视频图像的运动目标检测是计算机视觉领域的一个重要的研究课题,把运动目标从实时变化的背景中快速、准确的分离出来是对图像进一步分析处理的关键。在本课题中,我们要解决的问题是针对固定摄像机采集的视频图像,准确地检测和提取运动目标,以及检测和去除影响运动目标检测的运动阴影。本文首先分析总结了目前主要的运动目标检测算法,并通过实验对块匹配法、时域差分法、背景减除法和光流场法进行分析,讨论了各自适用的情况和优缺点。在此基础上本文着重对背景减除法进行研究,提出了一种新的基于时间段划分与归并的背景建模方法。该方法的思想为:对视频图像中的每个象素点通过一个学习的过程,将该象素点在时间序列上的观察值分到不同的组,值相近的归到一组,观察值个数最多的组的特征值作为此象素点的背景特征值。实验结果表明这种方法计算复杂度低,对于背景相对稳定的场景均能有效的实现背景重建。为了使运动目标检测算法能够适应复杂场景的情况,本文介绍并实现了高斯混合模型(GMM)背景建模的方法。在训练与测试过程中引入了改进的K-means聚类算法和优先级匹配的算法。GMM在各种户外场景中均取得了理想的检测效果,同时实现了在线检测。针对阴影检测,本文在原来基于HSV色彩空间的确定性非模型方法基础上加以改进,根据H、S、v三个色彩分量对阴影的作用不同,给三个分量设以不同的权值,有效的改善了阴影检测效果,提高了运动目标检测的准确性。实验结果表明,对于背景相对稳定的场景,基于时间段划分与归并的背景建模法能很好的实现背景重建,取得非常好的检测效果,与高斯混合模型相比容易实现,运算复杂度低,具有明显的优越性:对于复杂场景下的运动检测则需要建立背景的高斯混合模型,才能很好的解决动态背景及视频噪声对运动目标检测的影响,并实现在线检测。