随着信息技术的发展,视频文件的数量飞速增长。如何在海量的视频文件中检索出关键事件和关键目标具有重要的研究意义和广泛的应用价值。尤其是在冗余信息较多的交通监控和安防监控视频中进行事件和目标检测更具有重要的现实意义。但是,如何在复杂场景视频中实现快速准确的目标检测与行人检测,仍是目前运动目标检测领域亟待解决的问题。光流法是一种有效检测运动物体与运动行人的算法,不需任何先验知识,对背景模型不存在依赖,在运动目标检测领域有着广泛的应用。但光流法存在对噪声敏感、算法复杂度较高等缺陷,本学位论文针对光流法对噪声敏感和实时性差的缺点进行改进,提出了一种改进的光流法并将其应用于运动目标检测。本文主要研究内容如下:首先,针对摄像机运动造成的全局动态背景,采用改进的灰度投影法进行全局运动补偿。针对灰度投影法存在累积误差等缺陷,提出隔三帧更换一次参考帧的方法,减少了由于选择固定参考帧导致的累积计算误差;针对灰度投影法的投影区域存在运动目标时计算误差较大的问题,本学位论文使用视频图像帧的边角地带作为投影区域来计算运动矢量,大大减少了运动目标对运动补偿的影响。其次,提出了一种基于梯度阈值和特征抑制的光流法进行运动目标检测。将LK光流法和HS光流法进行结合,对光流约束方程进行改进,对梯度较大的像素点采用亮度约束,对梯度较小的像素点采用全局平滑约束,以确保光流约束方程的适用性。特征抑制作为辅助判断有效光流点的手段,在运动目标检测算法中对噪声和局部动态背景进行了有效地抑制。最后,在运动目标检测算法基础上,采用改进的形状复杂度特征,对视频中的运动目标进行分类。通过比较不同类型运动目标的形状复杂度取值范围,确定能够区分行人和其他类型运动目标的阈值,从而有效地检测出视频中的行人目标。测试结果表明,本文提出的动态背景下行人检测算法与其他算法相比,准确率和稳定性都有明显的提高。此外,本文提出的算法能够对摄像机运动、局部动态背景具有良好的鲁棒性,为下一步工作提供了良好的基础。