随着科学技术的不断发展,监控行业逐渐由原来的模拟时代转向数字时代,监控视频的清晰度得到了很大的提升,安装维护也变得更为便利。很多政府机构、传统工厂为了实现公共安防、实时监管等目的,大规模引进视频监控设备。但大多数的监控视频信息任需要人工查看分析,不仅造成大量人力资源的浪费,而且由于存在人为主观判断的影响,导致监控视频信息分析结果缺乏客观性。近年来,随着计算机视觉与机器学习的发展,监控行业逐渐由数字化时代转向人工智能时代。针对上述传统监控视频存在的问题,本文设计了一套搭载基于深度学习的目标检测和多目标跟踪算法的人员在岗检测的智能化检测系统,实现了对政府机构、企业单位中在岗人员的工作状态及来访人员计数的智能化监管。主要研究内容有:(1)在目标检测方面,研究分析了基于one-stage、two-stage两大模型目标检测算法的工作原理及检测性能,并根据智能化监控系统中对目标检测精准度、实时性的要求,提出了针对在岗人员状态检测的ILF-YOLOv3(Improve Loss and Feature-YOLOv3)算法。该算法是在基于one-stage模型的YOLOv3检测算法的基础上,对其损失函数和多尺度特征检测模块进行了改进。实验结果表明,新算法模型对在岗人员状态的检测数据集上的均值平均精度提高了7.9%,召回率提高了14%。(2)在多目标跟踪方面,本文研究分析了基于卡尔曼滤波器的多目标跟踪算法,改进了算法运动状态的匹配度量,使用融合3种度量模型的融合度量作为运动轨迹与目标检测之间的匹配度量。实验结果表明,融合度量模型的增加,不但缓解了单独使用马氏距离为匹配度度量时所导致的IDSwitch情形严重的状况,而且有效避免了因相机运动导致马氏距离度量失效的情况。(3)在系统的实现方面,分别对人员在岗智能化监控系统的前端界面、功能模块以及数据管理部分行分析与设计,最终采用Easy UI+SSM+Mysql的技术服务来实现基于B/S架构的智能化监控系统的开发。