在复杂动态背景下的运动目标检测往往会产生前景目标提取不完全、将动态背景误检为前景等问题。针对上述问题，提出了一种结合非凸秩近似函数和三维全变分正则项的运动目标检测模型。该模型在原始鲁棒主成分分析模型的基础上，引入非凸秩近似函数来刻画视频背景部分的低秩性，并利用三维全变分正则项在时间和空间上对前景部分进行约束，最后采用交替方向乘子法对该模型进行求解。实验结果表明，所提模型在处理动态背景、恶劣天气等复杂场景时能有效提高运动目标检测的准确性，并且比现有方法具有更好的视觉效果。

战场野外复杂红外场景中, 由于背景灰度分布无规律、目标边缘模糊且纹理特征缺失, 目标极易混淆在背景之中; 由于嵌入式平台算力的限制, 多数深度学习类检测算法难以应用于便携设备, 无法实现快速有效的目标识别。提出一种基于运动目标提取与高效机器学习模型结合的目标识别方法: 通过运动检测实现目标像素级分割, 经形态学处理后, 定位单体目标; 根据嵌入式平台算力高低, 选择轻量化深度网络特征或轮廓特征, 训练softmax模型, 实现目标分类识别。将算法移植于嵌入式平台, 对开源红外图像序列进行目标识别实验, 实现多目标同时定位与分类, 处理速度达56FPS。实验结果表明, 该方法可对复杂背景中的红外目标进行实时有效识别。

针对视频序列运动目标检测易受环境噪声干扰、提取目标轮廓困难的问题,提出了一种基于边缘多通道梯度改进模型的多运动目标检测算法。首先,利用Canny算子获取视频序列中目标的边缘信息,并根据人类视觉色彩的恒常特性,对目标边缘建立时间、空间、颜色多通道梯度模型;然后,利用该模型获取目标边缘像素点的运动状态描述信息,实现背景边缘和运动物体边缘的分离;最后,将间断边缘像素点与其邻域点的运动状态相关联,以连接目标间断边缘,实现运动目标轮廓的提取,并将连接后的轮廓进行形态学处理以分割出目标。实验结果表明,与同类型算法相比,本算法在运动目标检测中具有的实时性、准确性和鲁棒性更好。

针对雨雪天气条件下的运动目标检测受到天气的影响较大,提出一种融合全变分(TV)正则化和Rank-1约束鲁棒主成分分析(RPCA)模型的视频序列运动目标检测算法。利用RPCA这一工具,在低秩稀疏分解框架下,采用Rank-1约束描述背景层的强低秩性,利用TV正则化结合L1范数对前景目标的稀疏性和空间连续性进行约束,从而弥补现有RPCA模型的不足。针对所提模型,采用交替迭代乘子法的思想结合增广拉格朗日乘子法对目标函数进行优化求解。实验结果表明,所提算法不仅能够准确检测出运动目标,而且具有较短的运行时间,这为视频的实时检测提供参考。与其他同类算法相比,所提算法不仅检测效果更佳,而且在F测度值、召回率和准确率的定量评价中均有优越性。

针对视觉背景提取算法在复杂环境下检测出现鬼影现象、动态背景因素形成噪声干扰等问题,提出一种改进的视觉背景提取算法。通过创建辅助样本集,对复杂环境中像素点的重要特征信息进行收集;引入像素点鬼影因子和区域复杂度分析,自适应调节各像素点的匹配阈值和更新速率;最后通过基于滑动窗的像素点闪烁程度分析,将可能被误检为前景的噪声点向辅助样本中依概率更新。多场景下对比实验表明,该算法可将错分率降低至1.49%,且在检测时能快速消除鬼影现象,有效抑制动态背景产生的噪声干扰,同时保证前景目标能被完整识别,在复杂环境下的检测结果更加准确。

针对视觉背景提取(Vibe)运动目标检测算法存在的鬼影及阴影问题,利用鬼影与背景相似而运动目标与背景差异大的特点,提出了一种基于前景和邻域背景像素直方图相似度匹配的方法,快速检测鬼影并更新背景模型;利用阴影的颜色特性和纹理不变性,提出在亮度和色度分离的YCbCr色彩空间中先根据颜色特性得到候选阴影区域,再利用完全局部二值模式算子(CLBP)提取区域的详细纹理特征,进一步检测与去除阴影。在公开视频数据库CDnet-2012上进行仿真,仿真结果表明,该算法能够保证运动目标被完整检测的同时快速去除鬼影和阴影,其检测精度比原Vibe算法提高了21.53%。

为了同时检测本影与半影区域,提出并证明了阴影区域辐射的一致性属性。获取超像素区域轮廓内的点集合,将像素点集合(PCC)分为目标前景区域(目标PCC)和阴影区域(阴影PCC),利用所提出的基于区域生长的完整阴影检测与目标掩码增长算法,通过融合完整的阴影区域、完整的目标前景区域和ViBe掩码这三个部分,实现了前景目标掩码反向增长。在公开数据集中的实验结果表明,所提方法的阴影检测平均精度达到了82.5%,性能显著优于传统方法。目标掩码的平均增长率达到了8.84%,准确率达到了95%以上。

为实现复杂动态背景下快速、准确地检测运动目标，提出一种改进二进制鲁棒不变尺度特征(BRISK)算法的运动目标检测方法。首先对图像进行分块，利用图像熵对图像块进行筛选；然后针对特征匹配过程中存在大量误匹配的问题，采用k 近邻算法与欧氏距离进行特征匹配；最后通过改进的顺序抽样一致性算法进行特征点提纯，进一步完成背景运动补偿，从而利用形态学处理分割运动目标。采用多组视频图像进行验证，本文算法在原BRISK 算法的基础上去除了32.7%的特征点，并且匹配效率提高了75%，处理速度比以往算法快，并且具有较强的抗噪性能。

针对自然环境中因摄像机抖动造成无法准确检测运动目标的问题, 提出一种结合分块灰度投影、背景差分与连续帧间差分法的运动目标检测算法。该算法通过将图像帧进行分块处理, 结合离散化决策机制去除灰度梯度变化低及存在局部运动的目标区域, 提高全局运动矢量估计精度。根据块区域灰度投影曲线进行互相关计算, 完成抖动序列校正。通过对校正后的序列帧提出使用背景差分与连续三帧差分法的融合策略处理, 增强运动目标区域。通过将融合差分图像平滑处理并使用Otsu法进行自适应阈值分割, 检测前景运动目标。用公共抖动视频序列实验, 并与不同算法对比验证后可得：该算法可以准确检测出摄像机抖动场景中运动目标, 保证较好检测效果的同时检测速度较快。

为解决高斯混合模型中噪声和光照变化带来的影响以及运算量大等问题, 先通过帧差法确定运动目标大致区域, 筛选后在确定区域内采用混合高斯模型重建背景, 并运用SUSAN算子进行边缘检测, 形态学处理后将两者结果进行“与”运算; 区域外部分按照当前帧背景更新, 两部分综合得到最终的运动目标。实验结果显示, 改进算法有良好的鲁棒性, 能很好地适应光照变化, 检测结果高效准确, 可以应用于目标跟踪领域。