随着人工智能技术爆发式的增长,与其相关领域的研究也开始受到越来越多研究者的重视。由于视觉获取到的信息在人类的所有感知器官的比重中占到了80%,所以人工智能在发展到与人类一样能感知信息并做出决策的最终阶段之前,计算机视觉技术的发展显然异常关键。而其中运动目标检测作为计算机视觉的重要底层处理步骤,有着十分广泛的应用范围。但是现有的运动目标检测算法仍存在着鲁棒性、检测精度和实时性等多重问题,所以具有较大的提升空间和研究意义。总的来说,本文的主要工作内容以及创新点可以用以下几点概括:1、总结传统的目标检测算法,将这些算法粗略分为:帧间差分法、背景减除法、光流法以及基于鲁棒主成分分析法的目标检测。在对它们的原理进行分别概述之后,归纳了这些算法的优缺点。虽然它们有的原理简单、计算速度快,或是在特定的场景下得到的检测结果精度较高,但是总的来说都不能满足实际应用的需求。2、介绍了鲁棒主成分分析模型(RPCA)的起源和原理,对于几种鲁棒主成分分析模型算法进行一系列阐述,总结得到了它们普遍存在的三个问题:奇异值分解步骤的计算量大;不适用于实时性要求较高的场景;样本占用内存大。3、针对在线鲁棒主成分分析算法(OR-PCA)中存在的随机初始化策略导致的初始化效果不佳的问题,本文提出了一种结合批处理初始化的改进OR-PCA的目标检测算法。通过批初始化的策略,提高了初始化效率,同时可以缩小基矩阵的大小,达到提升检测效率的目的。后续一系列的实验测试结果表明,本文提出的改进OR-PCA算法具有较佳的检测精度、计算速度以及鲁棒性,同时相对于原始的OR-PCA方法,初始化效率提升效果显著。4、引入超像素分割的理念,进一步利用有限初始化视频帧中的颜色、空间结构信息,提出了结合超像素改进的OR-PCA目标检测算法,从而提升了算法对于高动态背景场景的抗干扰性。最后选择了最为合适的中值滤波作为后处理,完成了完整的运动目标检测软件,并以用户交互界面的形式展示出来。