运动物体是计算机视觉领域的重要研究对象之一,利用运动物体检测算法可以有效地从视频中提取到感兴趣的运动物体。但是,现实情况中存在诸如相机抖动、动态背景和鬼影影响等挑战,会显著降低运动物体检测精度。针对以上问题,我们开展了以下两个方面的工作。(1)提出了一种基于超像素的运动物体检测方法。首先,使用简单的线性迭代聚类方法构造第一帧的超像素并提取每个超像素的标准差特征,以加强抗噪能力。然后,利用k-means聚类算法将初始超像素划分为K个较小的子超像素,然后通过将每个子超像素表示为多维特征向量来初始化背景模型。对于后续帧,通过加权度量检测运动物体对象,为了不遗失细小物体,加权度量公式考虑了超像素前景点个数的变化,同时每个超像素的检测过程要经过两次筛选,以减少运算次数、提高检测速度。最后,为了应对鬼影影响,基于每个子超像素成员个数,设计了独特的背景模型更新策略。实验结果表明,与已知方法相比,该算法在保持较少运行时间的同时达到了背景减法的竞争精度,对噪声具有鲁棒性,不易丢失小物体,同时能够快速解决重影效应。(2)提出了一种基于U-Net深度学习网络的运动目标检测方法。首先,构建U-Net卷积神经网络,以减轻深度学习对训练数据集数量的依赖,使得算法可以在小数据集上训练出优良模型。然后,计算数据集中正负样本个数的比值,将比值的倒数作为样本权重,以应对正负样本不平衡。最后,设定一个阈值对预测结果进行阈值化,以获得运动物体检测结果。实验结果表明,该算法仅需较少帧的图像作为训练集即可获得极高的检测精度,且检测结果不会明显偏向运动物体或者背景。