运动目标检测是模式识别领域中的一个重要的研究方向,也是现代智能监控系统的核心技术之一。现有的诸多运动目标检测算法在克服动态背景产生的虚警、运动目标内部的空洞、鬼影干扰和阴影导致的误检等方面有许多不足之处,这些挑战限制了算法的广泛应用。本文对复杂场景下运动目标检测算法遇到的多重挑战进行了分析,以视觉背景提取(ViBe)算法为代表,提出了解决以上问题的方案。本文的主要贡献在于:(1)提出了一种基于超像素信息反馈的改进ViBe算法。算法首先将原始图像分割为若干个超像素区域,然后利用图像的超像素分割结果对真实目标边缘信息的保留以及不同超像素之间的差异,将ViBe检测结果中的目标与超像素建立映射关系,识别真正的运动目标,孤立虚假的鬼影目标并对其进行反馈消除。紧接着,通过对超像素分类,对目标超像素内部的空洞进行了准确填补,对背景超像素内的高频扰动虚警进行了消除。对比实验结果表明,所提方法在鬼影消除速度与目标检测精度上均表现优异。(2)提出了基于区域辐射一致性的移动阴影PCC检测方法。算法对每一帧图像进行图像分割,并建立了每个区域轮廓内的点集合(Point Collection in Contour,PCC)。算法假设图像强度服从高斯分布,提出了“阴影区域辐射一致性”属性(Regional Radiation Consistency properties in Shadow,RRCS),即:阴影PCC内像素点在当前图像中与背景图像中相比,强度均值降低一个幅度,而标准差近似不变。并结合阴影导致亮度降低、PCC内外终点权重等条件将运动目标PCC分类为目标PCC和阴影PCC。(3)提出了一种基于掩码PCC种子的区域生长方法和反向前景目标掩码增长技术。设置了对应的生长条件,对阴影PCC进行区域生长,得到完整的阴影区域。对目标PCC的生长结果和ViBe目标掩码融合,得到了增长后相对完整的目标掩码区域。最终通过实验对比表明,本文所提阴影检测方法有较高的检测准确率,目标掩码增长部分有较高的准确率。