视频监控中,随着监控规模的不断扩大、监控需求的不断增长,越来越多各种各样的监控设备被应用到监控环境中,监控系统的智能化也逐渐变得越来越重要。作为智能视频监控技术研究的重要分支,基于目标跟踪的多摄像机协同调度策略逐渐成为一个具有重大意义的研究方向。视频监控时不仅多摄像机协同目标跟踪可以减少系统资源冗余、增强目标跟踪稳定性,而且信息的协作融合处理可以增强目标信息的丰富性及鲁棒性。基于有重叠视域单目标多PTZ摄像机监控环境,本文主要对多摄像机协同调度方法进行了深入研究。本文首先阐述了视频监控中不同监控环境下目标检测跟踪的关键技术,分析了视觉跟踪系统的整体架构以及多摄像机协同调度的相关理论基础。其次,基于PTZ网络摄像机分析了单摄像机单目标的动态跟踪方法。在对网络摄像机视频流进行采集预处理后,应用基于核相关滤波器的目标跟踪算法对序列帧中的目标位置进行预测,然后基于PTZ摄像机的控制模型根据目标位置与图像中心的偏差量应用比例控制算法对摄像机的运动量进行控制,摄像机通过P/T运动来对目标进行动态跟踪。然后,对基于协作学习的目标检测方法进行了分析。针对离线训练样本构成检测分类器的方式,在对SVM、Cart分类方法研究分析后,基于Adaboost集成方法,提出了一种改进的SVM-adaboost目标检测方法来进行目标检测和特征降维。最后,基于目标检测集成策略和单PTZ摄像机目标动态跟踪系统,研究了多摄像机协同调度方法。采用各摄像机视野中预测位置目标特征信息与相应的融合滤波模板的相似性作为衡量参数来选择调度进行动态跟踪的摄像机序列,并采用Adaboost方法集成由各摄像机跟踪系统中基于核相关滤波器的目标跟踪算法构造成的弱分类器,以此生成强分类器来在目标丢失后进行重新检测。基于几个标准视觉数据库和搭建的室内监控实验平台,本文通过一系列实验对本文中所涉及的单PTZ网络摄像机的目标动态跟踪性能、目标检测时集成学习策略的有效性以及多摄像机协同调度方法的摄像机调度效果进行了论证分析。