人居安全是保障良好人居环境的前提,通过对人居环境持续的危险识别和风险管理过程,将人员伤害和财产损失的风险尽可能降低至最低水平。本文以人居环境安全性检测为目的,研究基于Mean Shift聚类算法的结构健康状态监控和评估方法以及智能视频监控技术。首先论述了Mean Shift算法的原理,通过信号和图像的聚类分析实验研究证明,Mean Shift算法的核函数、核半径以及均值平移量阈值影响聚类分析效果。不同的核函数会产生不同的聚类分析效果；聚类分析时,每种核函数都存在一个合理的核半径取值范围,当核半径超出该范围时,聚类的准确性会降低；减小阈值,可以提高算法的聚类效果。另外,对信号提取特征,可以降低分类矩阵的维数,减少算法的迭代次数,增强算法的实时性,有效地提高聚类效率及准确性。与k-means算法聚类分析相比,Mean Shift算法对于聚类样本不需要预先设定类别数。提出了基于Mean Shift信号聚类的结构健康状态监测方法。首先,采用正交小波包对ACSE结构响应信号进行分解,提取小波包能量分布作为信号特征,再通过多测点信号特征组合构造聚类分析的输入矩阵,采用Mean Shift聚类算法对结构健康状态进行了有效的监测。实验表明：采用多节点组合的特征可以充分利用多个节点的信息,能够克服单一节点信息的片面性和不确定性,有利于提高对状态监测的准确性和可靠性。提出了基于Mean Shift质心偏移的结构健康评估方法,该方法以无损伤状态的聚类中心(质心)为基准,用结构实时状态的质心与基准的偏移大小表示结构偏离健康状态的程度。实验表明：质心偏移基准距离越远,则结构的损伤程度越严重,以质心偏移量为指标,可以有效地评估结构健康状态。研究了基于Mean Shift图像聚类的智能视频监控方法。为了提高算法的实时性,首先提取视频监控图像的直方图构成图像的特征矩阵,通过Mean Shift聚类分析有效地监测了布防区域状态变化,如物体发生移动、有物体滞留或消失以及有人员出现等异常情况。其次,通过Mean Shift聚类算法实现了视频监控图像的快速聚类,为智能视频监控系统快速甄别异常监控图像、提高图像检索效率奠定了基础。