目标检测一直是计算机视觉领域的一个研究热点,同时它也是智能视频监控中最基础也是最关键的技术之一。目标检测的主要方法有基于背景建模的运动目标检测方法和基于前景建模的目标检测方法。前一种方法要求感兴趣目标是保持运动的,并且背景是保持不变的,这就对感兴趣的目标有较大的限制;后一种的做法是针对特定类别的目标进行学习,训练分类器,在图像多个尺度上做滑动窗口扫描,判定各窗口是目标还是背景,从而得到该图像中所有感兴趣目标的大小和位置。这种滑窗扫描的方式往往一张图片就需要计算数十万甚至数百万个窗口,随着物体种类增加计算量将进一步增大。针对上述问题,本文重点研究了基于似物性的多类别目标检测。本文的研究内容具体如下:(1)综述了目前在似物性检测常用的方法以及相应的改进算法并实验对比了算法的性能。(2)本文提出了在红外图像中产生目标候选窗口的算法。与其他多尺度窗口打分或者迭代地组合分割的似物性检测方法不同,本文使用了多层多尺度超像素组合来分割目标。本文定义了一种基于超像素的中心环绕的特征来度量超像素包含目标的可能性,每个尺度的超像素分割下只有单个超像素和两个相邻超像素的组合被用来产生目标候选窗口集合。为了评估本文提出的红外图像目标检测算法的性能,构建了一个红外图像数据库,并且手工标记了图像中目标的真实范围。实验结果表明,对于红外图像中的似物性检测,本文算法较其他主流算法更具优越性。(3)介绍了基于似物性的多类别目标检测方法的框架。该方法首先对输入图像进行似物性检测,生成一系列可能包含目标的窗口。然后使用多分类器对这些可能包含目标的窗口进行判断,得到多目标检测结果。通过实验可以看出本文方法能同时对多类型目标进行准确的检测。