运动目标检测与跟踪一直是计算机视觉领域和智能监控领域的研究热点,其中运动目标检测是视频序列中进行目标识别、跟踪与行为分析等后续处理的基础。在大部分实际场景中,摄像头大多是固定不动的,即所谓的“静态背景”。然而随着技术的发展和对减少成本的需求,越来越多地需要摄像头的运动来实现运动目标的连续跟踪,以便增大监控范围。但是在摄像机运动的过程中整个背景不停地在变化,相对于静态背景来说,这无疑增加了运动目标检测的难度。因此,动态背景下的运动目标检测技术是相当具有挑战性的研究课题。本文研究了现有的运动目标检测算法,特别是针对监控摄像头运动所导致的动态背景下的目标检测进行了深入的研究。动态背景下通常采用全局运动补偿的算法来检测前景目标,即将运动背景转化为静态背景。故本文首先研究了混合高斯背景建模、SOBS、ViBe及其改进算法等静态背景下的运动目标检测方法,采用不同运动场景下的测试视频对其前景目标检测的性能进行对比分析。实验表明ViBe不仅对各种运动场景具有较强的适应性,而且目标检测的准确性也非常高,特别是在相机抖动的场景下表现出强大的竞争力。全局运动补偿方法最核心的内容是提取图像中的特征点并进行匹配,选择一种合适的特征来描述图像是非常关键的。本文通过实验对典型的SIFT特征、SURF特征以及ORB特征的提取情况以及匹配能力进行了分析与研究,实验表明SIFT特征作为一种尺度不变特征,具有较为稳定的特征匹配能力。故本文深入地分析了基于SIFT特征点匹配的运动目标检测算法,针对该算法存在的不足提出了改进方案。传统的SIFT特征匹配算法效率不高,尤其是特征向量的生成过程非常耗时,为此本文提出了两种新的SIFT特征描述符生成方法。一种是将特征描述向量直接由128维降到32维,另一种是利用特征点周围的圆形区域来构造SIFT特征描述符,将原来的128维特征描述向量降到了64维,这两种方法都减少了特征向量的生成时间和特征匹配时间。同时本文采用特征点局部匹配算法代替了原来的全局匹配算法,进一步缩短了时间,提升了SIFT算法的效率。将动态背景转换为静态背景后,运动目标检测的准确性主要取决于静态背景下目标检测算法的性能。针对帧差法提取的运动目标存在“孔洞”这一不足,本文采用了性能较好的ViBe方法来进行运动目标的检测,提高了所检测目标的完整性。实验结果表明,本文提出的改进方法不仅明显缩短了SIFT特征点的匹配时间,加快了动态背景下运动目标的检测速度,而且保证了所检测目标的完整性,提高了动态背景下运动目标检测的准确性,对监控领域内的运动摄像头下的目标检测具有一定的理论价值。