1.一种改进的鲁棒主成分分析的运动目标检测方法，其特征在于，所述检测方法包括以下步骤：

S1，基于改进的鲁棒主成分分析方法构建运动目标检测模型：m×n

其中D视频对应的观测矩阵，L∈R 为观测矩阵中对应的低秩背景矩阵，||L||γ为矩阵L的γ范数，j＝1，2，…，mn，Ψj是尺度为1的拉普拉斯分布，Θj是一个正随机变量，ξ是一个极小的正数，W是显著性映射矩阵，Ψ＝[ψ1，ψ2，…，ψmn]，Θ＝[Θ1，Θ2，…，Θmn]；m和n分别是观测矩阵的行数和列数；

S2，将待处理视频转换成对应的观测矩阵，采用交替方向乘子法求解运动目标检测模型，提取对应视频中处于运动状态的前景目标，并计算检测该运动目标时的F‑measure值和时间值，对运动目标检测模型进行验证。

2.根据权利要求1所述的改进的鲁棒主成分分析的运动目标检测方法，其特征在于，所述运动目标检测模型对应的增广拉格朗日函数为：式中，μ＞0是惩罚因子，Y是拉格朗日乘子，<，>是矩阵内积，||·||F为Frobenius范数。

3.根据权利要求2所述的改进的鲁棒主成分分析的运动目标检测方法，其特征在于，步骤S2中，采用交替方向乘子法求解运动目标检测模型的过程包括以下步骤：k+1

S21，固定变量Ψ、Θ、Y和μ，计算得到第k+1步的矩阵变量L 为：k k

式中，μk是惩罚参数μ的第k步的值，Y是第k步的增广拉格朗日乘子，Ψ 是Ψ的第k步的k

值，Θ是Θ第k步的值；

k+1

S22，固定变量L、Ψ、Y和μ，计算得到第k+1步的矩阵变量Θ ：最终得到：

其中，Θj，1、Θj，2分别为f(Θj)的两个驻点：式中， ξ是一个极小的正数， 是k k+1

第k步矩阵Ψ的第j个标量元素Ψj的取值， 是第k+1步矩阵L 的第j个标量元素的取值，k

是第k步矩阵Y的第j个标量元素的取值，Dj是矩阵D的第j个标量元素的取值，k+1

S23，固定变量L、Θ、Y和μ，计算得到第k+1步的矩阵变量Ψ ：最终得到：

式中， 为软阈值收缩算子；

S24，固定其它变量，更新乘子变量Y及其惩罚参数μ进行更新，计算得到第k+1步的增广拉格朗日乘子：

μk+1＝min(ρμk，μmax)式中，ρ＞1是步长因子；μmax是惩罚参数μ的最大值。

4.根据权利要求3所述的改进的鲁棒主成分分析的运动目标检测方法，其特征在于，步k+1

骤S21中，采用凸差分方法求解得到矩阵变量L 。

5.根据权利要求3所述的改进的鲁棒主成分分析的运动目标检测方法，其特征在于，步k+1 k+1

骤S22中，将矩阵变量Θ 的求解问题转换为求解矩阵Θ 的每个标量元素 的最小值问题，即：

其中

通过 求解每个标量元素θi的最小值问题，其中f(Θj)是相应的目标函数，最终得到：

其中，Θj，1、Θj，2分别为f(Θj)的两个驻点：

6.根据权利要求3所述的改进的鲁棒主成分分析的运动目标检测方法，其特征在于，步k+1 k+1

骤S23中，将矩阵变量Ψ 的求解问题转换为求解矩阵Ψ 的每个标量元素 的最小值问题，即：

最终得到：

其中 为软阈值收缩算子。