智能监控中的运动目标识别分类技术是计算机视觉领域的一个研究热点,随着科技的进步、社会的发展,各行各业对视频监控的需求不断增强,使得视频监控系统不断朝着智能化的方向发展,引起了国内外越来越多的研究学者对智能监控领域的高度关注.该技术综合了计算机视觉、模式识别、图像处理、人工智能等多门学科,其研究课题具有很大的挑战性和巨大的潜力.　　智能监控的目的是使计算机自动地对得到的序列图像进行分析,判断其中的目标的行为,其主要的工作部分有,运动目标检测、运动目标识别分类、运动目标跟踪、以及运动目标的行为理解分析等.目标识别分类是整个智能监控系统中的重要部分,其目的是要对场景中的目标进行归类,以预测其行为发展,在智能监控、智能交通以及军事等方面有着巨大的研究价值和广泛的应用前景.目前该技术虽然已取得了一定成果和进步,但在应用上都还存在一些难题需要解决.　　本文研究了图像描述方法、图像处理方法,以及目标分类的相关理论和常用算法,在分析当前方法和研究现状的基础上,提出了针对静止的单摄像机条件下,对生活中的普通场景下常见的步行者、骑自行车的人、小汽车、以及货车四类目标进行识别分类的方法,其主要工作如下:　　首先对获得的序列图像进行目标检测和图像预处理,通过混合高斯模型进行背景更新,利用背景差分法提取出目标区域,并将目标区域进行形态学去噪,分割图像;　　在以上操作的基础上需要对目标区域进行特征提取,在特征选择方面,研究了现有的特征描述方法,并根据应用场景以及运动目标的特点,采用了基于形状的描述方法,分别使用了目标外接矩形的长宽比、占空比、分散度特征,同时还引入了Krawtchouk矩不变量特征来表示目标;　　在分类器的选择上,建立了基于小样本学习理论的支持向量机分类器,针对本文的多类识别问题,选择有向无环图的支持向量机来构造分类器,首先对要选择训练样本,并对其类别进行标记,然后对分类器进行训练,以此得到的分类器就可用于对待测目标进行识别分类,该分类器较好地解决了非线性的多类别目标分类问题,同时只需利用较少的训练样本就能够获得较好的分类效果;　　此外还提出了系统优化方法,讨论了应用时间约束条件以及场景相关性特征的方法,进一步训练分类器,以提高识别分类的性能;　　通过实验表明,本文采用的方法能够较好地对步行者、骑自行车的人、小汽车、以及货车四类目标进行识别分类,并且对目标发生方向、姿态等变化的情况下也具有一定的鲁棒性。