目标检测是计算机视觉的一项重要研究内容,它直接影响着后续对目标的识别和跟踪、对场景的分析和理解。本文在SIFT特征匹配算法的基础上,综合借鉴了光流场、运动补偿、帧间差分等思想,提出了一种基于SIFT矢量场的运动目标检测算法。光流场算法是在假设亮度不变的条件下,通过对图像中的像素点做运算来构建出运动矢量场,进而进行运动目标检测的一种算法。受光流场算法的启示,我们首先使用SIFT特征匹配算法来提取视频中相邻两帧的SIFT特征并进行匹配,然后通过对匹配到的SIFT特征做运算来建立SIFT矢量场。由于SIFT特征比较稳定,而且匹配到的SIFT特征数目也远远小于图像中像素点的数目,因此SFIT矢量场较光流场更稳定,生成速度更快。接下来,对得到的SIFT矢量场中的矢量进行聚类分析,聚类得到的每个分类或是代表背景或是代表一个目标。为了区别背景和目标,可以通过计算每个分类的类内距离来进行离散度分析。离散度最大的分类就是背景,其他的分类都是目标。再接下来,仿照帧间差分法的思想,对每个目标根据其所对应的分类中的矢量大小进行运动补偿,使两帧图像中的目标区域重合并对其进行差分运算,然后再对差分图进行阈值分割,使差分图像中的目标区成为黑色,非目标区成为白色。由于图像处理时一般都是针对白色区域,所以为了后续处理的需要必须对其进行反相,使目标区变为白色。最后,对反相后的图像进行形态学处理以消除噪声,这时就可以得到目标的轮廓了。实验表明,该算法不但可以用于静态背景下的运动目标检测,还可以用于动态背景下的运动目标检测,且具有稳定性好、计算速度快、检测精确等优点。此外,本算法尤其适合处理复杂背景下的运动目标检测,还可以解决目标在运动过程中发生的遮挡以及由于摄像机自主运动带来的抖动等问题。