随着公共安全需求的日益增长,视频监控得到迅猛发展,数据量迎来井喷时代,仅仅依靠人工的视频监控模式已经不能满足现实需要,智能视频监控技术成为目前研究的热点。智能视频监控可以自动完成视频监控序列中的运动目标检测、提取、定位、识别和跟踪。由于在现实生活中,大部分有意义的视觉信息都包含在运动中,因此对监控视频中运动目标的检测成为了研究的热点。目前常用的运动目标识别算法包括光流法、帧差法、背景差法等,分析各个算法的实时性和准确性,结合视频监控的特殊要求,包括实时性要求较高、背景相对稳定以及目标区域明显等特点,背景差法最适合用于该系统。但是,当场景中出现光照、阴影等动态变化时,检测结果会出现误判和错误分割等问题。针对上述问题,结合人类视觉系统的视觉关注可以快速准确识别场景中目标的特性,以及视觉关注的跟踪特点和目标运动的连续性,优化现有算法存在的问题。主要贡献:(1)提出基于人类视觉系统的帧内优化算法,主要包括粗略定位目标和精确定位目标两个步骤,针对检测结果中存在噪点以及错误分割现象,首先进行噪点删除,然后通过聚类算法实现目标区域粗略定位,最后通过目标位置信息优化算法实现精确定位,提高背景差算法检测结果准确性,解决在场景中出现动态变化时出现的错误检测问题,降低目标识别结果的错误率;(2)提出基于人类视觉系统的帧间优化算法,利用目标区域位置信息和面积信息对相邻帧运动目标进行识别匹配跟踪,结合目标运动的连续性,对特殊场景中的目标检测结果进行分析,判断是否出现目标区域的丢失或缺失,并针对相应问题进行优化,提高帧间目标区域检测结果的完整性和连贯性。最后,经过长期测试,本算法在检测结果准确性方面,相较于传统背景差算法提高了60%左右,而且计算简单,可以满足视频监控系统的实时性要求。