题目：序列图像中运动目标检测算法研究

序列图像中的运动目标检测是计算机视觉的一项关键技术，特别是基于红外和可见光背景的运动目标检测一直是该领域的研究热点。随着理论研究的逐步深入，该技术已被广泛的应用于智能交通、智能视频监控、机器人导航、精确制导、医学检测以及试验测量等多个领域。对于不同的图像来说，其背景的复杂程度、噪声和干扰的类型不同，则信噪比有很大差异，甚至同一序列中各个图像的信噪比也不尽相同。另外，在实际应用中对目标检测的精确性要求很高，然而不同的目标，其大小和形状变化不定，这些特点使得研究序列图像中的运动目标检测算法存在较多困难。因此，研究序列图像中的运动目标检测算法，在计算机视觉等相关领域中不仅具有较强的实际意义而且存在较大的挑战性。
本文将红外背景和可见光背景的序列图像作为研究对象，以运动中的物体为需要检测的目标，在对已有检测算法分析的基础上，提出了几种有效的运动目标检测算法，主要的研究工作如下：
(1) 提出了将现有的DBT算法再分为直接检测和间接检测的思路。文中详细描述了这两种方法的基本原理和概念，然后分别对它们的代表算法做了简单介绍。
(2) 提出了一种基于频域的红外小目标检测方法。该方法，先通过高通滤波去除背景及部分干扰，接着加入锐化滤波减弱图像背景边缘，然后使用对比度增强技术在突显小目标的同时实现对噪声和干扰的进一步抑制。该方法与帧间差分法以及背景减法相比，为小目标保留了较多的像素点，而且不存在虚警点，且能较好地克服天空背景的云层干扰问题。
(3) 基于小波域的检测方法中提出了一种基于小波变换的单帧红外图像检测算法。该方法首先使用小波变换分解图像，直接舍去低频分量的背景，接着对提取出的三个高频成分分别进行小波分析，去除噪声，然后再对各高频分量进行重构，最后采用对比度增强技术提高小目标灰度，进一步抑制干扰。该方法能准确、高效的检测出小目标，并能克服一定的云层和建筑物干扰问题。
(4) 提出了两种融合其他技术的光流检测算法。第一种针对经典光流法存在抗噪性能较差的缺点，将HS算法与分块平滑和自适应滤波相结合，在原始光流场中实施去噪和分割，检测效果与手动分割效果相当，而且对背景的复杂度和动静态具有一定的鲁棒性。第二种针对经典光流法计算量较大的不足，将双边滤波技术引入金字塔光流法中，该方法先对原始图像高斯下采样得到较低分辨图像，接着计算低分辨图像的光流，随后采用双边滤波上采样得到原始图像的光流场，检测效果较好，而且双边滤波后，较好的保留了目标的边缘信息。
(5) 提出了一种直接改进LK的光流检测算法，解决了奇异矩阵不能求解的难题。该方法将LK算法的邻域求解思想与（粒子群优化算法）PSO算法相结合，利用PSO算法的收敛性估计目标光流值。该方法能较好的检测出目标区域，不影响后续对较大目标的识别。