21世纪是海洋的世纪,联合国《21世纪议程》指出海洋是全球生命支持系统的一个基本组成部分,也是一种有助于实现可持续发展的宝贵财富。研究海洋生物对人类发展有着非常重要的作用。而海洋生物纷繁复杂,且海底世界更是深不可测,给人类研究海洋带来了困难。目前,人们对海底生物的了解大部分都是通过水下摄像头装置或水下机器人拍摄的视频获知的。人工处理这些视频往往需要数月至数年。因此对水下生物的检测、跟踪和分类的研究成为当前的热点。近年来运动目标检测在机器人控制、自动车辆导航、人机接口、医学成像、视频监控等多方面都有非常广阔的应用前景。随着科技的进步,各种新技术也被应用到各种复杂环境下的目标检测,但是迄今为止还没有一种算法能够适用于所有情况。尤其是在摄像机运动情况下更没有一种统一的算法适合摄像机的各种运动形式,而且目标的运动中还夹杂着由摄像机运动导致的背景运动,更不好区分前景与背景。而目标检测是目标跟踪分类等的基础,检测效果不好,会给后续理解分析目标带来很大影响。因此研究一种鲁棒性好、精确、高性能的目标检测算法仍具有很大挑战性。本研究中处理的视频是拍摄于海底的海蜇视频。其中的海蜇跟我们平常所见到的并不一样,它不仅体积小,而且头部和尾巴部分亮度也不一致,颜色单一,并且随着摄像头的运动和光照的变化他们也在不断变化,甚至人眼也难以分辨。针对以上特点,本文在回顾前人工作的基础和分析和实验传统目标检测算法的基础上,指出仅仅简单地利用背景减法、时间差分法和光流法等传统检测算法来处理海底视频是不理想的,必须充分利用目标的时空信息。本文在回顾前人工作的基础上,对海底视频中的某一种生物(海蜇)的检测算法进行研究,提出了两种新检测算法,解决检测目标的不完整和漏检、错检问题。本文首先深入分析了视觉注意模型中显著性图的亮度、颜色、方向等通道的构成,并将其应用到目标检测中,计算图像的灰度、方向、中心矩等信息,得出基于背景差分法和显著性图理论相结合的目标检测算法。先对背景进行建模,然后计算当前帧减去背景后的各通道显著性图,最后综合各显著性图并利用单帧视频中目标的最大个数判断目标是否出现,稳定了检测系统。实验表明该算法能很好地检测出视频中不清晰的目标,为进一步处理目标如跟踪和分类提供了方便。由于所研究的视频是在摄像机一直往前运动的情况下拍摄的,具有摄像机运动的特殊性。在此情况下视频中具有膨胀中心(Focus of Expansion, FOE)这一个特殊点。结合该特殊性和视频中目标特点提出了基于K-FOE的残差图和环形分割的目标检测算法,该算法给出一种应用Kalman滤波器估计FOE点精确位置的计算方法,并利用精确FOE点计算残差图得到初始目标模板。然后根据目标中心距FOE的距离不同设定不同阈值,更新目标模板,更好地分割目标与背景。