视频运动目标检测技术是智能视频监控系统的基础技术,其主要任务是:将人们关注的运动目标从视频序列中检测出来,获取尽可能准确、完整的运动目标的信息,其检测结果将影响视频监控系统后续技术的展开。为了改善视频运动目标检测的性能,本文主要从加权Kolmogorov-Smirnov算法和动态图割算法两个方面来展开研究,加权Kolmogorov-Smirnov算法旨在提高检测的相似度和准确度,动态图割算法旨在提高检测的效率。混合高斯模型常被应用于具有轻微扰动的复杂背景的视频运动目标检测,如树叶晃动、水面波动等。由于外界环境或人为因素的影响,通常这种背景扰动是不稳定的,尽管混合高斯背景模型是不断更新的,为了提高检测的准确度,优化背景模型的加权系数仍然非常有必要。又由于加权Kolmogorov-Smirnov算法的估计具有一致性和鲁棒性,因此,本文提出了基于加权Kolmogorov-Smirnov算法的视频运动目标检测。主要贡献有:1)该算法从理论和实验上分别证明了在混合高斯模型的条件下,加权Kolmogorov-Smirnov算法估计具有一致性和鲁棒性,表明加权Kolmogorov-Smirnov算法可以更准确的调整混合高斯模型的加权系数。2)对于非平稳背景扰动问题,单一模型对目标的检测能力有限,本文将加Kolmogorov-Smirno算法和混合高斯模型级联在一起,一方面加权Kolmogorov-Smirnov算法能准确的调整混合高斯模型的加权系数;另一方面,混合高斯模型可以为加权Kolmogorov-Smirnov算法检测目标提供初步的运动目标区域。仿真结果显示了本文提出的算法具有较高的检测准确度。基于图割算法的能量最小化方法越来越广泛的应用于图像处理和计算机视觉中,但它在进行图像分割时,需要对每一帧图像建立网络图,而相邻的两帧图像之间并没有很大的区别,因此增加了许多重复的工作,降低了算法的计算效率,从而限制了其进一步的发展。针对这个问题,本文分析了动态图割算法提高图割算法计算效率的可行性。该算法建立了混合高斯背景模型,使其能适用于具有复杂动态背景的视频图像序列中的目标检测。该算法还根据相邻两帧视频图像之间的像素差距较小的特点,只对第一帧图像建立网络图。为了避免重复的计算工作,动态图割算法给出了特定动态变化的马尔可夫随机场模型的最大后验概率的计算方法,并且通过更新前一帧图像的网络图的边缘流量得到剩余图,使其可以表征当前图像帧的像素特征。在这个更新过程中,为了保持边缘容量的一致性,动态图割算法给出了具有一致性的更新方法。相比于对每一帧图像都建立网络图的图割算法,动态图割算法的计算效率得到很大提高。