深度学习 Faster R-CNN 的多帧背景还原解决动态背景的问题。针对 动态背景下的目标提取问题。本文提出了基于深度学习 Faster R-CNN 的多帧背 景还原的前景目标提取算法。基于 Faster R-CNN 对前景目标的单帧提取能力， 对每一帧分别进行检测，并提取每帧的背景，经过图像融合还原出完整的不含目 标的背景图像，并通过滤波与膨胀腐蚀等精确的提取前景目标。

Faster R-CNN+粒子群优化+图像配准 首先利用深度学习 Faster R-CNN，在训练好 训练集的情况下检测和提取当前帧中的目标，利用 5.1 节的动目标提取算法校验 目标；然后以此作为接下来配准的模板，利用多自由度的图像配准来求解图像变 换参数，并结合粒子群优化 PSO 的快速求解性能[20]，高速的配准定位、跟踪与 提取目标，将算法处理速度提升到了每秒 60 帧以上（配准时的速度）。在配准过 程中，如果出现配准相似度低于设定阈值，则认为目标跟踪失败，此时将重新利 用 Faster R-CNN 检测与提取新目标，并重复过程。

该代码使用matlab实现，代码结构清晰完整，方便大家学习

有程序和资料。17年华为杯数学建模D题，针对问题一，在静止背景条件下，提取运动前景目标轮廓，首先处理视频，生成单帧数据，针对不含纯背景帧的视频采用帧间差分法，对含背景帧的视频数据采用背景差分法。两种方法都可以准确提取静止背景下的前景目标轮毂，最后进行形态学的补充处理，达到预期的效果。 针对问题二，分析动态背景每一帧之间都大面积的不同，因此使用帧差法的结果会出现大量的噪点。采取混合高斯模型(GMM)对动态的背景进行建模，采用一定帧数的图像来训练模型，从而实现实时更新的背景模型，过滤掉背景变化对目标提取的影响，可以准确提取前景目标。 针对问题三，考虑摄像头抖动造成图像的变化，因此考虑首先去抖动，对摄像头运动类型进行建模，然后通过图像的像素点进行参考帧匹配，估计出全局运动模型，再通过模型进行反向运动补偿，实现稳定图像的目的，最后通过已有中的模型进行前景目标提取，可以达到相对较好的效果。 针对问题四，为记录目标较运动较显著的帧数，运用已有模型能够对快进视频进行的目标检测，对每一帧的灰度值求和进行建模，观察其分布，记录大于阈值的帧数，能较好的实现预期结果。

一款不错的目标特征提取的程序，由于MATLAB简单易学，所以此程序比较简单易懂，便于特征提取实用