近年来智能相机设备大量普及,这些设备能搭载快速有效的计算机视觉应用,包括运动目标检测。运动目标检测旨在将视频分成前景(运动目标)和背景,是典型的二分类问题。其在公共安防、交通监控等应用中都起着重要的作用,也是后续跟踪和识别的基础步骤。模型初始化、光照变化、动态背景等因素影响了运动目标检测的精度,但是学者们都忽略了运动目标检测的样本集是不平衡的。在二分类情况下,类不平衡指的是负类样本数远多于正类样本数。相应地,在运动目标检测中背景样本是负类(多数类),其数目多于正类(少数类)即前景样本的数量。通过改善数据集的不平衡度能有效地提高检测的精度,因此基于不平衡学习的运动目标检测具有重要的研究意义。本文分别从数据层面和算法层面研究类不平衡下的运动目标检测问题,主要的研究内容如下:1.数据层面的解决方案是重采样的方法。一方面对正类样本进行过采样产生新样本,过采样的时间是根据一定规则设计的,可以确保生成的样本比较均匀地分布在采样区间内,从而避免了样本堆积造成的过拟合现象。另一方面对负类样本进行选择性下采样,对背景帧和合成前景帧采用差分法,减少前景和背景交叠区域(潜在的前景区域)的背景样本数量。通过上述两个步骤改善数据的不平衡度η,得到平衡的数据集,将其用于分类。最后通过对比试验,验证了算法的可行性并且提高了检测的精度。2.算法层面的解决方案是代价敏感的方法,即对正类和负类样本分别施加不同的误分惩罚因子。但是与广泛使用的常数代价不一样,此处要构建的是两个像素级的代价函数,即在MAP-MRF(maximum a posteriori-markov random field,MAP-MRF)框架下分别为前景和背景设定不同的误分代价函数,以提高模型的精度。基于前文重采样得到的数据集,将其用于基于代价函数的检测分类器。实验表明更多的不平衡补偿策略的组合使用进一步提升了前景检测的完整度。