随着人工智能技术的飞速发展,人们的日常生活逐渐进入了智能时代,社会对智能化设备的要求也越来越高。在智能监控系统中,运动目标检测模块起着关键性的作用,然而在运动目标的检测过程中仍然存在一定的困难,例如自然环境下背景的复杂运动,相机抖动干扰引起的运动目标检测不准确等。为了从携带海量信息的视频序列中快速捕捉突出区域和运动目标,区分场景中的真实运动和干扰运动,降低检测误差,本文在现有运动目标检测算法的基础上,结合显著性检测算法在图像处理和目标检测上的特点,提出了一种结合光流法与显著性特征的运动目标检测方法,主要从以下三个方面开展了研究:(1)针对动态背景的特点,在传统光流法的基础上研究了固定光流场方向的方式来区分动态背景和运动目标。传统光流法对物体运动信息的敏感性使其无需预先知道场景的任何相关信息就能获取独立运动目标的速度,然而运动背景带来的图像全局运动使得光流法在提取运动目标光流矢量的同时产生大量背景光流噪声,影响检测精度。因此本文提出固定光流方向的方式来区分背景和运动目标,利用水平和垂直方向上的速度均值表征背景光流,再根据当前像素点速度与周围背景点速度之间的差值得到物体的运动特征。(2)任何形式的背景下,运动目标有其独有的特征,结合这种特性,本文提出了动态背景中运动目标的显著性特性检测算法,并得到运动目标的空间显著图。自底向上的显著性检测算法容易忽略底层特征之间的空间关联性,导致背景高频噪声明显,目标特征模糊。为了保证目标区域信息的完整,背景噪声得到充分抑制,本文提出一种基于重构与分割的显著性检测方法来快速对原始图像中的有用对象和信息进行提取。首先利用图像重构中的结构元素来抑制背景信息中的高频噪声信息;然后根据像素之间的颜色空间分布关联性对具有相似特性的像素进行聚类分割,保证目标区域的完整;最后计算显著值获取空间显著图。(3)由于动态背景的复杂性,单一的光流场或运动目标的显著性检测方法难以达到稳定检测的要求。为了提高检测精度,本文将光流场和显著性结合起来开展动态背景下运动目标的检测方法研究。首先将光流场检测结果图像和显著性检测结果图像进行归一化,然后对两幅特征图像进行矩阵点乘,利用目标显著性图像将光流特征图中包含的背景光流矢量进行弱化,最后将得到的目标时域光流特征图与空域显著性特征图进行动态权值加权融合,完成运动背景下真实运动目标的检测。论文对上述三种方法进行了实验研究,计算了包含动态背景和运动目标的样本图像中的全部光流矢量和显著性特征向量,由于动态背景的无序性,单一方法的检测效果明显受到影响,但将二者结合起来,融合了人类视觉注意力机制的显著性特性能很好的补充无序的背景光流矢量叠加在真实运动目标矢量上的影响,无论是在相机存在剧烈抖动还是背景连续变化的环境中,都能很好的将运动目标信息从复杂的运动背景中提取出来,在完整保留目标区域的基础上,大大降低了背景运动所带来的影响,具有良好的稳定性和鲁棒性。