运动目标检测是计算机视觉领域的研究热点,是人工智能领域的重要技术。在日常生活中,车流量监控、交通灯智能控制、道路异物入侵检测等实际工程应用,都对目标检测算法提出了较高要求。本文在研习传统运动目标检测算法理论的基础上,对道路交通视频中的运动目标检测问题进行研究。针对实际道路交通视频中存在动态背景像素误检、噪声干扰、跟踪目标丢失等问题,提出了改进的自适应运动目标检测方法。首先,对视频序列进行预处理操作。按照视频序列顺序提取出单帧图像。因获取到的图像材料往往是彩色图像,具有多颜色通道,所以需要对其进行灰度化处理,以方便后续运算。此外,对部分受光照影响较明显的图像,使用限制对比度的自适应直方图均衡（Contrast Limited Adaptive Histogram Equalization,CLAHE）算法进行自适应光照补偿,增加图像对比度,从而突出目标特征。其次,设置运动目标检测窗口。为了减少视频中不相关像素影响和降低计算机信息计算量,使用改进坎尼（Canny）边缘检测算法与霍夫（Hough）变换提取公路图像的边缘直线,将图像区域进行划分,为道路交通视频图像设置运动目标检测窗口。针对实际图像中的干扰与边缘提取困难等问题,选用自适应中值滤波与双边滤波的混合滤波器进行滤波;使用四方向梯度模板进行梯度检测;利用改进大津（Otsu）算法计算分割阈值,完成图像边缘检测。在此基础上,使用Hough变换提取图像中较长线段,设置区域边界,完成检测窗口设置。再次,检测视频中的运动目标。针对传统算法存在鬼影现象、背景适应性差、噪声干扰等问题,结合图像显著性分析、哈希算法和帧间差分等图像处理知识,提出了一种自适应视觉背景提取（Visual Background Extractor,ViBe）算法。使用哈希算法提取关键帧进行差分运算,将差分图像与频率调谐（Frequency Tuning,FT）显著性检测图像结合提取当前帧中的目标区域,填充背景像素,滤除真实目标之外的鬼影区域;利用像素最小距离和局部标准差计算出背景的复杂度,自适应地调整像素点的半径阈值和更新速率,减少背景像素影响;经过连通域检测与形态学处理滤除孤立噪声点,减少目标孔洞。通过比较各算法处理后图片的准确率、召回率和F测度（F-measure）值,验证了本文算法的有效性。实验表明,该方法可以在减少背景像素影响的同时,较好地检测出运动目标区域。最后,跟踪视频中的运动目标。为了提高运动目标跟踪算法的准确率,对传统连续自适应均值漂移（Continuously Adaptive Mean Shift,Cam Shift）跟踪算法进行改进。改进算法结合哈希算法实时判断目标跟踪情况,并在目标丢失时,使用ViBe算法生成目标图像初始化搜索窗口,以此提高算法跟踪的准确率。此外,Cam Shift算法利用卡尔曼（Kalman）滤波器预测下一帧中的目标位置坐标,减少Cam Shift算法迭代次数,增强算法跟踪的稳定性。经仿真实验表明,该方法较传统Cam Shift算法定位目标更加精确,可以更好地跟踪运动目标。