运动目标检测是智能视频监控系统中关键而基础的一步。如何有效地把感兴趣的目标如人、物等从复杂场景中分割出来,并对目标行为做出相应的判断,是计算机视觉研究的热点及难点。视频监控系统广泛应用于交通监控、校园安全、银行监视、小区监控等方面。研究运动目标检测具有十分重要的现实意义。目前,在众多运动目标检测方法中基于高斯混合模型的背景分割算法是近年来比较流行的方法。本文对高斯混合模型进行了深入研究,主要工作和总结如下:
　　 针对复杂环境下的视频监控系统,提出了一种基于高斯混合模型的运动目标检测的改进算法。在传统模型学习中提出一种加权思想,首先利用颜色信息对背景建立高斯混合模型；其次在模型更新阶段,对均值与方差分别给出一个不同的加权值；最后,应用中值滤波及物体空间连通性进行后处理,消除噪声点。将该方法与传统的高斯混合模型进行比较,模拟实验结果表明该方法具有较好的学习能力,比较准确地检测出复杂环境下的运动目标,具有较好的鲁棒性。
　　 提出一种融合高斯混合模型和小波变换的运动目标检测算法。人们通常通过颜色或者亮度信息来分割前景和背景,但颜色和亮度容易受光照及噪声的影响,容易导致误判。一幅图像包含了丰富的信息,除了颜色和亮度外,还包含有轮廓、边缘、纹理等信息,这些特征信息反映了空间的区域结构信息。当目标象素与背景象素在颜色和亮度信息上非常接近时,目标容易被误判为背景,利用纹理信息可以解决这一问题。本文通过小波变换提取图像的纹理特征信息,利用高斯混合模型拟合背景信息,将两者线性组合起来,把纹理信息作为颜色信息的补偿；保证了模型在线更新背景信息时模型的稳定性和收敛性,同时弥补了目标分割中颜色信息接近时容易导致误判的不足。实验结果表明,本方法具有较高的分割精度,提高了目标检测的鲁棒性。