作为公共安全领域的重要手段,监控摄像头被人们广泛应用于生活工作的各个方面,每天24小时不间断的拍摄,产生了海量的监控视频数据,这就给视频的存储造成了极大的困难。当人们需要从监控视频中获取想要的信息时,传统的快进、倒退方法会造成时间的极大浪费,同时也会造成观看者的视觉疲劳,导致有些信息可能会判断失误或者遗漏,所以传统的方式已经完全不能满足人们的需求。如何有效地分析如此大量的监控视频、如何对人们所关注的内容进行快速便捷的定位提取、如何减少存储空间,是人们所需要解决的重要问题。本文主要研究了基于Hadoop的监控视频摘要技术,将监控视频中运动对象通过检测、再抠取、重新放在背景模型中的过程形成视频摘要,极大的缩短了原视频的时长。利用Hadoop平台对视频进行分布式存储,解决了海量监控视频数据的存储困难问题。本文工作主要在以下几个方面:(1)研究了Hadoop平台的相关内容,包括HDFS分布式文件系统、Map Reduce数据处理框架和集群资源管理工具YARN。完成了在Windows下Hadoop平台的搭建与配置,并借助于Eclipse控制Hadoop来实现Map Reduce任务开发。(2)分析了基于运动对象的监控视频摘要技术的主要方法,对比较常用的算法,包括运动对象检测的帧间差分法、背景减除法;背景建模的统计平均法、码本法、混合高斯模型;运动对象抠取的贝叶斯抠图、鲁棒抠图、Grab Cut等,进行了算法的比较。(3)实现了基于运动对象的监控视频摘要,选择了合适算法如帧间差分法、混合高斯模型、Kalman滤波、泊松融合等用于生成监控视频摘要,详细介绍了算法的操作过程。并在帧间差分法迭代选取阈值时加入双峰法减少迭代次数,在Kalman滤波跟踪后利用匈牙利算法对目标进行匹配,实现了对样例视频片段的摘要生成。