1。背景减除[7]：在整个视频监控中，预先有一个背景图像模型，模型可以通过图像直接获取，或者使用统计平均的方法获取。对于实时的任意一帧图像而言，与背景图像模型相减，得到差值图像，差值图像中的像素值如果大于预先设定的阈值，则可以认为这个像素点属于运动目标区域，否则就认为该像素点属于背景图像。统计所有符合要求的像素点，得到目标的形状，大小，位置等信息，从而得到出现在当前画面中的运动目标。背景差法的优势在于过程简单，对目标对象的运动位置能够快速并准确的检测出，但这种方法对光照变化、天气、背景变化较敏感，运动目标的阴影也会使检测结果存在偏差，因此，需要不断地通过学习来维护和更新背景图像模型。

2。帧间差分[8]：帧间差分与背景减除基本原理相似，不同的是该方法利用序列图像中相邻帧两者间相减来获得差值图像，对差值图像中的像素点做阈值取舍，以此获取目标对象相关的位置、形状等信息，提取目标区域。该方法对光照的适应能力较强，适合于运动变化的环境，但因为前后帧图像的目标对象在像素上非常相似，存在重合的部分，如果重合部分相减会影响运动目标检测结果的准确性，不能完整的分割目标区域，不利于之后目标跟踪的处理。有部分研究人员将相邻帧间的差分进行改进，得到三帧差分方法，利用相邻三帧之间的差值计算，来进行运动目标的检测。

3。光流法[9]：物体在三维空间中的运动可以用运动场表述，运动场不能直接得到，由此需要一个二维矢量场来类似运动场，即光流场。该方法的理想条件是相邻帧之间的亮度恒定，对于灰度图像来说就是目标以及背景的灰度不随时间变化。对于图像中的每个像素点，使用一个速度矢量来描述其相关运动信息，所有像素点的瞬时运动速度矢量信息都包含在光流场中。对于运动过程中的某个特定时刻，利用序列图像中像素强度数据的时域变化和相关性来确定各自像素位置的运动，对图像进行动态分析。如果在一系列图像中物体没有运动，则在光流场中各个像素点的速度矢量是连续变化的。反之，当图像中有运动物体时，待检测目标和背景图像之间就存在相对运动，同样的体现在光流场上，速度矢量必然和邻域背景速度矢量不同。光流法的优势在于，在理想条件下，它能够在不需要预先知道场景的任何信息的情况下，检测出运动目标对象, 得到其运动的精确速度，同时携带了有关目标物体的运动信息，景物三维结构的丰富信息，并且可用于动态场景的情况。采用光流法进行运动物体检测的问题主要在于理想条件在实际应用中，由于遮挡、光照变化和噪声等原因是不可能完全达到的，因此不能准确求解光流场，并且多半的光流计算过程相当繁琐，不能满足实时性与实用性的要求。

动态背景下的运动目标检测，相比于静态背景下的检测更为困难，原因就在于不仅目标对象在运动，而且存在摄像头倾斜、偏转或者搭载在移动设备上的情况，因此两者都在发生运动或变化。鉴于这些场景下背景及前景图像都在做全局运动，因此要准确检测目标对象的首要任务就是对图像进行全局运动的估量与补偿。考虑到每帧图像像素点在全局的运动向量各不相同，但它们的运动都是在相同的摄像机模型下进行的，因而它们的运动模型是一样的，可以用同一模型参数来表示。 由此全局运动的估量问题归根到底就是对全局模型相关运动参数的估计问题，常用的方法有块匹配法或者光流估计法。论文网

目标检测的方法各有优缺点，在实际应用中，基于不同的场景，常常将这些方法结合起来使用，将各自的优势发挥到极致，规避不足之处。