从视频序列中能够完整地检测出运动目标成为了目前计算机视觉中热门的研究方向,是智能监控视频分析的基础。为优化运动目标检测算法的检测效果,考虑到视觉显著性能够快速地将注意指向感兴趣目标的这一特点,提出了一种基于时空显著特征的运动目标检测算法,能够准确地分割出运动目标。本论文主要工作和成果如下:1、对光流法、帧间差分法和背景减除法三种典型的运动目标检测算法进行分析。在时域上运用光流法对运动目标的运动信息进行提取,在空域上结合FT视觉显著性模型,将图像在Lab和RGB颜色空间上进行分析,提取运动目标空域显著特征,为图像融合作基础。2、对提取的运动目标时、空域显著特征进行融合。对小波变换融合、脉冲耦合神经网络融合以及自适应图像融合三种融合方式进行分析。结合实际的运用情形,提出了一种自适应的时空显著特征的图像融合方式。它能够根据运动目标运动的剧烈程度,将时域显著图和空域显著图的权重自适应地调整,不仅利用了时域显著特征容易引起注意的特点,还能够根据人类的视觉注意机制考虑了空间显著特征。3、对运动目标检测算法进行优化。本文通过改进CV模型的水平集对时空显著特征图进行分割,获得运动目标区域。对于含有阴影的情形,通过多特征融合方法进行阴影去除,并对目标空洞以及冗余部分进行形态学操作,使得提取的运动目标完整。4、对本文算法可行性进行评估。在视频集里选取多个样本,针对不同的运动目标(大小、个数和运动速度)、复杂背景以及光照强弱不同的情况下,分别用本文的运动目标算法与目前主流的运动目标检测算法进行检测,并从主观和客观两方面评估本文算法的可行性。