运动目标检测在图像图形处理和智能监控中应用非常广泛。通过建立背景模型提取运动目标是运动目标检测的一种重要方法。常用的建模方法有基于混合高斯模型的背景建模,基于中值滤波器的背景建模以及Vibe建模等。其中Vibe和混合高斯背景建模是较为常用的方法,Vibe背景建模计算量小,实时性好,在静态背景下能准确提取清晰的运动目标,但是在动态背景下会将进行无规则运动的背景元素提取为前景,造成运动检测后的图像存在大量噪声。混合高斯模型能较好的适应动态背景,但是提取的前景容易出现大量的空洞和漏检而且计算量大,实时性不高。另一方面不论是Vibe模型还是混合高斯模型当物体突然由静止转为运动时都会留下“鬼影”。而且当运动目标存在阴影时都会误将阴影提取成前景。针对以上问题,本文提出了一种改进方法。一方面针对实时性要求对背景建模做了如下优化,首先对每帧图像进行分块,并依据质心的运动特点区分出动态背景区域和静态背景区域,然后对静态背景区域运用计算量小的Vibe算法,对动态背景运用计算量大的混合高斯进行计算,这样一来每帧图像依据自身特点灵活选择建模方法,计算资源得到了合理分配。同时还运用OpenACC将计算量大的混合高斯部分放到浮点计算力强大并行性高GPU上进行加速,整体运算速度得到了显著的提升。另一方面从运动目标的检测效果上进行优化,针对混合高斯和Vibe各自的特点,将二者结合起来既吸收了各自的优点又克服了混合高斯前景提取容易出现的漏检和空洞问题和Vibe算法动态背景噪声抑制效果差的缺点。最后对二者均存在的阴影问题提出了基于HSV颜色空间的去阴影方法,对鬼影问题提出了基于边缘相似性的去除方法,弥补了这两种算法的缺陷。