运动目标检测技术就是从视频数据中智能地检测并分割出人们感兴趣的运动目标,以便后续对运动目标的进一步分析和理解,它是智能视频分析的基础和核心技术之一。目前,运动目标检测技术己经广泛应用于智能视频监控、智能交通管理、人机交互、汽车自动驾驶等领域。本文针对目前运动目标检测技术面临的应用挑战和理论研究中存在的难点问题,研究了面向复杂应用场景的运动目标检测方法,主要研究工作及成果如下:(1)为提升对前景、背景间微小特征差异的区分、辨别能力,提出了基于人类视觉亮度敏感性的单像素特征建模的运动目标检测算法。该算法借鉴了成熟的人类视觉系统(Human Visual System,HVS)在不同亮度背景环境下对亮度差异的感知特性,推导出适用于复杂图像背景环境的韦伯比,设置了适合参考背景模型中不同亮度背景的自适应匹配判断阈值,有效提升了算法对前景目标与背景间细微特征差异的感知能力,大大提高了前景目标检测、分割的准确性。实验表明,该算法具有很好的应对伪装目标问题的能力。(2)为适应场景动态变化、准确描述场景背景,提出了基于复杂特征建模的运动目标检测算法。为应对存在剧烈动态背景扰动等剧烈变化的复杂场景,借鉴HVS系统视觉感知的整体特性,通过挖掘场景空间上的复杂特征,提出了利用包含场景整体全局信息的复杂特征建模的运动目标检测算法,该算法改进脉冲耦合神经网络,模拟HVS系统对彩色场景的整体感知,增强神经网络对场景整体特性的体现能力,并使用神经网络输出的包含有图像全局信息的响应特征建立背景模型,可有效提高背景模型应对复杂多变环境的适应性,实验表明,该算法对动态背景等背景扰动表现出了很好的鲁棒性;为综合利用多源视频图像优势、获取场景更准确全面的背景描述,利用场景在红外、可见光多源视频中光谱上的复杂特征,提出了基于红外、可见光多源特征融合建模的运动目标检测算法,该算法根据融合了多源光谱信息的背景模型,对当前输入数据进行多源特征的联合匹配和决策,大大提高了对红外、可见光视频中互补信息的融合利用能力,实验表明,该算法检测结果既避免了由可见光视频中光照变化、阴影、伪装目标等带来的影响,又克服了红外视频中的光晕、热反射等问题。(3)针对现有背景子空间表征背景时缺乏对实际环境情况适应性的问题,引入先验信息,提出了基于背景低维子空间动态学习的运动目标检测算法和基于约束背景独立子空间分离的运动目标检测算法。为使低维背景子空间的学习能动态适应场景复杂变化,提出使用自适应稀疏权重的改进在线鲁棒主成分分析对背景的低维子空间进行动态估计和学习,利用反馈机制自适应调节子空间分解对前景目标稀疏程度的适应性,可有效提高算法适应场景背景动态变化和前景目标稀疏不同的能力,实验表明,该算法能在无防抖处理的情况下有效抑制摄像机抖动给运动目标检测带来的影响,对实际场景的复杂变化表现出了较强的鲁棒性;为符合背景、前景图像非线性混合形成观测视频图像的实际情况,将运动目标检测转化为非线性盲源分离问题,使用了非线性独立成分分析对视频数据进行盲源分离,并引入了关于背景的先验信息作为约束条件,大大提高了对独立背景子空间估计和前景目标检测的准确性,实验表明,更符合实际情况的非线性分离方式具有比线性分离方式更好的检测效果,特别是可有效解决目标的间歇性运动问题。(4)现有方法大多需通过学习来确定变换、分离前景与背景,会出现因学习不充分等因素影响运动目标检测精度的问题。针对这一问题,提出了基于三维小波变换的运动目标检测算法。该算法不需训练学习过程,利用三维小波变换的多尺度分析特性,直接将时间维度上特性不同的背景和前景分离到不同的三维小波子带中,并直接去除背景对应的小波子带,同时抑制对应于前景的其它小波子带内由非前景目标(如噪声、光照变化等)引起的扰动,可实现对前景目标的准确、快速分割。实验表明,该算法具有很好的克服缺少训练学习机会这一应用难题的潜力。