现代社会下,随着科技和经济的快速发展,互联网及多媒体的技术快速迭代更新,视觉大数据的时代已真正来临。这对智能监控领域产生重大影响以及对智能监控领域提出了巨大的挑战。通常智能监控领域中,人们希望监控能够真正达到无监管、快响应、智能化。而传统的监控视频系统面临着对于高分辨率的监控摄像无法进行实时的异常算法分析,通常利用大量的人力物力保障监控领域的安全防护,不仅人员资源浪费且受到人为因素的影响。因此,如何快速有效地从高清实时视频数据中获取用户所需的信息,已成为智能监控领域研究热点。传统的单机架构已经远远不能满足当下的实时性需求,目前的分布式计算已成为大数据主流计算模式。为此,本文将分布式计算与背景建模法相融合,以面向大规模视觉数据的异常检测算法为核心,充分利用Spark分布式框架提升背景建模架构的效率,并主要完成了以下几个方面的工作:(1)本文对传统几种异常检测算法进行了深度剖析,对背景差分法、帧间差分法、光流法以及背景建模法检测原理及过程进行综述比较以及阐述各个方法的优缺点。其次综述了鲁棒性主成分分析方法,包括静态鲁棒性主分分分析原理的阐述和动态主成分分析几种“在线”方法的比较。。(2)本文提出了两种基于RPCA的背景建模法,分别是平均网格化背景建模法和多ROI背景建模法。结合传统异常检测所存在的弊端或者瓶颈所在,从原理证明了这两种方法的可行性,并且分步骤的详细阐述了这两种方法在异常检测过程中的应用。最后通过实验证明保证了这两种方法检测精确度的前提下,检测的时间大大减少。(3)随着超高清摄像监控的出现,智能监控面临的挑战异常突出,为了满足实时检测的需求,本文提出了针对上文的两种背景建模法的Spark集群分布式实现。从理论上证明了基于Spark并行化处理的可行性,并且详细推倒出并行化的算法流程。其次说明高清监控视频基于Spark集群并行化的实施具体流程并通过实验证明并行化流程实现的可行性。最后,说明了 Spark集群的详细配置以及在实验结果上,证明了相较于上文所提及单机架构的两种背景建模法来说,对于超高清在线监控视频基于Spark集群的背景建模法检测时间较多减少,能基本满足实时性的需求。