目标检测是计算机视觉研究的热门领域,也是目标跟踪、姿态识别和行为识别的关键,在视频目标智能监控、目标行为姿态识别、流水线产品检测识别、医学图像分析等系统中被广泛应用。由于流水线产品有重叠或遮挡时,摄像头捕捉到的产品图像无法被机器手臂识别为上层目标和下层目标,造成机器手臂无抓取、误抓取或死机等现象,导致产品分类包装错乱和流水线产品积压。本文在分析和研究基于统计背景模型灰度像素的传统运动目标检测算法中的光流法、帧差法和背景减法及基于深度学习的几种主流神经网络框架的基础上,分别对背景建模算法和深度学习网络架构进行改进,提取出流水线重叠产品的上层重叠目标,所做主要工作如下:(1)介绍目标检测的研究背景与意义、目前研究现状和数字图像处理基本理论,对基于像素灰度统计背景模型的传统目标检测算法中的光流法、帧间差分法和背景减除法进行研究,介绍了深度学习相关基本理论和特征提取分类网络结构,对基于深度学习的几种主流网络结构进行对比分析,提出本文基于统计背景模型的自适应混合高斯模型背景建模的改进和基于深度学习神经网络的YOLOv3架构结合残差密集网络的改进算法。(2)本文从高斯背景建模的目标前背景分离算法出发,通过对视频序列中含有运动目标的图像建立背景模型、对参数更新策略中的学习率变化和高斯分布参数进行重新设定,改进了基于统计背景模型的混合高斯模型背景建模算法流程,同时在视频序列图像的预处理环节对含有检测目标的图像进行去噪滤波核选取、阈值分割图阈值选取、目标的形态学滤波核选取以及边缘检测算子选取对比。实验表明,改进的自适应混合高斯模型背景减除算法在运行时间和检测准确率均有明显的提高。(3)本文从YOLOv3算法的网络结构出发,结合残差密集块对低分辨率特征图进行特征清晰化处理、特征提取和上采样操作,然后通过残差密集网络对经过残差密集块前后的局部特征和全局特征进行融合,经过卷积输出层和Softmax分类器进行特征分类后,输出识别后的特征属性。对样本训练集进行样本标记和聚类样本目标预选框,更改网络结构的属性配置文件后对标记样本数据集进行训练和测试。实验表明,改进的YOLOv3+RDB网络在运行时间和目标检测准确率有明显提高,对重叠目标检测具有良好的鲁棒性。