數字圖像中的幾種典型噪聲有：高斯噪聲來源於電子電路噪聲和低照明度或高溫帶來的傳感器噪聲；椒鹽噪聲類似於隨機分佈在圖像上的胡椒和鹽粉微粒，主要由圖像切割引起或變換域引起的誤差；加性噪聲是圖像在傳輸中引進的信道噪聲。
一般來說，引入的都是加性隨機噪聲，可以採用均值濾波、中值濾波、高斯濾波等方法去除噪聲，提高信噪比。均值濾波在噪聲分佈較平均，且峯值不是很高的情況下能夠得到較好的應用；中值濾波對尖脈衝噪聲的濾除有較好的效果，並且能突出圖像的邊緣和細節；高斯濾波對濾除高斯白噪聲有較好的效果。
運動目標檢測
背景差分法：能完整、快速地分割出運動對象。不足之處易受光線變化的影響，背景的更新是關鍵。不適用攝像頭運動的情況。
光流法：能檢測獨立運動的對象，可用於攝像頭運動的情況，但計算複雜耗時，很難實時檢測。
幀差法：受光線變化影響較小，簡單快速，但不能分割出完整的運動對象，需進一步運用目標分割算法。還有一些改進的算法，主要致力於減少光照影響和檢測慢速物體變化。
圖像標識
圖像標識的作用是確定物體是否獨立，圖像中有幾個運動目標。
1）領域：常取周圍的4或8個像素作爲領域。
2）連通域：二值圖像中互相連通的0像素集或1像素集稱之爲連通域。被1像素包圍的0像素叫做孔。1像素連通域不含孔時，叫做單連通成分，含有一個或多個孔的連通成爲叫做多重連通成分。
3）標記：差值後的一幀圖像可能存在多個連通域，每個非連通域對應一個目標圖像區，給各目標區分配相應標號的工作成爲標記。
標識過程大致爲：按一定順序逐個掃描像素，掃描到1的像素，檢測其領域的像素值，若一樣則爲連通域，並標記爲第一個目標，然後依次尋找下一個目標。
在所有可能的目標都找到了之後，可以爲每個目標劃出一個波門，將目標框起來。並建立一個多目標位置鏈表，找到的每一個目標區域的中心位置都作爲一個結點加入該鏈表儲存起來。波門的劃分有可能將同一個目標分爲兩個部分，或者一個波門裏包括了兩個目標，使得目標數據錯誤增加或減少，所以還要判斷當前的目標是屬於同一個目標還是不同的目標，這將在後面的圖像分割中完成。
圖像分割
圖像分割用於分離目標和背景的組合或者分離不同目標的組合。圖像分割不僅可以大量壓縮數據，減少儲存容量，而且能大大簡化其後的分析和處理步驟。
1）直方圖閾值分割法
灰度直方圖即爲灰度級的像素數與灰度的二維關係，反映了一副圖像灰度分佈的統計特性。如果前景物體內部灰度值分佈比較均勻，背景灰度值的分佈也比較均勻，這個圖像的直方圖將有明顯的雙峯，這時可以選擇兩峯之間的谷底作爲閾值。由於直方圖不含目標的位置信息，還要結合圖像的內容來確定。
2）最大類間方差閾值分割法
利用圖像目標與背景這兩類的總體灰度之間存在的差距確定閾值從而進行分割。
3）區域生長法
指將周圍特性相似的像素再次合併到目標區域中。
4）邊緣檢測和輪廓提取分割法
5）形態學分割法
主要作用是使運動目標的區域更加完整。
腐蝕的作用是消除物體邊界點，把小於結構元素的物體去除。如果兩物體之間有細小的連通，那麼當結構元素足夠大時，通過腐蝕運算可以將兩個物體分開。
膨脹運算的作用是把圖像周圍的背景點合併到物體中。如果兩個物體比較接近，那麼膨脹運算可能會使這兩個物體連通在一起。膨脹對填補圖像的空洞很有用，膨脹最簡單的應用之一就是將裂縫接起來。
形態學也可用於圖像濾波、增強等方面。
運動軌跡預測
在分割出運動目標後，應提取出目標的特徵，然後在下一幀圖像中匹配特徵從而跟蹤目標。但爲了減少搜索特徵匹配的區域，提高實時性，在此加入對目標運動軌跡預測這一步驟。運動軌跡預測也有利於增強遮擋情況下跟蹤的魯棒性。
1）線性預測算法
2）Kalman濾波算法及其擴展算法
3）粒子濾波算法
目標跟蹤
1）特徵選取
灰度特徵，對於灰度圖像，像素灰度值是最基本的目標圖像特徵；
幾何特徵，它反映的是目標的幾何性質，它僅與目標像素點的位置有關，而與其灰度無關。常用的幾何特徵有目標周長、面積、扁率和高度等；
統計特徵，如目標灰度均值與方差、直方圖、熵、矩以及目標相對於背景的對比度等；
變換域特徵，包括Forier、Gabor、Wavelet等變換域特徵；
顏色特徵。
2）跟蹤算法
a.模板匹配跟蹤
模板在圖像上滑動，對應於圖像的各個位置的灰度值，與模板上像素的灰度值比較，每個位置計算出一個累積誤差，挑選出最合適的位置，完成匹配。
b.camshift跟蹤
顏色直方圖匹配。
c.主動輪廓線跟蹤
又稱snake算法，最小化圖像的能量函數。
d.多模跟蹤
使用多個跟蹤算法（模型）同時跟蹤。
運動目標檢測跟蹤的複雜性表現在
1、光線變化。由於時間變化，一天的早晚，上午和下午，日光的照射強度和角度變化會引起光線變化；再由於天氣原因，同樣會導致照射光線的變化。由於光線的變化，要使一種檢測算法適應各種光照情況是比較困難的。
2、場景中運動目標的干擾。比如，大面積區域中各種目標的運動，車輛的的突然停止與突然啓動；場景中某些目標的頻繁變動，比如，搖擺的樹枝和樹葉，水面的波動等。
3、初始化問題。在一些監視場景中，要得到無噪聲干擾的純背景圖像(不含檢測目標和運動背景目標的圖像)是很困難的。比如，人車繁忙的交通場景。
4、遮擋與孔洞問題。要檢測的運動目標，被背景中的目標所遮擋情況下，怎樣判斷遮擋。
5、陰影問題。在目標檢測當中，如何將被檢測目標與其產生的陰影區分開來，從而僅檢測目標部分。
6、目標的失蹤。運動目標長期停留在場景中，有可能變成背景目標。
由於目標檢測的複雜性，想要建立一個通用的，適合所有情況的目標檢測算法是不現實，也是不可能的。因此，根據具體情況，建立符合實際條件的目標檢測算法是目標檢測方法的研究方向。