运动分析步骤：运动检测 目标跟踪 运动表达 行为理解。
运动检测的定义：将运动前景从图像序列中提取出来，也就是说将背景与运动前景分离开。
思路有二：
一.直接利用前景所特有的信息检测前景；二.先得到背景图象，然后将输入图象减去背景图像从而得到前景图象。
常规的运动检测方法：
–背景差法(background subtraction);
–光流(optical flow);
–帧间差分(frame differencing);
***-前景建模方法(重点介绍)
背景差法：
单高斯模型：对于每一个像素，用一个高斯分布来描述其在不同时刻的灰度分布情况的背景模型。（注：是时刻）
混合高斯模型:与单高斯模型类似，混合高斯模型采用混合高斯分布来描述每个象素在不同时刻的灰度分布情况。
注：高斯模型得到的并不是一幅背景图像，而是一个针对每个点在时间序列上得到的分布函数，当新的像素点到来时，我们要通过这个分布判断这一点是不是背景点。进而得到检测的效果。
光流法：
当人的眼睛观察运动物体时，物体的景象在人眼的视网膜上形成一系列连续变化的图像，这一系列连续变化的信息不断"流过"视网膜（即图像平面），好像一种光的 "流"，故称之为光流（optical flow）。（注意光流场和运动场并不对应,会形成错觉）
该方程两个未知数u和v。因此，只使用一个点上的信息是不能确定光流的。
解决的方法是 增加约束
如：假设光流场是局部平滑的。Lucas-Kanade方法的约束则更强一些：假设每个像素领域内的像素具有相对的速度
对两边求导的到
光流法的优点
–直观的表述运动模式；
–不易受运动物体外表的干扰。
•光流法的不足
–计算量比较大；
–易产生较大噪声。
帧间差分 (略)
前景建模方法：直接针对前景所特有的特征进行建模。主要介绍 Adaboost:
AdaBoost具体解决两个问题：
–怎样处理训练样本？
–怎样合并弱分类器成为一个强分类器？
对第一个问题 ：
在AdaBoost中，每个样本都被赋予一个权重。如果某个样本没有被正确分类，它的权重就会被提高，反之则降低。这样， AdaBoost方法将注意力更多地放在"难分"的样本上。
对第二个问题
强分类器表示为若干弱分类器的线性加权和形式，准确率越高的弱学习机权重越高。
具体步骤
