由于列检库内存在多个专业的作业人员，同时也存在不同范围的危险区域，因此确保列检库内作业人员的安全显得尤为重要。列检库内既有的视频监控系统是确保作业人员进行安全作业的重要手段。机器视觉技术给各类视频监控系统带来了前所未有的发展，将机器视觉技术应用到列检库内作业人员的安全监测中具有重要的现实意义。运动目标的检测和识别是机器视觉的关键技术。本文的研究重点是针对列检库这种特殊的应用场景，对这两个关键技术进行理论分析和实验研究，在此基础上设计和实现基于机器视觉的列检库作业人员安全监测系统的软件。深入研究比较了现有的各种运动目标检测算法，列检库现场光照复杂多变，采用一种GMM(Gaussian Mixture Model,混合高斯模型)与纹理特征相结合的检测算法。在目标提取之初加入光照检测的思想，当图像未发生光照变化或光照变化较小时，采用GMM法进行目标检测，当图像发生快速光照变化时，采用纹理特征法进行目标检测，从而可以把这两种方法的优点结合起来进行运动目标的检测。通过实验分析说明该方法可基本消除光照因素的影响，特别是在光照快速变化的条件下可以得到不错的效果。在分析了现有运动识别算法的基础上，针对列检库内的场景，用SVM(Support VectorMachine,支持向量机)来对列检库内的作业人员进行识别。分析了人体不同种类的分类特征，选取了二值化运动目标图像的HOG(Histograms of Oriented Gradients,梯度方向直方图)和运动目标区域的形状参数作为SVM的识别特征。运动目标的HOG和形状特征可以对人体进行更有效的识别，而且可以避免部分误检测对目标识别的影响。将正、负样本图像的分类特征输入到SVM中，训练出来的离线分类器对系统实时采集的图像进行识别。实验结果分析表明了该算法能有效地实现运动目标的识别。设计并实现的基于机器视觉的列检库作业人员安全监测系统软件具有视频采集、危险区域设定、运动目标检测、运动目标识别等功能，能够实现对误入一定范围危险区域的作业人员进行自动检测和识别，若识别的结果是人，则执行报警，完成了系统的功能需求。