兩種運動檢測演算法的介紹：

幀差法：

幀差法是目前運動目標檢測中最常用的演算法。幀差法依據的原則是：當視訊中存在移動物體的時候，相鄰幀（或相鄰三幀）之間在灰度上會有差別，求取兩幀影象灰度差的絕對值，則靜止的物體在差值影象上表現出來全是0，而移動物體特別是移動物體的輪廓處由於存在灰度變化為非0，當絕對值超過一定閾值時，即可判斷為運動目標，從而實現目標的檢測功能。

二維頻域運動目標檢測：

通過對動態影象的行列分解, 將三維頻域內的運動檢測問題轉化到兩組二維頻域內進行, 從而降低了濾波器設計的難度。給出了一種提取主運動能量的自適應濾波演算法, 通過剔除背景和噪聲的頻率成分, 有效地檢測出運動目標。

複雜度分析：

針對幀差法進行分析，程式碼複雜度主要集中在absdiff與findContours部分，其中absdiff的迭代次數為2*500*500=50000次，時間為88.46ms(取兩百幀計算平均的時間)
  

針對二維頻域運動目標檢測演算法，這裡有兩個程式碼版本：

針對py-new-fuliye.py，程式碼的複雜度主要集中在兩個部分：傅立葉變換以及遍歷，在py-new-fuliye.py中，共使用了兩次傅立葉變換與兩次遍歷，遍歷的迭代次數次數為2*50*30=300次，時間為：54.175ms

針對pepoplefft.py（改進版）進行分析，使用了兩次傅立葉變換（一次正一次逆），進行了一次巢狀遍歷，遍歷次數為：50*10=500次，時間為：  ms

針對pepoplefft.py進行優化調參：

搜尋噪點：

要找到噪點，就要知道經傅立葉高通濾波變換後，剩餘的邊緣部分在陣列中的表現規律，採用numpy繪圖表示出來：

經過閾值去噪後，效果如圖：

在隨後的視訊測試中發現其面對複雜環境表現仍不理想，此時考慮選擇繪製多個矩形來框選標記多個候選目標，暫時不考慮使用其他的濾波進行去噪，原因為1、會佔用原本就不多的處理時間，2、不認為在經過高通濾波後還未被濾掉的噪點會被其他濾波函式濾掉，目標被濾掉的可能性反而更