目前，车辆作为日常生活中主要的交通工具之一，在便利我们的生活的同时，也会给我们带来一些不好的影响，比如交通事故，交通堵塞等问题。尽管现在智能视频检测技术已经被广泛应用于公共安全领域中，不过其中绝大部分还需要人工进行处理分析视频，且准确度和实时性很难得到保证。所以，有关视频的运动目标检测技术得到了大量的研究，对于有关交通的视频，为了提高交通的安全性和效率问题，车辆检测系统就诞生了，它可以分析车辆的颜色、类型等信息。其中运动目标的检测作为基础技术，得到了广泛的研究，目前已有许多成熟的方法可以完成对视频中运动的目标进行检测了，例如：背景消除法[1]，光流法[2]，帧间差分法[3]等，除了这几种经典的将目标和背景分离的算法以外，还提出了另一种目标检测方法，先对运动目标建模，通过建立需要检测的目标的特征模型，设计分类器，然后从序列图像中分离出来，完成运动目标的识别，这种方法的思想是一个二分类问题，一般运用监督机器学习来构造分类器，常用的算法有支持向量机[4]（SVM），神经网络，自适应增强算法等。

本文就这些算法中的几种进行了实验，对算法的原理有了些了解，主要研究了背景减除法中的高斯混合模型（GMM）算法和机器学习中的支持向量机算法（SVM）。

1.2 国内外研究现状

1.3 本文工作

本文的研究内容为车辆检测系统中的运动目标检测算法的研究，主要研究高斯混合模型方法（GMM）和支持向量机（SVM）。首先介绍了课题的研究背景和意义，现今的发展情况，随后简单介绍了经典的运动目标检测算法，并进行了一些比较和分析，之后重点研究了高斯混合模型和支持向量机两个方法对车辆视频中的运动车辆进行检测，并进行了实验来验证两者的可行性，完成对运动车辆的检测。文献综述

本文包括以下章节：

第1章 绪论。介绍了课题的研究背景和意义，以及目前国内外的研究人员和学者在这方面的研究现状。

第2章 运动目标检测算法的研究。简单介绍了图像灰度处理、图像噪声处理、数字形态学处理等视频图像的预处理过程，之后详细介绍了一些常用的运动目标检测算法，如帧差法、背景差法、光流法等，并进行了一些分析。

第3章 基于高斯混合模型的背景减除法。详细介绍了单高斯背景模型和高斯混合模型两个算法的原理，有关背景的建模，运动的检测以及背景的更新等理论，并进行了一些实验，实现对车辆视频中运动车辆的检测。

第4章 基于支持向量机的运动目标检测。详细介绍了机器学习的原理，支持向量机的理论知识，最优超平面，支持向量机的核函数以及支持向量机的分类原理等，最后进行实验，实现对车辆视频中的运动车辆的检测。

第5章 总结和展望。总结了一下课题的内容主旨，对未来的研究方向以及需要改进的地方进行了说明。

2 运动目标的检测算法研究

运动目标的分析主要就是从视频图像中对运动的目标进行检测、分类跟踪、场景理解以及行为识别