随着社会对公共安全问题的重视,智能视频监控技术在安防方面发挥着越来越重要的作用,作为一种有效的安全防范技术受到了应用和推广。遗留物检测技术已经成为智能视频监控系统关键部分之一,有助于在视频监控区域及时找回遗留物体或排除不明遗留物的潜在危险。现有遗留物检测算法在人流密集的监控场景下提取前景目标的误检率和漏检率较高,同时不能很好地解决背景物移动和遗留物遮挡带来的干扰问题。为了提高在复杂环境下遗留物检测的准确度和实时性,本文对基于深度学习的目标检测和遗留物检测进行了深入研究与分析,将YOLOv2目标检测应用于遗留物检测中,提出了一种基于改进YOLOv2网络的遗留物检测算法。本文主要研究工作如下:(1)针对YOLOv2检测小目标物体准确度不高的问题,本文提出了YOLOv2-A检测网络。通过引入深度残差网络思想将深层特征和浅层特征多次融合,在基本不增加原网络计算时间的情况下提高检测小目标物体的性能。同时采用YOLOv2-A代替传统目标检测方法进行前景目标提取,有效排除驻留行人和动物等非物体目标的干扰,最后进行遗留物分析与判断标记出遗留物。(2)针对ORB算法存在尺度不变性的缺点,本文提出了ORBS(ORB-SURF)特征匹配算法。ORBS算法利用SURF算法进行特征提取,使其特征点具备尺度不变性,在汉明距离粗匹配基础之上利用PROSAC算法获取稳定的精准匹配点。同时将ORBS算法应用于遗留物检测算法中,解决背景物移动和遗留物遮挡问题,提出了一种基于改进ORB的遗留物检测算法。(3)本文设计并实现了用于实际监控场景的遗留物智能检测系统。详细介绍了系统的整体框架和组成模块的基本原理,同时介绍了该系统服务器和客户端的功能设计与实现效果。