智能视频监控技术通常包括运动目标检测、目标分类和识别、目标跟踪及行为理解与描述几个部分。其中，运动目标检测是国内外视频监控领域和计算机视觉领域的重点和难点之一，作为整个监控系统的底层，其目标是尽可能精确的将变化区域从视频图像序列中提取出来。运动目标检测对后续高级处理具有重要的意义，其性能将直接影响到监控系统的实时性、准确性和鲁棒性。对视频监控系统而言，光照的突变、背景状态的多变、目标导致的背景变化，都会使得背景的提取和更新变的困难，为运动目标的精确提取制造障碍。由Stuaffer和Grimsion提出的高斯混合模型是使用率很高的经典算法之一，具有较强的抗干扰能力和良好的鲁棒性。但是在有背景扰动或强噪声时，该高斯模型就会对背景和前景的划分不明，产生误判。针对上述不足，通过对高斯混合模型的深入学习和分析，本文提出一种改进方法。1.改变背景模型匹配的条件在Stuaffer和Grimsion提出的高斯混合模型中，像素是否与背景模型匹配的条件涉及像素、均值、方差和标准差。在模型参数更新时，容易使方差陷入偏小，在一定程度上有背景失真的情况。改进的匹配条件只涉及像素及均值，背景将会更贴近真实场景。2.为背景模型添加生存时间和重现频率在经典混合高斯模型中，添加模型的生存时间和重现频率。新增的参数，可以保留生存时间短，但是重现频率高的背景模型，这个模型可以容纳高频噪声，例如微风吹动的树叶或者水的流动。3.基于背景差分法的前景提取本文的前景提取采用了改进混合高斯背景建模和背景差分法相结合的方法。在视频的背景发生变化的时候，改进的混合高斯背景建模能稳定且很好的模拟背景，同时背景差分法具有一定的场景变化适应能力，对目标的影子有着较好的抑制，二者的结合使前景提取的算法更加精确和强健