计算机视觉研究领域的运动目标检测为其重要课题之一,其技术原理综合运用了计算机视觉、模式识别及人工智能等邻域的科学技术,其商业价值和应用前景主要体现在军事应用、系统监控、智慧交通、商品检测等场景中。本文针对复杂环境下的运动目标检测算法进行了探讨。首先讨论了几种视频图像预处理方法,如滤波去噪,边缘检测等;然后比较了帧间差分法、高斯模型及Vibe算法几个常见运动目标检测方法,实验得出了Vibe算法的优越性;针对Vibe算法存在的阴影及鬼影方面的影响,分别提出了Vibe参数优化算法和YUV_Vibe融合算法;最后进一步探究了深度学习方法在目标检测上的应用。论文的主要内容有如下:1.在视频图像预处理方面的研究。研究了均值滤波、中值滤波、高斯滤波这三种滤波算法,对Roberts、Prewitt、Sobel及Laplacian几种边缘检测算子进行了分析对比,以及对开运算、闭运算等几种常见的形态学处理进行了研究。2.在运动目标检测方面的研究。对帧间差分法、高斯模型、Vibe算法进行了实验对比,得出了帧间差分法实验效果最差,高斯模型次之,Vibe算法效果最佳,能对复杂环境内的运动物体进行较为精准地实时检测,体现了Vibe算法的优越性。3.提出了一种改进的YUV_Vibe融合算法。针对现有的Vibe算法所存在的易受光照阴影影响以及鬼影去除缓慢等缺点,分别提出了Vibe参数优化算法和YUV_Vibe融合算法。Vibe参数优化算法将样本取值范围扩大至24邻域,调整更新因子,同时更新2个样本,优化模型更新速率,加快鬼影消除;YUV_Vibe融合算法利用YUV颜色特征信息与Vibe算法原理相融合的思想构建了融合双模型,消除了阴影影响。4.基于深度学习的目标检测方法的研究。本文介绍了YOLO检测方法和进一步优化的YOLOv2方法。首先详细阐述了这两个深度学习方法的理论基础,然后实验对比分析了这两个检测方法的性能,实验验证了改进的YOLOv2方法更优秀的检测效果。Vibe算法运行速度非常快,对噪声、动态背景及镜头晃动带来的检测影响有很好的消除作用,具有不错的目标检测效果。但Vibe算法尚存在一些不足,易受光照阴影的影响,出现误检现象,且对于由静转动的物体易出现鬼影现象。针对Vibe算法的这些问题,本文提出了一种新的改进的YUV_Vibe融合算法。改进后YUV_Vibe算法提高了检测精度,在小目标的识别率上也有所提高,且对噪声及阴影干扰表现出了更好的鲁棒性,达到了预期目标。