模型;最后,利用增广拉格朗日方法与广义软阈值算法,设计了加权Schatten-p范数与结构稀疏分解算法。数值实验表明:与其他5种主流算法相比,所提算法在具有动态背景的场景中能更准确地分离目标。

针对灰度视频的目标检测依赖先验知识、召回率低以及单一算法无法同时兼顾静态与动态背景等问题,提出一种基于统计的背景建模算法。该算法无需先验知识,根据统计信息可以准确区分静态背景和动态背景,并采取不同的检测策略提取目标。对于静态背景,采用改进的三帧差分法自适应设置阈值,可以保证较高的召回率。对于动态背景,采用改进的概率密度估计法可以有效降低虚警率。采用所提算法对光照变化以及阴影进行处理,可以进一步提升算法的性能。在公开数据集与实际采集红外数据进行验证实验。实验结果表明,所提算法在多种场景中处理灰度视频的结果比其他传统算法好,在保证准确率的同时可以极大地提升召回率,并且有效提高目标的完整性。

红外成像在军民监控领域广泛应用, 红外自动目标检测能减少人工参与, 有效提高效率。本文实现了基于 FPGA的红外目标检测系统, 首先对系统的硬件资源需求进行评估, 并设计了以 FPGA为核心处理器的系统硬件平台。其次, 开发了基于 FPGA的红外目标自动检测处理流程, 经过两点校正与盲元补偿等预处理后的红外图像信号, 通过混合高斯背景建模的方法建立背景模型, 自动检测前景目标, 再将目标区域周围高亮标识出来。实测结果表明, 该系统可有效检测出高亮背景下的红外目标。

针对视频图像易受噪声干扰和背景变化复杂的特点,改进传统Census变换特征值对中心像素的依赖问题,建立Census模板以保持Census变换对光线变化的稳健性。将改进后的Census变换特征值、图像像素值、更新频数、最近更新时间和动态指数等多种特征融合,建立了一种新的背景建模算法。利用帧间亮度差,自适应选择融合多种特征更新背景模型,依据动态指数衡量背景变化复杂程度,建立不同的更新规则,提升模型对光线突变和复杂场景处理的稳定性。经测试多组标准视频序列,本算法检测精度优于其他算法,有效改善了光线突变对前景目标提取的影响,提高了对光线突变和复杂场景的稳健性,减少了运动目标的孔洞和像素漂移产生的假前景。

运动目标检测是实现目标跟踪、交通监控、行为分析等任务的基础。但在无人机获取的视频图像中, 无人机运动、旋翼震动或外界风力等客观因素使图像出现较为明显的背景、光照等变化, 会对运动目标的检测产生影响。因此, 如何降低干扰、提高检测精度, 让无人机在运动目标检测领域发挥作用在信息时代具有相当重要的意义。无人机视频图像的运动目标检测相比传统运动目标检测, 检测思路基本一致, 但干扰因素众多。本文以此为切入点, 分类综述了适用于无人机视频图像运动目标检测的算法及其改进, 主要包括运动估计算法、帧间差法、背景建模法、光流法等传统算法和近年出现的新型算法; 通过对无人机运动状态的划分探讨比较了上述方法的优缺点及适用场景。帧间差法更适合处理无人机悬停状态的数据, 背景建模法、光流法及新型算法对无人机悬停及巡航状态的数据均可处理; 上述算法均不能很好解决光照变化造成误检、漏检现象。所以处理无人机视频数据时, 要根据其运动信息及数据特点选择合适的算法, 才能获得好的检测结果。