在视频监控、智能交通等领域,通常先检测视频图像中的运动目标,将检测的结果用于目标跟踪、目标分类和行为理解等后续处理。运动目标检测是视频图像序列分析的基础和关键。国内外学者对其进行了大量的研究,至今仍是计算机视觉领域的研究热点之一。本文的主要工作如下:(1)在复杂场景下进行快速、良好的背景建模,从而进行有效的进行前景检测是非常困难的,本文对其进行了较为深入的研究和讨论,并着重研究了应用广泛的差分算法、混合高斯背景模型、codebook算法和vibe算法。(2)针对差分算法的不足,参考邻域像素值的变化,对该算法进行了改进,增强了差分算法对噪声及复杂背景的适应性。同时,利用由vibe算法检测到的前景图像,对差分算法形成的“空洞”进行有效的填充。最后将改进后的差分算法和vibe算法得到的前景图像做与操作,解决了差分算法的“双影”问题,同时也使vibe算法对“ghost”现象具有更快的收敛速度。选择合适的分割阈值,则对阴影也会有一定的抑制作用。(3)复杂场景一般成多峰分布,每一个分布的像素都有其相似性。本文将CSDP聚类算法进行改进,在背景模型建立阶段,将像素点进行聚类,从而得到背景模型。为了适应局部和全局光照的变化,在前景检测阶段本文从亮度和颜色两个维度对像素值进行匹配。对匹配成功的像素值进行背景模型的更新,以适应缓慢的背景变化。当静态背景模型突然发生剧烈变化时,本文的算法能够快速对背景模型进行更新,删除不存在的背景,或添加新形成的背景,以解决比如车辆突然启动,或长时间停留等对背景模型产生的影响。