该文所研究的内容为新一代的监控系统,其目的在于建立真正的基于视频内容的(场景中的运动目标)智能监控系统.该论文主要创新性工作可以总结如下:首先,在监控系统的架构方面,该论文突破了传统的分布式静止摄像机组成的大场景监控系统的模式,而是用一个全局的静止摄像机和一个或几个运动摄像机的组合方式,来完成对监视区的监控.该论文提出了用人脸摘要的方式来重新组织视频流,为用户提供友好的人机交互.其次,提出了有目标运动时的背景图像的提取和运动区域的检测分割方法.该论文从简单的帧差方法着手,结合背景提取和背景更新方法,有效的完成了目标的检测和分割.在背景提取方法中,该文在高阶统计方法的基础上,提出了块高阶统计方法,使得在有运动目标存在而不需要清场的情况下,能提取出当前场景下的背景图像.在背景更新中,作者和作者的合作者提出了分布式混合高斯模型方法,使得提取出来的背景模型自适应场景的变化.第三,提出了一个动态肤色模型的建立方法.第四,在人脸检测中,我们在隐含马尔可夫模型的基础上,提出了自组织的隐含马尔可夫模型.在人脸检测的特定应用中,我们将人脸的训练样本分成几个在不同的姿势下的样本组,然后用这些样本组分别训练该隐含马尔可夫模型,所以最终得到的是不同姿势下人脸的隐含马尔可夫模型.第五,运动目标跟踪中,该论文提出了基于卡尔曼滤波器和神经学习的运动目标跟踪算法.第六,人脸摘要中,该论文建立了以人脸相对于摄像机的姿势为信息量评判原则的摘要方法,以人脸姿势识别的结果作为一组人脸摘要的依据.在对四个比较常用的人脸姿势识别方法的性能测试的基础上,对各个算法进行了分析和比较,最终得出基于视的子空间方法对人脸姿势的识别性能最好的结论.最后,搭建了基于人脸目标的智能监控系统的原型系统,在该系统平台上,我们可以进行后续的研究和开发.