运动目标检测是指通过一定的检测方法从视频序列中提取感兴趣的运动目标,是计算机视觉、视频监控、行人检测、人工智能等领域的研究热点,它作为图像序列分析过程中的基础,其检测结果对后续的处理工作产生重要的影响。近年来,国内外众多研究学者针对不同场景中的问题,提出了诸多方法,这些方法大多数基于颜色信息,在一定程度上取得了较好的结果,但都无法解决颜色伪装的问题,深度数据的使用为解决该问题提供有力依据,但仅用深度数据又会出现深度伪装的问题。针对上述出现的问题,本文从Kinect相机获取的颜色图和深度图的特征出发,分别采用不同的运动目标检测方法,然后将两者得到的二值图像进行有效的结合,能够得到优于两种算法单独使用的检测结果。首先,基于颜色数据的运动目标检测方法众多,仅涉及像素自身特征的方法对光照比较敏感,因此,本文提出在颜色图像中采用基于局部二值相似性模式(LOBSTER算法)的运动目标检测算法,该算法采用具有空间信息的LBSP描述子构建背景模型,通过CDnet2014数据集的测试表明该算法优于大多数算法。其次,Kinect相机获取的深度图像中存在深度值缺失的像素及大量噪声点,本文提出对有深度值和无深度值的像素分别构建背景模型后生成一个混合模型,将该模型作为初始背景模型加入到混合高斯背景模型的目标检测算法中,能够降低目标检测的误差,并降低噪声的影响。经过前面两种方法的使用分别得到颜色图和深度图的二值图像,两种二值图像通过逻辑或运算结合得到粗糙的运动目标,该运动目标的边缘可能存在不规则或者部分缺失的情况,针对这一问题,本文提出利用Canny边缘检测算法并参照背景差分法的原理做差分运算,得到运动目标较为完整的轮廓,将边缘检测差分图与前面得到的二值图像通过逻辑或运算进行结合,最后,通过形态学处理操作中的区域填充、中值滤波等操作,在获取更加完整的运动目标的同时,也能抑制噪声的影响。