在雨雪纷飞、不停波动的湖面等自然背景下，运动目标检测的准确性会受到巨大影响。因此，在动态背景中将前景目标准确地提取出来是复杂场景下运动目标检测的首要任务。针对现有visual background extractor（Vibe）算法在复杂背景下检测效果较差且易受光照变化影响的问题，提出了一种将Vibe算法与改进局部二值模式（LBP）特征算子结合的运动目标检测算法。首先，计算并保存每一帧的LBP值图像，采用相邻帧补偿策略稳定图像，减少光照对灰度值的影响。然后，使用Vibe算法建立背景模型，用改进的LBP值代替灰度值来进行前景检测。最后，进行形态学操作得到最终的前景目标。实验结果表明，所提算法和其他传统算法相比，对动态背景的抑制效果好，对比原始Vibe算法召回率平均提升25.6%，准确率平均提升12.5%，误检率平均降低22.6%。

为了提高视觉背景提取(ViBe)算法的检测效果和检测速度, 对其进行改进和并行化处理。该算法基于像素及其邻域像素之间的差值构建最终的背景样本, 减少边缘噪声对于检测精度的影响; 背景样本更新阶段中使用自适应的时间二次抽样因子, 加快消除单帧初始化所形成的“鬼影”, 提高算法的健壮性。同时分析了ViBe算法的并行点, 并用CUDA语言实现该算法。实验结果表明, 该算法能有效减少边缘噪声, 快速消除“鬼影”, 且检测速度较CPU端有大幅提升。

Sigma-Delta背景估计是一种有效的运动目标检测算法，能够用较小的计算量达到较好的检测效果，但是该算法未进行模型初始化，无法清除初始背景模型中的目标图像。针对此问题，采用均值法进行背景模型初始化，清除目标图像，得到“干净”的背景模型。为提高适应能力，利用视觉背景提取ViBe随机更新的策略进行背景更新。在前景检测方面，提出基于RGB颜色空间的Sigma-Delta算法，并通过阈值化处理减少噪点、提高检测质量。实验结果表明，改进算法能够得到“干净”的背景模型，适应环境能力强，检测图像噪点少、检测质量较高。

针对视觉背景提取算法（ViBe）中出现的鬼影问题、不能很好适应背景高频扰动和摄像机抖动问题以及由于采用空间邻域扩散机制引起背景更新错误问题，提出一种改进的视觉背景提取算法。该算法结合视觉显著性判断背景模型中存在的鬼影目标，通过判断背景模型中每个像素点的鬼影程度，结合模糊准则自适应改变时间子采样因子，加快消除鬼影的速度；通过建立一个闪烁程度矩阵，判断背景高频扰动程度来设置自适应匹配阈值，加入小目标丢弃和空洞填充策略；统计前景像素24邻域区域的像素点个数，判断前景像素点是否为摄像机抖动或者背景更新错误引起的噪点，提高算法的稳健性。结果表明，改进后的算法可以很好地弥补经典ViBe算法的不足，准确率与识别率等指标均大大提升。

由于视觉背景提取算法(ViBe)对存在动态背景的户外视频的前景检测结果依然不够精确, 故提出了一种改进的ViBe算法。文中描述了经典ViBe算法及其特点; 介绍了改进的ViBe算法针对动态背景的改进措施。该算法采用多帧连续图像初始化背景模型, 降低了单帧图像初始化所产生的“鬼影”对前景检测精度的影响; 在匹配过程中, 引入自适应的匹配阈值, 克服了单个的全局阈值对动态背景适应能力差的问题; 最后, 在更新过程引入空间一致性判断与模糊准则来减少算法的误检, 提高了算法的鲁棒性。实验结果表明, 该算法可以有效地检测动态背景下的运动目标, 检测准确率比经典ViBe算法提高了20%以上。