视频对象检测是智能视频监视技术的重要组成部分。本文着眼于单目静止镜头视频对象检测过程的目标发现、分割和分类三个环节进行方法实验和改进。论文的主要工作内容如下:本文首先介绍了国内外视频对象检测的研究和应用现状,接着介绍了视频对象检测所涉及的运动检测、图像分割、特征提取和分类三方面的主流技术及其进展。针对复杂背景条件,本文分析了混合高斯背景模型、码本背景模型和帧差分运动检测三种方式的运动检测性能,优选了码本模型作为背景减除运动检测的背景模型生成算法。本文接着采用了基于二值化前景连通域轮廓结构差异的降噪方法,还引入了基于形态学梯度信息的目标前景阴影抑制方法。通过运动检测、前景降噪和阴影抑制三个阶段最终定位了运动目标。运动检测算法难以避免目标前景残缺现象。为了准确地提取出运动目标,本文采用K-means颜色聚类方法修复目标二值化前景,使其逼近目标的真实外形。接着根据分水岭分割后碎片区域与修复后目标前景像素是否重叠判定碎片区域是否属于运动目标,进而合并出准确的目标体。为达到针对特定种类目标进行跟踪和行为分析的目的,视频对象检测必须包含对象分类功能。本文以人体目标为例,研究了基于不变性图像特征和统计机器学习理论的视频对象分类方法。实验采用梯度方向直方图算子和支持向量机分类器学习和识别人体目标。本文基于码本背景模型、梯度方向直方图算子和分类器构建了视频对象检测算法验证程序,并作出了实验结果分析。论文最后对视频对象检测算法进行了总结和展望。