背景建模是运动目标检测和跟踪的基础部分,在智能监控、机器人视觉、视频会议等领域有着广泛的应用。参数化的混合高斯背景模型可对存在渐变及重复性运动的场景进行建模,被认为是最好的背景模型之一。然而,它不能解决场景中存在的突变,存在阴影、噪声时容易导致误检或漏检现象。同时,该方法要求事先知道背景先验概率与观测下的条件概率的值,但在一些复杂的应用场景中,这些概率函数的形式是未知的。而非参数化背景建模方法,它不需要预先假定模型的密度分布形式,直接通过数据估计未知密度函数,避免了模型形式假定和优化等问题。本文通过对非参数化背景建模的深入研究,取得以下成果:1.深入分析研究了目前常用的几种自适应动态背景建模方法,并对其优点和存在的问题进行了总结和比较。2.深入研究了混合高斯背景建模方法,并提出了一种具有阴影减除的混合高斯背景建模,该方法以混合高斯背景建模方法为基础,嵌入了基于HSV颜色特征的阴影检测,去除了噪声和阴影的干扰,在一定程度上提高了对运动目标检测的鲁棒性。3.深入研究了非参数化核密度估计背景建模方法,通过对高斯核函数及其窗宽的研究,实现了高斯核密度估计背景模型的建立和更新,它能够适应环境、天气和光照的变化,准确的检测出室内或室外运动目标。同时将该方法和参数化的混合高斯背景建模进行了比较。实验结果表明非参数化方法噪声少,并且目标比较清晰,连通性较好。