公共安全一直以来都是人们最为关心的重点问题,随着信息技术和计算机视觉的快速发展,智能视频监控成为了公共安防领域的核心技术之一,同时也是学者们研究的热点课题。在智能视频监控系统中,首先需要将运动目标提取出来,我们称之为目标检测。运动目标检测技术是智能视频监控系统的关键性技术,在此基础上才能开展后续的运动目标跟踪、目标识别、异常行为分析等工作。运动目标能否准确完整的提取,直接影响到这些后续工作的开展,且对整个监控系统的性能都有重要的影响。因此,如何从复杂多变的监控场景中实时、准确地提取出运动目标是智能视频监控系统的关键。本文主要对智能监控场景下的目标检测相关问题进行了深入研究,重点研究了背景差分算法、自组织神经网络算法(SOBS算法)、改进的SOBS算法、高斯混合模型,并结合多目标跟踪,对几种常见的智能视频分析应用实例进行了研究。这些应用实例包括敏感区域的入侵行为检测、遗留物检测。通过分析以上的应用实例,为后续复杂的智能视频分析实例的研究打下了良好的基础。本课题的主要工作和研究进展如下:1、研究了监控系统发展的三个阶段:普通人工监控系统、半自动监控系统、全自动智能监控系统。对比这三个系统的优缺点,然后对普通人工监控系统和半自动监控系统进行改进和完善,产生如今被广泛应用的全自动智能监控系统。2、研究了当前运动目标检测技术主流的三类方法:基于帧间差分的目标检测算法、基于光流的目标检测算法和基于背景差分的目标检测算法,并对这些方法中典型算法的原理进行了详细研究,通过实验对比了每个方法的优点、缺点及适用范围,最后综合各方面因素选取基于抽样的非参数背景建模方法作为本文目标检测技术的研究方法。3、重点研究了非参数背景建模方法中的自组织神经网络(SOBS算法),并从其背景模型的建立、前景检测和背景更新三个部分进行研究。分析SOBS算法的优缺点,并对其做出了改进,得到改进的SOBS算法。通过实验对比测试这两种算法,实验结果表明改进的SOBS算法的有效性。4、对智能视频监控系统中的运动目标检测技术进行应用探索,结合改进的SOBS目标检测算法和卡尔曼滤波(Kalman Filter)目标跟踪的技术,对敏感区域目标的闯入检测、遗留物检测等应用模块进行较详细的研究并进行技术实现。通过实验对比测试,结果表明这几个应用模块都具有较好的效果。