檢測跟蹤文獻綜述

1、最近幾年來，智能視頻監(jiān)控技術(shù)的研究與應用備受人們關(guān)注。作為其大體處置部份， 視頻監(jiān)控圖像的運動目標檢測是一個超級活躍的研究方向，屬于運算機視覺領(lǐng)域的重要研究內(nèi)容，在智能監(jiān)控、視頻緊縮、自動導航、人機交互、虛擬現(xiàn)實等方面有著普遍的應用前景。隨著運算機軟硬件技術(shù)的進展，運算機技術(shù)與監(jiān)控技術(shù)相結(jié)合成了一個新興的應用研究 方向。這種監(jiān)控系統(tǒng)與傳統(tǒng)意義上的監(jiān)控系統(tǒng)的本質(zhì)區(qū)別在十其智能性。視頻監(jiān)控的目的主若是用十對入侵者的監(jiān)視、交通流量的監(jiān)測，和大門出入人員的保安監(jiān)控等。傳統(tǒng)的監(jiān)控系 統(tǒng)多數(shù)需要人工配合進行監(jiān)控，存在各類問題。采納紅別傳感器等半自動的檢測方式又存在 對貓犬等動物產(chǎn)生誤報警等問題。因此，對智

2、能化的監(jiān)控系統(tǒng)的研究就超級有必要。簡言之，不單單用攝像機來代替人眼簡單的獲取現(xiàn)場圖像信息，應用運算機技術(shù)來協(xié)助監(jiān)控人員乃至代替監(jiān)控人員來完成監(jiān)控任務(wù)，從而既取得良好的監(jiān)控成效， 又大大地減輕監(jiān)控中的人力投入。由此可見，智能監(jiān)控系統(tǒng)有著普遍的應用前景和潛在的市場價值。然而要使監(jiān)控系統(tǒng)達到智能化，就必需使運算性能夠從監(jiān)控攝像機里所獲取的視頻圖像序列中提掏出感愛好的目 標，并對其進行目標分類和跟蹤，從而達到對目標行為進行明白得與描述的目的。智能視頻監(jiān)控是運算機視覺領(lǐng)域一個新興的應用方向和備受關(guān)注的前沿課題。視頻監(jiān)控技術(shù)的進展大致經(jīng)歷了以下二個時期：(1)第一代視頻監(jiān)控系統(tǒng)：初期的視頻監(jiān)控都是以模擬設(shè)

3、備為主的閉路電視監(jiān)控系統(tǒng)，稱其為模擬視頻監(jiān)控系統(tǒng)。 通常采納同軸電纜的傳輸方式進行信號傳輸，可是這種模擬方式的傳輸要保證寬帶信號具有高的信噪比和較小失真是十分困難的，因此第一代監(jiān)控系統(tǒng)的靠得住性和抗干擾性都較差，功能也相對簡單。(2)第二代視頻監(jiān)控系統(tǒng)：隨著數(shù)字技術(shù)的進展，圖像數(shù)據(jù)緊縮編碼技術(shù)及標準的改良， 芯片本錢的不斷下降，數(shù)字視頻監(jiān)控系統(tǒng)也迅速進展起來。人們利用運算機的高速數(shù)據(jù)處置能力進行視頻搜集和處置，大大提高了圖像質(zhì)量， 增強了視頻監(jiān)控的能力，提高了系統(tǒng)的靠得住性，增強其可擴展性，其功能也愈來愈專業(yè)化、多樣化。(3)第二代視頻監(jiān)控系統(tǒng)：隨著網(wǎng)絡(luò)帶寬、運算機處置能力和存儲容量的迅速提高

4、，和各類有效視頻信息處置技術(shù)的顯現(xiàn)，視頻監(jiān)控進入了全數(shù)字化的網(wǎng)絡(luò)時期，即全數(shù)字視頻監(jiān)控系統(tǒng)。該系統(tǒng)以網(wǎng)絡(luò)為依托，以數(shù)字視頻的緊縮、傳輸和存儲為核心， 以智能有效的圖像分析為特色，引導視頻監(jiān)控技術(shù)向智能化和網(wǎng)絡(luò)化的方向不斷進展。智能監(jiān)控系統(tǒng)是采納圖像處置、模式識別和運算機視覺技術(shù)，通過在監(jiān)控系統(tǒng)中增加智能視頻分析模塊，借助運算機壯大的數(shù)據(jù)處置能力， 在不需要人為干與的情形下對拍照到的圖像序列進行動態(tài)分析，過濾掉視頻畫面無用的或干擾信息，自動識別不同目標， 分析抽取視頻源中關(guān)鍵有效信息，快速準確地定位事故現(xiàn)場，判定監(jiān)控畫面中的異樣情形，并以最快和最正確的方式發(fā)出警報或觸 發(fā)其它動作，從而有效進行事

5、前預警，事中處置，事后及時取證的全自動、全天候、實時監(jiān) 控的智能系統(tǒng)。要完成智能視覺監(jiān)控的任務(wù)，需要用到運算機視覺、模式識別、數(shù)字圖像處置和人工智 能等多門學科的知識。 對運動目標的檢測與跟蹤確實是其中的核心技術(shù)，處十整個視覺監(jiān)控系統(tǒng)的底層，是各類后續(xù)處置的基礎(chǔ)。 運動目標的檢測與跟蹤技術(shù)不僅在智能監(jiān)控系統(tǒng)中有 重要應用，已經(jīng)普遍應用十軍事和工業(yè)機械人等多個領(lǐng)域中，因此對運動目標檢測與跟蹤的研究無疑是一項既有理論意義又有有效價值的課題。一、目標跟蹤的種類(1)基于區(qū)域的跟蹤基于區(qū)域的跟蹤方式第一要取得包括目標的區(qū)域模板，模板的提取一樣通過圖像分割取得或是預先人為確信，模板一樣為略大于目標的矩形

6、 ，也能夠是不規(guī)那么形狀，然后設(shè)定一個 相似性氣宇，在序列圖像中搜索目標，把氣宇取極值時對應的區(qū)域作為對應幀中的目標區(qū)域。 由于提取的目標模板是以目標整體作為對象，它包括了較完整的目標信息，因此具有較高的可信度。由于該方式以目標的整體特點信息作為跟蹤依據(jù)，因此在目標發(fā)生較小形變等情形下仍然能夠準確的對目標進行跟蹤；在目標未被遮擋時，跟蹤的準確性和魯棒性也較好。其缺點第一是這種方式需要對整個圖像區(qū)域進行搜索，要求獲取的信息較多，因此比較耗時，不能知足實際應用中視頻監(jiān)控實時性的要求，這種方式一樣用于跟蹤較小的目標或?qū)φ斩容^低的目標；而且跟蹤的目標變形不能太大，不然會致使跟蹤精度下降乃至目標丟失；而

7、且，當目標顯現(xiàn)太大遮擋時，也容易造成跟蹤目標的丟失。針對這些缺點，最近幾年來，關(guān)于基于區(qū)域跟蹤方式研究最多的是如何處置包括目標的模板更新，以保證跟蹤的持續(xù)性和穩(wěn)固性。(2)基于活動輪廓的跟蹤基于活動輪廓跟蹤的大體思想是提取物體的邊界輪廓作為輪廓模板，利用封鎖的曲線輪廓來表達運動目標，在后繼幀的二值邊緣圖像中跟蹤目標輪廓。由于這種方式所利用的模板 是目標輪廓，而且匹配。進程是在二值圖像中進行，因此相對基于區(qū)域的跟蹤算法來講，它的優(yōu)勢是計算量較小，而且在目標被部份遮擋的情形下也能持續(xù)的進行跟蹤。近來進展專門快 的兩種基于輪廓匹配的跟蹤算法：一是主動輪廓線跟蹤算法 (Snake模型),Kass等人在

8、1987年提出了主動輪廓模型,也稱其為蛇模型，它是一條可變形曲線(Snake曲線)，可任意調(diào)整曲 線形狀使其與目標輪廓維持一致。另一種是基于Hausdorff距離的輪廓跟蹤算法。基于Hausdorff距離的形狀匹配不同于其他的形狀匹配,一方面,Hausdorff 距離不需要成立兩個點集中的點之間一一對應的關(guān)系，而且對圖像噪聲和晃動具有較好的魯棒性。其缺點是當所匹配的點的數(shù)量比較大時，匹配效率會迅速降低，通常計算量也較大。在基于活動輪廓方式中 初始化輪廓是整個算法的核心和關(guān)鍵，如何準確的獲取運動目標的初始輪廓也是算法研究中的一個難題，而且運動物體輪廓的更新比較困難，這也決定了基于活動輪廓的方式無

9、法在目標跟蹤中取得普遍應用。(3)基于特點的跟蹤算法基于特點的跟蹤方式大體思想是，在跟蹤進程中第一提取目標的某個或某些具有不變性的特點，然后利用相關(guān)算法實現(xiàn)對運動目標的跟蹤。該方式包括特點提取和特點匹配兩個進 程。目前常見的特點選擇有角點、紋理、色彩等，但在序列圖像中，單一的特點選取往往無法實現(xiàn)跟蹤的準確性。因此，基于多特點融合的目標跟蹤成為當前研究的趨勢?；谔攸c的方 式其優(yōu)勢是能夠在部份遮擋的情形下，仍舊實現(xiàn)目標跟蹤，在準確選取特點點的前提下 ，還能夠克服關(guān)照改變和目標發(fā)生幾何形變時帶來的跟蹤障礙。同時，該方式還能夠?qū)⑴c粒子濾波器、mean-shift算法等結(jié)合利用,提高跟蹤的實時性和魯棒

10、性。(4)基于模型的跟蹤基于模型的跟蹤方式第一是對目標物體的外形特點進行建模，然后通過必然的匹配方式跟蹤目標，并進行模型的實時更新。經(jīng)常使用的表征物體模型的形式一樣分為三類：線圖模型、2D模型和3D模型。目前應用較多的是利用物體的三維立體模型?；谀Ｐ偷母櫡绞?即便在目標姿態(tài)轉(zhuǎn)變和部份遮擋的情形下，仍舊能夠精準分析目標的運動軌跡，實現(xiàn)靠得住的跟蹤，因此它有較強的魯棒性?？墒怯捎谠诂F(xiàn)實生活中取得所有運動目標的精準模型是超 級困難的，因此限制了基于模型的跟蹤算法的利用。第二,該跟蹤方式需要大量的時刻來計算復雜的模型，比較耗時，不能知足跟蹤進程中的實時性和迅速性要求。二、運動背景和運動特性一樣說來

11、，運動目標檢測方式的確信要緊取決于目標的運動背景和運動特性。目標運動背景目標運動背景指運動目標所處的環(huán)境，是分析和討論運動目標檢測的前提條件。一樣情形下，目標運動背景要緊表現(xiàn)為目標的運動區(qū)域(即所處地理位置)。在視頻監(jiān)控系統(tǒng)中，目標運動背景的轉(zhuǎn)變要緊取決于攝像機工作方式，但天氣條件(如光線轉(zhuǎn)變、風雨雷電、霜雪等)和其他干擾情形(如攝像機抖動、遮才孔徑和陰影)等也會對其產(chǎn)生重大阻礙。依照攝像機工作方式的不同，能夠?qū)⒛繕诉\動背景分為靜態(tài)背景和動態(tài)背景。靜態(tài)背景在通常利用中 常常碰著，其運動目標檢測的研究應用比較多；而對動態(tài)背景的運動目標檢測研究，有學 者借助于DSP芯片取得了一些進展，但還存在某些

12、缺點，譬如在大面積遮擋情形下目標會丟 失等，因此有待于進一步深人和改良。另外，在現(xiàn)實應用中運動目標背景一樣存在著各類噪聲和擾動問題，目前研究的比較多，但還存在著如此那樣的問題。針對目標運動背景的轉(zhuǎn)變，當前一些研究人員提出了成立自適應背景模型，實現(xiàn)了背景的實時更新， 比較準確地檢測出運動目標。背景陰影的檢測和去除也是一個十分重要的問題。目前檢測陰影的方式要緊有：1)在HSV色空間，利用色度、飽和度和亮度的信息成立背景模型2)在RG影色空間，用矢量來表征像素點， 并以當前圖像中的像素點矢量與對應背景點 的矢量相減取得表征亮度和色度的彩色模型，在此基礎(chǔ)上成立背景模型叭。3)利用陰影的光學特性， 結(jié)合

13、其紋理特點，采納區(qū)域生長的方式來檢測陰影。另外，采 納光照評估方式判定陰影是不是存在，進而運用梯度分析和二值圖像的聚類算法檢測出陰 影，從而有效地去除陰影。運動目標特性一樣視頻監(jiān)控系統(tǒng)中，運動目標情形比較復雜，要緊有時刻特性、區(qū)域特性、矢量特 性和形態(tài)特性等。時刻特性和區(qū)域特性作為運動目標的大體特性，是視頻幀時刻差分和圖像分割的要緊依據(jù)。考慮到運動像素的時刻和空間相關(guān)性，提出了一種有效的基于圖像塊和 HVS彩色圖像差值相結(jié)合的高速運動目標檢測算法，該方式快速、準確。但在前景運動目標 與背景亮度很接近時， 運動目標很難被檢測出來， 另外闌值的選取也過于體會化。對復雜背景的多目標運動速度檢測進行了

14、探討，但還存在著不足的地方。劉長欽等依照運動信息的生物視覺處置機制，給出了基于持久一暫態(tài)細胞組合的二維運動方位細胞(MOC颼波器運動方向檢測模型，在運算機仿真實驗中取得了預期的成效。另外，高媛媛等基于立體視覺對多目標運動速度檢測進行了理論性探討。目前單目標速度檢測已經(jīng)普遍應用于我國公安交通治理中，如電子測速器等，而多目標運動速度檢測尚未推行。形態(tài)特性是指目標運動時在形狀、大小、數(shù)量、剛度和強度等方面呈現(xiàn)出來的特點。小目標運動檢測一方面目標的信噪比比較低，另一方面整個圖像復雜而目標很小，一樣僅由假設(shè)干個像素組成，這兩個緣故致使小目標的運動檢測比較困難。自20世紀70年代以來，國內(nèi)外學者提出了許多

15、有實際意義的檢測算法，如二維匹配濾波器法、動態(tài)計劃法、神經(jīng)網(wǎng)絡(luò)法和高階相關(guān)法等。從理論上講，上述檢測算法都能取得較好的成效，但大多數(shù)計算量大， 有效性不強。多目標運動在實際環(huán)境中比較普遍，對其進行檢測有必然價值，但當背景過于復雜且目標不明顯時， 還存在著一些問題。 依照剛度大小的不同能夠?qū)⑽矬w分為剛體和非剛 體。常見的剛體如車輛等，其運動檢測研究已經(jīng)超級成熟，一些功效取得普遍應用，如各地 公安交通治理部門利用的“電子眼”。非剛體尤其人的運動檢測，由于其形狀、乃至拓撲結(jié)構(gòu)的轉(zhuǎn)變，仍然面臨著許多困難， 例如圖像分割模型的利用等，還未找到解決問題的最有效途徑。（3）運動目標檢測方式1）背景減除法背景

16、減除法是將視頻幀與背景模型進行比較，通過判定灰度等特點的轉(zhuǎn)變，或用直方圖等統(tǒng)計信息的轉(zhuǎn)變來判定異樣情形的發(fā)生和分割出運動目標。用背景減除法進行運動目標檢測的要緊進程包括預處置、背景建模、前景檢測和運動區(qū)域后處置等。背景建模是背景減除法的核心環(huán)節(jié)，目前要緊方式有 ：基于背景的時刻差分法、中值濾波法、W4方式、線性預測法、非參數(shù)模型法（又稱內(nèi)核密度估量法）、混合Gaus,法、隱馬爾科夫模型法（HMM）本征 法、基于均值替換的背景估量法、碼本方式等。背景減除法適用于靜態(tài)或準靜態(tài)背景下面積 不大的目標運動檢測， 實現(xiàn)比較簡單，能夠完整地分割出運動目標檢測。但在動態(tài)背景或復雜背景（如存在遮擋和陰影等）的

17、情形下，用其實現(xiàn)運動目標檢測實時性差。2）相鄰幀間差分法相鄰幀間差分法即圖像序列差分法，要緊利用兩幀圖像亮度差的絕對值來分析視頻和圖像序列的運動特性，確信圖像序列中有無物體運動。若是差的絕對值小于某一閉值，那么沒有運動；反之，那么存在運動。針對背景與前景灰度交叉的情形，最近幾年來許多人提出了 用局部闌值的方式來提高算法的自適應性，要緊有基于假設(shè)查驗的幀差法和高次統(tǒng)計法。相鄰幀間差分法可用于動態(tài)轉(zhuǎn)變的場景，但一樣不能專門好地提掏出運動目標的所有特點像素要緊以靜態(tài)背景為條件，適應于目標運動稍快且圖像分割精度要求不高的場合。3）光流法光流計算技術(shù)是 Gibson于1950年提出的。光流法檢測運動目標

18、的大體原理是給圖像中 的每一個像素點給予一個速度矢量，這就形成了一個圖像運動場，在運動的一個特按時刻， 圖像上的點與三維物體上的點一一對應，這種對應關(guān)系可由投影關(guān)系取得；依照各個像素點的速度矢量特點，能夠?qū)D像進行動態(tài)分析。目前基于光流的計算方式要緊有微分法（梯度法）、塊匹配法（區(qū)域匹配法）、能量法、相位法和小波法等。光流法能夠檢測出獨立運動的 目標，不需要預先明白場景的任何信息，而且可用于動態(tài)背景。但這種方式計算量大、易受噪聲阻礙，必需借助特殊的硬件支持來實現(xiàn)實時檢測。張澤旭等將Canny邊緣提取融人光流場分割技術(shù)，對單運動目標和多運動目標均取得了比較中意的成效，實時性也大大提高。光流法在航

19、天、醫(yī)學和交通等領(lǐng)域取得了初步應用，但如何進一步提高其抗噪性、實 時性和運算速度，有待于深人研究。4）主動輪廓線法基于Snake的主動輪廓線法是由 Kass等人于1987年提出的，其原理是先用背景補償?shù)?方式將相鄰兩幀圖像進行配準，然后對配準后的圖像進行差分運算，并用主動輪廓線模型來跟蹤目標邊界，從而實現(xiàn)運動目標的檢測。為了加速處置速度、實現(xiàn)實時處置，該方式必需 借助于DSP芯片。主動輪廓線法適合于動態(tài)背景下的多目標運動檢測；當目標運動速度緩慢的時候，該方式不能準確地檢測出運動目標。5）統(tǒng)計法提出并實現(xiàn)了基于統(tǒng)計模型的運動目標檢測算法。文中第一利用較簡單的算法對運動場進行了粗略的估量，然后依照

20、馬爾可夫隨機場理論構(gòu)造出運動場的中斷點散布模型，利用此模型來檢測運動場間的斷點，實現(xiàn)運動目標的檢測。實驗說明，這一方式運算較少，并可通 過DSP實現(xiàn)實時檢測。Rosenberg等人提出了另外一種基于統(tǒng)計模型的方式，在攝像機做猛 烈拉伸、旋轉(zhuǎn)運動時，仍能夠?qū)崟r檢測并跟蹤運動目標。將改良的GVF-Snake模型與統(tǒng)計模型相結(jié)合，對靜態(tài)背景下的運動目標檢測作了深人研究，取得了較好的成效。 統(tǒng)計法適用于復雜背景下的運動目標檢測， 借助DSP芯片來完成實時檢測。由于運動場的估量憑先驗知識， 這種方式的準確度不是很高。6）高階統(tǒng)計法高階統(tǒng)計（HOS）法要緊利用圖像信號的四階累計或四階矩來提取運動區(qū)域。要將

21、運動區(qū) 域提掏出來，那么要先計算局部估量的幀差零延遲四階矩，自適應地設(shè)定與背景相適應轉(zhuǎn)變的闌值，將計算出的四階矩與此值相較較，然后確信運動區(qū)域和背景，從而分離出有別于背景波動和噪聲的運動區(qū)域。若是閾值設(shè)定不妥，可能致使部份噪聲不能被排除；由于物體內(nèi)部紋理信息的一致，可能致使檢測出的信息內(nèi)部顯現(xiàn)空洞現(xiàn)象。因此還要進行邊緣提取和區(qū)域填充等工作，最終實現(xiàn)運動目標的檢測。HOSfe由于存在著運動場的估量，準確度不是很高。另外，計算量比較大，實時性不是很理想。7）小波法小波理論是在20世紀80年代后期進展起來的一種新的信號處置工具。由于它具有良好的時頻局部化特點和方向性特點，使得它在圖像處置、模式識別、

22、分形分析等領(lǐng)域取得了普遍的應用，應用小波變換進行目標及目標特點檢測的應用也較多。在分析了小波變換特性的基礎(chǔ)上，提出了基于 Har小波變換的低信噪比小目標檢測算法。理論分析與仿真結(jié)果說明， 該方式可有效地提高小目標 （信噪比小于2,目標大小為2x2）的信噪比。小波法要緊適用于 復雜場景下弱小目標的運動檢測，有著較好的實時性和魯棒性，但實際應用還不多。8）人工神經(jīng)網(wǎng)絡(luò)法近些年來，基于人工神經(jīng)網(wǎng)絡(luò)的目標檢測方式取得了極大的進展。第一是將每幀圖像分為40 x40的圖像塊，預處置后將這些圖像塊投影到一個線性濾波器組，取得不同的圖像模式；然后把這些不同的圖像模式依照預先計算取得的聚類原形進行分類；最后用訓

23、練取得的神經(jīng)網(wǎng)絡(luò)分類器來判定圖像模式是不是包括目標。該方式的識別率很高，而誤檢測率卻極小。另外，該方式對尺度、旋轉(zhuǎn)變形的目標有專門好的適應性。該方式適用于復雜背景下的運動目標檢測，但其計算復雜度較高，準確性不夠理想。9）擴展的EM去擴展的EM法由Friedman與Russell提出的。其大體思想是給每一個像素成立混合Gauss,分類模型，該模型能夠自動更新并能自適應地將每一個像素分為背景、影子或運動前景，在目標運動速度緩慢的情形下，也能較好地完成運動區(qū)域的分割，從而檢測出運動目標，同時能夠有效地排除影子的阻礙。但由于其計算量較大，此刻不經(jīng)常使用。10）能量運動檢測法能量運動檢測法要緊通過計算圖

24、像的剎時差分，設(shè)定適當?shù)臑V噪門限， 把圖像分割成運動區(qū)域和非運動區(qū)域，通常對圖像的時變微分進行估量，該方式適用于 ：一、持續(xù)圖像中背景灰度轉(zhuǎn)變（要緊由光照和攝彳t機抖動引發(fā)）緩慢；二、目標的運動速度和背景的運動速度存在必然不同。在實際應用中，考慮到目標運動檢測的實時性，往往需要將該方式與其他方式結(jié)合起來。11）數(shù)學形態(tài)學法數(shù)學形態(tài)學法是法國數(shù)學家G.Matheron和J.Serra于上世紀60年代提出的。它是一種 非線性濾波方式，其基礎(chǔ)是Minkowski結(jié)構(gòu)和差運算，即形態(tài)和差（侵蝕與膨脹），在目標運 動檢測進程中可用于邊緣檢測、 圖像分割、圖像恢復與重建和圖像濾波 （抑制噪聲）等?；?數(shù)

25、學形態(tài)學的目標運動檢測方式的要緊形式有 ：一、大體理論范圍：二值形態(tài)學、灰度（多值）形態(tài)學和彩色圖像形態(tài)學 ；二、非線性圖像處置應用范圍：模糊數(shù)學形態(tài)學、軟數(shù)學形態(tài)學、模糊軟數(shù)學形態(tài)學、小波形態(tài)學、參考半格形態(tài)學。在實際應用中，基于數(shù)學形態(tài)學的目標運動檢測方式對彩色圖像處置算法比較復雜，形態(tài)運算的通用性和適應性不夠強。12）立體視覺法立體視覺法要緊針對多目標運動檢測，第一用雙目攝像機對圖像進行拍照，獲取立體圖像序列對，然后對立體圖像對進行匹配求取場景的視差圖，再運用基于視差的背景差分法取得含有運動目標的前景區(qū)域，最后依照前景區(qū)域的視差和位置散布準確信位各運動目標。立體視覺方式有效解決了單目視覺檢測方式中的一些難點問題，能夠克服光線的轉(zhuǎn)變和陰影干擾對目標檢測帶來的阻礙，在多個目標發(fā)生部份遮擋時仍能正確區(qū)分各運動目標。證明該方式是一種準確、有效的運動目標檢測方式。13）水平集方式水平集方式由Osher等人提出來的，它依托于時刻的演變曲線，幸免了曲線演變進程對 拓撲結(jié)構(gòu)轉(zhuǎn)變的影響，計算比較穩(wěn)固。水平集方式通過一種基于幀間差分的算法，自動提取初始背景圖像，并利用相減法，檢測出當前圖像中的運動像素；概念了一種新的基于差分圖像的局部梯度、目標