视频监控中运动目标的检测是实现目标跟踪、交通监控、行为分析等任务的基础。从复杂的道路交通环境中,准确的检测出运动目标位置,并对前景运动目标进行实时测速,在智能交通管理及无人驾驶工作的研究中有着极其重要的作用。基于视频的运动目标检测不仅对检测出前景目标的完整性和位置的准确性有较高要求,还需要在计算速率方面做到实时性。为此,本文利用视频图像序列中像素点在时间域和空间域上的相关性对运动目标检测问题进行研究,主要提出了两种检测方法:(1)基于修正相关系数的运动目标检测;(2)基于典型相关树加权置信传播的运动目标检测。基于修正相关系数的运动目标检测主要是利用视频图像序列在时间域上的相关性,当有运动目标经过时,相邻两幅图像对应行(列)的像素点取值对应于不同的物理对象,其相似性较低,然而没有运动目标经过的行(列)的像素点的取值对应于相同的物理对象,其相似性较高,于是可将行(列)相关系数值的大小作为图像的相似性指标进行运动目标检测。对于较为复杂的运动场景,结合分层分块思想用块相关系数对目标进行检测。在计算相关系数时需计算两变量间的标准差,由于图像像素点较多,直接计算标准差计算量过大,影响算法实时性。标准差大概上反应了数据相对于其均值的平均偏离量,于是用离均差和的平均值来代替标准差的计算,两组数据趋势基本一致,数值基本相同,且离均差和的平均值计算简单,有利于提高算法运算速率。置信传播算法同时利用图像序列在时间域和空间域上的相关性实现对运动目标区域的检测。传统置信传播算法是一种全局匹配算法,运算过程复杂,运行时间较长,对运动目标检测做不到实时性,本文提出先将输入图像分成大小相等、相互独立的子块,计算各子块之间的典型相关系数,连接相关系数值最大的两个子块,形成新的环路,再将环路进行分解以确定置信传播算法中信息传递的最优路径,算法通过寻找信息传播最优路径来实现对算法复杂度的改善,使算法做到实时性。对于本文提出的两种检测算法,通过大量的数值实验可以看出其检测出的运动目标位置的准确性和目标的完整性均较好,且运行时间较短,能做到对运动目标的实时性检测。