运动目标跟踪技术是视频监控中的核心技术之一,它的目的是要在视频图像序列中获取运动目标的速度、加速度、运动轨迹等信息,这些信息提供给更高层次的处理模块例如行为理解和描述等使用,运动目标跟踪结果的好坏直接影响到高层次的处理结果。由于监控视频数据量的巨大,数据分析需要庞大的计算能力。这些海量监控视频数据的存储和智能分析给我们的当前单机模式下的监控系统带来了巨大的挑战,传统单机模式的视频监控系统已经再难以胜任。而云计算技术的出现,为这些问题提供了很好解决方案。云计算被称为拥有“无限计算能力”和“无穷存储空间”,这正是解决高清监控视频数据的存储和海量监控视频数据的智能分析提供了保障。本文先系统阐述了云计算的核心技术,并介绍了Hadoop云平台中的关键技术,包括分布式文件系统HDFS、并行编程模型MapReduce和Hadoop分布式系统中的作业调度机制。在这之后,详细阐述了基于粒子滤波目标跟踪技术,该技术是基于云计算视频处理的应用。本文的主要工作如下:针对海量监控视频数据的存储和处理,本文提出了基于Hadoop云平台的视频处理系统。本系统分为三层架构,分别为IaaS层、PaaS层和SaaS层,其中Hadoop平台位于PaaS层,本文在后续的章节中重点研究了该层中监控视频数据处理技术即对视频图像序列的运动目标跟踪技术。针对当前Hadoop系统中并没有处理视频数据的数据结构,也没有提供针对视频存储的技术,本文提出了基于HDFS分布式文件系统的视频数据分帧存储、视频数据解析为键值对形式和MapReduce的输出结果的数据结构。通过以上这些设计,使Hadoop平台成为能够直接处理监控视频数据的系统。为了进一步提高基于Hadoop云平台处理监控视频数据的执行效率,本文提出了Hadoop任务优化策略,设计了自适应长度调整的两级队列调度算法。在该算法中根据视频监控数据的不同类型(cpu密集型或者内存密集型)将对应的类型匹配到Hadoop集群相应的节点上去执行,并且队列的长度根据系统运行过程中各节点的运行状态进而自适应的调整,保证了集群能够最高效的进行任务的调度和任务的执行。实验表明,与当前现有的Hadoop调度算法相比,本文提出了改进型调度算法提高了平台的执行效率。在本文提出的基于Hadoop云平台的视频处理系统之上,本文随后提出了基于该系统的应用:基于Hadoop云平台的运动目标跟踪技术。该应用中的核心部分是算法的MapReduce并行化设计,本文先后提出了:基于颜色特征的粒子滤波目标跟踪并行化算法和基于多特征融合的粒子滤波目标跟踪并行化算法。在基于颜色特征的粒子滤波目标跟踪算法中,虽然算法的前后每一步必须是串行执行的,但是由于粒子与粒子之间是独立的,因此,算法中单独的一步中,我们可以利用粒子的独立性,将算法进行MapReduce并行化设计。在基于多特征融合的粒子滤波目标跟踪算法中,多特征之间是独立并且没有数据关联的,因此在特征提取过程中利用MapReduce的Map映射阶段进行并行提取;在特征融合的过程中利用MapReduce的Reduce规约阶段进行特征融合。实验表明,在相同的监控视频数据量下,相比传统的单机模式的运动目标跟踪算法,本文提出的算法执行效率更高,并且,随着集群规模的增大,这种效果更加明显。