学习的方式运算代价较大.ViBe[4]算法是近年提出的一种像素级的快速有效且易于实现的背景建模算法，它利用首帧即可初始化背景模型，对静态背景下的运动目标能取得良好的检测效果.光流法是近年来运动目标检测的一个研究热点，其在运动边界处的计算误差较大，而且算法中亮度恒定的假设通常会被光照变化和噪声破坏，此时将难以得到准确的目标运动信息.Liu等[5]在彩色图像的基础上提出了SIFT流方法，利用了SIFT描述子的尺度、旋转和仿射不变性.虽然SIFT流相较传统光流法提高了运动检测效果，但计算代价过大，因此处理效率较低.
事实上，在运动背景下检测运动目标，往往需要对背景进行全局运动补偿[6]，其核心是通过相邻帧背景中对应数据点间的匹配来估计全局背景运动参数，从而将检测行为“转化”到静态背景情形下.Kim等人[7]提出了一种基于多单应性矩阵的运动背景下的目标检测方法，能较好地检测到目标，但检测出的目标形状往往不完整或有较大空隙，且该方法处理效率较低.Yang等人[8]提出一种基于空时特征的背景建模方法，通过无记忆的更新策略对背景模型进行更新来提取运动目标.该方法也能较准确地定位运动成份，但却容易造成目标的割裂.随机抽样一致性（random sample consensus，RANSAC）算法[9]具有易于实现和鲁棒性高的优点，是当前最流行的一种全局参数估计算法.但其主要缺点是迭代次数随“局外点（outliers）”比例的增加而急剧增长，导致算法效率显著降低.文献[10-11]提出了快速RANSAC算法，利用预检验或者在局内点集中重抽样等办法，大大提高了算法的收敛速度.近年来，研究人员在目标检测中引入视觉注意机制来提高检测准确度，文献[12]采用视觉注意机制结合粒子窗的方法，通过建立多级分类器来检测运动目标，取得了较好效果.但是该模型需要训练Adaboost或SVM分类器，不具备实时性.文献[13]基于视觉注意检测行人，并规划了注意焦点路径，该方法虽能检测到目标的显著位置，但难以获得目标的整体形态轮廓.
根据运动背景下目标检测的特点，本文提出了一种视觉注意辅助的快速运动目标检测方法.首先提出了记忆窗随机抽样一致性（memory window random sample consensus，MWRANSAC）算法，将人类视觉系统（Human Visual System，HVS）的瞬时记忆特性应用到数据点的传播建模，对各匹配数据点对（pointpair）按照其置信度的大小进行重要性抽样，提高了算法的收敛速度.为了得到运动前景目标，将视觉注意机制引入至ViBe框架，利用视觉注意机制辅助生成动态背景更新因子，同时视觉注意也被用来对“鬼影（ghost）”进行有效的抑制.