随着视频监控系统向数字化和智能化方向的发展，智能视频监控技术已成为国内外学者关注的热点问题。智能视频监控包括目标检测、目标跟踪、目标识别和行为分析等。本文集中研究智能视频监控中的关键帧提取、人体目标检测与人体行为识别相关算法。在总结和分析现有研究成果的基础上，对视频摘要生成、运动目标检测、阴影消除、行为识别等关键问题进行了研究。
　　 首先，本文提出了动态时域检测窗口的快速关键帧提取方法。通过时域检测窗口把视频序列分割成长度不等的单元，并对窗口左右边缘帧以及窗口内的抽样帧进行分析、对比，从而判断视频单元的内容变化。同时，采用窗口混合增长模式和窗口慢检测机制保证关键帧提取的质量和速度。最后，对提取的关键帧序列进行聚类，得到最优的关键帧。提取的关键帧序列能够为系统提供可信的数据源，为后续的人体行为识别奠定良好的基础。
　　 在运动目标检测和阴影消除方面，首先采用背景差法提取视频运动目标，通过混合高斯模型对视频场景进行背景建模。提取的前景区域中包含了运动目标区域和目标的运动阴影区域。监控场景的多样性增加了阴影检测的难度，单一特征的阴影检测已经无法有效获取运动目标。为了有效去除阴影区域，本文改进了基于置信度的融合多特征阴影检测算法，通过引入置信度因子，使得算法能够根据不同场景，调整HSV颜色特征和LBP纹理特征的置信度，从而优化提取的运动物体区域。在实际场景监控中，算法适用性较强。
　　 在人体行为识别方面，本文主要研究对象为单目摄像机中的单人行为，将行为按照从局部到整体，由简到繁的层次划分，采用行为理解的分层结构模型。将傅立叶描述子和人体轮廓宽高比作为人体的外形特征信息，将人体质心的运动轨迹作为运动特征信息，并进行提取。随后，根据该信息判断人体姿态。最终，根据测试序列中人体姿态出现的顺序，计算在姿态转移图中的最大概率路径，从而得到所属的行为类别。在以上工作的基础上，作者展示了本文人体行为识别算法的实验效果。