从交通监控到财产保护,从军事到民用,从公司到个人,智能视频监控系统以其特有的优势已被应用到越来越多的场合之中。不论是平安城市,还是智能交通抑或是现代化小区,这些新生概念中离不开智能视频监控的身影。智能视频监控技术的目的是对视频中出现的感兴趣目标进行有效检测和实时跟踪,进而识别出其行为并分析其意图。智能监控系统由于其广泛的应用场景,其所依赖的相关技术得到了众多学者的关注和研究。目标检测的目的是在智能监控序列中将感兴趣的目标从背景中抽取出来;寻找一个高效的鲁棒性目标检测算法是学者们研究的重点方向。目标跟踪是物体检测的后续阶段,目的是快速有效的在新的监控序列定位到感兴趣目标。对于目标行为的分析一般采用基于特征的分析方法:首先提取能够表征监测对象当前行为的特征向量,再将其和各种模板行为的特征向量匹配归类。本文逐步分析了以上各个过程中的所用到的相关技术并分别给出了相关优化。在运动目标检测阶段,本文对传统混合高斯背景模型进行了以下改进:提出了一种等权值的背景初始化方案,降低了初始背景模型对首帧的依赖性;提出一种基于状态和历史信息自适应更新权重学习率的算法提升了模型的稳定性;给出了一种无效高斯分布的判定和移除方案以减少计算资源的浪费。最后给出一种基于HLBP纹理特征和YUV颜色空间的运动阴影检测算法进行阴影消除。在运动目标跟踪过程中,本文提出了一种基于多特征自适应融合且跟踪尺度自适应变化的均值漂移(MS)算法,提升了算法对复杂场景的跟踪性能。随后将卡尔曼滤波器的预测功能和改进之后的MS算法相结合,解决了传统MS算法在运动目标速度过快时,或者运动目标被障碍物遮挡时跟踪效果不佳的问题。在运动目标识别方面,本文针对传统DAG SVMs容易产生“误差累积”的缺点,利用各类样本间的分布特征优化了有向无环型多分类器构造过程,并将Hu不变矩所代表的区域形状特征、目标的运动特征以及经过主成分分析法降维后的HOG特征相融合,共同作为特征向量来训练DAG SVMs中的相关二分类器,提高了对目标行为的识别率。