随着科技的发展和人们日常生活水平的不断提高,人眼接受的信息来源更加丰富多样。这些信息的载体中尤以视频所含信息量最大,如何在日益复杂的视频场景中提取有用的显著性区域已成为视频处理领域的研究热点之一。传统的视频显著性检测技术大多是利用像素域中的信息计算显著性值。非压缩域方法使用光流法等得到的运动信息准确度低,导致显著性检测性能较差。压缩域视频流中的信息经过处理,能更准确地检测出显著性区域。因此,在压缩域中的检测方法是视频显著性处理的发展趋势。目前压缩域显著性检测方法尚处于初级研究阶段,在显著性检测精确度方面还有很大提升空间。本文通过对现有视频显著性检测技术分析与总结,提出了一种基于运动特征的显著性检测模型。相比以往的视频显著性检测方法,本文的改进和创新主要体现在以下几个方面:1.根据人眼视觉机制,人眼对相对运动更为敏感,现有方法多是采用光流法或差分法找到运动信息,这类运动信息准确性低。本文采用全局运动估计对前景和背景运动矢量进行有效区分,降低时域显著性图中噪声块对结果的影响,并结合压缩域中的宏块编码信息对时域显著性图进行优化;2.视频显著性检测方法多是基于像素域的,目前压缩域中的检测方法很少且难以在各种复杂场景中保证检测质量。压缩域中的信息来源于帧内与帧间的信息,特征更为明显和准确,能更好地保证检测效果。本文的显著性算法就是基于压缩域的检测方法;3.根据图像显著性特性,显著性区域应是密集的且与非显著性区域差别较大,因此可以采用聚类算法对显著性图进行优化,传统的K-means聚类算法需先标注类别数目和中心坐标位置,本文提出了改进的聚类算法对显著性值进行类别标注,提升了聚类算法的性能,突出显著性区域的同时对非显著性区域进行抑制。本文在标准数据集上与现有其他优秀算法进行了性能比较,实验结果显示本文提出的基于运动特征的显著性检测方法无论在主观质量还是客观质量上都好于被比较的方法。