背景
人類所接觸的外界信息大約有80%屬於視覺信息。對人類來說，圖像以及視頻是對客觀事物形象與逼真的描述，是人類最主要的信息來源。目標檢測與跟蹤是計算機視覺研究領域的熱門課題，它融合了圖像處理、模式識別、人工智慧、自動控制等許多領域的前沿技術，在智慧型化交通系統、智慧型監控系統、工業檢測、航天航空等諸多領域得到了廣泛的套用。
由於現實世界中的物體(尤其是行人)、場景存在多變性，使其很難用一個同意的方法進行研究。目前目標檢測所遇到的主要問題有：如何準確快速分割目標、儘量減小複雜背景對目標檢測的影響以及如何降低因目標尺度、大小和形狀發生變化引起的目標檢測精確度下降的問題。此外，在目標檢測系統中，系統的魯棒性與實時性這兩方面的性能存在矛盾。
研究現狀
目標檢測的研究主要包括了基於視頻圖像的目標檢測和基於靜態圖片的目標檢測。本文主要討論基於靜態圖片的目標檢測算法，即在靜態圖片中檢測並定位所設定種類的目標。基於靜態圖片的目標檢測的難點主要在於圖片中的目標會因光照、視角以及目標內部等變化而產生變化[}2}。針對以上的難點，國內外學者進行了很多嘗試。目前提出的方法主要分為基於形狀輪廓的目標檢測算法和基於目標特徵的檢測方法。
算法
檢測算法可以分為六大類，分別是幀間差分法、背景建模法、點檢測法、圖像分割法、聚類分析法和運動矢量場法。其中，幀差法和背景建模法是目前最常用、最簡單的算法，也在研究中取得了比較好的效果，但是這兩種方法有個共同的特點就是只適用於背景靜止情況下的運動目標檢測。
| 類別 | 典型算法 | 提出者 |
| 背景建模法 | 時間平均模型 | Friedman和Russell |
| 混合高斯模型 | Stauffer和Grimson | |
| 動態紋理背景 | Monnet等 | |
| PCA模型 | Femand等 | |
| 時一空聯合分布背景模型 | Saleemi等 | |
| 點檢測法 | Moravec檢測器 | Moravec |
| Harris檢測器 | Harris和Stephens | |
| 仿射不變點檢測 | Mikolajczyk和Schmid | |
| S IFT | Lowe | |
| 圖像分割法 | Mean Shift方法 | Comaniciu和Meer |
| Graph-cut方法 | Shi和Malik | |
| Active Contours方法 | Caselles等 | |
| 聚類分析法 | 支持向量機 | Papageorgiou等 |
| 神經網路 | Rowley等 | |
| Adaptive Boosting | Rowley等 | |
| 運動矢量場法 | 基於運動矢量場的方法 | 劉龍等 |
