计算机视觉是一门由多学科多领域组成的学科,其应用也十分普遍,例如航空领域、医疗检测、工业机器人等。运动目标检测是计算机视觉领域当中的一个重要研究方向,它关系到后期对运动目标的识别与跟踪,是智能视频监控系统中非常重要的一部分。所以,快速准确的提取出运动目标就显得尤为重要。运动目标检测算法旨在快速准确的提取出需要的目标。目前最受欢迎的运动目标检测算法有混合高斯背景建模法、ViBe算法等。Vibe检测算法较混合高斯模型法运算简单易实现、鲁棒性高,因此得到很多学者的青睐。然而,外界场景复杂多变,很难有一种算法就能应对所有场景检测中出现的问题,例如光照变化、摄像机抖动、周期性运动目标等问题。所以有学者提出将传统摄像机获取图像信息的方式改为使用深度相机,利用深度信息提取运动目标对场景变化影响较小。然而深度相机普遍价格昂贵,并且相机参数固定,很难适应于大场景或者视频监控等。基于以上问题,本文通过阅读大量的文献之后,为了提高运动目标检测效率,对传统的运动目标检测算法进行了改进:(1)首先考虑到鬼影的存在以及原始vibe算法在消除鬼影方面速率较慢等原因,本文依据鬼影的性质对原始算法做了改进,加快了鬼影的消除速率以及运动目标静止时快速融入到背景中的问题。提出了使用两种不同更新速度更新像素采样点的策略:对于静止运动目标(疑似“鬼影”)的内部像素以及正常运动目标的全部像素保持正常的更新速度更新;而对于静止运动目标的边界像素点则采用较快的更新速度更新,从而加快了鬼影的背景融合速度。实验表明,在不影响原算法效率的前提下,提出的改进措施加快了原Vibe算法的鬼影消除速度,通过不同场景下的实验,改进算法的鬼影消除速度是原算法的3-6倍。(2)当前深度相机技术的不成熟限制了算法的应用范围,因此,提出一种基于随机选择策略的高效的立体匹配算法,用于代替深度相机为运动目标检测算法提供深度信息。首先,建立匹配点样本集合,并在每帧中随机选择匹配点计算其匹配代价和置信度;然后,更新集合并将置信度高的匹配点向邻域传播,随着时间的持续会由粗到精得到深度图;最后,用深度信息改进ViBe算法得到最终的检测效果。实验结果表明:改进算法能够在400×300的分辨率下以8-10帧/秒的速度运行,消除鬼影和抑制光照突变的速度要比经典ViBe算法快3倍以上,同时在普通场景中的运动目标的检测效果和消除阴影的能力也明显优于原算法。综上,两种改进算法快速的解决了传统vibe算法消除鬼影以及静止目标速度较慢的问题,提高了运动目标的检测效率。并且利用立体匹配算法代替了深度相机获取深度信息,有效节省了成本的同时,也避免了由于场景光照变化等对检测结果造成的影响。达到了提高运动目标检测实时性以及准确性的目的。