运动目标的检测与跟踪在智能视频监控中起到十分重要的作用，其相应的技术广泛应用于智能安防、人流计数等领域。其中运动目标的检测是整个视频处理过程中最基础也是最关键的技术，其检测效果的好坏直接影响到后续信息处理的成败。由于本文的目标检测对象是行人，因此主要采用了基于梯度方向直方图（HOG）的SVM检测算法。然而传统的SVM检测算法计算量大，实时性难以满足实际应用中的需求。对此，本文结合基于运动信息的目标检测算法，提取运动目标的区域，从而减少SVM算法的搜索范围。针对目标检测的实时性以及准确性，本文在目标运动区域的提取和SVM目标检测两个模块中分别提出了以下几种改进算法：(1)采用权值可变的平均背景模型。考虑到背景模型更新的速度以及背景提取的效果，本文选择了计算量极少的权值可变的平均背景模型，由于该模型里每个像素的更新权值是根据该像素所处区域的类型而定的，因此提取出来的背景比较真实；(2)改进连通域求解算法。采用基于行程编码的区域生长法来求解二值图的连通域，与传统的基于像素的区域生长法相比，减少了大量冗余的邻域判断，加快了连通域生长的速度，从而减少算法的运行时间；(3)基于信息熵的HOG特征提取。在提取局部区域的HOG特征时，充分挖掘梯度方向的分布混乱程度，计算出相应的熵值，并将该值作为权值乘进对应的HOG特征向量。实验表明，将熵融入到HOG特征向量里可以加强SVM的判别能力；(4)采用隔帧方式进行SVM目标检测。由于在相邻几帧图像中目标形状一般不会发生太大的变化，因此没必要对每一帧都进行SVM目标检测。而本文采取的策略是每隔5帧进行一次SVM检测，这样做既保证了SVM检测的精确率，同时也加快了SVM检测的总体速度。