交通是人们生活必不可少的一部分,对于路况、安全行驶的智能监控逐渐受到人们的关注,利用智能监控能够使监控系统对运动物体进行自动检测识别、以及自动跟踪和行为理解。运动目标检测做为智能监控系统中视频帧图像处理的第一步工作,对于后期的跟踪识别具有重要的作用,有研究的价值。在静态背景下常用的运动目标检测方法有帧差法、背景差分法;在动态背景下常用的运动目标检测方法有光流法等。传统的运动目标检测算法多是基于CPU(Central Processing Unit)的计算,运行的时间长、效率低,一般达不到实时性的要求。为了准确检测高速径向运动的车辆目标,降低系统的噪声,提高系统的实时性,本文提出了一种利用通用并行计算架构(CUDA)并行加速的结合改进帧间差分法和稀疏脉冲耦合神经网络(PCNN)的运动目标检测新算法。因为研究的对象是运动车辆,其路面情况比较复杂,采集的原始图像噪点比较多,本文提出了一种均值滤波和直方图变换相结合的滤波去噪算法,来实现图像预处理。因为传统算法针对快速运动的目标检测率低,在本课题的研究过程中,根据帧间差分法、光流法、背景差分法等经典算法的原理,结合小波变换的特点,首先提出了二次三帧差法结合复小波光流法的运动目标检测算法,这种算法在复杂的动态背景下能够精准的检测到快速运动的目标,但针对径向运动的目标时,其检测率较低。针对这些问题,本文最终结合PCNN的数学模型及工作原理,提出了改进帧差法和稀疏PCNN相结合的运动目标检测新算法。针对径向快速行驶的车辆,改进的新算法能够更有效、更完整的检测到运动目标。根据所处理的视频帧图像的特点,结合像素单元的独立性,同时根据图形处理单元(Graphics Processing Unit,也即GPU)的并行结构和硬件特点,将改进帧差法得到二值图像的过程,以及差分二值图像映射到稀疏PCNN模型的过程均放GPU上执行,同时选择纹理存储和共享存储方式,以提高数据的访问效率,降低算法的复杂度,实现了GPU和CPU相结合的算法流程,提高了算法的执行效率。为了验证本文算法的有效性和实时性,本文借助VS2010、OPenCV2.4.9、CUDA来实现本文算法及相关的实验对比,结果验证了本文算法对运动目标检测的准确性和实时性。