运动物体检测是智能视频分析技术的基础。对于静止摄像机拍摄的视频序列:各帧的背景部分具有较强相关性,因此背景矩阵具有低秩性;同时视频中的运动物体相对整幅图像而言较小,因此前景矩阵具有稀疏性;此外,前景物体在空间上具有一定的连通性。现有的基于矩阵分解的视频运动物体检测算法主要利用了背景的低秩性和前景的稀疏性、平滑性,采用交替迭代求解的方法寻找最优解。虽然上述方法取得了一定的效果,但是仍然存在以下问题:一方面,运动不仅存在于一些有意义的物体上(如人,车等),还可能包括背景中的部分元素(如晃动的树叶,波动的水面等),因此造成误检问题;另一方面,当运动物体的某些部位没有丰富的纹理特征或者和背景纹理近似时,往往会产生漏检问题。事实上,显著性检测能够较好地区分单幅图像中的前景和背景,对视频序列的动态背景具有较好的鲁棒性。为了改善由动态的背景造成的误检问题,以及运动物体纹理不丰富产生的漏检问题,本文提出了基于显著性检测和子空间学习的增量式视频运动物体检测算法。该算法用显著性检测对背景进行约束,构成背景的显著性检测约束项,并将其与背景重建项、前景的稀疏性约束项和前景的平滑性约束项统一在一个框架下,构成一个最优化问题。在公共数据库Perception Test Images Sequences和Wallflower上的实验结果表明,本文所提算法能够有效地减少误检和漏检问题,提高视频运动物体检测的准确率。同时,该算法属于增量式视频运动物体检测算法,能够满足视频处理的实时性要求。