视频序列中的运动物体检测是视频处理任务的第一步工作,是后续很多高层次视觉处理比如目标跟踪、行为识别、场景分析等应用的基础。优良的目标检测可以为后续的计算机视觉任务提供更高的准确率、鲁棒性和减少不必要的计算量。因此,视频序列中的运动目标检测技术的研究受到国内学者的关注。近些年,针对视频序列中的运动目标检测问题,利用分离图像背景和前景的数学模型来解决具体问题的方法展现了优良的检测性能。针对这种数学模型,许多研究学者在前景分离和背景建模两个角度分别提出有效的目标检测算法实现运动目标的检测。但现实环境往往包含变化的光线、运动的物体、模糊的像素等干扰因素,前景目标在运动中可能会包含尺寸变化,纹理变化等不稳定因素,以上因素都会使得运动目标检测任务极具挑战。本文从前景分离和背景建模两个方面对视频序列中的运动目标检测问题进行了分析和研究,主要工作如下:1.构建了一种针对复杂背景下运动目标检测任务的自适应局部低秩模型。利用图像在不同尺度的图像子空间展现不同性质的特征,针对图像特征进行适应目标尺寸的局部低秩,抑制背景信息,凸显目标信息,以分离出清晰的目标。主要处理包含自适应建模和低秩处理两个部分。自适应建模部分使用基于显著性监测的自适应分割块进行,将待处理图像分离重塑至适应目标大小的尺度子空间。局部低秩处理部分在自适应尺度子空间上利用奇异值分解进行提取目标。通过上述两个部分,可以有效的分离出复杂背景下的运动目标。2.提出一种联合Wasserstein代价函数的多尺度运动目标检测算法。Wasserstein距离,又称Earth-Mover距离,对数据分布相似度评估时可以同时保留相似度和数据结构特征的特征。联合Wasserstein距离的代价函数能够在图像多尺度子空间的局部低秩的过程中加入合理的数据评估和矫正,这种代价函数可以评估子空间描述的有效性,在特定的尺寸下协助建立针对性更强的局部低秩,分离运动目标。算法首先将图像分解至不同大小的多个尺度子空间,建立用于局部低秩的子空间矩阵;然后,多次迭代进行局部低秩处理;同时,每次迭代结束时,利用Wasserstein距离对图像数据构建一个同时保留相似度和数据结构特征的概率分布模型,评估矫正每一局部低秩的迭代的数据流。这样可以保证运动目标信息的完整性,构建最优化的局部低秩矩阵;最后,利用最小信息熵原理(LIE)筛选出最优尺度作为最终检测结果。通过在包含红外小目标的数据库中的对比验证,该算法能够实现高效且准确的检测结果。3.提出一种基于混合高斯模型函数的运动目标检测算法。基于图像信息特征建立合理的背景预测模型,混合高斯模型的背景建模算法被广泛应用在图像处理领域。动态复杂的背景环境需要更加自适应的模型体系,联合Wasserstein距离对混合高斯模型进行更新,运用概率分布模型对图像数据进行合理建模,借助Wasserstein距离对成分特征的多维度综合考量的优势,全面评估参考背景像素点和当前帧背景参考点的分布差异,使其建立匹配和更新同步。对视频序列中的背景信息进行合理建模。利用灵活的自适应匹配和更新模型,实现在包含动态复杂背景中的运动目标检测。