全球范围内公众对社区公共安全与防范上的需要日益增长,小区,公园,广场,住宅,楼道等公共场所与重点防卫场所安装的监控摄像头数量正以几何倍数的速度增加,这也使得摄像头所采集的视频数据飞速的上涨,如何高效地存储、检索和浏览海量级的监控视频数据成为一个亟待解决的问题。视频浓缩技术正是解决此类问题的有效方法之一,它通过对运动目标的提取和跟踪,分析视频中冗余的时空间隙,实现基于运动目标序列时空重排的视频内容压缩,最终得到能短时间内显示大量视频信息的浓缩视频。现有的视频浓缩算法采用在线式浓缩的方式,由于运动目标序列提取算法的缺陷,在处理背景变化较为复杂的场景时,容易造成目标频闪和重叠现象。本文提出了一种基于结构约束的在线鲁棒视频浓缩算法,在面对多种复杂情况的监控场景时也能得到高质量的浓缩结果。论文主要的工作和贡献有:(1)提出了一种结构约束的在线鲁棒视频浓缩算法。通过动态判断场景的复杂性,将视频分割成背景稳定镜头和背景波动镜头。针对两种情况分开处理,弥补运动目标序列分割的缺陷,使得视频浓缩能适应各种监控场景;并在轨迹填充过程中采用自适应空间截断的方式,减小贪婪算法求解时带来的负面影响。(2)提出了一种自反馈的运动目标检测算法。在基于像素的背景模型与分割结果之间建立反馈环节,用分割结果反过来自动调节背景模型的参数,快速适应环境变化,模型之间设定的选择性扩散的方式能帮助分割间歇性移动目标。(3)提出一种轨迹间粘连的结构约束跟踪方法。在目标跟踪中采取轨迹间粘连的方式。先精准匹配形成轨迹,然后进行轨迹间粘连,而不是帧内粘连,这样能有效地保持运动目标的结构关系并消除臃肿的轨迹。(4)实现了基于CPU的硬件加速的在线浓缩系统,使得算法能实时地处理输入的高清视频。文章最后在公开数据库上对自反馈运动目标检测算法和在线鲁棒视频浓算法分别进行了实验验证,证明了本文提出的方法有着极强的鲁棒性。未来几年,在线鲁棒视频浓缩算法将会在智能监控系统的输入端与存储端发挥其重要的作用。