复杂图像中的目标检测是视觉领域的研究热点,在工业领域、军事领域、智能识别等领域发挥着巨大的作用。随着当前图像的复杂化,目标检测由于图像场景的复杂性、目标姿态的变化、光照的不均衡、目标与背景存在遮挡等原因,已经成为机器视觉中一个具有挑战性的问题。尽管目标检测技术已经被国内外很多学者研究过,但到目前为止还没有一个通用、鲁棒的目标检测算法。本文主要围绕不同复杂场景中的目标检测方法进行研究。具体的研究内容和成果如下:(1)提出了一种基于加权SIFT特征匹配的目标检测算法基于加权SIFT特征匹配的目标检测算法主要有三个特点:首先,在训练阶段提出了使用权值模板来描述目标信息在模板图像分布。利用权值对模板图像中不同目标区域的重要程度进行区分,这种目标区域是通过中层视觉元素进行可区分的均值偏移聚类得来的,不仅能够很好的表达正样本特性,并且对于负样本具有很好的区分性。其次,在检测阶段使用SIFT特征描述模板图像和检测图像,在匹配过程中使用权值模板进行加权,从而滤掉大部分的背景信息和干扰信息。最后,提出了基于匹配点对映射的方式生成匹配框,最终将所有匹配框进行融合生成检测框。实验通过对比本文加权SIFT特征与原始SIFT特征的匹配效果展示了权值模板对SIFT特征匹配的改进。然后将加权SIFT特征匹配的目标检测算法与当前的目标检测算法进行对比验证的本算法的有效性。实验以自行车为检测目标与其他方法进行对比,证明本算法相较于Haar-adaboost和HOG-SVM算法都有更高精确性和准确性。(2)提出了一种基于匹配点密度的检测框生成方法基于匹配点密度的检测框生成算法是对基于加权SIFT特征匹配的目标检测算法中检测框生成模块的改进,由于基于映射的匹配框生成算法是对于匹配过程目标姿态的变化比较敏感,从而导致误检测。而基于特征匹配点的密度生成检测框本质是求图像中SIFT特征匹配点最大密度的区域,这种基于匹配点统计的方法,考虑了更多更大范围的匹配点,从而对于其中某些点的误匹配或者因为目标姿态变化造成的匹配点位移具有很强的稳定性。实验以自行车为检测目标,通过对比本方法与基于映射的匹配框生成方法直观展示了改进效果,然后在VOC2010测试集中通过与当前目标检测算法进行AP值对比分析,证明了本方法的有效性。本文对当前复杂环境下通用目标检测技术进行了系统的研究,提出了基于加权SIFT特征目标检测算法和基于匹配点密度的检测框生成方法。本文算法对当前复杂图像存在的一些问题给出了具体的解决方案,取得了较好的结果。