视频处理中的动目标识别是许多计算机视觉应用中的重要处理环节,在诸多领域比如军事、交通和娱乐等,具有非常广阔的应用前景。近年来,数据的稀疏表示理论得到了学者的广泛关注,有学者在稀疏表示的基础上提出鲁棒性主成分分析模型和字典学习模型,这两种模型在视频动目标检测领域中得到了良好的运用,且取得了较好的效果。本文在深入研究传统字典学习模型和传统鲁棒主成分分析模型的基础上,针对传统模型容易失真,模型易受噪声影响等问题作出改进,提出一种改进的基于K-SVD算法的字典学习视频背景模型和一种结合组稀疏的鲁棒主成分分析视频背景模型。主要的研究成果和工作如下:(1)通过广泛阅读国内外文献,简要的论述了本文选题的研究背景和研究意义,介绍了基于背景建模的动目标检测,稀疏表示理论以及基于稀疏模型的视频动目标检测的国内外研究现状。并系统阐述了基于背景建模与前景检测的视频动目标检测的基本理论和方法。(2)深入研究了传统字典学习模型,并在此基础上提出了一种改进的基于K-SVD算法的字典学习视频背景建模方法,该方法利用离散余弦基字典作为初始字典,利用多帧平均背景批处理训练字典,通过稀疏编码得到视频图像在该字典下的稀疏系数,再通过K-SVD算法更新字典以实现视频背景生成。仿真试验表明,该方法在背景生成上比传统字典学习模型受动目标影响更小。(3)深入研究了传统鲁棒主成分分析模型,对该模型常用的几种求解算法的优劣进行了分析,并在传统模型的基础上提出一种改进的基于稀疏滤波的组稀疏鲁棒主成分分析视频背景建模方法,并对传统模型的正则参数作出估计优化,该方法首先通过求解鲁棒主成分分析模型得到低秩的背景图像和稀疏的前景图像,然后对前景图像进行组稀疏处理得到包含动目标的前景模板。仿真实验表明,该方法有效缓解了视频噪声对动目标检测的影响。(4)对全文所做工作进行了总结,对在视频动目标检测领域中稀疏背景建模方法上仍需改进的地方进行了梳理,并展望了未来视频动目标检测领域的发展方向。