两种运动检测算法的介绍：
帧差法：
帧差法是目前运动目标检测中最常用的算法。帧差法依据的原则是：当视频中存在移动物体的时候，相邻帧（或相邻三帧）之间在灰度上会有差别，求取两帧图像灰度差的绝对值，则静止的物体在差值图像上表现出来全是0，而移动物体特别是移动物体的轮廓处由于存在灰度变化为非0，当绝对值超过一定阈值时，即可判断为运动目标，从而实现目标的检测功能。
二维频域运动目标检测：
通过对动态图像的行列分解, 将三维频域内的运动检测问题转化到两组二维频域内进行, 从而降低了滤波器设计的难度。给出了一种提取主运动能量的自适应滤波算法, 通过剔除背景和噪声的频率成分, 有效地检测出运动目标。
复杂度分析：
针对帧差法进行分析，代码复杂度主要集中在absdiff与findContours部分，其中absdiff的迭代次数为2*500*500=50000次，时间为88.46ms(取两百帧计算平均的时间)
针对二维频域运动目标检测算法，这里有两个代码版本：
针对py-new-fuliye.py，代码的复杂度主要集中在两个部分：傅里叶变换以及遍历，在py-new-fuliye.py中，共使用了两次傅里叶变换与两次遍历，遍历的迭代次数次数为2*50*30=300次，时间为：54.175ms
针对pepoplefft.py（改进版）进行分析，使用了两次傅里叶变换（一次正一次逆），进行了一次嵌套遍历，遍历次数为：50*10=500次，时间为： ms
针对pepoplefft.py进行优化调参：
搜寻噪点：
要找到噪点，就要知道经傅里叶高通滤波变换后，剩余的边缘部分在数组中的表现规律，采用numpy绘图表示出来：
经过阈值去噪后，效果如图：
在随后的视频测试中发现其面对复杂环境表现仍不理想，此时考虑选择绘制多个矩形来框选标记多个候选目标，暂时不考虑使用其他的滤波进行去噪，原因为1、会占用原本就不多的处理时间，2、不认为在经过高通滤波后还未被滤掉的噪点会被其他滤波函数滤掉，目标被滤掉的可能性反而更大。