目标跟踪与行为识别是智能视频分析的核心问题,对这两个核心问题进行深入研究对于提高视频分析监控系统的性能有着重要的意义。主要工作如下:1、提出了一种基于改进相关滤波的长时目标跟踪算法。长时间的准确跟踪是目前目标跟踪领域面临的主要挑战。大多数传统的目标跟踪方法主要是针对短时的跟踪问题,在面对长时的视觉跟踪时,由于目标自身的外观变化及周围环境的遮挡,容易出现目标模版漂移的现象。在长时目标跟踪中,随着视频推移,模版漂移的现象会愈发严重并最终导致目标丢失。为解决上述问题,提出了基于改进相关滤波的长时跟踪算法;以相关滤波算法为跟踪框架,采用了高置信度的模版更新策略防止模版污染,并设置了一个目标重检机制用于找回丢失的目标。实验结果证明所提出的算法有效避免了模版漂移问题,并且可以长期稳定的跟踪目标。2、提出了一种基于时空加权的多特征融合动作识别算法。针对传统视觉词袋BOF编码方式中对所有特征进行无序编码,而忽略了动作中的时序以及某些特征本身的特质等问题,提出了针对BOF编码加权的多特征融合行为识别算法。在跟踪目标位置基础上扩大目标框的范围,提取HOF、HOG以及CN特征进行融合,使用加权的BOF编码方式对其进行特征编码,最终将加权后的BOF特征输入SVM实现动作识别。实验证明该算法能够有效提高动作识别的准确率。3、构建了一个火车司机监控视频违规行为智能筛查原型系统。将提出的算法应用于火车司机违规行为的智能筛查,实现了在海量的离线监控视频中对火车司机违规驾驶行为的智能筛查,减轻了视频审查人员的负担、提高了筛查效率。