随着技术的发展以及人们安全防控意识的提高,视频监控在交通管理、社会治安等领域得到了广泛的应用,并发挥了重要的作用。目前,对于监控视频的分析和管理已由半人工处理逐渐向智能监控系统发展。通过监控摄像头采集的视频数据中,存在大量的冗余信息,如何从大量的视频数据中提取出有用的信息是亟需解决的重要问题,也是智能监控领域的研究热点,具有一定的研究和应用价值。本文针对监控视频的特点,围绕目标检测以及跟踪技术,展开对监控视频中的信息提取及标注技术的研究。本文主要研究工作如下:1.根据监控视频分析的实时性要求,针对监控视频场景的特点,在运动目标检测方面,对视频图像进行了预处理,得到运动目标存在的感兴趣区域,减少了计算量,提高了实时性。首先使用ViBe算法提取前景,该方法只需要一帧图像便可以初始化模型,具有速度快、占用资源少等特点。然后对前景图像二值化处理并用中值滤波算法对图像去噪,最后采用Canny算子提取前景轮廓得到感兴趣区域。2.根据监控视频分析的准确性要求,在分析了视频图像特征和研究分类器的基础上,构建了基于Haar+Adaboost的目标检测分类器。主要思想是通过在训练过程中,不断重新分配样本图像权重,训练出多个弱分类器,并在最后级联为一个强分类器用于特定目标的检测。为提高检测准确性以及对不同目标进行分类,本文分别训练了针对人脸、人头以及车辆的三种分类器。针对所构造的分类器检测效率不高的问题,将视频图像复制为三个与目标相对应的图层,根据目标尺寸的实际情况选择合适的比例缩小图层并设定不同目标尺寸的合理范围,从而减少了检测过程中产生的计算量。经过实验对比,验证了优化的效果。3.目标跟踪方面,在分析现有跟踪方法的基础上,着重研究了实时性较高的压缩感知跟踪算法。其主要思想是在视频某一帧中的不同区域选取图像样本,利用稀疏矩阵对这些图像在多尺度空间生成的特征向量进行降维,再对降维后的特征向量使用朴素贝叶斯分类器进行分类,从而区分跟踪目标图像与背景图像,实现跟踪的目的。同时针对目标在监控画面内纵向运动尺度变化导致的跟踪不准确问题,结合SURF特征点匹配对压缩感知跟踪算法进行了改进,使用被跟踪对象在不同帧间的特征点匹配效果调整跟踪框的位置及尺寸,实验证明改进后的算法在监控场景下具有较好的跟踪效果。4.为实现对目标信息的语义标注,在分析语义标注原理与特定监控视频场景特点及应用的基础上,主要研究了通过HSV模型将颜色空间划分为多种颜色语义标签的方法。针对传统跟踪轨迹描述方法存在冗余信息且表达不直观的问题,提出了使用网格划分监控区域的方法,以字符串的方式描述并记录目标的运动路线。结合目标检测和跟踪的结果,实现了对目标的颜色特征和运动路线的标注,并进行了实验验证了方法的有效性。5.根据系统需求与软件架构,设计并实现了一个针对监控视频图像的视频标注系统。