人类的视觉系统在对场景中的感兴趣的物体进行定位和搜索有着极强的能力,这种如何从海量多媒体数据中获取重要信息的机制,被称作计算机任务的视觉显著性机制。对于视频显著性检测,目标是从视频序列中识别出最显著的对象。由于显著性在具有复杂运动和复杂场景的自由运动相机下,运动目标的显著性准确检测是计算机视觉领域的一个难题。在自由运动摄像机视频流中,帧间背景与运动目标的相对位移会导致运动目标区域局部描述符信息的变化,从而导致弱匹配。本文使用这种局部弱匹配描述符来表示运动目标的显著性。本文提出了一种弱匹配描述符(WMD)来描述运动目标显著性,实现了自由移动摄像机下的运动目标显著性检测。本文针对上述问题进行了研究,主要工作有:(1)分析了WMD的生成原理,提出WMD的定义,描述WMD的提取方法以及流程示意,根据生成的WMD初步提取出视频中的运动目标区域。(2)采用多种不同的特征描述符提取算法,得到在不同算法中提取的WMD.并提出一种联合决策方式,通过联合决策过程获得最终的特征描述子集合作为运动信息的粗提取结果。(3)根据提取的WMD,利用基于凸包的凹点检测算法,勾勒运动目标的大致轮廓,根据提取到的轮廓构成封闭区间。在区间内再次增加特征描述子的数量用于丰富内部显著性信息,利用高斯光束斑的叠加信息表示运动目标显著性的相对强度,并利用形态学的闭操作来填充目标区域的空洞信息。(4)利用SLIC算法将得到的运动信息进行细分割,融合基于全局目标显著性检测算法,提取视频边缘强度信息。将边缘强度信息与超像素块大小进行融合生成具有运动目标先验的全局显著性图。(5)构建以SLIC超像素块为单位结点,强度值差异为边的权重矩阵,利用Dijkstra最短路径算法更新目标显著性的权重矩阵,并得到每个结点到最外层结点的最短路径。设置自适应阈值来最终细化自由移动摄像机下的运动目标显著性。根据上述方法,最终实现了在自由移动摄像机下的运动目标显著性检测。大量的实验结果表明,该方法能够准确地检测运动目标的显著性,具有良好的鲁棒性和有效性。