近年来，智能视频监控已经越来越多的被应用到人们的实际生活当中，而目标检测在视频监控领域中占有重要的位置，成为众多学者的研究重点。目标检测的效果与接下来的图像处理工作密切相关，对目标跟踪、行为理解等方面都有影响，具有深远的理论意义和实际应用价值。用于目标检测的方法非常多，这些方法融合了人工智能、图像处理、计算机视觉以及模式识别等多门学科。研究者们力图找到一种各方面指标都非常优良的检测算法，无论是检测速度还是精度、抗干扰能力等等都可以符合精确实时检测的要求。目前，最为经典和应用最为广泛的算法就是混合高斯模型算法，但是该算法在一些特定情况下的检测效果也不够理想。
　　本文针对高斯混合模型算法的一些弊端，提出了一种改进的目标检测算法。首先该算法针对高斯混合模型建模初期，背景建模效果不理想的特点，在图像序列的开始阶段，利用中值方法得到背景图像，针对背景图像建立高斯混合模型，这样可以只对背景像素进行更新，避免了原始高斯混合模型算法中，对图像中所有像素点进行更新，加快了算法的处理速度，而且即便在图像中始终存在运动目标的情况下，也可以快速的得到干净的背景图片；其次，在模型学习方面，充分考虑均值和方差的自身特点和差异性，为均值与方差分别设置了不一样的学习率，提高了背景模型的收敛速度，使背景模型能够更好的适应外界场景的变化。但是此时的前景区域不但包括运动目标还包括阴影区域，为了去除前景中的阴影区域，本文提出一种融合颜色空间和纹理特征阴影检测的新算法。针对传统的LBP算子的缺陷，提出了一种改进的纹理特征算子，该算子融合了中心像素和邻域像素的平均值，可以更好的描述纹理特征。将改进后的算子与HSV颜色空间去阴影的方法相结合，从而实现对阴影的检测与去除。该方法能很好区分出运动目标的阴影区域，并且有效去除阴影。最后，考虑运动目标检测的应用前景，利用随机Hough算子对圆的检测原理，在运动目标检测的基础之上，实现对人头的边缘检测。实验结果表明，本文提出的算法可以很好的检测出运动目标，并能够有效去除运动目标包含的阴影区域。