运动目标检测是计算机视觉和图像处理领域研究的重点和难点之一,它是运动目标跟踪和行为识别的基础。帧差法、背景差分法和光流法等方法是目前运动目标检测的几种常用方法。本文针对帧差法和背景差分法展开研究,对两种方法分别进行改进和融合,并将融合算法应用到复杂场景中进行运动目标检测,从而提高在复杂场景下运动目标检测的精确度。首先,当运动目标和运动背景相似时,使用三帧差法不能得到运动目标的完整轮廓。本文在两帧差分法的基础上,使用Canny边缘检测算法提取运动目标轮廓信息,再将其与三帧差分法结合,得到改进的三帧差分法来提高复杂场景下运动目标轮廓的完整性。其次,由于传统的高斯混合模型选择的初始化均值参数是样本点中的随机数,因此导致检测结果不理想。本文对高斯混合模型背景差分法进行改进,利用k-means聚类算法快速得到聚类中心点,再把该点作为高斯混合模型背景更新时的初始化均值参数,从而提高在复杂场景下运动目标的检测精度。最后,为了提高多种场景下运动目标检测的适应性,本文设计了一个运动目标检测算法,该算法融合了改进的帧差法和改进的背景差分法,克服了复杂场景下采用单独检测算法对环境的局限性,提高了对复杂场景下运动目标检测的适应性。