计算机视觉就是利用计算机通过图像或视频来分析处理周围环境,模拟人类视觉系统的信息处理过程。计算机往往需要先对图像或视频中的前景目标进行检测定位,以便进行后续的识别、跟踪和分析等一系列更高层次的处理。本文的重点研究内容是计算机视觉中前景目标检测的相关算法,具体分为基于图像显著性检测的静态图像中的前景目标检测和基于背景建模的动态视频中的前景目标检测。图像的视觉显著性信息能够描述在无意识情况下图像的不同区域对人类视觉系统产生的不同程度的刺激,可以用来作为图像中前景目标检测的依据。背景建模是从视频图像序列中分离出所要观察目标的最常用方法,背景建模的准确与否,会对后续处理的准确性造成很大的影响。因此,本文围绕上述两部分的研究内容,提出了基于小波变换和区域融合的显著性检测算法以及基于样本局部密度离群点检测的背景建模算法。◆基于小波变换和区域融合的显著性检测算法,首先利用小波分解并重建得到输入图像在不同通道不同尺度的特征图,计算得到输入图像的局部显著图；然后利用Mean-Shift算法对原始图像进行分割聚类,融合相似的区块,并通过计算各区块间的颜色距离矩阵得到输入图像的全局显著图；在合成最终显著图阶段,将全局显著值作为区域权重调制到相应像素点的局部显著值上,得到最终的显著图。通过对显著性检测模型得到的显著图的定性分析及计算准确率、召回率和F-Measure的定量分析,得出我们提出的显著性检测模型具有很多优势,能得到更好的检测结果。◆基于样本局部密度离群点检测的背景建模算法,首先计算每个样本值的局部背景因子LBF,并通过比较新观察到的像素值LBF与其邻域的LBF来判别其是否为背景像素。我们所提出的背景建模算法能够非常有效地处理各种场景,特别是包含动态背景的场景,相较其他背景建模算法有明显的优势。