1.基于加权KS背景模型优化算法的视频运动目标检测方法，其特征在于该方法的具体步骤是： 步骤一：利用混合高斯背景模型算法，更新混合高斯背景模型参数； 步骤二：读入相邻的m幅视频图像，利用加权KS背景模型优化处理，计算高斯加权系数，实现背景模型优化； 假设第t帧图像中第j个像素点的灰度值xj,t，则优化目标函数定义为： 其中加权函数

数据经验分布函数

模型经验分布函数

其中，k为混合高斯的模型个数，xj,t表示第t帧图像中第j个像素点的灰度值；

T

F(xj,t,θ)为k维高斯分布概率；θ＝[w1 w2 … wk] 为k维高斯系数列向量； 满足不等式条件时取1，不满足时取0； 为第i个均值为μi，方差为 的高斯模型的概率； 已知像素点的灰度值xj,t，模型经验分布函数在xj,t处分布概率B，各个高斯分量模型T参数，求解最优的高斯权系数向量θ＝[w1 w2 … wk]，要求 此时，需要讨论模型个数k的取值；

1.当k＝2时，将目标函数与约束条件结合，可得最优的高斯系数的取值为： 其中，f1′＝f1-f2， 的高斯概率密度值， 的高斯概率密度值。

2.当k≥3时，采用迭代求解极值方法；具体推导如下： 对原目标函数求导整理后得：

其中， 即求解： 参考在非负矩阵分解算法中迭代极值求解算法：这里假定一个大小为i×j的非负矩阵，则公式表述为 其中n为矩阵的行数，m为矩阵的列数，“+”表征矩阵内元素的非负性；已知 求解使得E＝V-WH，这里要求||E||尽可能小，并且算法是快速收敛的；即找到求解下式的收敛算法： 其中，V：n×m非负矩阵里的点，W：n×r非负矩阵里的点，H：r×m非负矩阵里的点，E：n×m矩阵里的点；

类似于的求解问题 但此时H是已知的； 选用如果以K-L散度为度量，则改写为 要使||E||最小，即求解如下最大似然解 因为H是已知的，即为求解：

T

其中， F=[f1 f2 … fk]为k维高斯模型的概率密度列向量，当像素灰度值给定，两者均可看作常数矩阵；分析上述所得的偏差函数，该函数服从高斯分布，于是有： 其中，对上式取对数操作得：

参考非负矩阵分解算法，负梯度方向迭代逼近的原则： 则，从负梯度方向对wi实行迭代，可得： 其中，n为迭代的次数，k为高斯模型的个数；即得近似的高斯系数； 综上，完成了基于加权KS背景模型优化算法的背景建模； 步骤三：对运动目标的检测；将像素点逐个代入所建模型，求解拟合偏差，并将其与门限值比较，若大于门限值则判定为前景，用“0”表示，反之即判为背景，用“1”表示，实现对目标的检测； 步骤四：判定检测到的图像是否为最后一帧，如果是则结束检测，反之跳回步骤二进行下一帧图像的检测操作处理，直至所有的图像均被检测完为止。