python语言！~python语言！~稠密光流法与KL光流法，帧间差分法，背景建模法，vibe检测算法等。对于不同视频效果不同。不要认为适合所有。

背景减法已经成为基于视频的运动检测的流行方法。 本文通过对历史样本进行统计分析，结合构成模型的样本数，采样时间中心和最后时间点的参数，提出了一种新颖的统计参数模型，这些参数被现有的背景模型所忽略。 使用这些参数，可以及时准确地更新模型。 实验结果表明，该模型能够抑制尾部现象，阴影，光照变化，重复运动，杂乱区域等的误检测。

matlab实现图像边缘提取，hough变换进行椭圆检测，有注释

由于野外的早期烟雾具有稀疏、扩散缓慢、面积小等特点，现有算法存在提取烟雾候选区域不完整或者产生空洞等问题。为此，提出一种基于“背景反馈”的动态背景更新算法。首先提取运动目标，依据烟雾颜色特征，使用K-means算法去除非烟颜色干扰像素，以更早得到烟雾疑似区域；然后提取每一个疑似烟雾区域的面积增长特性、空间能量及LBP直方图和HOG，并分别计算特征的置信度；最后将得到的置信度输入动态得分组合，确定每个疑似烟区是否包含烟雾。实验结果表明，所提算法能够更早地检测出烟雾，有效降低误警率。对于中远距离场景，平均可提早94帧检测到烟雾。

人群中的异常行为是一大潜在威胁，自动检测监控中的异常行为成为近年的研究热点之一。然而，由于异常的未知性与复杂性，已有的检测方法仍然存在检测率低、定位精度差的问题。为此，提出了对视频监控中的人群异常行为自动检测与定位的方法。结合灰度值与光流场的分布提取运动区域；对运动区域分割得到有效的运动块，从中提取表示外观和动态的两种特征，即局部H梯度方向直方图G和局部H光流方向直方图F特征；使用k-means方法对运动块进行聚类，对每类样本使用一类分类器进行建模。最后，加入运动连续性约束，以抑制干扰噪声。在两个复杂的异常行为数据集上的实验结果表明，本文方法明显优于已有的检测方法，且可以满足正确率高、抗干扰能力强等实际工程需求。

 提出了一种基于Surendra改进的运动目标检测算法，通过对背景更新系数的改进，获取稳定准确的背景，再将背景帧与含运动区域的图像帧用差分运算获得运动目标图像。实验结果表明，该算法能够较快反应环境的变化，准确地获得背景图像，提高运动目标检测的准确性。

实现人体步态检测和基于步态的人体身份识别算法，主要内容包括背景的提取，人体运动区域检测，人体轮廓提取，步态特征的提取，相似性度量和分类识别。-