随着计算机网络与通信技术的快速发展,智能化监控代替传统的人工监控成为了安防领域的热点。使用智能监控系统在无人为干预的情况下对监控图像序列进行智能分析,是未来发展的趋势。论文主要研究结合视频稳像的运动目标检测和目标识别技术,并围绕智能监控系统中的实际应用展开论述。论文研究了视频稳像技术,消除物理运动模糊,为后续的智能分析和处理排除干扰。论文对电子稳像技术进行了详细介绍,并分析已有算法的不足。假设全局抖动矢量一致,在块匹配算法的基础上,将整张图像视作一个块区域,使用像素点梯度差进行抖动估计,并进行优化。该方法能够有效消除视频的抖动,受噪声影响小,可达到亚像素级精度,接近实时稳像。在视频稳像的基础上,论文研究了稳定背景下的运动目标检测。对于混合高斯模型,论文针对背景模型的建模速度和模型质量进行了改进。使用了衰减的学习率来提高建模初期的更新速率,同时抑制模型稳定后的更新以避免混入缓慢运动的目标；使用阴影检测算法将阴影从背景模型中剔除,减少了光照缓慢变化对背景模型的影响,提高了稳定性。论文使用机器学习方法解决特定目标识别问题,重点研究机器学习所使用的特征,将常用的图像特征分为颜色特征、边缘特征和纹理特征。针对安全头盔佩戴识别,提出了基于块的局部二值模式直方图,使用可变形部件模型作为特征载体,将梯度方向直方图、颜色频率、颜色矩和基于块的局部二值模式直方图作为特征加入模型,使用支持向量机进行训练和检测,实现了适用性广、检测率高的安全头盔佩戴检测算法。最后,论文介绍了安全头盔佩戴识别应用。根据应用需求设计了安全头盔佩戴识别系统,包括视频稳像、运动目标检测和特定目标识别三个模块。在视频稳像和运动目标检测模块之间进行了协同优化,使用稳定的混合高斯模型背景作为视频稳像的参考帧图像,同时将检测到的运动区域从稳像的计算区域中剔除。使用运动目标检测到的运动区域作为特定目标识别的初始检测区域,减少了计算量,提高了运算效率。在特定目标识别中,将行人检测与安全头盔佩戴检测相结合,并利用帧间信息修正分类器的输出评分,提高了检测率,降低了误检率。