运动目标检测技术在视频监控场景中有广泛的应用,是后续更高层次的视觉分析任务的基础,而在运动目标检测技术中研究最深入的是背景差分法。背景差分是许多计算机视觉应用中的一个关键步骤,因为它能在没有任何场景先验知识的情况下,检测视频流中发生变化的前景目标。背景差分法有近三十年的发展历程,目前已经逐步发展成一个新的研究领域。在这一新兴领域,研究人员不断将其他学科的研究方法、理论成果、创新技术引入进来,已经取得了显著的成果。在实际的应用中,背景差分需要克服多种场景挑战,才能在复杂环境中发挥有效作用。本文的研究目标是针对经典的背景差分算法进行性能改进、针对视频监控场景的实际应用提出新的背景差分法。基于这一目标,本文首先对背景差分法的发展历程进行梳理,并对各类算法进行研究,采用客观的性能评估指标和通用的CDnet 2012数据集对算法优缺点和适应性进行研究,接着针对性能更好的PBAS算法进行优化,从多个角度提出改进了算法,最后针对高分辨率的弹落点检测,提出一种异构的多尺度背景差分法(Heterogeneous Multi-scale Background Subtraction,HMBS),该算法适用于以Zynq为代表的异构计算平台。本文主要的创新点有1、提出对PBAS算法中距离计算进行改进的优化算法,通过计算图像的梯度幅值的均值来衡量梯度幅值与像素值在前景分割过程中的比例。2、提出对PBAS算法中距离阈值更新方式改进的算法,对前景点和背景点采取不同的更新方式,通过降低动态背景区域中前景点的距离阈值来提高算法在这一区域的召回率。3、针对相机抖动的场景,本文基于PBAS算法提出一种新的衡量抖动场景中背景动态程度的非参数模型。4、在弹落点检测的实际应用场景中,提出基于异构计算的HMBS算法。HMBS算法引入多尺度计算协调使用不同架构的计算资源;在前景检测中,采用邻域相减的方式以应对相机抖动的干扰,采用区域级阈值以应对图像噪声的干扰;在背景差分的基础上,引入多帧确认过程,进一步加强算法检测结果的正确性,保证弹落点的检准率。在基于CDnet2012数据集的仿真实验中,本文提出的PBAS算法相对于原PBAS算法,所有场景目录的F1值都得到提高,整体F1值有4.18%的提高,其中Dynamic Background目录下的F1值得到了 15.6%的提升,说明改进的PBAS算法在动态背景的场景中起到了明显的优化作用;在针对相机抖动的优化算法中,基于Camera Jitter目录进行对比实验,F1值和原PBAS算法相比提高了 15.4%,同时错误分类像素降低了 0.51%,可见改进的算法在降低误检数的同时也降低了漏检数。在弹落点检测的仿真实验中,HMBS能将60000多帧的测试视频中所有7个弹落点正确检测出来且没有误检情况,在将HMBS移植到Zynq平台后,能够满足检测系统的实时性需求,结果表明算法设计符合预期。