概念
定義
差分圖像
差分圖像差分圖像就是目標場景在連續時間點圖像相減所構成的圖像。假設x和x分別為目標場景在時間點k和k+1時的圖像，則可以定義第k幅差分圖像為：；廣義的差分圖像定義為目標場景在時間點tk和tk+L所成圖像的差別：。
差分法是一種用於運動目標檢測的可用於克服干擾的行之有效的方法。
兩種算法
差分法有兩種方式：
(1)當前圖像與固定背景圖像的差分；
(2)連續兩幅圖像之間的差分。
第二種算法在很多情況下存在檢測物體位置不精確和運算量大的缺點，會影響到定位算法的快速性和準確性。當運動檢測開始的時候選擇一幀沒有運動目標的圖像作為差分的背景圖像，出現運動目標的時候開始把當前圖像和背景圖像做差分，當運動目標檢測結束時，更新背景圖像，當下一個運動目標出現的時候再進行差分。差分的結果可以去除一部分噪聲，而且可以去掉與運動目標檢測無關的靜止背景區域，採用背景圖像更新機制，還可以在一定程度上適應背景和光線的變化。在進行差分處理之後，差分圖像中只剩下了運動目標和部分噪聲，再利用基於投影法的定位算法進行識別和定位。
套用
差分圖像在許多領域得到了廣泛的套用，比如：視頻壓縮 ，生物醫學診斷，天文學，遙感，人臉識別等。
目標跟蹤分割
目標跟蹤與分割流程圖為了在圖像序列的每幀圖像中準確的分割目標，首先利用差分圖像確定目標的粗略位置，然後再把從上一幀圖像中提取的目標輪廓旋轉在這個位置上，並作為Snake 法提取輪廓的初值。通過提取目標輪廓，可得到目標的位置。其主要過程如圖2 所示。
當圖像存在空間梯度時，物體的運動可以從圖像序列的時間梯度上體現出來。因此，對具有一定時間間隔的兩幀圖像進行差分，根據差分輸出可以確定目標的運動範圍。差分輸出來源於目標物體的運動，對於背景靜止的情況來說，可以直接進行差分運算.
在當前幀獲取了運動物體的部分邊緣後，以從前一幀得到的物體輪廓在該部分的曲線為模板，求取最佳匹配，求得目標的粗略位置。
實現目標的分割也是利用了Snake 算法的輪廓提取。在當前幀中，把從上一幀獲取的目標輪廓置於運動目標的粗略位置上，將其作為輪廓提取的初始值，經運算後得到準確的目標分割。
人臉檢測跟蹤
人類的面部提供了大量視覺信息，計算機的多種感知輸入通道，如人臉識別、口型識別、表情識別等，都建立在人臉的基礎上。目前大多數系統都要求使用者固定在攝像機前的某一位置。然而，人總是處於運動中的，尤其在信息互動過程中，對使用者的這種要求顯然降低了系統的套用性。目前常見的人臉跟蹤算法有4種方式：運動信息跟蹤、彩色信息跟蹤口、參數模型或模板對整個人臉進行相似跟蹤以及利用人臉的局部特徵進行跟蹤。對於各種算法的跟蹤速度，特別是在獲得較精確位置的要求下的跟蹤速度，都還有待提高。
人臉追蹤結果具體人臉區域的檢測過程如下：(1)對幀差分處理後的圖像上半部分像素進行聚類分析．如果某一點灰度值低於設定的閾值，則認為該點為頭髮像素點，否則為非頭髮像素點．閡值通過實驗選取，在實驗室環境下取175較為合適。(2)計算頭髮區域的寬度和高度。(3)從頭髮區域的中心點以下取長度稍小於頭髮區域的長度，而寬度為頭髮區域長度的1.1倍的這個區域作為人臉區域。
人臉跟蹤的任務是在連續圖像中跟蹤捕捉人臉的運動，是一種最佳化過程，而遺傳算法在最佳化過程中得到了廣泛的套用，並取得良好的效果，所以可在定位人臉的基礎上，引入遺傳算法進行跟蹤。
幀差分處理
通過運動探測人臉，其中基於運動能量的檢測方法具有算法簡單、計算速度快以及比較適合於實時處理的特點．通常情況下，基於運動能量的運動檢測可以通過對2幀圖像進行時空濾波來得到，而最簡單的方法是利用幀差計算出2幀圖像中每1點的灰度差值，然後通過設定1個閾值來判定哪些像素點是運動點。由於幀差閾值的設定沒有統一的標準，只能依賴於經驗，因此只適用於某些特定的場合。
為提高運動檢測的智慧型性，目前提出一種自適應的閾值選擇方法。基於運動區域內像素的灰度變化要大於整個圖像灰度變化的平均值，則選取幀差圖像的均值aver作為閾值。
設d(i,j)表示幀差圖像中點(i，j)處的灰度值，N和M分別表示圖像的寬度和高度，則：
差分圖像如果d(i，j)>aver，則該點被標記為運動點。
差分定位算法
投影法是根據圖像在指定方向上投影的分布特徵來進行檢測的，這種方法在本質上是一種統計方法。投影法獲得的投影特徵具有平移不變性，若規定以物體長軸方向為x投影軸，則投影特徵還具有旋轉不變性。
投影法中的投影特徵可以是圖像中像素的灰度，也可以是像素問的灰度差。當投影區域中的像素的灰度大於某個選定的閾值時，對該像素進行投影，則閾值的作用等價於二值化。
如果以灰度150為閥值(使用的像素灰度範圍為O～255)，在有運動目標的圖像的投影特徵和背景圖像的投影特徵有著非常明顯的差異。把相鄰兩個像素的灰度差的極值定義為灰度峰谷點特徵。
算法步驟：
•Step1.根據先驗知識，除去與識別無關的冗餘區域，確定要進行算法處理的圖像中視窗的大小(即只處理運動目標活動的區域，不處理其它區域)。
•Step2.根據已知的樣本圖像，對運動目標進行離線灰度分析和計算，給出圖像中運動目標提取灰度投影特徵閾值，灰度峰谷點投影特徵的閾值，代價函式的閾值以及運動目標的二維灰度投影模式向量的初始值。
•Step3.離線訓練，修正初始閾值。基於步驟2得到的閾值，首先計算出樣本圖像中投影區域的二維灰度投影特徵值。然後根據代價函式進行運動目標的模式匹配，如果匹配成功，將進行投影的列數作為運動目標的位置，並將定位的結果和樣本圖像中目標物體的實際位置對比，根據識別的誤差的大小，不斷修正初始灰度投影特徵閾值以及灰度峰谷點投影特徵閾值，直到能夠正確識別為止。如果長時間還不能正確識別，就轉到step2，重新進行灰度分布分析對比，修改運動目標的二維灰度投影模式向量。
•Step4.當離線訓練能夠正確識別樣本圖像的時候，離線訓練結束。進行線上定位，實時採集圖像，在運動目標活動的區域逐列投影並計算投影特徵，然後計算代價函式進行匹配，如果匹配成功，記下所在列數作為運動目標的參考位置。
