监控视频中的车辆及行人检测,是智能视频处理的一个重要问题,因其融合多学科技术、拥有广阔市场前景而成为世界范围内各研究机构、公司企业的研究开发重点。但是,在多种动态变化场景中和不同拥挤程度下,稳定、准确地实现车辆与行人检测,仍然是难以很好实现的挑战性课题。本文介绍了前景检测方法和不同环境下车辆、行人检测方法的研究与发展现状,针对不同应用环境,提出了不同的检测方法,并在以下几个方面做了一些探索性工作:1.为了克服现有前景检测算法易受场景动态变化影响、前景分割不够准确完整的问题,本文在基于高斯混合模型的经典前景检测算法基础上,引入时间一致性分析简化运算、利用空间信息滤除噪声、以区域增长的方式完成前景分割,从而抑制背景动态变化干扰、准确分割物体并保留物体的清晰轮廓。此外,将颜色圆锥模型和局部二元模式相结合,在实现了大面积阴影有效去除的同时保证深色运动物体不受干扰。2.为了使道路监控视频中车辆检测不再局限于特定拍摄方向、特定区域范围和特定光照环境的约束,本文提出更为鲁棒的形状、角点、直线等多种几何不变性特征,并利用支持向量机模型对特征进行学习训练。通过与常用的小波变换系数特征和区域局部二元模式特征进行比较,证明本文特征在运算时间和识别效果的优越性。3.为了解决拥挤环境下行人难以彼此有效快速分割的问题,本文采用分层结构,首先综合前景轮廓与形状的信息,进行行人的初步定位和尺度的基本估计,然后利用HoG描述子完成行人的最终确认。该方法可同时提高行人检测的速度与精度,为后续事件分析提供准确的对象描述。上述工作在多种现实场景下的监控视频中进行了系统的测试,结果表明,本文的方法可以较好的实现不同环境下车辆和行人的检测。同时,基于本文方法的事件检测系统,在TrecVid1 2008国际事件检测大赛中获得最佳事件检测结果的好成绩。