随着深度学习领域的飞速发展,基于视频图像的目标检测技术成为监控设备的主要应用之一。但如今对于监控网络中高效的进行目标检测,仍存在着许多挑战。首先目前的监控网络主要由中央服务器负责处理计算任务,在大规模高分辨率的监控网络中,过大的计算任务量必将超出中央服务器的承受范围。此时可以通过控制搜索的区域范围和时间范围,有效地降低任务计算量从而提高处理效率。但在复杂场景中,缩小范围后的任务计算量仍有可能较大,这就需要充分利用监控网络中的摄像头端,使得监控网络中的摄像头具有独立进行目标检测的能力。当前虽然已有较多成熟的目标检测模型,但大部分很难在资源有限的开发板上保证精准度和检测速率的前提下正常运行,故模型的轻量化成为了摄像头端进行目标检测的核心问题。除此之外,当监控网络中各摄像头端独立进行目标检测后,由于各自之间缺乏沟通协作,故需要服务器端一个有效的管理机制对各摄像头进行调度管理以及检测结果的有机融合。针对上述情况和问题,结合监控网络的实际场景和需求,本文提出了基于综合特征的目标检测技术,实现了监控网络中摄像头端的独立目标检测,且能够与服务器端共同处理计算任务,最后各摄像头端的检测结果将在服务器端有机融合,得到检测目标的位置范围。本文首先给出了综合特征目标检测技术的定义和表示形式。综合特征包括检测目标的时间、位置、视觉特征和监控网络中各摄像头的位置特征。然后根据技术框架分别介绍了服务器端的元数据管理模块、任务调度模块、任务管理模块、任务执行模块、目标检测模块、结果融合模块和摄像头端的任务执行模块、目标检测模块。并且对各模块中的核心技术进行了详细阐述。本文根据输入的特征信息,利用设计的任务调度算法筛选出需要执行目标检测任务的摄像头,在保证准确率的情况下减少了监控网络的资源浪费。通过对SSD300x300模型的裁剪达到了轻量化的效果,使其可以在摄像头开发版上快速运行,拥有不错的检测速率。且通过迁移学习,使得每个摄像头端的模型都对于当下场景拥有更高的精准度。服务器端的任务管理模块负责保持与各摄像头的心跳通信,根据各摄像头的工作状态以及检测结果及时作出调整,当摄像头端出现异常情况时能够有效处理。当检测过程结束后,本文通过设计的结果融合算法,分粗细两种粒度对检测结果进行融合,且考虑到目标检测的误检情况设计了纠错算法以降低融合结果的误差,最终根据融合的结果确定检测目标的位置范围。最后以综合特征目标检测技术为核心实现了CFOD系统,并搭建了一个模拟监控网络对该技术中各核心技术进行了验证与分析。其主要包括调度策略准确性和资源节省率,模型的收敛速度、检测速率、精准度和卸载任务量,结果融合的可行性与准确性,异常情况。实验结果证明通过综合特征目标检测技术,摄像头任务调度阶段在保证准确率93%以上的前提下能够节省监控网络的资源;轻量化之后的SSD300x300模型在摄像头端TK1、TX2开发板上检测速率可达1.25FPS和3.1FPS,平均精准度为84.8%;最终融合的检测目标范围平均准确率达到82.2%。