视频图像目标检测是智能视频监控系统中最为关键的一步，是计算机视觉领域的一个重要研究课题，基于视频图像的目标自动检测技术广泛应用于军事、医疗、安防、交通、场景监控等领域。　　 本文针对视频监控系统中前景目标检测技术算法进行了研究，主要是对单个静止摄像头背景下视频图像序列中前景目标检测进行了一系列研究与分析，包括背景初始化与更新，目标检测，阴影消除等。　　 由于受到外界环境等因素的干扰，摄像头采集的图像被加入了噪声信号，影响了对图像进一步分析的准确度，因此需要对采集的原始图像先进行预处理，再进行目标的检测。本文采用中值滤波方法对图像进行去噪增强处理。　　 论文对目前常用的目标检测算法（光流法、帧间差分法、背景减除法）进行了分析、比较和研究。本文在相邻帧间差分基础上提出了连续三帧差分法，并介绍了利用物体的边缘特性与帧差法相结合的方法，实验表明该方法可以更好地提取出前景目标。基于边缘特征的目标检测适用于运动物体比较大的场景中，一般用于公路枢纽或是大型公共场合。在目标检测过程中，随着时间和外界环境的变化，背景图像也会发生变化，背景的变化使得有些原来的背景部分很可能被误认为前景目标，因此，需要对视频图像构建初始背景模型，来适应外界环境的变化。　　 本文在背景减除法基础上详细介绍了基于构建混合高斯背景模型的方法，高斯混合模型可以较好的对背景进行建模，其高斯函数的参数能自适应的更新而不需存储大量视频帧来计算参数，减少了对计算机的内存要求。实验表明该方法对外界环境具有较强的自适应能力，实时鲁棒性强。　　 物体在运动时常伴有阴影，阴影的存在将影响运动物体检测的准确性。本文重点研究分析了基于HSV 色彩空间阴影消除方法，并在此算法基础上加以改进，使得阴影检测效果更加明显，提高了前景目标检测的有效性。　　 由于背景图像细微变化或者运动目标区域中有与背景图像像素值接近的点，再加上噪声影响无法完全避免，所得到的二值图像中的前景区域不一定都是完整的真正的运动对象，需要对得到的结果进行处理。本文采用数学形态学的方法对二值图像去噪以更好地获取目标轮廓。经过形态学处理后，图像中较小的干扰点被去除，前景目标区域轮廓较明显。