智能视频监控是结合了机器视觉、图像工程、模式识别、人工智能及计算机科学等多门学科的充满挑战的前沿课题,具有广泛的应用前景。它可以自动地分析从摄像机处得来的图像序列,实现对监控场景内目标的定位、跟踪和识别,分析和判断目标的行为,并做出相应的预警。智能视频监控系统可以协助人甚至代替人来完成监视或控制任务,具备主动、全天候、实时、防患于未然等优势,既可以减轻工作人员的负担,降低监控成本,又可以增加安全性。因此,智能视频监控系统将被广泛应用于火灾报警、公安监控、军事侦察、人群控制等领域。经过大批国内外学者对智能视频监控系统相关技术的深入研究,智能视频监控已经得到了较大的发展,但在理论上和应用上都仍存在着诸多需要完善的地方。本文在前人研究成果的基础上,对智能视频监控系统的相关图像处理技术进行了研究。主要工作如下:首先,对目标检测技术进行了研究,分析比较了几种常用的运动目标检测方法,并选取以混合高斯背景模型为基础的背景差分法。介绍了混合高斯背景模型的建立及更新的过程,较好地解决了背景模型的建立、更新、背景扰动、外界光照变化等问题。分析研究了一种基于RGB色彩模型的阴影检测算法来检测并消除阴影区域;介绍了用于滤除初步提取的运动目标中存在的噪声的数学形态学滤波方法。接着,阐述了图像拼接技术相关理论,分析对比了几种图像特征提取方法的优缺点,并具体介绍了具有旋转、缩放及平移等不变性的SIFT特征提取算法。分析了用于匹配SIFT特征点的BBF及RANSAC算法及图像的变换模型,并对比了几种图像融合方法的图像融合效果。然后,对粒子滤波算法的基本理论“贝叶斯滤波原理”及“蒙特卡罗方法”进行了介绍,研究了粒子滤波的原理及其应用于视频目标跟踪时目标的动态模型、观测模型及重要性采样等具体实现过程。最后,提出了一种基于SIFT特征匹配的异常目标检测算法,用于通过对比镜头图像与全景图像,找到监控场景中的异常目标或变化;提出了一种基于粒子滤波的多人脸跟踪算法,用以介绍粒子滤波算法在多目标跟踪中的应用,即对复杂环境下多目标的匹配及跟踪方法进行了研究。基于提出的异常目标检测算法及多目标跟踪算法,给出了一个智能视频监控系统的工作流程框架。通过相关的实验,证明了本文所提相关方法或算法的有效性,表明本文所提出的智能监控系统实现的可行性。