本文研究攻击者如何通过操纵视频帧来破坏基于视频感知系统的安全性。这类系统广泛应用于智能交通，支撑着交通信号优化、行人检测等安全关键功能。作者提出了一种端到端的快速目标移除攻击框架，可在视频帧中删除特定目标（如车辆、行人），同时保持视觉连贯性。框架分为四步：首先在每一帧中定位目标，然后从先前帧中检索与该目标所在区域最相似的背景补丁，接着利用上下文敏感的alpha混合将补丁无缝融入，最后重建整个攻击帧。该方法不依赖对抗噪声，而是利用视频时间一致性生成自然的内容。实验在南卡罗来纳州互联车辆测试平台的交叉口场景中进行，结果显示重建帧与真实帧的PSNR超过40dB、SSIM超过0.996，在感知上几乎不可察觉。面对基于YOLO的检测器，目标检测数量最多减少97.59%，单帧攻击成功率达到94.48%。在GPU环境下，每帧处理时间为0.074至0.172秒，接近实时要求。取证方面，多个预训练的篡改检测模型无法可靠区分重建帧与真帧，说明攻击具有高度隐蔽性。该研究首次系统性地评估了视频感知系统中目标移除攻击的可行性，揭示了此类安全关键系统在对抗环境下的脆弱性，并为后续防御研究（如视频内容认证、异常检测）提供了理论依据和实验基础。对于从事自动驾驶、智慧交通安全的工程师和研究者，本文具有重要参考价值。