近年来，人们对公共安防的日益重视使得安防监控视频系统获得快速的发展，各行各业在日常生活中对于安防的需求日益增加，监控系统也随之遍布于社会的各个角落。然而，视频监控系统的广泛应用也大大增加了对视频数据存储空间的需求。同时，对于海量的视频数据，仅通过人眼来检索所有视频信息，必然会造成大量的人力资源浪费，漏检错检的现象也时常发生。因此，实现视频监控系统的智能化，如海量视频数据的快速分类、自动检索等，具有重要的理论与现实意义。在线实时视频浓缩为视频监控系统智能信息检索提供了一种重要的方法与手段。本文基于轨迹组合最优化的理论框架，针对监控视频中运动目标的轨迹组合方法以及轨迹组合最优化的求解展开研究，提出了一种可高度压缩监控视频的时空冗余，同时又能保持运动目标之间相互联系的在线视频浓缩算法。主要工作如下：
　　1)详细介绍了视频浓缩算法的重要组成部分，包括：运动目标检测算法、多目标跟踪算法、运动轨迹组合最优化方法以及图像融合。通过对不同方法的比较，分析各类算法的优缺点，为后续章节在线视频浓缩系统的构建提供重要的理论依据。
　　2)提出一种基于相关关系的运动轨迹组合算法，利用不同轨迹的时间域以及空间域的信息，定义了不同Tube(轨迹)之间可能存在的两种关联——强关联和弱关联。强关联能将属于同一个运动目标的Tube连接成一组，而弱关联则能实现将时空上存在联系的Tube放置在同一个组合。通过轨迹组合算法能有效解决现有视频浓缩算法由于运动目标检测或跟踪错误而导致的浓缩错误问题，同时算法有效地保存原始视频中运动目标的之间的相互联系。
　　3)提出了基于轨迹组合的最优化算法。有别于传统的视频浓缩最优化算法，该方法以轨迹组合为最优化基本单位，因为组合保存着Tube之间的相关关系，最优化时只需考虑前景碰撞问题，大大简化了最优化的流程，减少算法的运算复杂程度，提高了实时性。
　　4)通过实验验证了运动目标轨迹组合及其最优化求解算法各部分模块对浓缩视频生成上的影响。最后与三种目前先进的视频浓缩算法进行了比较，从前景碰撞、Tub时空一致性、压缩率、运算效率等多方面进行了分析。实验表明，本文算法相比于传统的在线视频浓缩算法具有更好的浓缩效果，可以实时生成与离线视频浓缩效果相仿的在线浓缩视频。