运动目标检测是智能分析的第一步,实际应用中除了行人和车辆等一些常见的运动目标外,还有一些运动小目标需要检测。此外信息的采集会受天气的影响,随着大雾天气的增多,大雾天气下运动小目标检测技术研究在交通系统、海关和航天部门具有很强的实用价值。鲁棒主成分分析实现运动目标检测是最近的研究热点。本文以鲁棒主成分分析方法为基础,通过研究分析大雾图像和运动小目标特征,用鲁棒主成分分析方法来实现单幅大雾图像的运动小目标检测。本文的主要研究内容如下:(1)阐述鲁棒主成分分析方法的基本原理,且着重研究矩阵低秩稀疏分解模型以及相关的求解算法。针对大雾图像的局部子图像之间的相关性,尝试用鲁棒主成分分析方法解决单幅大雾图像的运动小目标检测问题。对原始单幅大雾图像进行预处理操作获得满足低秩稀疏分解条件的大雾补片图像,将单幅大雾图像的运动小目标检测问题转化为鲁棒主成分分析的矩阵低秩稀疏分解问题。(2)利用鲁棒主成分分析方法对大雾图像进行运动小目标检测。在大雾补片图像的矩阵分解中,本文研究三种求解算法,分别是:迭代阈值法(IT)、加速近端梯度法(APG)以及非精确增广拉格朗日法(IALM)。通过矩阵低秩稀疏分解模型完成单幅大雾图像运动小目标检测的仿真实验,并对比分析三种算法的优劣,实验结果表明:IALM算法比IT算法和APG算法的检测精度高。(3)为解决矩阵低秩稀疏分解模型忽略了目标像素之间的关系问题,进一步提高大雾图像运动小目标的检测精度,本文在矩阵低秩稀疏分解模型的基础上,引入结构化稀疏诱导范数,提出结构化矩阵分解模型,并在求解算法上将结构化范数的求解和IALM算法进行结合。在Matlab上进行仿真实验,实验结果表明:引入结构化稀疏诱导范数后检测精度要高于之前的IALM算法。