运动目标检测不仅是图像处理领域的一个分支,也是目标跟踪、目标分类、行为理解、语义描述等一系列中层或高层视觉处理的第一步,运动目标检测的性能将对这些后续任务产生不可逆转的影响。因此运动目标检测已经成为计算机视觉研究课题中的一个基础且不可或缺的部分,此项研究非常具备理论和实际意义。到现阶段为止,越来越多有效的运动目标检测方法被研究者们提出。但是在实际应用时,由于场景中存在各种各样的挑战,这些方法还存在着一些问题,例如:对噪声和遮挡非常敏感、误检、漏检、大目标检测不鲁棒等。本文针对上述目标检测中存在的问题展开了相关研究,主要的工作和贡献包括如下两点:(1)针对当前运动目标检测方法在目标尺寸相对较大时的检测效果差,低鲁棒性等问题,本文提出了一种低秩框架下的新型的运动目标检测方法,叫做联合低秩和稀疏分离模型(Collaborative Low-Rank and Sparse Separation,CLASS)。得到从输入视频中积累的连续帧的数据矩阵后,CLASS在保证前景和背景的全局外观一致性的前提下,从低秩结构的背景中将移动目标看作是离群点检测出来。这种局部稀疏和全局外观一致性约束是互补的但是同时也相互竞争的,因此CLASS可以有效的检测不同大小的运动目标。同时在CLASS中加入目标运动的平滑约束,进一步提升了对噪声的鲁棒性。此外,利用保边滤波方法在尽量保持精度的同时大幅度加速CLASS算法。同时在公共和新建视频序列上进行了大量实验,实验结果表明CLASS实现了优越的性能并且与其他主流方法在效率上具有一定的可比性。(2)针对当前运动目标检测方法在复杂场景下的检测结果准确率低,目标的边界存在误检、不完整等现象,本文提出了一种在低秩和稀疏分离框架中加入空间紧凑性和外观一致性约束的运动目标检测方法。得到从输入视频中积累的连续帧的数据矩阵后,提出的模型与低秩结构的背景相对应将运动目标看作稀疏离群点检测出来。此外,通过执行同一超像素内像素点之间的一致性来引入空间紧凑性。由于超像素被定义为在邻域附近具有相似外观的像素点,因此该策略同时可以促进外观一致性。在公共的GTFD数据集上进行的广泛实验表明,提出的模型可以更好地保护目标的边界信息,并实现了优于其他主流运动目标检测算法的性能。