视频运动目标检测技术是计算机视觉领域的重要研究内容,它是视频目标跟踪,目标分类,目标行为理解等后续视频分析的基础。运动目标检测技术在智能交通,安防监控,工业自动化生产等诸多领域有着非常广泛的应用。在工程实践中,视频中大多存在光照变化,目标运动变化,树叶摇动,低对比度等多种干扰,包含这些干扰因素的场景为动态场景。论文研究的主要内容是研究如何在动态场景中准确高效地提取运动目标。为了更好地适应场景变化并提高目标检测的准确率,本文改进了一种自适应阈值与Ghost抑制的背景差分算法。以归一化RGB值作为像素特征,初始化时,为简便起见,将前N帧初始化为背景模型,在背景差分的过程中,关注场景对比度的变化,根据对比度调整背景差分阈值。在背景更新时,采用随机更新机制,在背景模型的相对稳定性与适应场景变化性二者之间寻求平衡。同时,为了解决多种算法普遍存在的Ghost现象,引入前景存在时间参数,将存在时间大于阈值的前景像素归入背景之中。论文在静态场景,Wallflower动态场景数据集和SABS动态场景数据集三个数据平台上展开运动目标检测实验,实验结果显示,本文算法比起其他7种传统算法,具有较高的检测准确率,在Wallflower数据集上的三个场景以及SABS数据集中检测结果精确率与召回率的调和平均值达到最高,分别为69.08%,80.69%,75.43%和74.51%。而且检测效率较高,三个数据平台的检测效率分别达到了11.21fps,20.35fps,9.96fps。然后,论文探究了后处理算法对目标检测结果的影响,证实了合适的后处理算法可以明显提升检测结果的形状与轮廓完整性。在论文所实现的多种算法的基础之上,使用MATLAB,开发了运动目标检测图形用户界面(GUI),功能包括选择文件,选择算法,实时显示检测结果,计算检测时间等,GUI可以提高目标检测的自动化程度,其功能分区明确,后台程序修改简便,为目标检测算法对比提供了定性定量结果。最后,为了进一步考察算法实用性,论文选取了一个实际的特定场景-大雾天气,进行运动目标检测研究,通过分析图像入射图像与反射图像特点,并根据视觉理论,改进了一种去雾算法,提取反射分量,达到视频去雾的目的,去雾前后图像的信息熵分别为7.41和7.61,提高了2.7%,表明去雾后图像的对比度明显提升,去雾之后提取运动目标。实验结果证实,本文的目标检测算法在实际场景中具有实用性。