目标检测是计算机视觉领域中的重要任务,在实际生活中也有着广泛的应用。随着互联网技术与通信技术的飞速发展,视频数据逐渐成为生活中不可或缺的一部分,而视频目标检测的重要性也越来越高。目前,虽然基于静态图像的目标检测已有多种精度较高的算法,但这些算法很难直接应用在视频目标检测上。视频序列图像相较于静态图像而言存在着许多问题,例如背景复杂、成像模糊、目标遮挡以及复杂形变等,所以视频序列图像的特征更难以提取。与静态图像相比,视频序列图像能够额外提供丰富的时间上下文信息,所以如何有效利用时间上下文信息是提升视频目标检测精度的关键。针对视频序列图像的特点,本文的主要工作如下:1、本文设计了基于非局部先验的视频目标检测方法。本方法主要针对视频序列图像中的复杂背景、成像模糊、目标遮挡问题,设计了能够有效利用视频序列图像的时空上下文信息的时空非局部模块。本文将该模块应用于多种目标检测网络之上,并在多个数据集上验证了方法的有效性。本方法所设计的时空非局部模块不需要额外的监督信息或对损失函数的修改,且模块的输入与输出的尺寸相同,所以能够无缝的在任何卷积神经网络架构中使用。本方法在空间非局部模块中获取空间上下文信息,在时间非局部模块中获取前后帧之间的时间上下文信息,利用时空上下文信息来提升检测精度。实验结果表明该方法能够较好的应对各种复杂的视频序列图像,具有较高的实用价值。2、本文设计了基于可变形卷积时空上下文融合的视频目标检测方法。本方法主要针对视频序列图像中目标的复杂形变问题,设计了可变卷积时空融合模块。该模块利用可变卷积的几何建模能力来应对目标的复杂形变,同时利用余弦相似性计算公式来进行多个视频帧之间的特征融合。本方法在实际场景数据集上与其他目标检测网络进行对比实验,实验结果表明,相对于原本的网络,改进后的网络的检测精度有着明显的提升,证明了可变卷积时空融合模块的有效性。3、本文设计了基于非局部先验的视频目标检测系统。根据用户的实际需求,本系统设计了用户管理模块、数据管理模块和算法处理模块三个系统模块来完成检测识别任务。本系统采用客户端/服务端架构,具有一定的可扩展性与良好的交互性。