對目標的運動特徵，目前大部分算法都基於運動大的區域爲目標的可能性大這一假設，但在實際情況中，運動大的區域並不一定有較大的概率爲目標區域，比如跟拍目標或者相機抖動，而導致背景劇烈的變化，這樣會導致目標分割或者檢測的失敗。本博客給出兩種方法可以有效地解決此類情況：
（1）在文獻[1]中的方法，即通過運動的大小與運動方向的差異共同得到目標的運動邊緣。具體描述如下，先計算相鄰兩幀之間的光流矢量值，計算得到每個像素點的運動大小。但由於相機的抖動或者跟拍目標，會導致背景產生劇烈的運動，此時僅利用運動幅值大小，會導致背景被誤判爲前景，很難分割出正確的前景目標與背景區域。由此，考慮利用運動矢量之間的夾角來區分出目標與背景，得到運動邊緣大小。同時結合像素的運動大小以及運動的方向得到目標的運動邊緣特徵，可以得到目標的運動邊緣，這樣的運動邊緣具有較好的魯棒性。從圖中（f）可以看出，這種利用目標運動獲得的邊緣信息比較可靠的，能夠較有效的去除背景的干擾等。具體公式可以參考文獻[1].
圖1：目標運動邊緣的提取。其中，（a）爲原始視頻幀，（b）爲相鄰兩幀之間的光流矢量圖，（c）是光流幅值大小得到的運動邊緣，（d）是利用光流方向之間的夾角得到的運動邊緣，（e）是結合運動大小和運動方向的運動目標邊緣圖，（f）由（e）閾值化在原視頻幀中的顯示結果。
（2）以cheng等人[2]提出的基於全局區域顏色對比計算圖像顯著性的方法作爲參照，對光流場進行類似全局運動對比的計算方法，可以得到區域爲目標的概率大小，較好的利用了目標的運動特徵。
[1] Papazoglou A, Ferrari V. Fast object segmentation in unconstrained video[C]//Computer Vision (ICCV), 2013 IEEE International Conference on. IEEE, 2013: 1777-1784.
[2] Cheng M, Mitra N J, Huang X, et al. Global contrast based salient region detection[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2015, 37(3): 569-582