智能视频监控技术是计算机视觉领域新兴的一个研究方向。它的主要研究目标是利用计算机视觉技术对视频序列的内容进行分析、理解和描述。智能视频监控涉及图像处理、人工智能、计算机科学和模式识别等众多研究领域,其核心技术包括目标检测、目标跟踪、目标识别和行为理解等。本文重点关注智能视频监控系统的目标检测和目标跟踪两个环节,针对这两个环节中的若干关键问题进行深入研究并提出解决方法。涉及的具体问题包括：如何提高高斯混合模型的计算效率、如何准确检测运动阴影、如何可靠跟踪目标,以及在目标跟踪前如何进行参考模型的初始化。本文的主要贡献概括如下：(1)采用高斯混合模型提取运动物体时,序列的每个像素都要进行模型参数的计算,因而计算量非常大。为了提高目标提取效率,本文提出了一种序列处理的改进算法。基于大部分背景像素固定不动的事实,算法在进行模型匹配和参数更新前按照一定规则判断出这些像素,然后降低其更新频率以减少大量冗余计算。本文给出了像素进入和退出稳定状态的判断准则以及算法的流程。本文算法能够在保证图像质量基本不变的前提下显著提高处理效率,使得高斯混合模型背景建模技术更具实用价值。(2)在智能视频监控系统中运动阴影是一个需要着重考虑的问题,阴影检测对于视频序列中目标的精确提取至关重要,这是因为阴影像素往往会误判为运动目标像素,从而引起后续目标分割和跟踪的错误。针对这一问题本文提出了一种智能交通系统中运动阴影的检测算法,算法基于背景像素被阴影覆盖后RGB值的变化。算法首先定义了归一化亮度比例坐标系并将阴影检测视为该坐标系中的分类问题,然后采用阴影像素在该坐标系中的分布信息构建一个椭球,并根据像素的坐标值是否处在椭球内部以及RGB三种颜色归一化亮度比例的相对大小来确定阴影像素。为了增强算法在变化光照条件下的鲁棒性,对上述算法进行了改进。算法采用光照不变特征c1c2c3构建椭球,然后用阴影的几何特性进行后处理。这些改进使得算法能够有效地检测不同场景、不同运动物体的阴影；并且能够适应光照条件的变化。(3)本文提出了一种采用颜色直方图和七个Hu不变矩的跟踪算法,不同信息对最终结果的贡献根据其可靠程度在线调节。单一颜色特征跟踪算法的不足在于缺乏目标的形状信息,而形状信息可以用七个Hu不变矩进行描述。不变矩的另一个优点在于它们在二维平面内具有平移、旋转和尺度的不变性。因此跟踪算法可以获得互补的信息,而这种互补性有助于跟踪性能的提升。本文算法比采用单一特征的算法跟踪目标更加准确,而且克服了丢失目标的缺陷,增强了算法的可靠性。(4)本文提出了一种在目标跟踪中参考模型的初始化方法。目标跟踪前必须首先定义一个参考模型,然后在后续帧中比较候选目标和参考模型的相似性来确定目标的位置。在现有的研究中,参考模型的初始化一般是手动进行的,本文提出的算法能够自动、准确地从参考帧中分割出参考模型,解决了跟踪前需要人工参与的缺陷。首先采用连通组分标记算法对目标进行计数,并计算每个目标的位置；然后根据回转半径张量法求出包含目标的最小外接矩形；最后用蒙特卡洛算法求出参考模型的估计。