运动检测的目的是从序列图像中将变化区域从背景图像中提取出来。运动区域的有效分割对于目标分类、跟踪和行为理解等后期处理非常重要，因为以后的处理过程仅仅考虑图像中对应于运动区域的像素。然而，由于背景图像的动态变化，如天气、光照、影子及混乱干扰等影响，使得运动检测成为一项相当困难的工作。下面归纳出目前几种常用的方法。

1.背景差方法

背景差（Background Subtraction）方法是目前运动分割中最常用的一种方法，它是利用当前图像与背景图像的差分来检测运动区域的一种技术。它一般能够提供最完全的特征数据，但对于动态场景的变化，如光照和外来无关事件的干扰等特别敏感。最简单的背景模型是时间平均图像，大部分研究人员目前都致力于开发不同的背景模型，以期减少动态场景变化对于运动分割的影响。例如，Haritaoglu等^[20]利用最小、最大强度值和最大时间差分值为场景中每个像素进行统计建模，并且进行周期性的背景更新；McKenna等^[21]利用像素色彩和梯度信息相结合的自适应背景模型来解决影子和不可靠色彩线索对于分割的影响；Karmann与Brandt^[22]、Kilger^[23]采用基于卡尔曼滤波（Kalman Filtering）的自适应背景模型，以适应天气和光照的时间变化；Stauffer与Grimson^[24]利用自适应的混合高斯背景模型（即对每个像素利用混合高斯分布建模），并且利用在线估计来更新模型，从而可靠地处理了光照变化、背景混乱运动的干扰等影响。

2.时间差分方法

时间差分（Temporal Difference）方法是在连续的图像序列中在两个或三个相邻帧间采用基于像素的时间差分和阈值化来提取图像中的运动区域。例如，Lipton等^[25]利用两帧差分方法从实际视频图像中检测运动目标，进而用于目标的分类与跟踪；一个改进的方法是利用三帧差分代替两帧差分，如VSAM^[26]开发了一种自适应背景减除与三帧差分相结合的混合算法，它能够快速有效地从背景中检测出运动目标。时间差分运动检测方法对于动态环境具有较强的自适应性，但一般不能完全提取出所有相关的特征像素点，在运动实体内部容易产生空洞现象。(www.daowen.com)

3.光流方法

基于光流（Optical Flow）方法的运动检测采用了运动目标随时间变化的光流特性，如Meyer等^[9]通过计算位移量光流场来初始化基于轮廓的跟踪算法，从而有效地提取和跟踪运动目标。该方法的优点是在摄像机运动存在的前提下，也能检测出独立的运动目标。然而，大多数的光流计算方法相当复杂，且抗噪性能差，如果没有特别的硬件装置，则不能被应用于全帧视频流的实时处理。关于光流更加详细的讨论可参见Barron等的文章^[10]。

当然，在运动变化检测中，还有其他一些方法，如Friedman与Russell^[27]利用扩展的期望值最大^[28]（Expectation Maximization，EM）算法，为每个像素建立了混合高斯分类模型，该模型可以自动更新，并能自适应地将每个像素分类为背景、影子或者运动前景，在目标运动速度缓慢的情况下，亦能较好地完成运动区域的分割，同时可以有效地消除影子的影响；另外，Stringa^[29]也提出了一种新颖的基于数学形态学的场景变化检测算法，在变化的环境条件下，获得了相对稳定的分割效果。