变化检测广泛应用于智能监控领域,对场景中运动对象的行为进行识别、判断,并在适当的条件下,产生报警。而传统的基于视频的变化检测难以适用于高密度、较复杂的场合,由于场景的光线变化、阴影等原因会导致变化检测产生误差。因此,论文以时间序列分析为出发点,利用红外旋转平面雷达探测并换算被摄物体的距离,以产生深度信息,获取时间序列数据,从而进行变化检测。以“触摸”形式检测场景变化,可实现全天候、全方位的监测,探测时只对场景进行横向切割产生一个横截面,还可达到简化变化检测的目的。红外旋转平面雷达采集的时间序列是周期性数据。与基于视频流的背景差分变化检测的基本原理相一致,对于周期性时序数据的变化检测,应先确定周期,然后建立时间序列背景模型,随后进行异常度计算,最后进行变化点决策,该算法基于最经典的混合高斯背景差分法展开。首先,对时序数据进行插值和滤波处理,即进行预处理。然后,采用改进的混合高斯建立时序背景模型,并实时更新背景,随后进行时序变化检测。最后,用密度自适应K_Means算法对变化点进行聚类分析,并对每个聚类进行最小二乘线性拟合,使变化动态更加直观。实验讨论了时序滤波变化检测在四种不同场景下的检测效果,并与传统的混合高斯模型和Vibe背景差分法进行对比分析。在实验分析过程中,用Precision、Recall和F三个指标对每种算法的性能进行评估,结果表明本文算法在对背景的适应性与变化检测的准确度方面具有一定优势,同时通过对延迟率的计算,可得出该算法满足实时变化检测的要求。