前景检测已被广泛应用于许多计算机视觉应用中,包括：视频监控、辅助驾驶、人机交互、人脸检测、行人碰撞预测、遥测影像处理、食物中的异物检测、行人行为识别等,是计算机视觉与模式识别领域的一个研究热点和前沿课题。前景检测结果的好坏直接关系到后续应用与分析处理的优劣和实用性。前景检测算法种类众多,混合高斯模型及它的大量改进方法是最受欢迎的算法之一。本文在详细分析与理解混合高斯模型原理的基础上,主要研究了固定摄像机情况下的基于改进混合高斯模型的前景检测算法。主要工作如下：(1)对前景检测进行概述,并详细介绍了前景检测的一些常用方法：帧差法、光流法和背景差分法。同时,着重介绍了常用的背景差分方法,并对它们进行实验测试,详细分析和比较它们各自的优缺点。(2)对传统的混合高斯模型算法进行了较为全面的介绍与分析,从而了解到混合高斯模型以耗时为代价换取可观的精确度。同时,混合高斯模型对噪声情况的处理效果很一般。针对混合高斯模型的上述缺点,提出一种基于YCbCr的自适应混合高斯模型前景检测算法。该算法首先用YCbCr颜色空间替换RGB颜色空间,以获取更好的抗噪性。其次,考虑实时性能,采用自适应选择策略来确定混合高斯模型的高斯成分个数。最后,将各高斯成分按照其排序关键字的值进行排序,以选定背景模型。实验表明,该算法能很好地处理噪声的影响,除了对于突然的照明变化场景效果不佳之外,一般而言,对室内室外场景都能获得更准确的前景目标轮廓,并具有良好的实时性能。(3)针对混合高斯模型只采用颜色特征进行建模且不能处理突然的照明变化的缺点,提出一种基于多特征联合的改进混合高斯模型前景检测算法。该算法选择YUV颜色特征与LBP纹理特征一同进行混合高斯建模来弥补单一特征的不全面性,并对混合高斯模型的更新方式进行改进。实验表明该算法能够很好地处理照明的突然变化和动态的背景。