现代社会对公共安防的日益重视促使安防监控系统得到飞速发展,几乎各个角落都存在监控摄像头。每天24小时不间断的摄像所产生的视频数据量呈几何级数增长。对于海量的监控视频而言,如果只是通过人眼来获取视频中的有用信息是一项耗时长且易出错的任务。为了解决这一问题,研究人员提出了视频监控系统智能化处理,包括:视频快速分类、视频摘要、视频浓缩等。视频浓缩是一种提高监控视频检索效率十分有用的方法,可分为在线视频浓缩和离线视频浓缩两类,其中在线浓缩因其速度快,实时性高而更适用于冗长的监控视频。本文基于运动目标自适应调整及改进模拟退火方法提出了一种既能实现视频的高度浓缩,同时有效减少运动目标之间碰撞次数的在线浓缩算法。本文的主要工作如下:1.介绍了在线视频浓缩算法的前置部分,包括前景检测、多目标追踪、轨迹最优化等。通过对这些问题及相关方法原理、优缺点的分析,为后续在线视频浓缩方法的研究提供重要的理论基础与技术准备。2.本文提出了一种通过自适应调整运动目标尺寸来规避碰撞的算法,并将该方法应用在在线视频浓缩系统中。通过调整目标大小可以规避掉一些本该发生遮挡的情况,当发生遮挡时,保持运动目标几何质心不变,缩小目标面积,同时最大程度保持原始视频中运动目标之间的时空关系。3.针对在线视频浓缩能量泛函,提出了一种新的最优化求解算法,包含“adding”和“adjusting”两个主要过程。和传统离线最优化算法不同,本文算法将在线视频浓缩的轨迹重排与能量函数最优化求解相结合,在最优化之前限制了数据规模,以此来降低运算复杂度。4.通过大量实验验证了本文提出的自适应调整算法和最优化对最终浓缩视频的影响。将浓缩结果与其它在线和离线浓缩领域流行的算法进行了对比,在诸多指标如:前景碰撞率、运动目标轨迹（tube）时空一致性、画面压缩率、运算效率等进行了分析。结果表明,本文算法相比传统的在线视频浓缩算法有更低的碰撞率,更好的时空一致性,且运算效率明显优于离线视频浓缩方法。