运动目标检测是计算机视觉领域的一个重要研究内容,它通过图像处理的方法对图像序列中的感兴趣目标进行提取,在智能视频监控系统等领域具有举足轻重的地位。主要有三大类方法:光流法、帧差法、背景建模法,其中基于背景建模法的运动目标检测主要通过两个步骤来实现:背景模型建立、背景模型更新,建模方式多种多样,背景模型的实时更新能够适应场景中的变化。这就使得背景建模法成为机器视觉领域的重要研究方向之一。如何排除现实环境中复杂的背景、动态噪声、光照变化等干扰,实现运动目标的鲁棒、快速的检测,一直是研究者们致力解决的问题。本文主要研究了视频序列中的运动目标检测技术。本文主要包括以下几个方面的工作:(1)研究了三类经典的目标检测方法:光流法、背景建模法及帧间差分法,针对背景差分法介绍了两种常见的背景建模方法。(2)对CP3(Co-occurrence Probability based Pixel Pairs)算法的原理进行了详细阐述,并对CP3算法的优缺点进行了分析。在不同场景的视频检测结果证明,CP3算法有效克服了光照突变、背景晃动等现象,与高斯混合建模GMM(Gaussian Mixtu re Model)算法相比,具有更高的检测准确度和鲁棒性。(3)鉴于CP3算法的计算量大、实时性差,运动目标遮挡检测不完全等问题提出了一种融合SLIC(Simple Linear Iterative Cluster)超像素和CP3算法的运动目标检测方法(CPS,Co-occurrence Probability based Super Pixel Pairs)。该算法首先利用S LIC(Simple Linear Iterative Clustering)算法将当前帧分割为超像素集合,并对线性相关超像素对的亮度增量差进行了单高斯建模,构建线性相关背景模型。研究超像素分块个数M?对目标检测效果的影响,确定了分块个数M?的最佳取值;研究关系紧密像素点Q的个数K?的选取对目标检测结果影响,确定了参数K?的最佳取值。(4)将本文改进算法与GMM算法及CP3算法进行定性和定量的对比。实验结果证明,本文改进算法有助于迅速发现并捕捉到较为完整的感兴趣目标,且算法能够有效处理目标的间歇性缓慢运动问题,并且对于遮挡运动目标的检测较为完整;改进算法大幅缩减了建模时间,使运行速度提高了3倍,对遮挡也有较好的鲁棒性,使目标检测Precision指标提高了2.7%,Recall指标提高了7.4%,综合指标F-measure提高了5.2%。