视频图像运动目标跟踪

### 视频图像中运动目标跟踪技术实现方法

#### 基于帧间差分的方法
帧间差分法通过比较连续两帧或多帧之间的差异来检测运动物体。这种方法简单有效，适用于动态背景变化较小的情况。然而，在实际应用中，如果目标移动缓慢或占据画面比例过小，则可能难以准确捕捉到运动区域[^2]。

def frame_difference(frame1, frame2):
    diff = cv2.absdiff(frame1, frame2)
    gray_diff = cv2.cvtColor(diff, cv2.COLOR_BGR2GRAY)
    _, thresh = cv2.threshold(gray_diff, 30, 255, cv2.THRESH_BINARY)
    dilated = cv2.dilate(thresh, None, iterations=2)
    contours, _ = cv2.findContours(dilated, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

    return contours

#### 基于背景建模的方法
此方法先建立一个稳定的背景模型，再通过对当前帧与背景模型做减法运算得到前景掩膜图，从而定位出其中的活动对象。对于光照条件稳定、背景相对固定的监控场景尤为适用。不过当环境中存在阴影干扰或是突然发生较大范围内的亮度改变时，可能会造成误检现象[^1]。

Mat bgSubtractor;
Ptr<BackgroundSubtractorMOG2> pBackSub = createBackgroundSubtractorMOG2();
pBackSub->apply(currentFrame, fgMask);
findContours(fgMask.clone(), contours, hierarchy, RETR_TREE, CHAIN_APPROX_SIMPLE);

#### 特征匹配追踪策略
采用诸如SIFT/SURF等局部不变量特征描述子对感兴趣点进行提取并计算其相似度得分，进而完成跨时间序列上的同一实体关联操作。这类方案具备较强的鲁棒性和抗噪能力，但在高密度人群聚集场合下性能会有所下降。

detector = SURF('NumOctaves', 4, 'Threshold', 0.00002); % 创建SURF探测器实例化对象
[imagePoints, validIndices] = detectSURFFeatures(I);     % 提取关键点位置坐标集合
[features, points]           = extractFeatures(I, imagePoints(validIndices));
matchIdxs                    = matchFeatures(features{1}, features{2});
matchedPairs                 = indexPairs(matchIdxs);

#### 光流估计算法
光流场分析能够提供像素级别的位移矢量信息，有助于理解整个视域内各部分随时间推移而产生的细微变动趋势。尽管计算成本较高且对外界因素敏感（如快速转动镜头），但对于细粒度动作解析任务来说仍然是不可或缺的重要工具之一。

cv::calcOpticalFlowFarneback(prevGray, currGray, flow, pyrScale, levels, winsize,
                             iterations, polyN, polySigma, flags);

for(int y = 0; y < h; ++y){
    for(int x = 0; x < w; ++x){
        const Point2f& fxy = flow.at<Point2f>(y,x);
        line(img, Point(x,y), Point(cvRound(x+fxy.x), cvRound(y+fxy.y)), color);
        circle(img, Point(cvRound(x+fxy.x), cvRound(y+fxy.y)), 1, color, -1);
    }
}