运动目标识别是智能视频监控系统的一个重要组成部分,也是计算机视觉领域的一个研究热点,对其进行研究有着非常重要的理论意义和应用价值。其中,行人检测是智能视频监控中的关键技术,也是对行人的行为进行分析和理解的基础。本文的研究建立在高速公路视频监控的基础上,基于安全性考虑,视频监控系统应该对高速公路上偶尔出现的行人进行检测并报警,以利于监控人员进行处理。行人检测算法的一个共同点,就是提取运动目标的特征值,结合检测算法来进行检测。本文以高速公路为主要研究场景,对高速公路监控视频进行运动目标识别,并提取其几何特征值进行行人检测。在研究行人检测算法的基础上,为了提高检测的性能,本文对运动目标识别算法、运动目标检测特征提取以及人工神经网络等关键技术进行了深入细致的研究。在对运动目标识别算法的选取上,本文主要对光流法、帧间差分法、背景差分法这三种常见的运动目标识别算法进行了分析和比较,指出这三种算法的优点和局限性。根据视频的特点,选用了背景差分法,并通过实验确定了背景差分法的一些重要的参数。在背景模型更新算法的设计中,在传统背景更新算法的基础上,针对背景中原有物体消失和运动目标静止变成背景这两种情况进行了优化,提出了改进的背景模型更新算法,收到比较好的效果。这些算法可以在识别时获得运动目标比较完整的轮廓,因此行人检测算法采用基于几何特征值的BP神经网络的算法。提取运动目标的几何特征值包括运动目标的面积、形状复杂度、速度和宽高比,并采用LM算法训练BP神经网络,训练好的BP神经网络可用于分类检测。通过一系列实验表明,本文所提出的改进的背景模型更新算法能在背景整体发生微弱变化和局部发生较大变化时迅速更新背景,而行人检测算法能准确、有效的对包含行人和车辆的运动目标集合进行分类检测,满足系统实时性的要求,论文的研究达到预期的研究目标。