一、目標檢測原理

運動目標在工廠，監控，自動駕駛中有著舉足輕重的地位。在做實時目標檢測之前，我做過OpenCV的目標檢測和運動軌跡及運動方向預判等，但這些都是基於OpenCV的，有一定的侷限性。為此，從這篇部落格開始將給大家帶來一系列的實時目標檢測，與大家一起學習。

1.1 檢測方法

基於統計背景模型的運動目標檢測方法
（1） 背景獲取：需要在場景存在運動目標的情況下獲得背景影象
（2） 背景擾動：背景中可以含有輕微擾動的物件，如樹枝、樹葉的搖動，擾動部分不應該被看做是前景運動目標
（3） 外界光照變化：一天中不同時間段光線、天氣等的變化對檢測結果的影響
（4） 背景中固定物件的移動：背景裡的固定物件可能移動，如場景中的一輛車開走、一把椅子移走，物件移走後的區域在一段時間內可能被誤認為是運動目標，但不應該永遠被看做是前景運動目標
（5） 背景的更新：背景中固定物件的移動和外界光照條件的變化會使背景影象發生變化，需要及時對背景模型進行更新，以適應這種變化
（6） 陰影的影響：通常前景目標的陰影也被檢測為運動目標的一部分，這樣將影響對運動目標的進一步處理和分析

1.2 背景模型

背景模型提取（建立模型背景）
前提假設 在背景模型提取階段，運動目標在場景區域中運動，不會長時間停留在某一位置
視訊流中某一畫素點只有在前景運動目標通過時，它的亮度值才發生大的變化，在一段時間內，亮度值主要集中在很小的一個區域中，可以用這個區域內的平均值作為該點的背景值。
具體實現過程：在YUV顏色空間下，Y值的變化範圍為0~255，將該範圍劃分成若干區間[0,T][T,2T]…[Nt,255],n=255/T，對於每個畫素點，統計一段時間內每個區間內亮度值的出現的次數。找出出現次數最多的那個區間，將該區間內所有值的平均值作為背景模型在該點的亮度值。這種方法不受前景運動目標的影響。

1.3 目標檢測

檢測當前影象和背景影象中對應畫素點的差異，如果差值大於一定閾值，則判定該畫素為前景運動目標

1.4 後處理

噪聲的影響，會使檢測結果中出現一些本身背景的區域畫素點被檢測成運動區域，也可能是運動目標內的部分割槽域被漏檢。另外，背景的擾動，如樹枝、樹葉的輕微搖動，會使這部分也被誤判斷為運動目標。
為了消除這些影響：首先對上一步的檢測結果用形態學的方法進行處理，再找出經過形態學處理的後的連通域，計算每個連通域中的面積，然後對於面積小於一定值的區域，將其拋棄，不看做是前景運動目標。

二、基於深度學習實時目標檢測

待續