前提

    運動目標的檢測是計算機影象處理與影象理解領域裡一個重要課題，在機器人導航、智慧監控、醫學影象分析、視訊影象編碼及傳輸等領域有著廣泛的應用。
                                      

目標檢測方法分類

　　第一，已知目標的先驗知識。在這種情況下檢測目標有兩類方法，第一類方法是用目標的先驗知識訓練一堆弱分類器，然後這些弱分類器一起投票來檢測目標，如boosting, random forest 都是這個思路，大家熟知的adaboost人臉檢測也是如此。第二類方法是根據先驗知識找到目標和非目標的最佳劃分線，如SVM.這兩類方法各成一家，各有所長，都有著不錯的表現。

　　第二，未知目標的先驗知識。此時不知道要檢測的目標是什麼，於是什麼是目標就有了不同的定義。一種方法是檢測場景中的顯著目標，如通過一些特徵表達出場景中每個畫素的顯著性概率，然後找到顯著目標。另一種方法就是檢測場景當中的運動目標了。

經典目標檢測方法

1、背景差分法
　　在檢測運動目標時，如果背景是靜止的，利用當前影象與預存的背景影象作差分，再利用閾值來檢測運動區域的一種動態目標識別技術。
　　背景差分演算法適用於背景已知的情況，但難點是如何自動獲得長久的靜態背景模型。
　　matlab中單純的背景差分直接是函式imabsdiff（X,Y）

就可以。
2、幀差分法
　　利用視訊序列中連續的兩幀或幾幀影象的差來進行目標檢測和提取。在運動的檢測過程中，該方法利用時間資訊，通過比較影象中若干連續幀獲得對應畫素點的灰度差值，如果均大於一定的閾值T2，則可以判斷該位置存在運動的目標。
　　較適合於動態變化場景。
3、光流場法
　　利用相鄰兩幀中對應畫素的灰度保持原理來評估二維影象的變化。能夠較好的從背景中檢測到相關前景目標，甚至是運動屋裡中的部分運動目標，適用於攝像機運動過程中相對運動目標的檢測。
　　開口問題、光流場約束方程的解的不唯一性問題。不能正確的表示實際的運動場。
        例子如下：
       1.首先在一幀影象內隨機均勻選取k個點，並濾除那些鄰域紋理太光滑的點，因為這些點不利於計算光流。

       2.計算這些點與上一幀影象的光流向量，如上右圖，此時已經可以看出背景運動的大概方向了。
       
       3.接下來的這一步方法因人而異了。
       2007年cvpr的一篇文章Detection and segmentation of moving objects in highly dynamic scenes的方法是把這些光流點的（x,y,dx,dy,Y,U,V)7個特徵通過meanshift聚類來聚合到一起，最後形成運動目標輪廓。

新目標檢測方法

       其實寫到這裡想了想到底能不能叫目標檢測，博主認為影象的前背景分離也是目標檢測的一種（博主才疏學淺，求賜教）

1、畫素點操作
　　對每個畫素點進行操作，判別為前景或者背景兩類。如下面的圖片所示：
　　
2、低秩矩陣應用
　　背景建模是從拍攝的視訊中分離出背景和前景。下面的例子就是將背景與前景分離開。使用的方法是RPCA的方法。
　　其網址以及效果如下：
　　http://perception.csl.illinois.edu/matrix-rank/introduction.html
　　
3、深度學習
　　FCN + denseCRF 精確分割+語義標籤。影象中的前景目標檢測分割做的很好，下面還能做出語義檢測，判斷出圖中的東西屬於什麼。This demo is based on our ICCV 2015 paper ：Conditional Random Fields as Recurrent Neural Networks,
　　測試網址以及測試影象如下：
　　http://www.robots.ox.ac.uk/~szheng/crfasrnndemo
　　

推薦另外一篇關於神經網路改進方法的上篇內容：
http://blog.csdn.net/u010402786/article/details/49272757
       另外附上一個深度學習未來發展趨勢之一：
       “注意力模型” 在未來的發展，注意力模型的升溫。一些系統，但不是全部，開始放到“注意力模型”的背景中，或者說讓神經網路在完成任務的過程中試圖學習在哪裡放置其“注意力”。這些還不是一個正規神經網路流水線中的一部分，但是已經時不時的出現在模型中了。