近年来随着智慧城市的全面建设,人们对社会安全的需求与日俱增,这无疑加大了安保人员的负担,因此,具备自动分析处理图像数据能力的智能视频监控系统是监控技术未来的重要发展方向,与传统的人力完成的监控系统不同,计算机视觉算法在智能监控技术中起着关键作用,由于监控环境的复杂多变,目标的形态变化和遮挡等因素的影响,快速又准确地检测和跟踪目标依然是颇具挑战的研究热点。本文通过计算机视觉算法自动分析监控场景中的道路目标(车辆和行人),能够自动检测警戒区域入侵问题并及时发出报警,大大提高了监控效率,具有很高的应用价值。本文的主要研究工作如下:(1)由于传统的检测算法如背景差分法,光流法局限性较大,效果不尽如人意,本文提出基于SSD卷积神经网络的道路目标检测算法,首先介绍了SSD网络的框架结构和基本原理,总结出进一步提升网络检测性能,加强小目标的检测能力的改进思路。算法针对监控视频中的常见目标修改了先验框的长宽比,融合低层卷积层增加特征图的位置信息,进一步提高网络性能。另外,本文提出了一种基于图像金字塔的数据增强方法,通过增加数据集中小目标的数量的方式提高检测准确率。(2)为了对检测到的多个目标进行连续跟踪,本文设计了结合Camshift与卡尔曼滤波的道路目标跟踪算法,首先将卡尔曼滤波器预测的位置作为Camshift算法迭代的初始位置,再通过Camshift算法得到准确的跟踪位置,此外针对可能的出现遮挡情况做出了改进,提高了算法的稳定性。接着提出了一种基于距离的检测、跟踪数据关联算法,匹配前后两帧中的同一个目标,形成跟踪链,最后通过目标轨迹分析实现了指定警戒区域的入侵检测,视频测试结果表明,本文所采用的跟踪算法具有良好的跟踪效果。(3)本文在VS2013开发环境下,应用Caffe深度学习框架和OpenCV视觉库完成算法的编程,通过实验测试算法的整体性能。测试结果表明,经过优化的SSD检测算法在PASCAL VOC数据集上的mAP达到了77.5,检测跟踪算法在测试场景下平均FPS为27.3,平均识别率达到93.3%,平均漏检率为6.7%,平均误检率为4.9%,性能指标达到预期,基本满足实时监控需求。