1、在很多計算機視覺和數字圖像處理的應用中，從視頻序列中提取出運動目標都是一項基礎而關鍵的任務。而運動目標檢測融合了模式識別、數學和計算機科學等許多領域的先進技術，已經在視頻監(jiān)控、智能運輸和行為分析等領域得到了廣泛應用。隨著數字信號處理設備的高速發(fā)展，人們對實時視頻目標檢測設備的需求日益提高。本文主要研究了基于背景建模的前景檢測問題，并且探討了在DM642數字信號處理器上的算法實現(xiàn)。非參數核密度模型是現(xiàn)在最常用的背景模型之一，其能快速的適應

2、動態(tài)場景的變化，對運動的目標更為敏感。然而該模型算法復雜度大，對硬件存儲量要求較高，很難用于實時系統(tǒng)。
　　本文深入研究了非參數核模型，其根據像素的一組歷史采樣值估計像素的概率模型。然而，原始采樣集中包含著很多冗余信息和噪聲點，導致了大量的重復計算和估計誤差。針對這一問題，本文提出了一種基于聚類的非參數核背景模型。原始采樣集通過聚類，生成包含背景模型最重要、頻率最高特征的小樣本子集。不同顏色分量的核帶寬被用于區(qū)分小樣本集中不同的特

3、征樣本。另外，模型使用了色度坐標來抑制陰影。實驗證明，本文提出的背景建模方法能有效的檢測出運動目標并降低在目標檢測時的計算量和存儲要求。使用自適應圖像差分的預處理技術來減少需進行非參數核估計的像素數。研究了最小平方中值(LMedS)算法的原理，來計算差分圖像的噪聲方差。從而得到時間背景差分的自適應閾值。實驗表明，大量因圖像噪聲導致顏色分量變化的背景像素被濾除了，為后續(xù)的處理降低了計算量。將本文所述算法移植到了基于TMS320DM642的