在很多计算机视觉和数字图像处理的应用中,从视频序列中提取出运动目标都是一项基础而关键的任务。而运动目标检测融合了模式识别、数学和计算机科学等许多领域的先进技术,已经在视频监控、智能运输和行为分析等领域得到了广泛应用。随着数字信号处理设备的高速发展,人们对实时视频目标检测设备的需求日益提高。本文主要研究了基于背景建模的前景检测问题,并且探讨了在DM642数字信号处理器上的算法实现。非参数核密度模型是现在最常用的背景模型之一,其能快速的适应动态场景的变化,对运动的目标更为敏感。然而该模型算法复杂度大,对硬件存储量要求较高,很难用于实时系统。针对非参数核模型的关键技术,本文主要研究内容和创新点如下:(1)深入研究了非参数核模型,其根据像素的一组历史采样值估计像素的概率模型。然而,原始采样集中包含着很多冗余信息和噪声点,导致了大量的重复计算和估计误差。针对这一问题,本文提出了一种基于聚类的非参数核背景模型。原始采样集通过聚类,生成包含背景模型最重要、频率最高特征的小样本子集。不同颜色分量的核带宽被用于区分小样本集中不同的特征样本。另外,模型使用了色度坐标来抑制阴影。实验证明,本文提出的背景建模方法能有效的检测出运动目标并降低在目标检测时的计算量和存储要求。(2)使用了自适应图像差分的预处理技术来减少需进行非参数核估计的像素数。本文研究了最小平方中值(LMedS)算法的原理,来计算差分图像的噪声方差。从而得到时间背景差分的自适应阈值。实验表明,大量因图像噪声导致颜色分量变化的背景像素被滤除了,为后续的处理降低了计算量。(3)将本文所述算法移植到了基于TMS320DM642的硬件开发平台上。并通过使用指数运算展开、循环展开等优化方法对代码进行优化以加快系统的运行速度。实验表明,该系统在实验室环境中有很好的性能。文章的最后给出了全文的总结,并结合现有目标检测算法的研究状况,对未来的研究方向作了进一步工作展望。